多任务训练

UniAVGen：基于非对称跨模态交互的统一音频与视频生成

UniAVGen: Unified Audio and Video Generation with Asymmetric Cross-Modal Interactions

提出非对称跨模态交互机制与模态感知无分类器引导，可复用于任何需要时空对齐的多模态生成任务（如视频配音、说话人脸生成），其双分支 DiT 架构与 Face-Aware 调制为视觉-音频联合建模提供了新思路。