混元-长视频流式生成数据构建和建模方式探索

课题背景： 扩散模型虽在短视频领域取得突破，但生成具有高时空一致性且内容丰富的长视频仍面临巨大挑战。现有模型在生成长序列时，常因长程依赖处理不足导致严重的语义漂移，且巨大的计算开销限制了视频时长的进一步突破。为解决长视频生成中的质量退化问题并填补高质量长视频数据集的空白，亟需从数据构建、评价体系及推理算法三个维度进行系统性革新。 课题挑战：

1. 01

   计算开销与显存瓶颈：如何在有限的硬件显存约束下，实现分钟级乃至更长视频的无限长度推理，且保证不损失画面精细度，是算法底层的极大考验。

2. 02

   语义一致性与防漂移：在长达数千帧的自回归或流式生成过程中，如何有效抑制画面内容的质量退化，确保物体特征恒常性与场景变换的自然衔接。

3. 03

   多维评价体系缺失：现有 FVD 等指标难以客观量化长视频在语义连贯性、信息增益率及内容多样性上的真实表现，构建一套科学、受行业认可的长视频生成 Benchmark 具有极高难度。 具体工作： 构建并标注大规模动态长视频数据集；研发流式视频生成算法，实现长视频在有限显存下的 SOTA 推理；建立包含多维一致性得分的长视频评测基准，并完成模型性能调优。

1. 01

   计算机/软件工程等相关专业硕士以上学历，拥有博士学位者优先；

2. 02

   熟悉计算机视觉、多模态领域的相关研究工作和算法，以第一作者身份发表顶会论文、顶级研究机构或一线互联网工作经验加分；

3. 03

   熟练使用Python、PyTorch和CUDA等语言及工具，具备快速阅读和复现论文的能力；

4. 04

   具备优秀的分析和解决问题能力，良好的团队合作精神及沟通意识。