清華聯合輝達等發布 StreamEval，首個流式互動影片榜單覆蓋 38 個模型
清華大學、NVIDIA、CMU、UC Berkeley 等機構聯合發布 StreamEval，稱其為全球首個流式互動影片生成評測基準，覆蓋數字人對話、虛擬人表演、世界生成、指令編輯與參考編輯五類任務、300 個測試用例、38 個模型。結果暴露出共同短板：模型能否穩定生成畫面，與能否可靠執行連續指令是兩回事；最好的數字人模型 Vidu S2-Avatar 綜合分 93.98，但指令跟隨僅 36.90；世界生成最高分 MemFlow 僅 33.36。
賽道定義尚未統一時，這份基準首次把「連續指令執行」與「狀態一致性」納入可量化評測，並公開全部資料與評分流程，便於即時影片、數字人與世界模型研發者複測和定位短板。
原標題：清华、英伟达等开了个新榜，38个AI实时视频模型露短板
閱讀原文
| 評分 | 75 / 76（平均 75，門檻 65） |
|---|---|
| 狀態 | 精選 |
相關報導
清華提出樣本分佈訓練，一步生圖 SOTA、8 卡訓 14B 影片模型
清華大學等機構提出「樣本分佈訓練」，用一批生成樣本與參考樣本的整體分佈差異提供監督，取代逐樣本的參考答案，把生成壓縮到一步或少數幾步。MGFlow 在 ImageNet 256×256 上把 pMF-H、JiT-H 的單步 FDr⁶ 降至 1.45、1.64，較 FD-Loss 降低約 23% 和 38%；後訓練 FLUX.2 [klein] 4B 一步文生圖，GenEval 從四步的 0.794 升至 0.900。
UCLA 與 Adobe 提出 Tev：27B 模型長程任務追平 GPT-6 Astra
Adobe Research 與 UCLA 提出 Tev 訓練方案：27B 模型在 Agents' Last Exam 計算與數學子集上 Pass@5 達 0.28，追平 GPT-6 Astra 與 Claude Opus 5。做法是先建置含隱藏標準答案的潛在世界再用它渲染出任務環境，據此合成覆蓋 7 個領域、1,170 個環境的 Tev-Gym，單次 rollout 中位耗時 12.4 分鐘、Pass@1 僅 29%。
浙大等發布 WorldMemBench，評測影片世界模型記憶
浙江大學、復旦大學、螞蟻集團與南京大學團隊推出 WorldMemBench，用可控的“離開—回訪”鏡頭評測影片世界模型的記憶。基準含 260 個案例、23 個內容類別，分靜態記憶、動態記憶及影片品質、相機跟隨四個維度，測試了 HY-WorldPlay、LingBot-World 等九個模型。結果顯示靜態與動態記憶的強項分化：HY-WorldPlay 七項靜態指標全部領先，LingBot-World 動態記憶總分最高；
InnovationEval：前沿模型花數千美元 GPU 仍未復現人類演算法創新
新評測 InnovationEval 顯示，前沿模型無法獨立復現人類研究者近期做出的機器學習演算法創新：在端到端任務中，它們耗費數千美元 GPU 算力，仍未達到人類論文（on-policy self-distillation，SDPO）的水平。測試要求 AI 自主提出一種新的後訓練方法，在短答題與程式碼任務上後訓練 Qwen3-8B，並超過 GRPO 基線。主要結果來自 Claude Fable 5 與 GPT-5.6 Sol；
8B 智慧體自主呼叫工具做影片生成，VABench 從 56.5 升到 86.1
VideoGen-Agent 用 Qwen3-VL-8B-Instruct 做基座，在多輪互動中呼叫檢索、生成與驗證工具，先以 16K 教師軌跡監督微調，再用 8K 提示做多工強化學習。在 600 條提示的 VABench 上，Toolset 1 配置得 75.6 分，比基礎生成器 56.5 分高出 19.1 分；智慧體策略不變、僅升級生成工具後達 86.1 分，人類評估中 84.3% 的判斷偏好該配置。