Google DeepMind 向 AI Ultra 订阅者推出新版 Project Genie 及 Genie 4 模型
Google DeepMind 向符合条件的 Google AI Ultra 订阅者推出新版 Project Genie 体验,提供对 Genie 4 模型的首次访问权限。
推荐理由:官方详细解析了Genie 4的实时编辑与音频能力,以及Agent和画廊如何改变世界生成流程。
Google DeepMind 向符合条件的 Google AI Ultra 订阅者推出新版 Project Genie 体验,提供对 Genie 4 模型的首次访问权限。
推荐理由:官方详细解析了Genie 4的实时编辑与音频能力,以及Agent和画廊如何改变世界生成流程。
NVIDIA 在 Hugging Face 上发布四个 Cosmos 3 Nano 开放权重模型,包括 Transfer-Auto、Sim-Auto、Sim-Transfer 和 Sim-Bimanual,支持多传感器驾驶仿真与双臂机器人交互。模型采用 OpenMDW1.1 许可证,提供商业与非商业用途权利,并附带分阶段后训练配方。
推荐理由:NVIDIA 发布四个 Cosmos 3 开放权重模型,提供从驾驶到机器人交互仿真的完整工作流,读者可评估其开源生态价值。
Google DeepMind 在 Gemini API 和 Gemini for business 正式发布 Gemini Omni 1.2 Flash,原生视频时长从 10 秒提升至 15 秒,并支持多轮对话式编辑与更强的参考遵循。新版价格较 Omni 1.1 下降 30%,720p 视频每生成 1 秒成本为 0.07 美元。
推荐理由:视频生成时长提升至15秒且价格下降30%,多轮对话编辑能力支持局部修正,有助于降低规模化视频创作成本。
Google DeepMind 发布新一代世界模型 Genie 4,这是首个能实时生成原生音频和交互式对话的世界模型,支持用户通过自然语言实时调整场景。Genie 4 依托 Gemini 模型家族实现物理规律仿真和复杂事件推理,目前作为研究预览版本向可信测试者开放,未来将面向 Project Genie 用户和 Gemini API 合作伙伴推出。
推荐理由:原文展示了Genie 4如何将Gemini的推理能力与实时音视频生成结合,帮助读者理解世界模型在机器人训练和交互体验中的具体落点。
可灵AI于10月15日将Kling 4.0正式全量上线,支持最长30秒原生生成与多关键帧控制。导演金性洙、李少红、陆川及多位国际制作团队表示,Kling 4.0在大幅动态表现、物理交互、角色一致性和复杂指令遵循方面显著升级,能减少无效生成并提高素材可用率。
推荐理由:原文列举了多位行业导演及制作团队的实际项目反馈,读者可据此了解Kling 4.0在物理交互、角色一致性等维度的专业应用表现。
可灵 4.0 满血版正式上线 LibTV,支持最长 30 秒原生视频生成,强化高速运动、复杂镜头调度与动态场景中的物理一致性。该版本支持最多 10 张关键帧控制与 15 项多模态参考,以提升角色表演、场面调度及镜头语言的精细控制能力,同时升级人物微表情、光影层次、材质还原及多语言音画同步效果。
推荐理由:可灵 4.0 满血版在 LibTV 上线,支持 30 秒原生直出、10 张关键帧控制及 15 项多模态参考,提升了高速运动与复杂运镜的物理一致性。
豆包工作结合飞书工作流,在一个对话框内完成AI短片的角色形象确认、分镜设计与Seedance 2.5视频生成。内容通过具体案例展示了如何利用多维表格与群聊无缝同步状态,从而减少工具切换,降低视频抽卡次数。
推荐理由:演示了如何用飞书工作流串联角色、分镜和视频生成,展示了单一对话框提升团队视频协作效率的实践方法。
可灵发布Kling 4.0并开启内测,将在10月正式推出。该模型支持最长30秒原生视频生成,提升了复杂运镜稳定性,并增强了对长提示词及跨镜头一致性的处理能力。
推荐理由:评测覆盖大动态、长时序与一致性,为创作者提供了Kling 4.0实际可用性的参照。
可灵AI宣布全新升级的 Kling 4.0 将于10月正式上线,Kling 4.0 Flash 已于9月28日开放小范围抢先体验。Kling 4.0 在画面真实感、多关键帧、口型匹配和创意复刻等方面实现突破,支持 4K 与 10-bit HDR 输出;单次可生成 30 秒视频,支持多关键帧控制,并新增视频续拍等创作页面功能。
推荐理由:原文点明了 4.0 与 Flash 的能力差异、开放节奏与参考上限,读者可据此判断它对视频创作流程的影响。
爱诗科技正式发布具备 Scaling 能力的通用实时世界模型 PixVerse R2,开放游戏、互动影视及数字人等体验。模型基于 Omni Causal AR 与 Real-Time Acceleration 双引擎架构,将模型能力扩展与实时推理加速解耦,在生成质量、长程一致性和多模态控制方面实现提升。用户可通过 Prompt 和键盘操作实时生成并交互,PixVerse R2 已开放使用。
推荐理由:实时与通用解耦的双引擎架构,为持续扩展的实时世界模型提供了可验证路径。
MiniMax 将 H3 Max 768P 和 480P 接入开放平台和 MiniMax Design,基于其与 fal 合作的后训练与推理优化,5 秒 768p 视频生成耗时不到 3 秒,已满足实时直播速度门槛。
推荐理由:H3 Max 768P 生成 5 秒视频耗时不到 3 秒,满足实时直播生成速度门槛,支撑了 24 小时 AI 电视台等实时交互场景。
爱诗科技发布 PixVerse R2,进一步探索实时全模态世界模型的 Scaling 路径。该模型基于 Omni Causal AR 和 Real-Time Acceleration 两个核心层次,通过动态 Chunk、多时间尺度记忆和 Error Bank 等技术,实现了在严格交互延迟约束下对长程世界状态的持续建模与加速。
推荐理由:原文阐述了实时全模态世界模型的统一训练范式,揭示了如何在持续交互中平衡生成速度与长程状态一致性。
Wan3.0首发上线RunningHub,单次生成时长增至30秒,首次支持doc、xls、ppt、pdf、md等文档格式输入,上传的产品说明或数据报表(≤100MB,≤50页)可自动生成带动态图表、字幕和配音的成片。
推荐理由:Wan3.0原生支持文档输入和30秒长视频生成,平台给出了各档位的每秒计费标准。
LibTV与通义万相联合首发视频生成模型Wan 3.0,该模型支持原生30秒视频生成,并可根据内容自动匹配合适时长。支持单次输入10张图片、5段视频、5段音频以及PPT、PDF、Word、Excel、Markdown等文档和网页链接作为创作参考,并能像素级还原参考细节。
推荐理由:介绍了原生时长与多模态参考能力,并给出限时价格信息。
MiniMax 推出 MiniMax Design,将其定义为把多模态模型能力变成生产力的 Harness。
推荐理由:MiniMax 官方介绍把多模态能力组织成生产流程的新入口,读者能理解它对视频和商业内容生产的定位。
央视《经济半小时》专题报道爱诗科技,其全球注册用户突破 1.5 亿,业务覆盖 177 个国家。自研 PixVerse V6 在 Artificial Analysis 图生视频和文生视频榜单中位列全球第二,生成速度行业第一;2026 年初发布支持 1080P 的实时世界模型 PixVerse R1。
推荐理由:节目披露了爱诗科技的全球用户规模、PixVerse V6 在 Artificial Analysis 榜单上的位置以及 PixVerse R1 的实时能力,有助于读者校准中国 AI 视频出海现状。
MiniMax H3 技术团队回应开发者关于模型架构与优化方案的疑问。团队澄清 H3 未采用 MSA 而是结合 MoBA 与稀疏注意力,采用双 VAE 以独立控制音视频模态,并提出 Regenerate-2K 将在完成效率与质量提升后开源。
推荐理由:团队通过问答澄清了架构与优化细节,开发者可据此调整工作流。
MiniMax 正式开源新一代通用视频模型 H3,支持 4 至 15 秒、2K 分辨率及立体声音频生成。H3-Base 权重已同步至 Hugging Face,支持本地部署;完整 2K 工作流需结合官方 API 调用 H3-Context-IR 与 H3-Regenerate-2K。
推荐理由:官方发布文档详细拆解了 H3 在 Hugging Face 的开源组件、支持的 2K 生成规格以及本地部署与 API 验证的完整工作流。
RunningHub 全网首发接入 MiniMax 新一代多模态模型 H3,支持文、图、音、视输入与生成,具备多模态理解、精准编辑、多场景内容生成和电影级视听质感四大能力。官方补贴期间 2K 画质低至 0.2 元/秒,全站模型低至 29 折。
推荐理由:MiniMax H3 支持文、图、音、视多模态输入与生成,2K 画质低至 0.2 元/秒,面向影视、广告与电商场景。
MiniMax 正式发布 H3,这是一款通用全模态生成模型,支持文本、图像、视频和声音的统一理解,可输出原生双声道音视频,最高支持 15s 2K 分辨率。官方称 H3 在指令遵循、文字与品牌信息呈现及 V2V Motion Transfer 方面表现出色,适用于广告、电商等商业场景。2K 分辨率下每秒价格不到主流模型的 1/3,未来几天将开放模型权重并适配国产芯片。
推荐理由:官方公布全模态生成能力、成本对比及开源计划,帮助用户判断其商业化与工程落地潜力。