范式智能发布Phai-A1与Phai-M1双模型,全链路基于华为昇腾训练
范式智能发布通用语言模型Phai-A1和视频生成模型Phai-M1,两款模型全链路在华为昇腾平台完成专项后训练优化。Phai-A1主打代码开发场景,单张RTX 3090可运行,响应速度较同级模型快8-10倍;Phai-M1面向真人影视,音画同步生成15秒720P视频仅需约3分钟。
推荐理由:双模型基于华为昇腾全链路训练并开源,展示了国产算力适配小模型的可行性。
范式智能发布通用语言模型Phai-A1和视频生成模型Phai-M1,两款模型全链路在华为昇腾平台完成专项后训练优化。Phai-A1主打代码开发场景,单张RTX 3090可运行,响应速度较同级模型快8-10倍;Phai-M1面向真人影视,音画同步生成15秒720P视频仅需约3分钟。
推荐理由:双模型基于华为昇腾全链路训练并开源,展示了国产算力适配小模型的可行性。
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。
字节火山引擎正式发布 Seedance 2.5 flash 视频模型,官方称其生成速度较 Seedance 2.5 提升一倍且价格更低,是效果最接近 Seedance 2.5 的模型。
作者使用同一“行走城市穿过沙漠”提示词,在 Seedance 2.5、Kling 4.0 和 Gemini Omni 1.1 Flash 上生成 720p、8 秒含原生音频的视频片段。
谷歌DeepMind发布视频生成模型Gemini Omni 1.2 Flash,在文生视频与图生视频榜单位居第一,价格较上一代降低30%,720p生成成本降至每秒0.07美元。该模型原生支持15秒视频生成与多轮对话式编辑,用户可混合使用参考图和音频线索。
同一新闻,精选展示《Google DeepMind 发布 Gemini Omni 1.2 Flash:支持 15 秒视频生成》
谷歌 DeepMind 发布 Gemini Omni 1.2 Flash,该模型在文生视频和图生视频榜单均排名第一,支持原生 15 秒视频生成及多轮对话式编辑。新模型价格较上一代降低 30%,720p 视频生成成本降至每秒 0.07 美元,不足 Seedance 2.5 同质量视频价格的 1/3。
同一新闻,精选展示《Google DeepMind 发布 Gemini Omni 1.2 Flash:支持 15 秒视频生成》
谷歌正式发布 Gemini Omni 1.2 Flash 视频生成模型,并在 Gemini API 与 Gemini for business 平台开放。该模型支持原生 15 秒视频生成,720p 生成价格为每秒 0.07 美元,较 1.1 版本降价 30%;支持 1 秒至 15 秒自定义时长,以及通过图像、动态片段和音频线索维持角色与场景一致性。
同一新闻,精选展示《Google DeepMind 发布 Gemini Omni 1.2 Flash:支持 15 秒视频生成》
Google DeepMind 宣布 Gemini Omni 1.2 Flash 正式可用,支持生成最长15秒的视频(原上限10秒),且 720p 视频价格降至 0.07美元/秒(降幅30%)。新模型支持“对话式编辑”,允许用户在多轮交互中修改背景、光线或长宽比,并支持将参考图像、短动作片段或语音提示作为输入,以在多机位下保持角色面部、服装及品牌视觉的一致性。
同一新闻,精选展示《Google DeepMind 发布 Gemini Omni 1.2 Flash:支持 15 秒视频生成》
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 推出 Gemini Omni 1.2 Flash 并宣布其正式可用,该模型原生支持生成 15 秒长视频,并新增多轮对话式编辑能力。官方定价降至每秒 0.07 美元(720p 视频),比上一代下降 30%。
同一新闻,精选展示《Google DeepMind 发布 Gemini Omni 1.2 Flash:支持 15 秒视频生成》
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。
疑似 Anthropic Fable 5.5 模型泄露 Hugging Face 仓库,显示 14 万亿参数、1224 个 MoE 专家及 7.72 TB 权重。
TBC 发布基于 Wan 2.2 的 AI 视频模型 mischief 1,生成速度达基线模型 5 倍。该模型在 fal 和 OpenRouter 上线,定价 0.5 美分/秒,是这两个平台上最低价的图生视频模型。效率源于从活体神经元中提取的计算原理,且对基础模型参数增加少于 0.1%。
NVIDIA 与滑铁卢大学开源 PixelUMM,这是一个直接在像素空间中统一图像与视频理解及生成的无编码器模型,不使用预训练视觉编码器或 VAE。模型采用 Mixture-of-Transformers 架构,将图像切分为 patch、视频切分为 tubelet,通过单层线性投影接入共享主干网络。
一个拥有 16 个隐藏神经元的网络通过 2,000 次训练步骤成功分离双螺旋数据,第 1,133 步时 300 个点全部被正确分类。 该过程展示了边界从平直弯曲到正确划分的过程,所有数据均来自实际训练运行。 视频由 SenseNova 6.8 Code2Video 生成,该开源模型以代码构建影片并包含解说时序。
谷歌 DeepMind 推出处于研究预览阶段的世界模型 Genie 4,能够生成拟真度更高的可交互虚拟世界,并支持实时音视频同步,涵盖音乐、环境音与可交互对话。
同一新闻,精选展示《Google DeepMind 发布世界模型 Genie 4》
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。
Google 宣布推出 Genie 4 世界模型,用于通过 AI 生成交互式体验。模型有四项主要更新:生成更真实的世界、允许用户通过自然语言提示实时调整体验、支持生成音频,并采用 Gemini 3.8 Flash 辅助模拟。
Kling AI 发布 4.0 版本,分辨率与控制精度提升,单次可生成最长 30 秒视频,并接受最多 10 张关键帧图像。Omni Reference 系统升级,单次生成支持最多 15 个参考资产,包括图像、视频和元素。新增立体声音频和 10 多种语言的唇形同步功能。随主模型发布的 Flash 版本侧重速度与成本,支持 MCP 和 CLI 访问。
Arena 平台发布 2026 年第 42 周盲测排名,国产模型稳定于中上游,kimi-k3-max 代码榜居第 10 名。 mimo-v2.6-pro 首次进入前端开发榜前 20,位列第 19;gemini-3.5-flash-medium 等新模型直接冲进综合榜前 30。 榜单反映用户主观偏好而非绝对能力,分差在误差范围内视为并列。
VAST正式发布并开源实时世界模型EdenLive,在单张Nvidia RTX 5090上以720P分辨率实现超过24FPS的生成速度,端到端延迟达百毫秒级。该模型支持多种参考输入与画风指定,能将简化场景或视频实时渲染为精细画面,并同步开放了模型权重、推理代码及Game Prototype Turbo工具。
推荐理由:VAST开源实时世界模型EdenLive,单卡RTX 5090下720P生成速度超24FPS,支持多种画风实时渲染。
可灵AI上线旗舰视频生成模型Kling 4.0,单次原生生成时长达30秒,支持包含视频、图像、音频等在内的15项参考素材组合及最多10个关键帧。1080p视频生成价格为0.15元/秒,仅为Seedance 2.5同规格价格的4%。实测显示Kling 4.0在大幅度动态场景和复杂运镜上表现良好,但部分复杂场景中物理规律遵循能力仍有提升空间。
快手可灵 AI 宣布 Kling 4.0 正式全量上线 klingai.com,单次生成视频时长提升至 30 秒,支持 4K、1080p 的 10-bit HDR 输出及 21:9 超宽画幅。该版本支持最多 10 张多关键帧输入以精准控制情节节点,输入长度提升至 8000 tokens,并接入 MCP / CLI 以拓展创作场景,支持双通道立体声与多语种文字生成。
同一新闻,精选展示《Kling 4.0 全量上线并接入 MCP/CLI》
昆仑万维旗下Skywork AI开源发布游戏世界模型Matrix-Game 4.0,官方称其为全球首款可在单张消费级显卡实时运行的产品。该模型采用“游戏引擎显式维护状态、视频模型生成画面”的Harness架构,结合少步自回归蒸馏与KV缓存优化,在一张RTX 5090上实现了60 FPS的实时生成与响应。
昆仑万维发布 Matrix-Game 4.0,这是世界上第一款运行在单张消费级显卡上的视频大模型游戏。该系统在 NVIDIA RTX 5090 上实现了 480p、60 FPS 的实时运行,交互延迟低于 150 毫秒。Matrix-Game 4.0 构建了由游戏引擎维护状态规则、视频生成模型实时渲染画面的新范式,并同步在 GitHub 和 Hugging Face 开源。
昆仑万维发布 Matrix-Game 4.0,基于 Wan2.2 5B 模型,在单张 RTX 5090 上实现 480p/60 FPS 游戏运行,端到端延迟低于 150ms,并同步开源模型权重与游戏代码。
推荐理由:基于单张消费级显卡实现60FPS交互游戏运行,对比英伟达竞品在延迟和算力需求上的具体差异,以及代码权重双开源的落地价值。
可灵Kling 4.0、Seedance与Vidu Q4 Preview近期密集发布,分别押注工业化效率、专业控制力与自由表达。Vidu Q4 Preview主打“传神表现力”,在人物情绪、镜头运动和复杂视效上升级,最高支持4K输出与16秒单次生成,MaaS图生视频4K价格为2.43元/秒,部分SaaS场景成本降至每秒几分钱,让漫剧、短剧和影视预演的试错门槛显著下降。
生数科技发布视频生成模型 Vidu Q4 Preview 预览版本,支持 2K、4K 输出及 16 秒长视频生成。 该模型支持图生视频与参考生视频,最多可接入 3 段参考音频和 15 张参考图,提升动态运镜与复杂镜头衔接效果。 首发优惠价 0.09 元/秒起,适配 AI 短剧、广告营销、影视创作等场景。
Odyssey 推出 Odyssey-3 系列基础世界模型,其 Pro 版本在 Physics-IQ Verified 视频到视频基准测试中取得 66.1 分,创下该榜单最高纪录。
推荐理由:Odyssey-3 Pro 在 Physics-IQ Verified 上取得 66.1 分最高纪录,展示了 AI 对真实世界物理规律的预测能力。
AI 研究团队 Tavus 发布实时视频交互模型 Griffin 并公布一项实验结果:在一分钟视频通话中,54 名参与者里 48% 的人认为对方是真人。Griffin 采用全双工视频交互方案,其开源版本 Griffin-Lite 支持实时生成 720p 视频,延迟为 0.43 秒,并已在英伟达 VideoFDB 公开榜单上取得生成赛道最高分。
淘宝 TaoMate-H3 已开源推理代码与 LoRA 权重,该模型基于 MiniMax H3,通过三步流式生成支持分钟级音视频连续续写与 480p 至 1080p 输出。实测中 TaoMate-H3 的纯 DiT 计算耗时较原版降低 11.45 倍,首段就绪时间缩短 27.66 倍,推理代码位于 GitHub,模型权重位于 Hugging Face,团队计划后续发布 FL2AV 流式模型。
可灵AI宣布新一代旗舰视频生成模型 Kling 4.0 开启内测,单次原生生成时长达30秒,支持最多10个关键帧输入和最高8000个token的提示词,新增双通道立体声及 10-bit HDR 输出。轻量版 Kling 4.0 Flash 同期推出,主打更快生成速度与性价比,单次生成时长3至20秒。可灵AI还完成了两轮融资,投后估值约为180亿美元,计划在未来12个月内启动港股上市流程。
推荐理由:文章拆解了 Kling 4.0 在视听质感、创意控制和叙事能力上的具体变化,并补充了可灵AI近期的资本运作动态。
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。
智象未来发布首个原生全模态视频生成模型 HiDream-O1-Video-1.0,支持文本、图片、视频多模态输入,可直出 5–20 秒 1080p 视频。该模型在 Artificial Analysis 图生视频榜单中位列全球第四,在 Arena.ai 盲测榜中位列第八。
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 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。
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。
LibTV 与 MiniMax 联合首发多模态视频模型 H3,支持 5 到 15 秒视频生成、24 FPS 输出与原生双声道声音,单次最多输入 12 个混合参考文件,分辨率可由 768p 升级至 1440p。活动期间 768p 低至 0.1 元/秒,2K 低至 0.2 元/秒,可结合 Skill 实现约 10 元制作一支广告视频或约 20 元完成一集短剧。
推荐理由:联合首发给出了具体能力边界和试用入口,读者可据此判断它能否进入日常视频生产。
OpenAI 发布 Sora 2,这是支持同步对话和音效的视频生成模型。旧版 Sora 产品已停止服务。