小岛秀夫:AI 能提升游戏开发效率,但可能剥夺创作中最有价值的试错过程
小岛秀夫指出 AI 是双刃剑,在提升游戏开发效率的同时,可能剥夺创作中最重要的试错过程。 他认为 AI 如同 Photoshop,虽能提高效率但省略了亲手组装模型般的创作乐趣,且未来 5 至 10 年人类在创意领域尚可安全。
小岛秀夫指出 AI 是双刃剑,在提升游戏开发效率的同时,可能剥夺创作中最重要的试错过程。 他认为 AI 如同 Photoshop,虽能提高效率但省略了亲手组装模型般的创作乐趣,且未来 5 至 10 年人类在创意领域尚可安全。
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》
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》
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》
summary_zh: PickMoment 提出连续时间重构方法,通过单一确定性模型直接学习曝光窗口内任意子区间的平均模糊。 模型利用三个监督项训练:经验重建损失、重叠子区间加性损失及零区间极限锐利帧损失,统一单图去模糊、模糊转视频及时刻恢复任务。
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。
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。
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。
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。
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。
Meta 个人 AI 助手 Muse 正式上线实时语音对话与虚拟形象功能,用户可通过电话图标直接交谈并随时打断。该功能基于 Muse Realtime Voice 和 Muse Realtime Avatar 模型,可流式输出 448×768、25 帧每秒的竖屏视频,响应延迟约 870 毫秒。
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。
AI 科幻电影《Gods Don’t Give Gifts》宣布歌手 Grimes 将出演该片,电影定于 12 月 4 日上映。 Grimes 将为电影提供肖像及人声表演。该片由 AI 工作室 Fable 制作,宣称演员肖像与配音结合在 AI 动画电影中将成为常态。
Postraid 是一款 AI UGC 视频生成与内容自动化平台,用户输入网址即可生成 UGC 视频、轮播图及表情包,并自动调度至 TikTok、Instagram 和 YouTube。 平台提供 45+ 种 AI 创作者反应钩子,定价从免费版到 $149/月的 Pro 版不等,目前已有 287 名构建者加入。
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。
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。
可灵AI宣布Kling 4.0 Flash现已全面开放,所有用户均可通过官网及API使用。 该模型支持通过MCP、CLI及AI插件接入,创作者还可在Adobe Photoshop、Premiere Pro和After Effects中通过可灵插件使用Kling 4.0 Flash。
创作者 SwordSpeed 利用 Kling 4.0 生成 30 秒科幻短片《THE CABLE》,重点测试模型在动态中保留复古手绘风格、角色一致性及零重力物理效果的能力。
上海视频生成基础模型创企 Sand.ai 宣布完成 2 亿美元 A+ 轮融资,10个月内累计融资 3 亿美元,正式跻身独角兽行列。本轮融资由基石资本、网科技领投,上海国资等机构参投,资金将用于 MAGI-2 正式版研发及全球市场拓展。
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。
EmoReward 提出自进化训练机制,通过蒸馏实际训练运行中的奖励证据可靠性,自适应指导多奖励权重分配,解决固定奖励无法捕捉情感意图及 RLHF 难以规模化问题。
NEXTGAN 提出了一种通过回归特征位移来训练标量 critic 的 GAN 方法,支持最高 14B 参数预训练生成器的适配。 在 ImageNet 上实现一步 FID 1.54,Wan2.1-1.3B 模型两步 VBench 得分达 83.13,领先 rCM 和 AnyFlow。
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。
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。
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。
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。
TurnWise 框架通过回合级 GRPO 将流式视频理解的训练与决策对齐,优于现有强化学习方法。 该方法利用静默完成前缀评分构建组相对优势,并采用回合平均策略优化以平衡响应与等待决策的权重。
AI 生成的影视内容质量显著提升,头部作品 YouTube 播放量达 1630 万。 榜单前列多为长时长剧集或电影,题材涵盖奇幻与惊悚,最高播放量 16.3M。
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。
使用 Seedance 2.0 生成 58th Floor 风格二重唱视频时,提供原始表演视频参考会因包含真实面孔触发安全过滤被拒,但使用纯音频参考可成功生成,模型唇形同步效果良好。
Kino AI 发布了一款代码优先的视频编辑器,支持多 Agent 和团队成员实时协作。该产品基于 Remotion 构建,兼容 ProRes 等专业视频格式,并提供免费使用的基础版本。
英伟达相关团队基于MiniMax开源视频模型H3推出视频增强项目Open-H3-Regenerate-2K,Pika同期发布Pika H3 Flex以减少推理步骤并增强控制能力。MiniMax H3采用社区许可协议,年收入超2000万美元的商业使用需获得书面授权,且美国、欧盟等地需另行联系授权。
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。
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。
AI 视频创作者 TechHalla 实测 Kling 4.0 与 Kling 4.0 Flash,在真实项目中验证了模型在多镜头硬切、复杂物理动作及长时角色一致性上的表现。
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。