DiffusionART：影片 RL 後訓練提速 12 倍
新加坡國立大學、可靈 AI 與香港科技大學提出線上擴散強化學習演算法 DiffusionART，在 HunyuanVideo-13B 上達到 DiffusionNFT、Flow-GRPO-Fast 後期平均獎勵水平的速度分別快 12.02 倍和 11.72 倍。它支援 ODE 取樣，不要求獎勵模型可微，無需額外調參，可適配標量獎勵與二值偏好獎勵；
論文用梯度分解解釋擴散 RL 為何崩潰，並給出免 EMA、免逐任務調參的穩定方案，把影片後訓練從數百 GPU hours 降到數十，對做影片生成後訓練與獎勵對齊的團隊有直接參考價值。
原標題：新国立x可灵AI提出DiffusionART：超高效稳定可扩展的Diffusion RL算法，让视频后训练提速10倍以上
閱讀原文
| 評分 | 78 / 74（平均 76，門檻 65） |
|---|---|
| 狀態 | 精選 |
相關報導
Oscilloscope Diffusion 發布，可對現有影片做擴散重繪
Oscilloscope Diffusion 是一種通過擴散模型干預現有影片的新方法，以影片的運動與形態為起點，重新詮釋其紋理、材質與視覺語言。該工具由作者圍繞其在 TouchDesigner 中製作的音訊反應幾何系統開發，演示素材來自其 Oscilloscopes, everywhere 合集（已更新至 v1.2），也可輸入任意影片源。使用者可選擇源影片、描述處理方式，並通過提示詞、精選 LoRA 與可編輯時間線控制結果與原始影片的貼合程度。
ReGDiff 讓擴散模型生成又合理又新穎的超材料結構
維吉尼亞理工與 Meta 的研究者在 NeurIPS 2026 提出 ReGDiff，用擴散模型生成超材料體素結構，以緩解「貼著訓練資料」與「生成碎塊廢件」之間的兩難。方法分兩步：先用 RAS 把自編碼器潛空間整理成好壞可分、覆蓋均勻的形態，再在取樣時對近處已知樣本施加短程排斥。團隊還補上桁架體素資料集 MetaTruss 和五項量化指標，相比最強基線，幾何合理性平均提升 8.9%、新穎性提升 46.4%、多樣性提升 128.6%，生成 1000 個結構約 31 秒。
NTM 提出：少步擴散每步用條件歸一化流，保留精確似然
論文提出 Normalizing Trajectory Models（NTM），把擴散模型的每個反向步建模為表達力強的條件歸一化流，並支援精確似然訓練。擴散取樣通常依賴大量細小的高斯去噪步，壓縮到少數粗粒度轉移時該假設不再成立；此前的少步方法用蒸餾、一致性訓練或對抗目標解決，但都放棄了似然框架。架構上，NTM 在每步內組合淺層可逆塊與深層並行結構。
何愷明團隊提出 NAT-ARC，純視覺方案解 ARC 達 70.2%
何愷明團隊發布 NAT-ARC，用 ImageNet 上 MAE 預訓練的視覺編碼器解 ARC 抽象推理題，最佳單模型（0.6B 引數）在 ARC-1 上 pass@2 達 63.4%，整合後 70.2%。該方法不依賴 LLM，預訓練階段不使用 ARC 格子，僅複用 MAE 公開 checkpoint，測試時對每題做 LoRA 微調。論文稱這是純視覺方案首次逼近專用 LLM 系統水平，並顯示預訓練打通了視覺路線的 scaling 瓶頸。
ArtCraft 開源上線：免費無訂閱的影像與 3D 合成工作室
面向藝術家的開源創作工具 ArtCraft 上線，提供 macOS、Windows 與瀏覽器版本，全部程式碼在 GitHub 開源，無需訂閱。它把生成與合成放在同一畫布：Image to Location 可把虛擬角色放進實拍環境並保持單一地點一致性，Image to 3D Mesh、Character Posing、背景移除、2D/3D 合成與混合素材用於精確排布鏡頭，頁面還列出 Seedance 2.5、Nano Banana 2 等模型。