视频细粒度文本描述技术 - 复旦大学等机构提出的Cockatiel方法在VDC榜单上获得第一名，超越通义千问2-VL、VILA1.5、LLaVA-OneVision、Gemini-1.5等主流视频理解多模态大模型 [3] - Cockatiel采用三阶段微调训练流程：构造人类偏好数据、基于打分器的多模型集成训练、蒸馏轻量化模型，最终训练出13B多模态大语言模型并蒸馏为8B模型 [8] - 实验显示Cockatiel-13B能准确复现基线模型细节，捕捉遗漏信息，且大幅减少幻觉性内容，展现更高可靠性和准确性 [7] 强化学习优化视频生成技术 - 研究团队提出迭代式强化学习偏好优化方法IPOC，在VBench榜单以86.57%总分登顶，领先通义万相、Sora、HunyuanVideo等知名视频生成模型 [14] - IPOC采用三阶段优化：人工偏好数据标注、奖励模型训练、迭代强化学习优化，仅需少量训练数据和算力即可实现效果优化 [19][20] - 优化后视频生成模型在时序一致性、结构合理性、动态程度和美学度均有显著提升，如狮子行走动作更自然连贯，人物与猛犸象结构更合理 [21][23][25] 技术方案细节 - Cockatiel基于人类偏好对齐的高质量合成数据，集成多个模型优势，以单机训练成本实现细粒度表达和人类偏好一致性 [5] - IPOC框架兼容主流偏好优化算法，包括Diffusion-DPO和Diffusion-KTO方法，用户可灵活选择训练目标 [21] - 两项技术均提供完整开源资源，包括论文、项目主页和GitHub代码库 [5][20]