AI 编程实时动态与要闻

以 Sora、Gen-3 与 MiniMax 为代表的视频生成大模型虽然能够渲染出逼真流畅的视觉运动，但在面对包含明确目标与先后次序的‘长程程序化任务（Procedural Tasks）’时（如复杂的烹饪烘焙、机械拆装维修、精细外科手术），现有模型普遍采用‘开环单向生成（Open-Loop Generation）’，导致致命缺陷：模型根本无法感知当前生成的画面到底执行到了哪一步，频繁出现步骤颠倒、无中生有、提前终止或无限死循环。阿联酋起源人工智能研究院（MBZUAI）与澳大利亚国立大学（ANU）研究团队在最新研究（arXiv:2610.12459）中推出了 WorldGuide 框架（项目主页：mbzuai-oryx.github.io/WorldGuide/，开源仓库：github.com/mbzuai-oryx/WorldGuide）。WorldGuide 首次将程序化视频生成形式化为‘视觉世界空间中的闭环任务执行（Closed-Loop Task Execution in Visual World Space）’。系统仅需一张初始静态图与一个高层目标指令，其内部耦合的规划器（Planner）与视频执行器（Executor）便能协同运转：规划器预测下一步原子动作，执行器生成对应动作的连续视频片段，随后规划器基于实际生成的视觉进展动态决策下一步骤或判定任务完成。针对缺乏单步对齐数据的痛点，团队构建了包含 5.9 万个分步标注视频的全新评测套件 WorldGuide-Bench。在任务完成率上，WorldGuide 达到了 33.33%，在无需参考计划的前提下显著击败了强基线 MiniMax-H3（29.90%），在 VideoCraft-Bench 上更是以 47.69% 遥遥领先于 MiniMax-H3（32.73%），官方代码已开源。

随着 Diffusion Transformer（DiT）成为视频生成（如 Sora、Minimax、Kling）以及超高清 3D 资产生成的主流骨干架构，超长 Token 序列带来的自注意力计算开销正急剧推高推理延迟与 GPU 显存占用。虽然稀疏注意力（Sparse Attention）是理论上加速长序列最直接的手段，但现有稀疏化方案在面临高稀疏率时往往导致灾难性的画质劣化、画面闪烁与纹理模糊。香港中文大学（CUHK）与字节跳动联合研究团队在最新研究（arXiv:2610.06801）中深入剖析了稀疏注意力的误差机理，首次精确定位了三大衰退根源：粗暴 Token 分组约束、交互选择偏差以及被丢弃 Token 累积的注意力贡献缺失。为此，团队推出了免训练的元缓存稀疏注意力框架 MC-Sparse（项目主页：dodododddo.github.io/mcsparse-project-page/）。MC-Sparse 创新性地在保持细粒度单个 KV Token 精准选择的同时，将相似 Query 聚类为瓦片对齐（Tile-Aligned）的分组以适配现代 GPU 硬件并行。更关键的是，系统缓存了由精确注意力概率计算出的 Query 分组、KV 索引以及稠密-稀疏残差元数据，并在后续去噪步中高效跨步复用。实测表明，MC-Sparse 在 Minimax-H3-Base 视频模型上实现了 1.80 倍的端到端去噪加速，在 3D 资产生成模型上加速比高达 2.32 倍，且人眼完全无法察觉画质损失。