DDPO — Training Diffusion Models with Reinforcement Learning
扩散模型是用「对数似然的近似」训出来的，但我们真正想要的往往不是似然，而是「图好不好看」「文件能不能压小」这类下游指标。这些指标没法写进 prompt，也没法用监督学习直接训。DDPO 的做法是：把 50 步去噪过程当成 50 步决策——每一步的「状态」是（prompt、当前时间步、当前噪声图），「动作」是这一步输出的更干净的图，「策略」就是去噪网络本身。因为采样器固定、每步加的高斯噪声方差已知，每一步的条件似然是可以精确算出来的，于是可以直接套用策略梯度（REINFORCE / PPO）：采样一批轨迹 → 给最终图打一个奖励分 → 把奖励乘到「每步 log 概率的梯度」上，好图加分、差图减分…
VideoDPO — Omni-Preference Alignment for Video Diffusion Generation
把视频生成模型当成学生：给同一道题（提示词），让它用不同随机种子交四份答案（视频）。自动阅卷系统 OmniScore 同时看画面质量、帧间运动与文本匹配，选出最高分和最低分的视频。训练时不再重新生成整段视频，而是给保存的视频 latent 加噪，让可训练模型和冻结的参考模型分别预测噪声，用“赢家与输家的去噪误差差，相对于参考模型改善了多少”构建偏好损失。
MiniMax-H3 — A General-Purpose Omni-Modal Video Generation Model
把 MiniMax-H3 想象成一个「全能导演」：你随手丢给它文字、几张图、几段参考视频和几段音频，它先派一个「编剧助理」（H3-Context-IR）把这堆杂乱素材读懂、理顺时序与关系，写成一份结构化的分镜脚本（Context 中间表示）；然后「导演本体」（H3-Base，330 亿参数的单流 Transformer）照着脚本一次性把画面和立体声一起拍出来——注意是画面和声音联合生成，而不是先出画面再配音；最后如果你要更高清，它不另请「放大专家」，而是把 768p 成片连同原始素材塞回自己脑子里重画一遍成 2K（H3-Regenerate-2K）。
InnoAds-Composer — Efficient Condition Composition for E-Commerce Poster Generation
任务：电商海报 = 一张图里同时摆对商品主体、促销文案、背景风格。多阶段 pipeline（先合成场景再贴字）常出现主体走样、文字错字、风格不统一。
MoFu — Scale-Aware Modulation and Fourier Fusion for Multi-Subject Video Generation
任务：多主体视频生成——给定文本 + 多张参考图，生成多主体一致、尺度自然的视频。
Lay2Story — Extending Diffusion Transformers for Layout-Togglable Story Generation
Storytelling：用一组 prompt 生成多帧图，主角外观要一致。现有 training-free（改 cross-frame attention）和 training-based 都难精细控制位置、衣着、表情、姿势，且缺大规模带 layout 标注的数据。
Qihoo-T2X — An Efficient Proxy-Tokenized Diffusion Transformer for Text-to-Any-Task
问题：DiT 全局 self-attention 对视觉 token 是 $O(N^2)$，高分辨率图/长视频算不动；且 PixArt 注意力图显示同窗口内 token 对远处位置注意力几乎一样——大量全局注意力是冗余的。
U-StyDiT — Ultra-high Quality Artistic Style Transfer Using Diffusion Transformers
任务：给定内容图 + 风格图，生成超高画质艺术风格化结果——结构跟内容、笔触跟风格，且无伪影/不和谐纹理。
RelaCtrl — Relevance-Guided Efficient Control for Diffusion Transformers
给 DiT 加「可控生成」（Canny、Depth、Seg 等）时，主流做法很「笨重」：PixArt-δ 直接复制前 13 个 DiT block 做 ControlNet，参数和 FLOPs 各涨约 50%；OminiControl 把控制 token 拼进序列，token 数翻倍，FLOPs 涨约 70%。更关键的是——它们假设每一层对控制信号同等重要，均匀堆控制模块，造成大量冗余。
WISA — World Simulator Assistant for Physics-Aware Text-to-Video Generation
Sora、Kling、CogVideoX 能生成逼真视频，但常违反物理：橡皮擦越擦字越黑、苹果落水没有溅起水花、液体运动像随机噪声。根因是抽象物理定律与像素生成之间缺桥梁——模型只学「画面像什么」，没学「过程该怎么演化」。
Recent
Recent