Умный отбор видео для обучения моделей физике движения. Если таким образом можно отфильтровать датасет так, что 10% отфильтрованного обучают модель лучше, чем полный датасет, то это биг дил! Для данных другой природы это всё тоже очень актуально. Motion Attribution for Video Generation __Xindi Wu, Despoina Paschalidou, Jun Gao, Antonio Torralba, Laura Leal-Taixé, Olga Russakovsky, Sanja Fidler, Jonathan Lorraine__ Paper: https://arxiv.org/abs/2601.08828, ICML Submission Review: https://arxiviq.substack.com/p/motion-attribution-for-video-generation Project site: https://research.nvidia.com/labs/sil/projects/MOTIVE/ Model: N/A ICML 2026 Outstanding Paper Honorable Mention # TL;DR ЧТО сделали: Авторы представили MOTIVE (MOTIon attribution for Video gEneration) — первый градиентный фреймворк для атрибуции данных, ориентированный исключительно на движение. Он разработан для современных крупномасштабных моделей видеодиффузии и flow-matching. Он успешно изолирует и сопоставляет временную динамику, а не статичный внешний вид, за счёт вычисления градиентов через взвешенные по движению маски потерь. Для масштабирования на миллиардные архитектуры применяются структурированные низкоранговые проекции и нормализация по длине кадра. ПОЧЕМУ это важно: Современные генераторы видео масштабируются за счёт гигантских объемов интернет-данных, но у нас нет инструментов, позволяющих понять, какие именно обучающие клипы учат модели физике (например, прыжкам, качению или динамике жидкостей). Разработанный исследователями из NVIDIA, Принстона и MIT фреймворк MOTIVE изолирует градиенты движения для точной курации данных. Файнтюнинг всего на 10% данных, отобранных с помощью MOTIVE, работает на уровне или лучше обучения на полном датасете. Это открывает эффективный путь к созданию физически согласованных моделей мира (world models). Для практиков: MOTIVE позволяет существенно сократить расходы на обучение видеомоделей и улучшить их физическую точность за счёт умной фильтрации обучающей выборки. Метод решает проблему кинетической слепоты существующих подходов к атрибуции, убирая избыточное влияние статичного фона и длины видео. Изучать движение тут: https://t.me/gonzo_ML_podcasts/4404