Ming-VideoMAR โมเดลสร้างวิดีโอแบบ autoregressive ด้วยโทเคนต่อเนื่อง
หัวข้อต้นฉบับ:inclusionAI/Ming-VideoMAR
สรุปโดย AI
Ming-VideoMAR เป็นโมเดลสร้างวิดีโอจากภาพเป็นวิดีโอแบบ autoregressive ที่มีเฉพาะตัวถอดรหัส ใช้โทเคนต่อเนื่องเพื่อรวมการแสดงภาพเป็นหนึ่งเดียว เป็นครั้งแรกที่นำความเป็นเหตุเป็นผลเชิงเวลาและความเป็นสองทิศทางเชิงพื้นที่มาเป็นหลักการแกนกลางของ autoregressive วิดีโอ และเสนอการสูญเสียแบบ diffusion ของเฟรมถัดไปที่รวมการสร้างแบบมาสก์ โมเดลนี้เป็นครั้งแรกที่บรรลุการปรับขนาดความละเอียดแบบ zero-shot สำหรับการสร้างวิดีโอ สามารถสร้างวิดีโอที่เกินความละเอียดในการฝึกอบรมได้อย่างยืดหยุ่น มีประสิทธิภาพโดดเด่นทั้งในการฝึกอบรมและการอนุมาน โดยจำนวนพารามิเตอร์ ปริมาณข้อมูลการฝึกอบรม และการใช้ GPU คิดเป็นเพียงสัดส่วนเล็กน้อยของ Cosmos ซึ่งเป็นโมเดลที่ดีที่สุดก่อนหน้า (9.3%, 0.5% และ 0.2%) ขณะเดียวกันก็เหนือกว่าในการประเมินทั้งเชิงปริมาณและเชิงคุณภาพ โค้ดและ checkpoint ของโมเดลเปิดโอเพนซอร์สแล้ว และบทความได้รับการตอบรับใน NeurIPS 2025
สรุปสั้น
- เวลาเผยแพร่
- เวลาอัปเดต
- แหล่งที่มา
- 蚂蚁 inclusionAI:GitHub 新仓库
- หมวดหมู่
- เปิดตัวโมเดล
- คะแนน AI
- 66
蚂蚁把自回归视频生成的训练成本砍到 Cosmos 的 0.2% 还能赢,这个效率信号比分数本身更值得关注,做视频生成的团队该认真看看它的课程学习和渐进分辨率策略。
แหล่งที่มาและลิขสิทธิ์
บทความนี้เรียบเรียงจากพาดหัวคัดสรรและบทสรุป AI จาก API สาธารณะของ AIHOT โดยระบุแหล่งที่มาและลิงก์กลับแล้ว ลิขสิทธิ์ต้นฉบับเป็นของสื่อและผู้เขียนต้นทาง เว็บไซต์นี้ไม่ได้สะท้อนเนื้อหาฉบับเต็ม
วิธีอ้างอิง
เมื่ออ้างอิงบทความนี้ โปรดระบุชื่อเรื่อง วันที่ และลิงก์ถาวร พร้อมระบุแหล่งที่มาเป็น Orange News
Orange News: Ming-VideoMAR โมเดลสร้างวิดีโอแบบ autoregressive ด้วยโทเคนต่อเนื่อง 10 ตุลาคม 2025 https://new.nat6.net/th/news/cmorb7ik40074slhfvdmvwsw7/