2026.07.10 | Vidu S1实现实时视频对话交互；视频绿洲揭示理解评估缺陷

【赞助商】
OpenClaw快报
每天五分钟，听听 OpenClaw 快报，带你了解最新动态和业内讨论
传送门 www.xiaoyuzhoufm.com

【目录】
本期的 15 篇论文如下：

[00:31] 🎬 Vidu S1: A Real-Time Interactive Video Generation Model（Vidu S1：一种实时交互式视频生成模型）
[01:29] 🔍 Video-Oasis: Rethinking Evaluation of Video Understanding（视频绿洲：重新思考视频理解的评估）
[02:27] 🔑 Why Can't I Open My Drawer? Mitigating Object-Driven Shortcuts in Zero-Shot Compositional Action Recognition（为什么我打不开抽屉？缓解零样本组合动作识别中的对象驱动捷径）
[03:21] 🤖 UniClawBench: A Universal Benchmark for Proactive Agents on Real-World Tasks（UniClawBench：面向真实世界任务中主动智能体的通用基准）
[04:18] 🎥 LongE2V: Long-Horizon Event-based Video Reconstruction, Prediction, and Frame Interpolation with Video Diffusion Models（LongE2V：基于视频扩散模型的长时域事件驱动视频重建、预测与帧插值）
[05:24] 🧬 Ideas Have Genomes: Benchmarking Scientific Lineage Reasoning and Lineage-Grounded Idea Generation（思想具有基因组：科学谱系推理与基于谱系的创意生成基准测试）
[06:13] 🌐 Enhancing In-context Panoramic Generation via Geometric-aware Pretraining（通过几何感知预训练增强上下文全景生成）
[06:54] 🎬 CineMobile: On-Device Image-to-Video Diffusion for Cinematic Camera Motion Generation（CineMobile：面向电影级摄像机运动生成的设备端图像到视频扩散）
[07:52] 🎬 OpenCoF: Learning to Reason Through Video Generation（OpenCoF：通过视频生成学习推理）
[08:45] 🚀 Jet-Long: Efficient Long-Context Extension with Dynamic Bifocal RoPE（Jet-Long：基于动态双焦点旋转位置编码的高效长上下文扩展）
[09:39] ⚡ Linear Attention Architectures: Mechanisms, Trade-offs, and Cross-Layer Routing（线性注意力架构：机制、权衡与跨层路由）
[10:38] 💊 DrugGen 2: A disease-aware language model for enhancing drug discovery（DrugGen 2：一种疾病感知型语言模型，用于增强药物发现）
[11:23] ⚡ Flash-BoN: Instant Drafts for Inference-Time Scaling in Diffusion Models（Flash-BoN：扩散模型中推理时缩放的即时草稿生成）
[12:08] 🎵 A Quantized Native Runtime for On-Device Semantic Audio Generation（面向设备端语义音频生成的量化原生运行时）
[13:01] 🚀 UP: Unbounded Positive Asymmetric Optimization for Breaking the Exploration-Stability Dilemma（UP：用于打破探索-稳定性困境的无界正向非对称优化）

【关注我们】
您还可以在以下平台找到我们，获得播客内容以外更多信息
小红书: AI速递