可灵AI估值破千亿计划明年IPO,BAT集体注资视频生成商业化
快手旗下视频生成模型可灵AI正推进拆分上市,计划最早在2027年港股IPO,募集资金至少10亿美元。本轮融资总额达30亿美元,腾讯、阿里云、百度等巨头参与,估值约为1228亿元。
快手旗下视频生成模型可灵AI正推进拆分上市,计划最早在2027年港股IPO,募集资金至少10亿美元。本轮融资总额达30亿美元,腾讯、阿里云、百度等巨头参与,估值约为1228亿元。
清华大学团队提出 MGFlow 与 Elastic Forcing 两项研究,采用样本分布训练方法提升少步生成与流式视频模型性能。
推荐理由:文章介绍了两项基于分布级监督的生成模型训练工作,展示了单节点训练百亿参数流式视频模型及一步文生图超越原版多步模型的效果。
作者制作 Suno 歌曲导致 5 岁孩子将 AGI 灾难误认为安全警告,8 岁孩子解读为“ChatGPT 请别吃掉我们”。 作者称自己不懂音乐但热衷通过工具创作个性化内容,尽管曾考虑播放对立派系歌曲以平衡认知,最终仍选择让孩子自由消费内容。
Burning Bridges AI 允许用户上传 1 张照片,自动生成 720p HD 视频,复刻 Drakes 病毒式 “where she at?” 舞蹈片段。
Netflix 亚太制作高级总监 Lee Sung-gyun 在釜山电影节表示,AI 已应用于其约 300 部影片的预演、制作设计、剪辑和视觉特效中,并播放了混合实拍、视觉特效与生成工具的内容。
作者 Boone Ashworth 使用 Google 新推出的 AI Playground 平台,通过自然语言描述在浏览器中即时生成了三个可玩的电子游戏。该工具类似于 Meta 的 Horizon Create,允许用户上传参考资产或直接由 AI 生成视觉元素,用户可通过对话式指令调整游戏细节,例如在俄罗斯方格中将方块替换为扭曲的猪形,或构建赛博朋克风格的俯视角射击游戏。
AI 音乐视频因 Opus 5.5 和 Suno 6 的发布跨过“诡异谷”,新流派“AI Doompop”诞生。 作者列举了包含 Claude Pop、Run It Again 等六首代表作。 文章探讨该流派是短暂潮流还是互联网未来,质疑其是否只是 AI 生成的“垃圾”(slop)。
韩国视觉创作者 Oasis 针对 Kling 4.0进行了三组实战测试,重点考察超现实场景下的人物表演自然度、多图转场稳定性以及实拍与卡通风格的转换连贯性。测试结果显示,Kling 4.0 能够较好地保留静态图像中的色调与空间质感,在多人互动、场景切换及混合风格视频生成中保持了较高的角色一致性与动作逻辑。
阿里巴巴AI支持NBA中国赛2026,NBA Chat首次引入多模态交互并接入NBA知识图谱,新增基于马布里等风格的特色Agent。 万相Wan 3.0升级360度实时回放,10-15秒生成“主角时刻”视频,并通过AI Fan Cam增强现场互动体验。 2025年10月阿里云成为NBA中国官方云计算与AI合作伙伴,合作覆盖多项赛事及数字平台。
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。
Nikon 宣布其 Small World in Motion 显微视频大赛原冠军因使用生成式 AI 违反规则被取消资格,Nguyen Nam Nhat 的视频递补获得第一名。 Nikon 正在审查该比赛未来参赛作品的规则和评估程序,并强调取消资格的决定不应被解读为对参赛者专业声誉、科学贡献或意图的评判。
英伟达联合 MIT 和牛津大学提出 Physis-Lang,通过在视频生成的训练和推理中注入细致的物理过程描述,显著提升了模型对物理规律的遵循能力。在 Physics-IQ Verified 榜单上,Physis-Lang 的 Cosmos3-Super 和 Cosmos3-Nano 版本分别以 48.2 和 43.3 分位列第一和第二。
构建音乐视频生成工具 Melodious 发现,AI 视频成本主要源于反复生成而非单次制作。30 秒视频常需 40 次生成,因镜头独立失败且失败点隐蔽。 使用廉价静态图片预览优于复杂提示词,能预先验证角色、色彩与构图。
Utopai Studios 正在开发多部 AI 原生影视项目,并已与好莱坞工会达成协议,将《Space Nation》和《Cortés》的部分发行权预售给巴西 Globo 和德国电视台,采用非 AI 内容的市场价格,预计预售收入最高约 1.1 亿美元。
Vidu Q4 Preview首发上线RunningHub,540P视频生成价格低至3分/秒。 该模型支持3至16秒时长,参考音色及最高4K分辨率,并优化了人物表演细节与运镜流畅度。 RunningHub集成RHTV与Blender插件,提供“人物调节”及“3D导演台”功能,降低创作者制作门槛。
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。
论文提出 FreshMem,一种受大脑启发、无需训练的频率-空间混合记忆网络,用于 MLLMs 在线流式视频理解。 在 Qwen2-VL 基线上,FreshMem 分别提升 StreamingBench、OV-Bench、OVO-Bench 5.20%、4.52% 和 2.34%,性能优于若干全量微调方法。 该成果已被 NeurIPS 2026 接收,为长时流式视频理解提供高效新范式。
论文提出 ME-World 模型,将多智能体第一人称世界建模定义为共享世界中多路 ego 流同步生成,并要求跨视角动作一致性与状态更新一致传播。 模型在共享 token 序列中联合去噪,基于所有智能体目标视角位姿与共享环境记忆生成内容,训练与评测使用真实及合成多智能体数据。 实验表明 ME-World 在共享世界一致性、动作控制、身份保持与视频质量上优于现有方法。
VINCIE-NExT 提出统一框架,通过上下文视觉演示将图像编辑能力迁移至视频,避免依赖昂贵的大规模配对视频数据。 该模型将视频编辑分解为“视频-图像-图像-视频”子任务链,引入位置编码在共享空间坐标系中对齐图像演示与视频帧,实现像素级外观传播。 在 OpenVE-Bench 上取得了最先进性能,且无需重新训练即可通过增加计算量提升编辑质量。
summary_zh: Perception Test 2026 挑战赛在 ECCV 2026 举办,聚焦空间智能,新增 KilometerAudio 和 KilometerVision 两个城市级步行视频赛道。
基于复数融合的开词表音视频事件定位模型在 OV-AVEBench 未见类别划分中刷新 SOTA,达到 66.5% Acc 和 59.1% Seg-F1。 模型冻结视觉与音频编码器,仅训练时序注意力块和复数融合 CVNN。四流复数架构在未见类别 Acc 上较微调基线提升 1.6 个百分点。 该论文已被 2026 年英国计算机视觉会议(BMVC)接收。
summary_zh: CRP 方法通过预测残差来降低因果视频模型对历史的依赖,无需使用双向教师模型或复杂的蒸馏管线。 实验显示 CRP 将性能与同等设置的基线模型的 6.14 分差距大幅缩小。
研究证明,使用无字幕、无文本损失的原始视频对 Qwen3-1.7B 进行中间训练,可显著提升模型在视觉基准上的表现。 在四个视频基准上平均提高 2.9 分,十个图像基准上提高 5.1 分,且在 14 个文本基准上保持性能(平均 48.9 分,未训练模型为 48.0 分)。 结果表明,预测下一个视觉 token 优于预测字幕,证明视频中间训练可保持纯自监督,无需承担自动字幕生成的计算开销或标注噪声。
无训练框架 SpectralCache 利用相邻去噪步间奇异子空间稳定性,通过线性外推估计低维奇异值并跳选主干计算,显著加速扩散世界模型推理。 在 HunyuanWorld-Voyager-13B 模型上,该方法将推理速度提升 5.22 倍,静态场景 WorldScore 保持 65.90。 该方法在不牺牲生成质量的前提下,大幅降低了交互式环境生成所需的推理开销。
FastBench 是一个包含 306 个问答对的基准,用于评估流式 VLM 在高动态实时视频流中的感知能力,并提出了免训练的基线模型 ProactiveFrame。 Gemini-3.5-Flash 在测试中仅得 50.7% 分数;Qwen3-VL-8B 在 24 FPS 采样下得分从 2 FPS 时的 32.9% 提升至 44.6%。
DataVista 发布,这是首个数据视频理解基准,含 961 个视频和 6,775 道问题,覆盖 19 个 MLLM。 基准采用三级能力框架(数据感知、时间推理、叙事理解)和 10 种细分题型,横跨 5 大主题域。 最佳模型 Gemini-3.1-Pro 整体准确率仅 70.0%,远低于人类专家,因果推理和叙事结构表现最差。
VideoGen-Agent 提出了一种基于 Qwen3-VL-8B-Instruct 的多模态视频生成智能体,通过监督微调和多任务强化学习训练其自主调用检索、生成和验证工具。
Cliphouse Research 发布 LLM Motion Graphics Benchmark,使用统一 Remotion 简报对比 10 款模型生成 12 秒 1080p 动画,提供视频对比与 API 成本数据。
LIFT 通过基于在线策略的自蒸馏实现大视角变化下的布局-未来视频生成 paper: https://huggingface.co/papers/2609.38146
summary_zh: Ben Affleck 因在 GQ 采访中讲解神经网络、Transformer 等 AI 术语而走红。他提及曾将 AI 电影制作初创公司 InterPositive 以约 5.87 亿美元出售给 Netflix,并解释其微调开源模型的技术细节。
生数科技开放 Vidu Q4 预览版,作为新一代旗舰视频模型主打传神表现力。720P 模式低至 0.09 元/秒,支持 4K 直出、15 张参考图及 16 秒生成。 价格亲民显著提升试错效率,让多轮抽卡不再昂贵。 其团队强调技术审美融入模型,带来独特的“Vidu 味”视觉风格。
生数科技发布 Vidu Q4 Preview,支持最多 15 张参考图输入和 2K、4K 画质输出,首发价格 0.09 元/秒起。文中实测显示,该模型在人物情绪连贯性、多机位运镜切换及多物体运动控制方面表现稳定,5 秒视频最快约 110 秒生成,速度约为同类模型 2 倍。
推荐理由:文章实测了 Vidu Q4 Preview 在角色一致性和生成效率上的具体表现,为判断 AI 视频量产门槛提供了参考。
summary_zh: 生数科技开放视频模型 Vidu Q4 Preview 预览体验,定位“高表现力旗舰模型”,主打人物演技、镜头张力和复杂特效。 支持最多 15 张参考图、3 段参考音频,可选 2K、4K 输出;创作起步价 0.09 元/秒。
港科大、CMU、NYU 等机构研究者发布了 110 页综述《The Past Frames the Future: Memory for Autoregressive Video Generation》,将自回归视频生成中的记忆机制定义为跨时间步维持的历史状态,并从形式、功能、操作、学习和评估五个维度进行统一梳理,强调长期一致性不等于模型真正使用了记忆。
Einsia AI旗下Navers Lab发布评测「World Models' Last Exam in Physics」,通过40个任务和9类物理现象测试8个视频生成模型。Seedance 2.5以57.76分排名第一,MiniMax H3以54.89分紧随其后。结果显示,模型虽能生成连贯画面,但普遍缺乏对自由落体、折射等物理规律的理解。
VideoUpscalerAI 是一款基于浏览器的免费 AI 视频放大工具,支持将视频升级至 720p 或 1080p。无需注册即可处理 10 秒内短片,每日免费额度约为 20 秒 1080p 视频。 该工具采用自研 AI 模型,在云 GPU 上运行,输出 24fps MP4 并保留原音频。付费版可解锁 2K 和 4K 分辨率,单片段最长支持 1 分钟。
提出基于损失引导多专家 GAN 的手语视频合成框架,通过三个专用判别器指导生成器分支实现隐式特征专业化。 该框架采用双路径卷积 - Transformer 设计,1.3B 参数变体在 156GB 数据集上达到 30.72 PSNR 和 0.9650 SSIM,推理显存仅需 8GB。 该技术方案已在 2025 年香港前沿科技峰会上展示,可实现听障人士手语视频的实时生成。
summary_zh: StressDream 提出了一种引导扩散模型世界模型(WMs)生成高影响且合理结果的方法,旨在优化机器人策略评估。 该方法结合视觉语言模型语义目标与合理性目标,优化初始噪声以生成指定文本描述的结果(如任务失败),避免分布外噪声。
StoryBlender 提出一种基于故事中心反思机制的 3D 故事板生成框架,实现镜头间一致性与显式可编辑性。 该系统采用三阶段流水线:语义空间定位构建连续性记忆图,规范资产实例化维持视觉身份,时空动态通过视觉指标实现布局设计。 实验表明,StoryBlender 在一致性和可编辑性上显著优于扩散模型和 3D 基准方法,支持对相机和视觉资产的直接精确编辑。
研究团队推出 WorldSonus 框架,专为世界模型实现实时空间音频合成,RTF 低至 0.41。 该框架采用流式因果自回归扩散架构,结合音频中心字幕流水线与 chunk 索引提示调度,支持生成过程中的动态声音控制及立体声空间对齐。 实验显示,WorldSonus 在开放域视频到音频基准上性能匹配或超越最先进模型。