Vidéo IA
La génération de vidéo à partir de texte est l'un des fronts les plus dynamiques de l'IA : Sora d'OpenAI, Veo de Google, Runway, Kling et d'autres transforment quelques phrases en clips toujours plus réalistes. Cela bouleverse la publicité, le cinéma et le débat sur le droit d'auteur et les deepfakes. Voici toute notre couverture de la vidéo IA : sorties de modèles, qualité, prix et mutations de l'industrie.
DynStream, de Pékin, reconstruit une scène 3D dynamique à partir d'une vidéo sans poses de caméra
L'Université de Pékin, VGI Labs et l'Université de Californie présentent DynStream : une reconstruction gaussienne feed-forward de scènes en mouvement à partir d'un…
L'université du Zhejiang publie la première revue de l'IA égocentrée pour lunettes connectées
L'université du Zhejiang publie la première revue sur l'intelligence à la première personne des lunettes connectées : de la reconnaissance de scène à la mémoire, au…
WorldMemBench teste si les modèles de monde se souviennent des pièces et des événements
WorldMemBench évalue la mémoire des modèles de monde sur deux axes : la persistance des scènes vues et la poursuite des événements pendant que la caméra regarde…
WorldOracle met à l'épreuve les modèles du monde : le robot rate sa prise, le modèle affiche une réussite
UniAVC : synthèse conjointe audio-vidéo via un calendrier de bruit asymétrique
HKU EgoWild2Dex apprend à une main robotique à partir de 538,9 heures de vidéo « sale » et d'une heure sur matériel réel
RoboValue teste les évaluateurs d'actions de robots sur 35 tâches et met au jour leurs angles morts
Alibaba DAMO lance RynnUnify : un modèle de 16B qui planifie en vidéo et pilote un robot
RynnUnify (16 Md de paramètres) réunit compréhension de scène, génération vidéo et contrôle de robot : 51,5% de réussite sur 20 tâches RoboCasa365, 46,7% sur trois…
HOLI-World apprend à un modèle 4B à comprendre le monde à partir d'enregistrements à la première personne
HOLI-World réunit ~100 scènes et ~80 000 paires QA pour que HOLIWORLD-VL-4B comprenne mieux l'espace et le temps dans les vidéos egocentriques.
TTR-Compressor compresse les séquences par régression et réduit de 55,6% le nombre de tokens visuels
Volcano Engine ouvre Seedance 2.5 4K à 20 studios pour des projets de cinéma
ACT3D apprend aux VLM à explorer les scènes 3D et devance Gemini 3.6 Flash : 53,2% sur six benchmarks
RVCBench teste 18 modèles de clonage vocal face au bruit, à la compression et aux protections
HumanoidPose estime la pose d'un humanoïde à partir d'une vidéo et réduit l'erreur sur les angles de 18 à 32 %
Génération de scènes 3D : un DiT travaille dans un latent 3D et encode une scène en 1K tokens
Ropedia W0 entraînée sur 10 000 heures de vidéo humaine et 3 000 heures de données robots
FilmFlow : quatre agents construisent des trajectoires de caméra 3D à partir d'un texte ou d'une vidéo
FilmFlow transforme un texte ou une vidéo de référence en trajectoire de caméra 3D exécutable. Sur CinemaBench (750 tâches), il devance les méthodes de base et…
AgentVQA a testé 22 VLM sur des tâches d'agent : le meilleur n'atteint que 58,5%
Nouveau benchmark hors ligne de 1000 exemples sur cinq domaines : le meilleur de 22 VLM ne répond juste que dans 58,5% des cas, et son principal point faible est la…