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）。
电商视频生成：任务版图、技术路线与研究空白
通用视频生成追求“看起来合理”；电商视频还要求“与正在售卖的那个 SKU 一致”。本综述梳理商品图直生视频、人—商品演示、广告规划剪辑、品牌与商业意图、生成—真实混合等路线，并给出可复用机制与 Gap Map（G11–G20）。
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」。
FancyVideo — Towards Dynamic and Consistent Video Generation via Cross-frame Textual Guidance
痛点：AnimateDiff 等 T2V 把同一段 text embedding 复制到每一帧做 spatial cross-attention → [verb] 关注区几乎不变 → 动作弱、长视频更明显。
Recent
Recent