快手 CEO 程一笑:Kling 4.0 模型已进入游戏和具身智能等场景
快手 CEO 程一笑表示,Kling 4.0 上线后推动可灵流水提升,收入由企业 API 调用和专业创作者订阅双轮驱动。 该模型已应用于影视、短剧、游戏及具身智能等场景,支持动态分镜、镜头预演及游戏设定可视化等任务。 Kling 4.0 采用“理解生成统一”架构,首次支持原生 8K 分辨率,单张照片可生成 2000 字,内置 110+ 种预设影调风格。
快手 CEO 程一笑表示,Kling 4.0 上线后推动可灵流水提升,收入由企业 API 调用和专业创作者订阅双轮驱动。 该模型已应用于影视、短剧、游戏及具身智能等场景,支持动态分镜、镜头预演及游戏设定可视化等任务。 Kling 4.0 采用“理解生成统一”架构,首次支持原生 8K 分辨率,单张照片可生成 2000 字,内置 110+ 种预设影调风格。
该公司曾每周生产 3,000+ 集,成本低于 $1/集,因行业对 AI 内容接受度低及广告识别困难而转型。 新定位旨在降低制作门槛,目前按 $10/成品分钟 向客户提供音频转视频服务。
开源项目 Concat 发布了一款覆盖 macOS、Windows、Linux、Android 和 iOS 的免费视频编辑器,功能包括自动字幕、语音分离、文字转语音和背景移除,且所有 AI 模型均下载至本地离线运行,不上传素材。项目内置 MCP 服务器和 JSON-RPC API,允许 AI 智能体和脚本直接调用剪辑功能。
体育网络 Beatline Sports 利用生成式 AI 每日产出超 300 集播客及博客,覆盖 8 大职业联盟及大学赛事。 其内容被批评为缺乏实质且质量极差,例如机械地讨论投手交易对防守影响等荒谬观点,声音单调毫无情感。 创始人 Ibnul Jaif Farabi 称该项目仅运行于 CPU 且日成本约 5 美分,但其内容已被视为数字媒体生态中的垃圾信息。
论文提出“自主视频生成”概念,旨在构建自进化世界模型。其核心主张是模型评估不应仅看视频保真度,而应衡量生成帧在反事实干预下的有效行动能力。 文章形式化了生成、绑定、验证与蒸馏的四阶段闭环优化流程,并定义了新颖性、一致性、OOD及效率四项指标。 该框架以无人机和机械臂为具身测试床,通过扰动风场、感知限制等约束,验证生成视频对决策的实际指导意义。
PEARL 提出 PSVU 任务并构建 PSVU-Bench,解决用户实时定义概念及回顾历史的问题。 方法将概念与视频片段分离存储,结合 PSVU-10K 训练检索器。在三个架构上平均提升实时问答 15.05%,优于现有在线模型。 代码、数据和模型已公开。
作者提出免训练方法 PQRS(Per-Query Routed Sparse Attention),在视频扩散 Transformer 中仅对 Key 聚类,让每个 Query 独立选择 Key 簇。
OCTR2A 架构利用对角 RGB 相机重建并预测鸟瞰图(BEV)轨迹,实现城市路口实时感知与预测。 该模型在单张消费级 GPU 上实时运行,预测 ADE/FDE 达 0.154/0.241 米;相比 SIND 基准 SOTA,预测精度提升 66.7%/41.7%。 R3ST++ 合成基准支持真实场景适配,无需 LiDAR 或 HD 地图等昂贵资源。
研究团队提出 VideoACE 基准,包含 1000 道多选题,涵盖六大类细粒度动作理解,并附带时序证据标注与经筛选的用户提示。 评估环境结合视频检查工具与用户模拟器,允许模型调整时间覆盖、采样密度及空间细节,并在模拟用户反馈下重新审视证据。 该基准测试了单通道观察、自主工具使用及结合用户反馈的工具使用模式,为探索固定观察设置之外的智能体视频理解提供了测试平台。
WorldRuler提出基于3D规则图的交互式世界建模框架,实现规则状态在保存与加载中的持久化,并通过动态对象绑定将规则指定的实体接地到视觉实例中。 该模型引入对象属性状态替换与反事实重构训练,利用GTA-V和Habitat构建的RuleVerse数据集,有效解决了未见对象上准确实现规则诱导变化的难题。 实验验证WorldRuler能保持规则状态一致性并准确实现指定对象和属性上的规则结果。
研究人员提出多智能体框架 EVA-RSI,通过构建固定代理考试实现对视频评估器的递归自我改进,无需人工标注即可提供监督信号。 基于 Qwen3-VL-8B 模型,EVA-RSI 在平滑度维度取得最大增益,并在 21 个测试模型中于公共基准动态子集上取得最高分数。 作为强化学习奖励,该评估器提升了生成视频的运动质量并获得了人类偏好。
Quicksviewer 提出一种 LMM 新感知范式,利用 Gumbel Softmax 将非均匀冗余视频分割为变化立方体,实现整体 45× 压缩率,显著降低时空复杂度。
Code World Model 2.0 迈向无限可控视频生成 论文: https://huggingface.co/papers/2611.22925
该工具允许用户上传单张照片,生成 30 秒 720p 的 GTA 5 告别场景视频,包含原声台词及音乐。 输出 4:3 及 9:16 两种格式,无需登录或提示词,通常 5 至 15 分钟内完成。 起价 $8.98 一次性付费,照片在 7 天内删除,区别于仅提供短竖屏的竞品。
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。
RunningHub全球AIGC长片创作大赛收官,征集1500余部作品,长剧与电影级长片占比超八成。 大赛涌现近百条百万播放爆款,获奖作品已启动院线立项;平台通过五层技术架构降低前期制作成本50%。 海马云投入亿级现金与无限算力,联合主流平台打通IP、制作与发行全链路。
谷歌面向 Google AI Ultra 订阅用户推出 Project Genie,首次开放 Genie 4 访问权限。Genie 4 作为最新世界模型,支持在会话中通过提示词实时修改环境、切换天气、添加角色并搭配原生音频。
同一新闻,精选展示《Google DeepMind 向 AI Ultra 订阅者推出新版 Project Genie 及 Genie 4 模型》
Social Department 推出 QuickSearch 功能,通过可执行的检索管道自动化发现影视素材中的高光片段。 系统运行于 Amazon Bedrock,集成 TwelveLabs Marengo 3.0 和 Pegasus 1.2 模型进行场景级推理。 支持 Shareable Scenes 等四种检索动作,实现 AI 提案与人工决策结合。
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。
Klistra 是一款规格驱动 AI 运动设计与视频工作室,用户通过描述创意并上传文件即可生成多尺寸动画视频。 支持将自有图片、Logo 融入设计,可生成媒体内容并实现声画同步,输出适配各种屏幕的视频。
Suno 上线新功能 Visuals,允许用户将 AI 音乐转化为 15 秒以内自动对口型的 AI 视频,或通过文字提示生成配图和专辑封面。该功能基于 MiniMax H3 模型,提供角色预设、自定义上传或提示词生成三种参考图像模式,并配有编辑时间轴和字幕工具。Visuals 使用独立的“Visuals credits”付费体系,且包含针对名人及版权内容的视觉与文本过滤机制。
Suno 上线了名为 Visuals 的新功能,允许用户为 AI 生成的歌曲自动创建配图和短视频。该功能由定制且经过安全过滤的 MiniMax 视频模型 H3 Move 驱动,视频片段最长可达 15 秒,能够跟随歌曲结构、提取歌词信息并支持口型同步。
MPEG-Diffusion 混合分辨率视频生成 论文:https://huggingface.co/papers/2611.12069
Instagram 上线内容保护功能,可识别 Instagram 和 Facebook 上复制创作者原创视频的账号,并支持追踪、隐藏或标注来源。平台还将测试标记复用创作者口播但更换视觉画面的 AI 生成视频,并可能限制反复实施此类行为的账号触达范围。
苹果为 Apple Creator Studio 订阅用户升级 Final Cut Pro,新增集成 MotionVFX 功能。 用户可将 MotionVFX 素材拖入时间轴,支持 3D 标题及镜头运动匹配景深,改进遮罩功能并可静态图转动画。 新增“内容中心”提供素材并支持文字生成图像,相关功能仅限该订阅(月费 12.99 美元)使用。
提出 SkillPE 创意导向框架,通过参考引导探索演化可复用电影技能,在 StoryEval 和 VBench 上较种子技能提升最高 1.10 分。 基于 20 个种子技能,结合 Resonators 和 Divergents 检索与变异,按 7 分四维量表评估最终技能库。 为电影感文生视频生成提供平衡保真度与创意的实用方法。
summary_zh: TAR框架引入时间锚点(T-anchor)机制,通过渐进式精炼链式推理(CoT)并强制中间思考对齐视觉证据,显著提升推理忠实度与最终预测准确性。
Spool 是一款免训练框架,通过缓存帧状态变换实现混合视觉语言模型的精准移除过期帧。 在五个开源模型和四项视频推理基准测试中,Spool 将 p95 首 token 延迟降低 6.6 倍,准确率平均提升 2.3 个百分点。
CodeReel 作为训练无关的执行层,将代码转视频智能体在 EditLoop 基准上的等待时间减少 36.3%。 通过精确帧复用和阻塞感知调度,该方案避免了 37.5% 的重复渲染,并在 Claude Code 和 Codex CLI 中分别实现 0.62x 和 0.67x 的加速。 该技术显著降低了智能体生成视频的成本与耗时。
FVScore 提出神经符号框架,通过编译视频命题和符号评估实现规范驱动的视频生成评估,显著提升与人类判断的一致性。 框架利用感知工具 grounding 命题,采用受线性时态逻辑启发的软时序算子评估置信度,并应用显著性感知校准保留感知显著违规。 现有评估器难以对齐人类判断且无法追踪时序违规,FVScore 在公开和复杂多事件基准测试中表现优于整体式和基于智能体的评估器。
研究人员提出免训练测试时框架 FrameRouter,在 Video-MME-v2 等多个长视频理解基准上提升了问答性能。 该框架采用固定平均帧预算路由机制,结合证据需求路由器和预算约束分配规则,在保持平均视觉预算不变的前提下差异化分配帧采样。 该工作已被 NeurIPS 2026 接收,相关代码已开源。
VIOLA 提出了一种结合最小专家监督与大量无标签数据的标签高效框架,旨在解决多模态大语言模型在稀缺标注数据下的泛化难题。 通过引入密度不确定性加权采样、混合池构建以及置信度感知检索与提示机制,该框架在九种基准测试中显著优于各类基线模型。 此研究证明了在低成本标注场景下实现稳健适应的可能性,相关成果已被 WACV 2027 接收。
该研究提出提取并可视化生成视频模型中交叉注意力图的方法,基于开源 Wan 模型构建工具,以解读文本到视频生成中的时空注意力行为。 通过探索性探测和艺术案例研究,验证注意力图作为分析工具及原始艺术素材的潜力,拓展可解释 AI 在艺术领域(XAIxArts)的应用边界。
研究者提出无训练框架 PoCoAttn,通过离线分离位置先验与在线计算内容残差,解决现有稀疏注意力方法的效率-质量两难困境。 该机制结合相对偏移分析与头自适应比率,在四个视频扩散模型实验中实现 4.1 倍注意力与 2.0 倍去噪加速,PSNR 较基线提升 1.9 至 5.0 dB。
LynnReal-Hand 模型将手部运动转化为视频世界模型的直接交互控制,解决实时计算挑战。 模型在 HandBench 评测中取得 FVD 181.67 和 MANO Dice 93.02 分数。 在单块 H200 上 540p 流式推理达 18.03 FPS,峰值显存占用 34.89GB。
WeVisForensics 提出了一种用于 AI 生成视频检测的自进化智能体框架,在域内、域外及智能体基准测试中平均检测准确率达 95.2%。 该框架包含双时间尺度策略优化 DTPO 和 ForenCue-30K 数据集,支持视觉与音频线索的协同检测,性能比最强先前检测器高出 9.0%。
提出 CreaTrace 框架,通过迭代创意证据追溯解决视频创意剽窃检测(VCPD)难题,在视觉外观差异大时验证创意相似性并定位证据片段。 设计多模态语义事件分割策略划分长视频叙事事件,结合粗粒度创意匹配与创意解耦,利用创意交换对比学习增强跨实现特征的创意一致性。 实验证明 CreaTrace 在多种创意剽窃场景中具备有效性与鲁棒性,能提供可解释的证据报告,为视频版权保护提供新方案。
在 Qwen2.5-VL-7B 上,一种基于 M-RoPE 的 KV-Cache 重用方法支持在 4 倍帧率下对已稀疏采样的视频上下文进行编辑,同时复用幸存片段的缓存以减少预填充 token 和端到端重建延迟。
ReMoVe 将视频模型生成的粗略运动视为假设,通过恢复并细化底层运动,将其渲染为 3D 网格并转移面部外观,从而提升运动准确性和身份一致性。 该方法进一步从同一 3D 场景和相机轨迹中推导深度,以施加超越网格的场景级空间一致性。 实验表明 ReMoVe 在保持基础生成器运动先验的同时,显著提高了人类结构稳定性、外观一致性、时间连贯性及运动跟随保真度。
研究团队提出 VIVID 视觉框架,支持通用编码智能体进行视频后期制作,无需额外模型训练。 在包含 100 项任务的 AgenticVBench 上,集成 VIVID 的 Codex 平均得分 58.6%,比原生 Codex 提升 20.2 个百分点。 该框架还兼容 Claude Code 和 OpenCode,分别取得 55.1% 和 37.1% 的分数,显著优于原生基线。