多模态

LayerEditor 将图像编辑分解为 RGBA 层

统一指令编辑与 RGBA 层生成，并提供 LayerEditor-100K 数据集与基准，对可控图像编辑和图层复用有参考价值。

FAPL 让 MLLM latent 可用于电影级视频生成，三项任务优于基线

为视频 DiT 有效利用 MLLM 表征提供了分阶段训练方案，可指导多模态生成模型的工程实现。