给定剧本摘要SSS和角色库CcharkIkAkk1LC{[chark​Ik​Ak​k1L​（包含角色名、肖像图、音频样本），目标是生成长视频V\hat{V}V，包含多场景、多镜头，同时保证叙事连贯、角色一致和音画同步。FSC→VFSC→V。

当前的视频生成模型（Sora、Veo、Wan、LTX-Video 等）已经能生成视觉上非常逼真的视频，但在物理规律层面存在系统性错误：球无缘无故变速、下落的物体无视重力、碰撞违反动量守恒。20 名志愿者对 197 组视频做盲评，NEWTON 在物理正确性（79.8%）和整体质量（47.4%）上均大幅领先 LTX-Video（11.3% / 31.9%）和 Wan2.2（8.9% / 20.7%）。

现代图像生成模型（如 Stable Diffusion、FLUX、Nano Banana Pro 等）的生成质量已经很强，但开放式图像生成远不是一个简单的"prompt → 图像"问题。现有的 agentic 生成系统（如 GenAgent、Gen-Searcher、Mind-Brush 等）已经开始用搜索、工具、记忆等方式增强图像生成，但它们通常只解决了生成过程中的某一环（获取外部证据、包装黑盒

VideoWeaver 将长视频生成定义为一个智能体技能组合任务：给定一个一次性的用户指令，智能体需要规划、调用多个基础技能、管理中间产物，最终生成一个连贯的长视频。数据集包含16 个任务类别、285 个测试用例，输入模态覆盖文本、图像、音频、视频及其组合。训练集 + 测试集：13 个类别（119 训练 + 123 测试）OOD 集：3 个类别（43 用例），用于评估泛化能力任务类别丰富多样，包括

笔记

笔记

它关注的问题不是“视频是否看起来真实”，而是“视频中的碰撞过程是否符合物理规律”。随着视频生成模型和 world model 的发展，自动驾驶领域开始希望利用生成模型来模拟真实交通场景，尤其是一些现实中很少见但非常重要的安全关键场景，例如车辆碰撞、突然变道、交叉路口冲突等。CrashTwin 通过“视频 → 3D 碰撞轨迹重建 → 物理一致性评估”的方式，评估 world model 是否真的能生

本文提出RefineAnything，一种针对图像局部细节修复的多模态区域精细化方法。针对现有模型在区域可控性、微细节恢复和背景漂移方面的问题，作者设计了Focus-and-Refine机制：通过区域裁剪-聚焦生成-无缝粘贴的三步策略，显著提升局部修复质量。方法基于Qwen-Image构建，结合多模态编码器和VAE潜空间表示，仅需LoRA微调。为支持训练，构建了包含30K样本的Refine-30K

它关注的问题不是“视频是否看起来真实”，而是“视频中的碰撞过程是否符合物理规律”。随着视频生成模型和 world model 的发展，自动驾驶领域开始希望利用生成模型来模拟真实交通场景，尤其是一些现实中很少见但非常重要的安全关键场景，例如车辆碰撞、突然变道、交叉路口冲突等。CrashTwin 通过“视频 → 3D 碰撞轨迹重建 → 物理一致性评估”的方式，评估 world model 是否真的能生

一个比较可惜的点是，论文没有系统展示不同 perceptual challenges 下的模型性能，例如 occlusion、camera motion、homogeneity、symbolic decoding 等场景下模型分别下降多少。现有多模态大模型已经可以处理视频输入，并在很多视频理解任务上表现不错，例如视频问答、动作识别、长视频理解等。然而，人类理解视频时，并不是只看离散帧，而是会持续追