以下为上游提供的源文稿，可能存在识别错误。
乔木转写是基于源文稿的中文提炼，不是逐字翻译。请核对原文中的人名、数字与观点。
选一篇，慢慢读
从左侧挑一篇，正文会在这里排成书页。
Unified conditional image generation requires a single model to preserve different aspects of a visual input while producing a target image that follows textual guidance. Pretrained video models provide a promising foundation by encoding visual transformations across time, yet existing approaches typically assign the c
阅读原文 · Yijing Lin, Zhendong Mao, Mengqi Huang, Yuxin Wang, Yongdong Zhang
向阳乔木 · opencode-go/deepseek-v4.1-flash
视频基础模型被拿来生成图像，这个思路最近不少人在试。FrameForge 值得看的地方在于，它没有把条件和目标硬塞进固定的时间位置，而是让模型自己决定“看多远”。 这篇论文的出发点很朴素：统一的条件图像生成，要求一个模型同时保住输入里的不同信息，还要按文字指令生成目标图。视频模型天然会编码“时间上的变化”，看起来是个好底子。但现有做法通常把条件帧和目标帧钉死...