AWS 2026 年 10 月 AI 构建者更新:新增 GPT-6.1 Terra、Claude Haiku 5.5 及 AgentCore 功能
AWS 于 2026 年 10 月推出多项 AI 更新,包括在 Amazon Bedrock 上线 OpenAI GPT-6.1 Terra 和 Claude Haiku 5.5。
AWS 于 2026 年 10 月推出多项 AI 更新,包括在 Amazon Bedrock 上线 OpenAI GPT-6.1 Terra 和 Claude Haiku 5.5。
NVIDIA 发布四个 Cosmos 3 Nano 开放权重检查点模型,用于交互式世界模拟与多传感器驾驶场景生成。四个模型分别为 Cosmos3-Nano-Transfer-Auto、Sim-Auto、Sim-Transfer 和 Sim-Bimanual,均基于 Cosmos 3 Nano 后训练,具备 16B 可训练参数并采用 OpenMDW1.1 许可。
推荐理由:原文放出四个 Cosmos 3 Nano 开放权重模型,覆盖驾驶多视角与双臂机器人视频生成,研究者可基于公开食谱微调适配。
Google DeepMind 发布 Gemini Omni 1.2 Flash,原生支持15秒视频生成与多轮对话编辑,价格较1.1降30%至每720p秒0.07美元。该模型提升参考一致性与自然语音,已通过 Gemini API 和 Google 应用向开发者及企业开放。
推荐理由:Gemini Omni 1.2 Flash 相比1.1版本将视频时长提至15秒并降价30%,帮助企业低成本批量制作一致性广告。
Google DeepMind 发布 Genie 4 世界模型,可原生生成多模态实时模拟,在物理、人类动作与音频写实度上实现显著提升。该模型借助 Gemini 家族提供推理以维持模拟连贯,目前已向受信测试者开放研究预览,后续将登陆 Google AI Ultra 等平台。
推荐理由:Genie 4将实时世界模拟的写实度、物理与人类动作连贯性推进到新水平,当前仅以研究预览向受信测试者开放。
NVIDIA 发布 Cosmos3-H-Dreams,一个基于 Cosmos 3 和 FlashDreams 的实时生成式临床胆囊切除术模拟器,可在单张 NVIDIA RTX PRO 6000 GPU 上交互运行。
TwelveLabs 的视频语言模型 Pegasus 1.5 现已在 Amazon Bedrock 可用,支持将长视频转化为带时间戳的结构化 JSON 元数据。该版本单次请求可分析长达 2 小时的视频,并新增视频分段、多模态提示及无需预索引的即时处理功能。此前 Pegasus 1.2 仅支持 1 小时视频分析,此次升级显著扩展了处理容量。
EBU 与 NVIDIA 扩展去年推出的主权标准,引入主权云、开放模型及集成伙伴,以支持欧洲公共媒体在保留数据控制权的前提下部署智能体。Adobe Frame.io 利用 NVIDIA GPU 加速视频搜索,实现约 5 倍嵌入生成速度提升及最高 5 倍延迟降低,帮助 UFA 等制作方快速定位素材。
Higgsfield 借助 GPT-6 Astra 将 AI 视频生成时长从 1 分钟扩展至 10 分钟以上。该平台同时集成 GPT-Image-2.5 以提供精准视觉,并通过 GPT-Live 探索语音电影制作路径。
NVIDIA 联合生态伙伴为即将于10月16日上市的 RTX Spark 笔记本推出本地AI智能体模型与软件更新。新模型 Nemotron 3.5 Bolt 74B 将于10月15日发布,PAIR 结束 beta 并支持 llama.cpp,Broadcast 2.3 等创意应用完成优化。用户可在单台轻薄本上运行本地智能体与创意生成工作流。
推荐理由:RTX Spark笔记本上市前NVIDIA联合伙伴完善本地AI智能体软件栈,用户可据此评估单设备运行agent的可行性
Pollo AI 借助 GPT-5.6、GPT-6 Astra 和 GPT-Image-2.5 帮助创作者将大胆创意转化为详细图像和电影级视频广告。
MiniMax 正式发布全模态生成模型 H3,支持对文本、图像、视频、声音组成的多模态上下文统一理解,可输出原生双声道音视频,最高支持 15s 2K 分辨率。官方称在 2K 分辨率下每秒价格不到主流模型的 1/3,768P 下约为主流模型 720P 的 1/2。MiniMax 计划在未来几天内在符合相关法律法规的前提下开放模型权重,并称 H3 设计初期已考虑多款现有国产芯片的兼容性。
推荐理由:官方给出全模态生成的预训练任务划分与三项关键技术取舍,可看清视频模型从专用走向任务统一的路线。
字节 Seed 发布新一代音视频生成模型 Seedance 2.5,单段视频时长提升至 30 秒并支持两次延长。该模型强化了参考视频意图理解与编辑可用率,提供白模控制、绿幕编辑等进阶能力,以适配专业视频创作流程。
Condé Nast 基于 Amazon Bedrock 和 Amazon OpenSearch Service 构建多模态视频发现系统,将内容检索时间从 250 分钟缩短至 2 分钟以内。该系统采用 TwelveLabs Marengo 嵌入模型,对超过 140,000 个视频的转录、视觉和音频信号进行联合编码,支持基于意图的语义搜索。此前编辑团队依赖标题和描述手动查找素材,导致运营效率低下。
在 Amazon SageMaker AI 上部署同一个 AWS vLLM-Omni DLC 镜像的两个端点:实时端点运行 FLUX.2-klein-4B 生成图像,异步端点运行 Wan2.1-VACE-1.3B 生成图像条件视频。文本提示词先生成 PNG,再连同运动提示词经 Amazon S3 传给视频端点,生成的 MP4 存回 S3,示例提供命令行与 Streamlit 界面。
Google Research 发布 AI video co-director 框架,基于 Gemini 和 Veo 构建多智能体系统以解决长视频生成的语义漂移和级联失败问题。
推荐理由:提出多智能体框架解决长视频语义漂移,通过全局优化与视觉记忆实现分钟级叙事一致性。
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar,通过低延迟流式视频与语音结合实现近实时视觉存在。该功能支持 97 种语言的唇形同步,并能在对话进行中后台异步执行工具调用,目前已通过 Gemini Enterprise 开放。
推荐理由:原文展示了实时视频与语音结合的多模态交互能力,以及后台异步工具调用机制,为构建企业级虚拟助手提供了具体参考。
invideo 借助 GPT-6 Astra 实现更精准的剪辑规划,调色与色彩校正效率提升 3 倍,并在一天内产出 50 个自定义特效。
Higgsfield AI 借助 GPT-6 Astra,一天内上线新视频功能,让小型企业更轻松地制作视频广告,并更快将新创意工具推向市场。
Google DeepMind 在 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 上推出智能体视频理解功能,通过原生视频工具动态搜索、扫描和检查目标片段,替代固定帧率的静态处理。
推荐理由:官方给出 token 与成本降幅及准确率变化,并说明在长视频场景下与静态处理的取舍差异。
Google DeepMind 发布 Gemini Omni 1.1 Flash,为开发者带来一批生成视频创作控制能力,通过 Gemini API 在 Google AI Studio 提供。
推荐理由:官方给出场景延展、首尾帧插值与 4K 上采样等具体能力与开放入口,可据此判断生成视频工作流的变化。
Google DeepMind 发布 Nano Banana 2 Lite 和 Gemini Omni Flash 两款模型,前者是 Nano Banana 系列中速度最快、成本最低的图像模型,4 秒生成文本到图像,每张 1K 图像 0.034 美元;后者支持高质量视频生成与对话式编辑,输出视频定价为每秒 0.10 美元。
推荐理由:两款模型同日开放开发者入口,并给出延迟、单价与能力边界,便于评估图像到视频的串联工作流。
Google DeepMind 发布 Gemini Omni 家族首个模型 Gemini Omni Flash,可组合图像、音频、视频和文本输入生成高质量视频,并通过自然语言多轮对话编辑视频。
推荐理由:Gemini Omni Flash 把视频生成与对话式编辑合并到同一模型,读者可据此判断多模态创作入口的变化。