World Embedding Benchmark：评估多模态模型对物理信息的对齐与恢复能力
Hugging Face 发布 World Embedding Benchmark，包含 8,000 个涵盖流体力学、固体力学、动力学和光学与电磁学的模拟案例，每个案例包含渲染视频和物理注释，用于三项任务：文本-视频检索、物理属性回归和视频描述对分类。
#视频
Hugging Face · 每日论文AI 评分3333
Hugging Face · 每日论文AI 评分4949 Ego2Act：评估以第一视角生成视频中的目标导向操作
Ego2Act 是一个用于评估目标导向操作能力的基准，包含 110 个日常任务的 2,640 条视频，要求模型根据初始场景图像和高层目标生成第一视角的手部操作视频。Ego2ActJudge 作为无参考评估流程，比相关基线更贴近人类共识，发现模型常跳过或部分执行步骤，导致目标未达成，并在复杂物体操作和持久世界建模中表现不佳。该基准旨在推动视频模型向物理合理、目标导向的模拟方向发展。
雷锋网精选AI 评分5959 HiDream-O1-Video 与 Seedance 2.5、MiniMax H3 的时序因果与音画同步对比评测
文章对 HiDream-O1-Video-1.0、Seedance 2.5 和 MiniMax H3 进行了三组原创图生视频任务对比测试，重点关注意图规划、时间因果和音画对应。测试发现，HiDream 在动作、声音、结果的时序关系上表现更优，例如料酒入锅后油爆声和火焰依次出现，而其他模型存在火焰早于声音或对象一致性等问题。评测基于相同参考图和提示词，在端到端产品环境中进行。
推荐理由：文章通过三组原创对比测试，量化分析了视频模型在时序因果和音画同步上的表现差异，为理解模型能力提供了具体案例。
Hugging Face · 每日论文AI 评分4040 视频生成模型的后训练与对齐：一项全面综述
该综述首次系统梳理了视频生成模型的后训练与对齐方法，将现有策略分为监督微调、自训练与知识蒸馏、基于偏好与奖励的方法及推理时方法四类。研究指出，视频生成对齐面临时序误差累积、运动-外观耦合等独特挑战，需依赖非重新训练的后训练框架实现可控性提升。当前评估依赖MMLU、SWE-bench等基准，但长时一致性与安全生成仍是开放难题。
Hugging Face · 每日论文AI 评分4343 FrameMorrow：利用前瞻性 token 进行未来引导的帧选择以实现长时程视频生成
FrameMorrow 提出一种前瞻性帧选择方法，通过预测代表未来信息需求的小型前瞻性 token 集来从历史中选择相关信息。该方法选择显式的历史帧而非模型内部状态，能以即插即用方式集成到包括闭源模型在内的多种生成器中，且额外推理成本很低。在涵盖长视频生成、交互式生成和动作条件世界模型的 5 个基准测试和 11 个生成模型上的广泛实验表明，其在长程一致性、视觉质量和动作对齐方面均有持续提升。
Hugging Face · 每日论文AI 评分4040 Honeycomb：基于 HexMemory 的固定大小场景记忆视频世界模型
Honeycomb 采用 HexMemory 架构，以六维空间与时空平面实现固定大小的场景记忆表示，支持长时视频生成中的持续一致性。该模型通过前馈写入器仅处理新生成片段，结合置信度加权融合与可学习残差修正，保持特征存储量恒定。在 WorldScore 和 RealEstate10K 上验证，生成质量高且重访一致性强，代码已开源。
Google Research精选AI 评分5656 Google 发布多代理框架实现连贯长视频生成
Google 研究团队提出 AI 视频协导演框架，基于 Gemini 和 Veo 构建统一多代理系统，通过全局优化、视觉记忆追踪、自回归生成与闭环质量评估，解决长视频生成中的语义漂移、特征漂移和内容坍缩问题。
推荐理由：原文系统性地提出了多代理框架解决长视频生成中的连贯性问题，提供了可复现的技术路径和基准测试结果。