Tag · 3 篇
双向注意力
分布 生成模型与扩散2视觉语言模型1
01 02 03
TempoMaster：通过下一帧率预测实现高效长视频生成
TempoMaster: Efficient Long Video Generation via Next-Frame-Rate Prediction
把长视频生成拆成「先低帧率粗蓝图、再逐级升帧率精修」的层级自回归范式，帧内双向注意力保证并行效率、跨帧率自回归保证长程时序一致，可直接迁移到任何需要长时序一致性的视频扩散/流匹配采样流程中。
LLaDA-V：带视觉指令微调的大语言扩散模型
LLaDA-V: Large Language Diffusion Models with Visual Instruction Tuning
把自回归解码换成掩码扩散式解码，并利用双向注意力建模视觉特征的空间关系，为视觉-语言模型提供了一条非自回归的架构路线，可直接复用其视觉编码器+MLP连接器+扩散语言模型的组合范式。
FloodDiffusion：面向流式动作生成的定制化扩散强制
FloodDiffusion: Tailored Diffusion Forcing for Streaming Motion Generation
论文揭示的扩散强制改造要点（双向注意力、下三角时间调度器、连续时变条件注入）可直接迁移到视频等流式时序生成任务，为实时、变条件驱动的序列生成提供可复用的训练范式。