跳到正文
11月6日周五
  1. 智东西83

    谷歌发布视频模型Gemini Omni 1.2 Flash,登顶双榜且价格降低30%

    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》

  2. APPSO80

    World Labs 发布 Frameboy,实现自回归世界模型 Atlas 的实时 3D 渲染

    World Labs 发布研究预览版 Frameboy Demo,将自回归世界模型 Atlas 的生成速度优化至云端 GPU 实时串流的 15 fps,用户可在浏览器内以类似游戏的方式操控视角,在单张图片生成的 3D 世界中实时探索与试错,官方同时开放 Viewfinder 网页端应用的实时渲染叠加模式候补名单。

    同一新闻,精选展示《World Labs 推出 Frameboy 实时世界模型应用》

  3. 36氪85

    谷歌 DeepMind 发布 Gemini Omni 1.2 Flash,视频生成双榜第一且降价三成

    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》

  4. arXiv · AI32

    PanoWorld:基于几何一致性约束的全景视频世界建模

    PanoWorld提出了一种全景视频世界模型,可从单张图像和文本描述生成几何一致的360°视频。 通过引入深度一致性损失和轨迹一致性损失,该模型基于预训练视角视频模型进行优化,并构建了统一的PanoGeo数据集。 该工作证明全景视频生成应被视为几何建模问题,以满足具身智能应用对整体空间理解的需求。

  5. arXiv · AI35

    FacEDiT: 通过面部运动填充实现口型视频编辑

    NeurIPS 2026 论文提出 FacEDiT,一种基于面部运动填充的口型视频编辑模型,实现局部片段替换并保持身份一致性。 该模型采用自监督预训练任务,通过掩码控制恢复运动片段,并引入局部时间注意力偏差以优化唇音对齐和边界连续性。 FacEDiT 建立了统一的口型视频编辑与生成框架,且该模型可通过更改掩码模式扩展至肖像动画和唇音同步任务。

  6. arXiv · AI27

    StreamGaze:面向流式视频的眼动引导时序推理与主动理解基准

    研究团队提出首个流式视频眼动引导基准 StreamGaze,用于评估多模态大语言模型在时序与主动推理中对人类视线信号的利用能力。 该基准包含过去、现在和主动三类任务,并配套构建了结合凝视轨迹生成时空对齐问答数据的处理流水线。 实验显示当前多模态大语言模型性能与人类存在显著差距,暴露出视线时序推理与意图建模的局限,相关数据与代码已公开。

  7. arXiv · AI28

    LSD-3D:基于几何约束的大规模三维驾驶场景生成

    LSD-3D 提出了一种直接生成具有准确几何的大型三维驾驶场景的方法,实现了包含物体持久性的因果新颖视图合成。 该方法通过结合代理几何与环境表示的生成以及从学习到的二维图像先验中的分数蒸馏,实现了对几何和高分辨率纹理的高可控性,可基于地图布局进行条件生成。

  8. IT之家42

    广电总局重申:扶持真人微短剧,规范 AI 微短剧

    广电总局明确将“扶持真人微短剧”与“规范 AI 微短剧”作为行业核心方针,强调以人为创作主体。 数据显示,今年前 8 个月上线微短剧 43 万部,其中 AI 剧占比超九成;总局要求落实“凡播必审”,并对 AI 洗稿、侵权等行为加大打击力度。 该政策旨在平衡技术效率与内容安全,通过守住版权与伦理底线,推动微短剧产业从“快发展”向“稳量提质”转型。

  9. IT之家88

    谷歌发布 Gemini Omni 1.2 Flash 视频生成模型

    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》

  10. The Decoder82

    Google 发布 Gemini Omni 1.2 Flash,支持15秒视频生成并降价30%

    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》

  11. Hugging Face Blog77

    NVIDIA 发布 Cosmos 3 开放权重模型用于交互式世界仿真

    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。

  12. Google DeepMind77

    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。

11月5日周四
  1. Hacker News AI48

    Show HN: 开源 AI 视频编辑器 Revline 发布

    开源 AI 视频编辑器 Revline 推出,支持通过对话指令自动完成剪辑、字幕、动效及音效处理。 用户可将游戏录像或播客素材转为 Shorts 和 Reels,也可基于提示词生成动态图形,且所有 AI 修改均可在时间线上手动调整。 订阅 Pro 计划需每月 39 美元,含 3 天免费试用,支持 1080p 无水印导出、50GB 存储及 9:16、1:1、16:9 画幅。

  2. 豆包工作42

    豆包工作覆盖营销五类实战场景,附同款 Skill 与提示词

    豆包工作支持抓热点、做方案、出内容、管素材、看反馈五类营销场景,提供对应 Skill 与提示词,可结合品牌信息直接调用。 功能涵盖调用“营销热点策略师”与“全案营销”技能生成选题和 PPT 全案,支持“无限画布”统一视觉设计,并调用 Seedance 2.5 生成约 30s 真人宣传短片。

  3. arXiv · AI45

    EvoWorld:面向生成视频模型视野外世界演化的因果推理框架

    EvoWorld 提出“视野外因果演化”问题及脑-渲染器协作框架,将视觉语言模型作为世界大脑维持状态并推理事件后果。 实验表明,EvoWorld 相比近期模型显著提升了事件条件因果演化能力,同时保持视觉质量与一致性。 该工作建立了推理引导下超越当前视野的自主世界演化基准,填补了扩散模型在状态维护与因果一致性上的机制空白。

  4. arXiv · AI26

    Qwen3-8B 通过纯文本训练与 NER 方法实现零样本视频时间定位

    纯文本训练的 Qwen3-8B 在视频时间定位任务上实现零样本性能,Charades-STA 达成 14.45 mtIoU,QV-Highlights 达成 20.72 mtIoU。 采用 LoRA 适配 134K 样本语料,引入 NER 技术映射最近实体嵌入,解决视频帧与文本间的模态差距。 结果优于现有四种基线,部分实现从文本到视频的跨模态迁移,推动无配对标注的多模态模型训练。

  5. arXiv · AI26

    CAST-Bench:追踪多镜头音视频生成中每个声音的来源

    CAST-Bench 发布针对多镜头音视频生成的基准测试,包含 900 个提示词和 18 项指标,旨在追踪每个生成声音是否源自正确源、同步及语义准确。 该基准测试了 12 个代表性生成器,发现视觉质量接近饱和,但音频语义分数差异显著;多镜头提示词在子集评分规则下得分较低,多人语音及跨镜头事件保持仍为主要挑战。

  6. arXiv · AI57

    NVIDIA发布Cosmos物理AI交互式世界模拟框架

    NVIDIA发布名为Cosmos的共享框架,适配世界基础模型以支持物理AI的实时交互式世界模拟。该框架通过流式视觉观测响应用户动作与场景控制,支持预测动作的视觉后果以及从外部模拟器维护的物理状态生成观测。研究展示了相机导航、机器人操作、可控视频迁移和多视角自动驾驶模拟等示例,代码与模型检查点已公开。

  7. arXiv · AI26

    MechScam 与 ScamCourt:面向网络诈骗视频检测的机制级基准与可验证辩论框架

    研究提出包含 6,614 个视频的 MechScam 基准及 ScamCourt 辩论框架,用于检测网络诈骗视频。 ScamCourt 通过控辩双方辩论及法官基于验证引用的决策,表现优于更大规模的 MLLM 及同基座微调基线。 该方案降低了误报率,增强了对误导性论据的抵抗能力,提升了检测的可靠性与可解释性。

  8. Hacker News AI22

    MyMuse 上的 AI 微短剧:低成本、高成瘾的娱乐新形态

    MyMuse 等应用主打 AI 生成微短剧,单集时长 1-3 分钟,观众通过购买虚拟币解锁付费内容。AI 制作周期缩短至两周,支持 40 多种语言配音,创作者单季最高收入超 200 万美元。 该模式依赖社交媒体的“刷不停”机制,93% 的订阅用户在 1 小时内持续观看。内容多为豪门恩怨、暧昧关系等套路,AI 生成的“网红脸”取代真人演员,形成高消耗、低创意的循环。

  9. Hacker News AI42

    RapAvatar:AI 将照片转换为对口型说唱视频

    RapAvatar 是一款 AI 工具,可将单张照片生成 10 秒竖屏说唱视频,内置 10 种说唱风格、6 种音色及 9 种歌词语言。 视频输出为 9:16 1080p MP4 格式,生成耗时约 2 分钟;支持 8MB 以内的 JPG、PNG 或 WebP 图片输入。 免费用户每日可预览 5 次音频;视频服务收费从 $4.99 起,月费订阅最高 $39.99。

11月4日周三
  1. IT之家36

    小米 WorldCast 3D 运镜在 REDMI K100 上线:平面照片还原成三维场景,并虚拟出真实相机轨迹

    小米在 REDMI K100 上线 WorldCast 3D 运镜功能,可将平面照片生成大角度 3D 视频。 该功能基于 WorldCast 视觉生成框架,通过解读深度结构还原三维场景并虚拟相机轨迹,确保画面人物外观一致。 小米称其沉淀了方法、数据集和评测方式,未来将探索 4D 视频生成技术。

  2. 商汤科技SenseTime44

    大晓机器人联合南洋理工大学发布可交互世界模型 Mundo

    大晓机器人联合南洋理工大学S-Lab发布世界模型Mundo。该模型支持输入1至12张图像构建可探索三维空间,并将物体质量、摩擦等物理属性纳入场景程序。Mundo通过物理引擎计算运动碰撞,结合视频模型渲染,使场景能响应动作。此能力为机器人导航与操作训练提供环境支持,助力其进入商业场景。