一句话看懂：Hugging Face Papers 收录的论文 OmniXRef 提出一个统一框架，允许用户混合使用文本、图像和视频参考来控制源视频的不同属性，并配套发布视频参考评测基准 OmniXRef-Bench。
事件核心：发生了什么
根据论文摘要，OmniXRef 针对多模态、多参考的视频编辑：用户可以用文本指令（例如移除画面中的人物）、图像参考（例如指定主体外观）、视频参考（例如指定运镜方式），也可以任意组合这些参考。论文设计了参考库式统一输入接口，并提出 R²-RoPE 以支持更多参考的泛化；核心模型 OmniXRef-Model 采用单流扩散 Transformer，在同一条交错序列中联合处理源视频和来自 MLLM 的多模态上下文。
针对视频参考编辑训练数据稀缺的问题，作者用合成管线构建了 OmniXRef-Data，并通过课程学习逐步提高任务复杂度和分辨率。同时发布 OmniXRef-Bench，用于评估相机、运动、内容、风格和视觉特效（VFX）五类视频参考属性迁移。摘要称，在截至 2026 年 10 月的综合评测中，OmniXRef-Model 优于任务专用基线和商业模型；但摘要未披露具体分数、参数量和推理成本。
为什么重要
当前视频编辑工具大多围绕文本或单一图像参考设计，视频参考这一控制模态长期缺少统一接口与评测标准。OmniXRef 把文本、图像、视频纳入同一参考框架，并补上视频参考基准，指向的是“多条件可控编辑”这一技术路线。对行业而言，这意味着扩散模型与多模态大模型的结合正从图像生成向视频编辑延伸；配套数据集和基准若能公开，也会降低后续研究复现和横向比较的门槛。目前公开信息显示，这仍是论文层面的工作，尚不能视为已上线产品。
对用户/开发者/创作者的影响
对创作者来说，视频参考编辑的实用价值在于用一段参考片段描述运镜或风格，而不是只靠文字反复试错；多参考组合也有望减少分步编辑带来的画质损失。对开发者而言，参考库接口、R²-RoPE 和单流扩散 Transformer 的设计值得关注，但摘要未说明是否开源权重、是否提供 API，接入可行性仍需等全文和代码发布后判断。对内容平台和企业采购方，更现实的影响是评测口径：OmniXRef-Bench 覆盖相机、运动等内容，可作为比较不同视频编辑模型控制能力的参照，但不应把摘要中的结论外推为永久排名。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
1. 代码、模型权重和 OmniXRef-Data 是否公开，以及许可证如何设定；2. 摘要所称的评测优势对应的具体指标、推理成本和视频时长限制；3. 视频参考编辑能否在闭源商业视频模型中获得跟进，以及 OmniXRef-Bench 是否被社区采纳为通用基准。
