本文提出RubricRL框架，通过动态生成可解释的评估量规来改进文生图模型的强化学习训练。该框架采用多模态大模型自动构建提示词自适应的细粒度视觉标准（如物体数量、OCR保真度等），并设计分组相对策略优化算法进行训练。实验表明，RubricRL在提升图像质量的同时，显著增强了训练过程的可解释性和用户可控性，在DPG-Bench和GenEval基准上性能优于现有方法4%。创新点包括：1）通用化量规奖励

Helios：实时长视频生成新突破 北京大学等机构联合推出14B参数视频生成大模型Helios，在单张H100 GPU上实现19.5FPS的实时视频生成，支持分钟级长视频生成且保持高质量。Helios通过三大创新技术解决行业痛点： 深度压缩流技术：通过多期记忆补丁化和金字塔统一预测校正器大幅减少计算冗余，无需传统加速技术即可实现实时生成 简易防漂移方案：采用相对旋转位置编码消除重复动作，首帧锚点稳

尽管Omnigrasp展示了控制模拟人形机器人抓取各种物体并在保持物体的同时跟随全方向轨迹的可行性，但仍然存在许多限制。例如，尽管输入和奖励中提供了6自由度（6DoF）输入，系统在旋转误差方面仍需进一步改进。Omnigrasp尚未支持精确的手内操作。轨迹跟随的成功率可以提高，因为物体可能会掉落或无法被拾起。另一个改进领域是实现对物体的特定类型抓取，这可能需要额外的输入，例如所需的接触点和抓取方式。

本文开发了Reasoning3D，一个简单而有效的基线方法，可以理解并执行复杂的命令，以对3D网格的特定部分进行分割，具有上下文理解和推理输出，用于交互式分割。随机收集了来自3D建模网站SketchFab的3D模型，并使用这些实际中的3D模型进行评估，并让志愿者给出“隐含”的分割命令。图6和图1展示了一些示例。在这里，受解决了3D生成中类似挑战的研究[16，17，52，54，60，72]的启发——

摘要：复旦大学等机构提出首个端到端多模态矢量动画生成框架OmniLottie，可直接从文本/图像/视频指令生成Lottie格式动画。创新点包括：1) 设计Lottie分词器将JSON压缩为高效指令序列，实现10倍数据压缩；2) 开源200万规模的MMLottie-2M数据集；3) 基于Qwen2.5-VL构建多模态模型，支持跨模态动画生成。实验表明其生成质量优于现有方法，在保持矢量特性的同时解决了

SoulX-LiveTalk提出了一种14B参数的实时音频驱动虚拟形象框架，通过创新的双向蒸馏策略和全栈优化实现高效生成。该框架摒弃传统单向范式，采用双向注意力机制增强运动连贯性，结合多步自校正机制防止长周期误差累积。通过混合序列并行、并行VAE等优化技术，系统在8个H800节点上实现0.87秒启动延迟和32FPS吞吐量。实验表明，该框架在视觉质量、唇音同步和长期稳定性上均优于现有方法，训练效率提

扩散模型通过噪声创建数据。它们被训练来反转数据向随机噪声的正向路径，因此，结合神经网络的近似和泛化性质，可以用来生成不在训练数据中但遵循训练数据分布的新数据点。这种生成建模技术已被证明在建模高维感知数据，如图像方面非常有效。近年来，扩散模型已成为从自然语言输入生成高分辨率图像和视频的事实标准方法，具有令人印象深刻的泛化能力。由于它们的迭代性质及相关的计算成本，以及推理期间的长时间采样，对这些模型进

摘要：复旦大学等机构提出首个端到端多模态矢量动画生成框架OmniLottie，可直接从文本/图像/视频指令生成Lottie格式动画。创新点包括：1) 设计Lottie分词器将JSON压缩为高效指令序列，实现10倍数据压缩；2) 开源200万规模的MMLottie-2M数据集；3) 基于Qwen2.5-VL构建多模态模型，支持跨模态动画生成。实验表明其生成质量优于现有方法，在保持矢量特性的同时解决了

智能体（agent）是一个能够感知其环境并根据这些感知做出决策以达到特定目标的系统。尽管在狭窄领域内表现出色，早期智能体往往缺乏适应性和泛化能力，与人类智能存在显著差异。最近大语言模型（LLMs）的进展开始弥合这一差距，LLMs增强了它们在命令解释、知识吸收和模拟人类推理和学习方面的能力。这些智能体使用LLMs作为它们的主要决策工具，并进一步增强了关键的类人特征，如记忆。这种增强使它们能够处理各种

Transformer，由Vaswani等人引入，以其强大的数据建模能力、可伸缩性以及出色的捕捉长距离依赖性的能力，彻底改变了机器学习。起源于自然语言处理（NLP）领域，取得了机器翻译和文本摘要等方面的成功，Transformer现在将其实用性扩展到计算机视觉任务，如图像分类和目标检测。最近，它们的能力已经在多模态情感分析领域得到了利用，其中它们整合和解释多样的数据流——文字、视觉和声音——以评估