跳到正文

技术方向

AI 视频 最新动态

AI 视频生成与理解:文生视频模型、视频编辑工具与影视创作变革的追踪。

12 条精选近 30 天 3 条共收录 167 条

更新

大事记

重要进展

AI 视频的精选

11月6日周五
  1. Hugging Face Blog67

    NVIDIA 发布四个 Cosmos 3 Nano 开放权重模型用于交互式世界模拟

    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。

  2. Google DeepMind67

    Google DeepMind 发布 Gemini Omni 1.2 Flash,支持15秒视频与多轮对话编辑

    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。

10月28日周三
  1. Google DeepMind71

    Google DeepMind 发布 Genie 4 新一代世界模拟模型

    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。

10月13日周二
  1. NVIDIA Blog64

    NVIDIA RTX Spark 全球PC应用生态准备就绪

    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

10月2日周五
  1. MiniMax 动态74

    MiniMax 发布全模态生成模型 H3

    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。

9月25日周五
  1. Latent Space80

    Runway 实时世界模型 GWM Worlds 2 与 WorldPrompt 技术解析

    Runway 发布研究预览 GWM Worlds 2,引入 WorldPrompt 格式以支持实时交互式视频与音频生成。该模型通过自回归扩散和蒸馏技术实现 720p 24fps 的实时流式输出,允许用户通过提示词控制场景中的角色、相机和环境事件。

    推荐理由:通过Runway高管访谈,揭示了实时世界模型在自回归生成、蒸馏加速及因果一致性上的工程挑战与Agent应用潜力。

  2. Google DeepMind76

    Google DeepMind 发布 Gemini 3.8 Live with Live Avatar

    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。

9月2日周三
8月28日周五
7月1日周三
  1. Google DeepMind82

    Google DeepMind 发布 Nano Banana 2 Lite 与 Gemini Omni Flash

    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。

5月18日周一
  1. Google DeepMind82

    Google DeepMind 发布 Gemini Omni Flash,支持多模态输入生成与对话式视频编辑

    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。

© 2026 SI·Hot · Super Intelligence Hot · 超级智能热点 · 网站数据均来源于网络公开资料,版权归来源方所有