2026-08-02 — ByteDance Seedance 2.5 一鏡到底影片生成、微軟 Flint 圖表語言與 K 選一訓練法 Explorative Modeling 同日登場

一鏡到底說完一個故事：ByteDance Seedance 2.5 把敘事結構搬進影片生成

ByteDance Seed · 2026-07-31

ByteDance Seed 團隊發布影片生成模型 Seedance 2.5，建立在 Seedance 2.0 的「統一多模態音畫聯合生成架構」之上。這一版把重點放在單次生成內的敘事結構，以及輸入端可參照的素材種類，而非單純拉長片長或提高解析度。單次生成即可組織出起承轉合，是這次架構調整的核心訴求。

核心改動

官方稱之為「一鏡到底創作」（one-take creation）：模型能在單次最長 30 秒的生成裡，把多個邏輯相連的鏡頭組織成「設定、發展、轉折、收尾」的完整段落，並支援多輪銜接延伸，讓創作者用一致的視聽語言產出數分鐘長度的內容。與此同時，「彈性參照」（flexible referencing）讓單次生成可同時吃入：

• 最多 30 張圖片
• 10 段影片素材
• 10 段音訊素材

參照能力也擴及黏土渲染、動作參照與創意參照等複合情境，用於處理多主體同時出現的鏡頭。時間戳級別的音畫控制是另一項編輯能力，此外還包含具環境物理效果的綠幕合成，以及鏡頭視角編輯與以參照素材為基礎的局部重編輯。

影響範圍

目前 Seedance 2.5 已在即夢 AI（Jimeng AI）與豆包 Pro 上線，API 將透過 BytePlus ModelArk 釋出。官方部落格與產品首頁皆未附上量化基準測試數字，也沒有連結技術報告或論文。

原始來源：ByteDance Seed 官方部落格、Seedance 2.5 產品頁

給 AI 代理用的圖表語言：Flint 一份規格編譯成五種渲染後端

Microsoft Research · 2026-08-01

Microsoft Research 釋出 Flint，一個中介視覺化語言，目前最新版本為 0.4.0（2026-07-24），程式碼與說明文件位於 microsoft/flint-chart。它把「一份精簡規格」編譯成 Vega-Lite、ECharts、Chart.js、Plotly 與原生 Excel 圖表等多種輸出格式。

背景

用 Vega-Lite 或 D3 這類既有語法產圖時，agent 必須自行決定座標軸、間距、刻度、標籤與版面等大量細節，稍有差池就畫出錯誤或難以閱讀的圖表。Flint 把這些機制性決策自動化，改由資料、語意型別、圖表類型與欄位編碼共同推導出最佳設定，讓 agent 只需要描述「這是什麼資料」而不必操心「怎麼畫」。

規格細節

Flint 定義了 70 多種語意型別（如 Rank、Temperature、Price、Country），搭配下列 API 產生規格：

import { assembleVegaLite } from 'flint-chart';

const spec = assembleVegaLite({
  data: { values: myData },
  semantic_types: { weight: 'Quantity', mpg: 'Quantity', origin: 'Country' },
  chart_spec: {
    chartType: 'Scatter Plot',
    encodings: { x: { field: 'weight' }, y: { field: 'mpg' }, color: { field: 'origin' } },
    baseSize: { width: 400, height: 300 },
  },
});

同一份輸入换個函式呼叫即可切換後端，例如 assembleECharts、assembleChartjs、assemblePlotly；也有專屬的 flint-chart-mcp MCP server，讓 agent 能在對話環境裡直接建立、驗證並渲染圖表。非技術使用者也能直接編輯規格，不需理解底層渲染細節。

影響範圍

安裝方式為 npm install flint-chart，Python 套件「即將推出」，專案採 MIT 授權。0.4.0 版新增 38 種 Plotly 圖表類型與 18 種原生 Excel 範本，前一版 0.3.0 則加入動態圖表元件；研究論文標註為「即將發表」。

原始來源：Flint 官方網站、GitHub 原始碼與說明文件

別再讓生成模型「和稀泥」：K 選一訓練法 Explorative Modeling 拆解平均化困局

Alexi Gladstone 個人研究部落格 · 2026-08-02

Alexi Gladstone 與 Yilun Du、Heng Ji 發表 Explorative Modeling（XM），對應論文掛在 arXiv 2607.27372，程式碼在 github.com/alexiglad/XM。這篇文章處理一個生成模型的老問題：用直接回歸訓練的模型，遇到一個輸入對應多種合理輸出時，會傾向把答案平均掉，產生模糊或無效的結果。

核心改動

擴散模型與自迴歸模型解決這個問題的方式，是把「生成」拆成很多個小步驟；XM 反過來把「訓練」拆成 K 個探索步驟，生成本身仍維持單步、端對端：

losses = []
for i in range(K):
    generation = model.generate()
    losses.append(loss_fn(generation, data))
min(losses).backward()

每個訓練步驟讓模型產生 K 個候選輸出，分別計算與真實資料的損失，只對其中損失最小的候選反向傳播。模型因此能在 K 次嘗試中各自收斂到不同答案，而不是被迫平均，論文稱這種能力為「生成表達力」（generative expressivity）；因為生成路徑仍是單步，不會出現多步生成常見的曝光偏差（exposure bias）。

規格細節

隨模型規模與資料量放大，論文也觀察到 XM 相對優勢會持續擴大：參數規模增加時增益從 13% 提升到 23%，資料量增加時從 7% 提升到 36%。

原始來源：作者部落格、GitHub 程式碼、arXiv 2607.27372