任务分类与应用验收框架：检索、证据和生成图记录¶
检索日期：2026-08-30（Asia/Shanghai） 对应正文：
docs/taxonomy.md、docs/applications.md性质：任务定义与应用证据的 scoping review；不是产品排行榜，也不把厂商演示当独立复现
1. 改写目标与冻结快照¶
覆盖审计指出两个 P0：旧任务页把任务排成一条隐含成熟度链；旧应用页只有场景清单，缺少“能力 → 系统要求 → 验收 → 风险门 → 回滚”的证据链。本轮目标是：
- 用条件来源、源内容关系和运行协议组成的导航剖面替代线性任务链，并把反馈、提交语义和评测跨度拆开；
- 为仓库每个任务给出输入、输出、不变量、允许变化和一票否决式错误；
- 把论文、checkpoint、产品、工作流和部署证据分开；
- 给创作、数字人、交互世界和 Physical AI 建立不同硬门槛；
- 保留历史生成图记录；正文以可访问 Mermaid 和顺序化文字替代作为当前分类真值。
改写前快照：
| 文件 | 行数 | SHA-256 |
|---|---|---|
docs/taxonomy.md |
76 | 50b0c049456eff1aafb2cb381cbfbd47faeed43ac338fd01317e4a33dffe2802 |
docs/applications.md |
118 | d5ef41d32c776bcca952221b96596262246004afcfdaf76ae4461d97fc840240 |
1.1 2026-08-31 分类结构纠错¶
用户回读发现 taxonomy.md 的虚拟试衣信息图位置错误。继续审计后，确认旧版三轴还把反馈方式、流式提交、持续时长与长期记忆压在同一“交互时域”中，并且任务表存在未在坐标定义中声明的关系标签。
本轮采取以下纠错：
- taxonomy.md 不再嵌入静态任务地图或 078/079 位图；两张内联 Mermaid 是当前可维护源图，位图只保留为历史工件；
- 导航剖面改为 \(\mathcal N=(C,R,\Pi)\)，其中 \(\Pi=(F,\Gamma,H)\) 分别表示反馈、提交语义和评测跨度；
- 正式任务合同改为 \(\mathcal T=(I,O,K,\Delta,\Pi,E)\)，导航维度不再冒充完整定义；
- 补入视频虚拟试衣专章，并把 source-video VVT 与 pose-driven try-on animation 分开；
- 将加权总分替换为不可补偿的硬门合取，并补齐联合音视频、多视角/4D、虚拟试衣等主张的专属证据。
2. 可证伪问题¶
2.1 任务分类¶
- 什么属性属于任务定义，什么属性只是模型实现？
- T2V、I2V、V2V、inpainting、插帧、预测、动作预测、数字人、多镜头和交互世界的最近邻边界是什么？
- 统一模型支持多个任务时，哪些任务合同仍不能合并？
- 什么技术节点改变了任务合同，什么工作只推进了可复用技术底座或证据接口？
- 每类任务主张对应的最小证据和反事实测试是什么？
2.2 应用与部署¶
- 一篇论文或一个 demo 到底能证明哪一层应用能力？
- 创作、数字人、交互世界和 Physical AI 为什么不能共享一个总分？
- 怎样把生成、编辑、人工修订、版本、SLO、来源和回滚串成可执行流程？
- C2PA、NIST AI RMF 与 ITU-T P.910 能支撑什么，不能替代什么？
- 2024–2026 的统一编辑、语义数字人、交互世界和 omnimodal Physical AI 应如何标注证据等级？
3. 检索策略与结果¶
3.1 数据源¶
采用三层互补来源：
- arXiv API：发现最新预印本和核对首次公开日期、标题、作者；
- OpenAlex API：宽召回和题名交叉检索；
- 正式 proceedings / 标准 / 机构原页：CVF、PMLR、NeurIPS、OpenReview、ITU、NIST、C2PA 与机构系统页作为最终证据。
Semantic Scholar Graph API 也执行了两条 discovery query，但在检索时返回 HTTP 429；没有把失败请求写成检索结果，也没有因此降低一手来源门槛。
3.2 机器检索快照¶
| 数据源 | 查询 | 返回量 / 状态 | 用途与限制 |
|---|---|---|---|
| arXiv API | all:"video generation"，按 submittedDate 倒序 |
3,493 | 宽召回；包含 world model、理解与相邻任务，不能直接当纳入数 |
| arXiv API | all:"video editing"，按 submittedDate 倒序 |
569 | 检查统一编辑与 2026 frontier；标题/摘要筛选后再回原文 |
| OpenAlex | title.search:video generation，2015-01-01 至 2026-08-30 |
5,344 | title search 是 discovery，不等于精确主题分类 |
| OpenAlex | title.search:video editing，同日期范围 |
1,580 | 同上；可能匹配超分、分析或工具论文 |
| OpenAlex | title.search:video world model，2018-01-01 至 2026-08-30 |
379 | 宽词匹配会纳入题名中分散出现的词 |
| OpenAlex | title.search:human animation，2015-01-01 至 2026-08-30 |
451 | 包含传统动画，不直接等于生成式数字人 |
| Semantic Scholar | video generation；video generation applications editing world model |
HTTP 429 | 记录为检索失败，不用于结果计数或证据 |
arXiv API 快照更新时间为 2026-08-29T18:40:39Z。最新 video generation 宽查询首条为 CLAP（2608.27406），最新 video editing 宽查询首条为 EditaLive（2608.27123）；二者用于确认 2026-08-27 仍有新分支出现，没有在本轮导航/应用总览中以未经充分筛选的名字堆砌。
3.3 手工精确检索¶
对候选逐一用题名和官方页面核验：
Video Diffusion ModelsStable Video DiffusionAction-Conditional Video Prediction using Deep Networks in Atari GamesGenie: Generative Interactive EnvironmentsLearning Interactive Real-World SimulatorsVACE: All-in-One Video Creation and EditingOmniHuman-1.5DreamGenCosmos World Foundation Model PlatformCosmos 3C2PA Technical Specification 2.4NIST AI 600-1ITU-T P.910 07/2026MJ-Video
4. 纳入、排除与证据等级¶
4.1 纳入¶
- 首次提出任务接口或能改变边界判断的原始论文；
- 正式会议论文页或作者技术报告；
- 官方系统页，仅用于当前公开规格和产品/机构主张；
- 官方标准与风险框架；
- 能把视频指标连接到下游或部署结果的原始研究。
4.2 排除¶
- 二手综述和媒体报道作为最终事实来源；
- 聚合排行榜、无协议产品比较、仅展示精选样例的页面；
- 只因使用通用视频生成器就被称为任务里程碑的工作；
- 只有平均 FPS、没有首帧/尾延迟/deadline 的“实时”主张；
- 只有画质、没有动作干预或闭环结果的“world model 可用于决策”主张；
- 只因存在水印或 Content Credentials 就声称内容为真的表述。
4.3 证据等级¶
| 等级 | 来源 | 可支撑范围 |
|---|---|---|
| A | 正式会议 proceedings / 标准规范 | 论文方法、正式 venue、规范范围与版本 |
| B | arXiv / 机构技术报告 | 作者披露的方法、设置与结果；必须标作者报告 |
| C | 官方系统、代码、模型或产品页 | 当前公开规格、发布面与入口；不能单独支撑科学共识 |
| S | 本文综合 | 分类轴、任务合同、应用门槛；必须与 A/B/C 事实分开 |
5. 关键证据矩阵¶
| 来源 | 等级 | 本轮使用的最小事实 | 明确没有外推的结论 |
|---|---|---|---|
| Video Diffusion Models | B | 同一研究框架报告无条件、文本条件、预测和视频扩展 | 一个模型覆盖多任务不等于任务协议相同 |
| Stable Video Diffusion | B | 视频预训练、I2V 与相机 motion LoRA 适配 | 技术报告能力不等于当前产品或所有 checkpoint 能力 |
| Action-Conditional Video Prediction | A | 把动作作为控制变量进入高维未来帧预测 | Atari 设置不等于现实交互世界或机器人部署 |
| Genie | A | tokenizer + autoregressive dynamics + latent action，支持逐帧动作控制 | 不把该论文与 Genie 3 当前官方规格混写 |
| Genie 3 | C | 官方页面声称 720p、20–24 FPS 和持续交互 | 没写成公开 checkpoint、独立 SLO 或论文复现 |
| UniSim | A | action-in/video-out 统一接口，多域数据用于交互模拟 | 原文已限定 universal 的含义，不扩成模拟一切 |
| VACE | A | VCU 统一 reference、editing 与 mask，作者构建 12 任务评测 | 统一接口不取消每个任务的硬约束 |
| OmniHuman-1.5 | B | 结构化语义条件与 Multimodal DiT 用于语义表演 | 不据此证明同意治理、长期身份或独立领先 |
| DreamGen | B | 生成 neural trajectories，latent action / IDM 恢复伪动作，连接 policy training | 下游收益不外推到其他机器人、数据或真实环境 |
| Cosmos WFM | B/C | 平台包含数据管线、tokenizer、预训练 WFM 与 post-training 示例 | 平台完整不等于每个下游系统已经安全 |
| Cosmos 3 | B/C | omnimodal 技术报告处理/生成 language、image、video、audio、action；披露开放发布面 | 作者榜单不写成独立确认或同行评审共识 |
| C2PA 2.4 | A | 2026-04 版本；可验证来源声明、绑定和防篡改 | 规范明确不判断内容好坏或事实真假 |
| NIST AI 600-1 | A | 生成式 AI 生命周期风险管理 profile | 通用框架不替代视频任务指标或法律意见 |
| ITU-T P.910 07/2026 | A | 2026-07-29 批准、当前 in-force 的主观视频质量建议 | 不覆盖全部生成指令、身份、动作与闭环证据 |
| MJ-Video | A | 偏好拆为 alignment、safety、fineness、coherence/consistency、bias/fairness | 作者 reward benchmark 不是全应用唯一真值 |
6. 分类决策与负分类¶
6.1 为什么采用三项导航剖面¶
旧页按“从生成到交互”排列任务，容易暗示后者是前者的升级版。实质上：
- 条件来源决定模型可利用什么证据；
- 源内容关系决定保持与允许变化的合同；
- 运行协议分别记录反馈方式、提交语义和评测跨度，不能把流式、长时、记忆与闭环压成一个等级。
三项导航信息可组合，但不是任务的正式定义，也不是任意无约束的笛卡尔积。数字人可用图像、音频、文字和姿态；V2V 可附文字、mask、reference 与相机；交互世界还可能接受语言和离散或连续控制。因此正文用 \(\mathcal N=(C,R,\Pi)\) 导航，再用 \(\mathcal T=(I,O,K,\Delta,\Pi,E)\) 定义正式合同。
6.2 刻意拒绝的分类¶
| 候选表述 | 处理 | 原因 |
|---|---|---|
| “I2V 是 T2V 的下一阶段” | 拒绝 | 两者条件与参考保持合同不同，不是成熟度顺序 |
| “插帧就是短期预测” | 拒绝 | 插值知道两侧端点；预测通常只知过去且未来多模态 |
| “inpainting 是一种 V2V，所以只需编辑分” | 拒绝 | 已知区是硬约束，必须报告 outside-mask error |
| “action-conditioned 就是 interactive” | 拒绝 | 离线动作序列不要求 deadline、状态反馈和错误恢复 |
| “数字人是 I2V 加音频” | 拒绝 | 增加身份、同步、人体、语义表演与同意/冒用风险 |
| “统一模型让任务边界过时” | 拒绝 | VACE 统一接口，但 reference/edit/mask 的验收仍不同 |
| “平均 FPS 达标即可部署” | 拒绝 | 必须报告 TTFF、p95/p99、deadline miss、并发和恢复 |
| “有 C2PA 就证明视频真实” | 拒绝 | 规范证明声明与资产的绑定/完整性，不判断事实真伪 |
7. 里程碑准则¶
里程碑至少满足以下一项：
- 引入新的、可操作的条件接口；
- 建立新的源内容保持或局部修改合同；
- 将 open-loop 输出推进到长期记忆或 closed-loop；
- 将生成视频连接到可重复的下游/部署证据；
- 提供影响领域评测方式的新协议。
参数量、演示热度、分辨率和单一分数不是单独的里程碑准则。正文按“任务合同 / 技术底座 / 证据接口”分层收录 Action-Conditional Prediction、VDM、MM-Diffusion、SVD、VideoComposer、MotionCtrl、Genie、UniSim、VACE、OmniHuman-1.5、Ovi、DreamGen 和 Cosmos 3，并在表中同时写未解决问题。
8. 应用门槛的综合逻辑¶
应用 PASS 被写成硬门槛合取：
\[
G_q \land G_c \land G_p \land G_{\mathrm{SLO}}
\land G_s \land G_g.
\]
这是 S 级框架，不是某篇论文的统一公式。设计理由是：
- 数字人的高画质不能抵消未授权身份；
- 视频修复的感知质量不能抵消 mask 外证据变化；
- 交互世界的平均 FPS 不能抵消动作无效或 deadline miss；
- Physical AI 的真实感不能抵消闭环失败；
- provenance 完整也不能抵消事实错误。
9. AI 生成图记录¶
状态说明（2026-08-31）：本节记录 2026-08-30 的历史生成过程，不再定义当前 taxonomy。docs/taxonomy.md 的两张内联 Mermaid 及其顺序化文字替代是当前真值；assets/diagrams/video-generation-task-map.png 与 assets/imagegen-diagrams/078–079/ 仅保留作审计和版本追溯。
两图均使用 Codex 内置 image_gen，不是 CLI；原始输出保留在 Codex generated-images 目录，最终选中版本复制到仓库。所有图均为 1672 × 941 PNG，并在原始分辨率回读。
9.1 Video Generation Task Map¶
学习目标¶
用一张图让读者看到：任务在“条件来源 × 源内容关系”矩阵中有主坐标，交互时域是独立第三轴；这些轴可以组合，不是成熟度阶梯。
生成规格摘要¶
- 16:9 白底科学教育信息图；
- 纵轴：None、Text / Semantics、Image / Video / Audio、State + Action；
- 横轴：Create New、Reference-Constrained、Transform / Edit、Repair / Complete；
- 独立顶部轴：Open-Loop Clip、Long-Horizon Memory、Closed-Loop Control；
- 十个代表任务卡；
- 禁止模型名、分数、品牌、logo、水印和含混斜线。
迭代与拒绝理由¶
| 版本 | 原始路径 | SHA-256 | 结论 |
|---|---|---|---|
| v1 | .../exec-a3bf3659-a602-4669-9759-5b6c8ef3e51c.png |
4ef29ef1ad4b4ff73f5f4286fe0e25c9100514dcfbb03a89c0783d0ea9b7199f |
拒绝：Frame Interpolation 被放在 None 行；Video Prediction 和 Digital Human 坐标不准确 |
| v2 | .../exec-a77b7aa0-22bd-43a3-95a4-634406915869.png |
5e770c76fee8fc068c3ac17818bb775331edde4a60c9d9e10da49335734b8ddf |
拒绝：任务坐标已修，但虚线把时域与错误卡片相连，可能暗示固定映射 |
| v3 | .../exec-0f17cf1c-feda-4c99-8ee5-58ac00d4b370.png |
54c3cc8abf27f7365f4ff1841ac745b73871e7ecbac44e118669240f8fc16907 |
采用：删除全部误导连接，保留独立第三轴 |
仓库文件：assets/diagrams/video-generation-task-map.png
仓库 SHA-256：54c3cc8abf27f7365f4ff1841ac745b73871e7ecbac44e118669240f8fc16907
原图视觉验收¶
- 标题、三轴、十个任务卡和 footer 均完整；
- 无乱码、裁切、重叠、伪造数字、模型品牌或水印；
- Unconditional、T2V、I2V、Prediction、Digital Human、V2V、Inpainting、Interpolation、Action-Conditioned 和 Interactive World 主坐标与正文一致；
- 交互时域无指向具体任务的误导连线；
- 图注明确卡片不是穷尽映射，Mermaid 和文字替代承载精确定义。
- 使用 ImageMagick 转为灰度后原尺寸回读，轴、卡片、图标和所有文字仍可区分。
9.2 From Capability Claim to Deployment Evidence¶
学习目标¶
显示从 use-case contract 到 input/control、model workflow、human-in-the-loop、acceptance、deploy/monitor 的硬门槛流程，并把领域证据分成创意媒体、数字人、交互世界和 Physical AI。
生成规格摘要¶
- 六个编号阶段与
PASS / STOPgate； - 四条领域证据 lane；
- footer：
A demo proves possibility. Deployment requires repeatability, risk controls, and rollback.； - 禁止模型/公司名、伪造数字、排行榜、logo 和水印。
原始路径：.../exec-7bd666f9-969c-4ac8-968f-f150a98170ad.png
仓库文件：assets/diagrams/capability-to-deployment-evidence.png
SHA-256：39faec4d17c67b5c84ebf31ed99ee9d3c77102bb6ef8d5a25ada58ba956962a7
原图视觉验收¶
- 六阶段顺序、PASS / STOP、四条 evidence lane 和 footer 均可读；
- 无截断、乱码、伪造性能数字、logo 或水印；
- 四领域文字与正文验收重点一致；
- 图中反馈/回滚箭头与正文 Mermaid 的确定性流程一致；
- 颜色不是唯一编码：编号、标题、卡片形状和图标共同表达层级。
- 去除 alpha 并转为灰度后原尺寸回读，六阶段、PASS / STOP 和四条 evidence lane 仍可辨认。
10. 最终机器验证¶
在 2026-08-30 全批次文件冻结后执行：
- Markdownlint：17 个改动或新增 Markdown，0 issues；
- 引用锚点：221 个定义、398 次使用；missing、unused、duplicate 均为 0；
- 相对文件与图片链接：79 条，失效 0；
- Mermaid：用 Mermaid CLI 11.16.0 与本机 Chrome 实际渲染 17/17，均生成非空 SVG；各图另由对应改写线做原图/布局检查；
- PNG：6/6 为可解码 PNG，单图 1.2–1.6 MB；任务图、部署图和其他专题图的尺寸与 SHA 已分别记录；
- 一手来源回归：纠正 UniSim 的 ICLR OpenReview ID；独立审计核对 87 个 arXiv ID/标题及 DOI、会议和项目外链，并修正 WAV、WorldGym、MiraBench、RoboWM-Bench、Infinite-World、ViPRA、Deep Voxel Flow 与 NeurIPS 页面错配；
- 安全与仓库卫生：未发现凭证、密钥、临时文件或超过 10 MB 的新增文件；
git diff --check：通过；- 独立只读 pre-push 审计：已发现的问题均回归修复，无未解决 P0/P1。
11. 2026-08-31 分类纠错验证¶
- taxonomy.md：413 行；2 个 Mermaid 图；不再直接嵌入静态图；
- 任务覆盖：17/17 个任务专章均有入口，视频虚拟试衣出现于合同表、边界规则、证据表和路由表；
- 正文相对 Markdown 链接：48 条，失效 0；
- 参考文献：13 个定义均被使用，missing、unused、duplicate 均为 0；
- Mermaid：用 Mermaid CLI 11.12.0 与本机 Chrome 实际渲染 2/2，并回读 PNG；文字、箭头、硬门和回滚路径完整；
- 全库离线引用验证：扫描 76 个文件、2,803 条链接和 408 个唯一 arXiv ID，0 errors、0 warnings；
- 严格站点构建：通过，文档生成到 _site；
- manifest JSON 与 git diff whitespace：通过。