Black Forest Labs 正式开放 FLUX 3 Video 生成能力
Black Forest Labs 正式开放 FLUX 3 Video 的文生视频与图生视频生成能力
English translation is being prepared.
匹配字段摘要
←搜索结果
搜索“视频”
MiniMax 发布通用多模态生成模型 H3
2026年7月31日,MiniMax 发布通用多模态生成模型 H3。据官方信息,H3 可理解由文本、图像、视频和音频组成的统一上下文,生成带原生立体声的视频,最长 15 秒、2K 分辨率。官方称 2K 下每秒价格不到主流模型的三分之一,768p 价格不到主流模型 720p 的一半,并计划在近日开放模型权重。H3 采用 Contextual Omni Representation、H3-VAE、H3-Omni Transformer 和 In-Context Regeneration 等技术,官方表示完整技术报告即将发布。目前尚无后续有证据支持的发展。
匹配字段摘要
Qwen发布Qwen3-VL-Embedding与Qwen3-VL-Reranker系列
2026年1月7日,Qwen发布Qwen3-VL-Embedding与Qwen3-VL-Reranker系列模型。据Qwen Blog介绍,该系列基于Qwen3-VL底座,面向多模态信息检索与跨模态理解,支持文本、图像、截图和视频输入,覆盖30多种语言。其中Embedding采用双塔架构做高效初筛,Reranker采用单塔Cross-Attention对(Query, Document)对联合编码输出相关性分数,两者串联构成两阶段检索流程。官方称Qwen3-VL-Embedding-8B在MMEB-v2上取得SOTA,Reranker-8B在多数任务上表现最佳。模型提供2B与8B两种规格、32K序列长度,并支持量化与自定义向量维度。目前尚无后续发展事实。
匹配字段摘要
Qwen3-VL 上线 Ollama 云端
2025年10月14日,Qwen3-VL 已在 Ollama 云端上线,本地版本将很快提供。据 Ollama Blog 介绍,该模型支持操作 PC 和手机 GUI 的视觉智能体,可从图像和视频生成 Draw.io/HTML/CSS/JS,具备原生 256K 上下文并可扩展至 1M,OCR 语言从 19 种增至 32 种。Ollama 同时给出 JavaScript、Python 库及 OpenAI 兼容 API 的调用方式。目前尚无后续发展事实。
匹配字段摘要
谷歌发布Gemini机器人模型
2026年7月30日,Google DeepMind发布Gemini Robotics ER 2机器人模型,定位为机器人的高层大脑,支持实时空间推理、多步任务规划和多机器人协作,可通过Gemini API、Google AI Studio或Gemini Enterprise Agent Platform调用。官方称,相比ER 1.6,新模型能通过连续视频流跟踪任务进度并实时纠错,在进度分类任务上达到57.4%准确率,在moment-finding任务上达到91.3%准确率和0.96s平均绝对距离。官方还展示了其编排Boston Dynamics Spot的导航与机械臂API完成取物,并支持Apptronik Apollo 2与Franka F3 Duo协作,代码已在GitHub开源。7月31日,Demis Hassabis表示机器人现在可以推理每一个动作,完成此前无法实现的任务,例如打精细的绳结,甚至组队解决复杂工作流。
匹配字段摘要
xAI发布Grok Imagine Video 1.5
2026年6月16日,xAI发布Grok Imagine Video 1.5,并宣布该图生视频模型在Imagine API正式可用,模型名为grok-imagine-video-1.5。同时,Video 1.5 Fast已上线grok.com/imagine及iOS、Android应用。官方称这是其目前最好的图生视频模型,音效、环境音与对白在同一次生成中完成,语音更清晰、同步更好,画面运动与物理表现更稳定。官方还表示,Video 1.5 Fast生成6秒720p视频约需25秒,此前模型需40秒以上;未来几天还将上线Projects、多智能体并行和素材库搜索等功能。目前尚无后续发展事实。
匹配字段摘要
谷歌推出Gemini Omni Flash
2026年5月19日,Google DeepMind推出多模态视频生成与编辑模型Gemini Omni Flash。据Google DeepMind介绍,该模型可接收图像、音频、视频和文本输入,生成高质量视频,并支持通过多轮自然语言对话进行编辑。该模型正向Gemini app、Google Flow和YouTube Shorts推出,未来数周将通过API面向开发者和企业客户开放;初期音频输入仅支持语音参考,生成视频均含SynthID数字水印。另有报道称,Gemini Omni将Gemini的智能与Veo、Nano Banana的能力结合,支持跨场景角色一致性、文生视频编辑以及动态物理与环境表现,当天开始推送。目前该故事尚无后续发展事实。
匹配字段摘要
英伟达开放Nemotron多模态模型
2025年10月31日,英伟达发布开源视觉语言模型Nemotron Nano 2 VL,面向视频理解与文档智能。该模型采用混合Transformer–Mamba架构,并通过EVS剪除冗余视频帧,以减少需要处理的token。vLLM同时为其提供推理支持,夜间版本可用BF16、FP8和FP4精度部署兼容OpenAI接口的推理服务器。
匹配字段摘要
Sora 2上线并完善角色授权
2025年10月1日,OpenAI推出Sora 2模型及全新的Sora视频应用,用户可创建、分享和观看视频。应用提供cameo功能,可将本人及朋友放入视频,并改善角色一致性;团队同时设置肖像滥用、深度伪造及非法内容防护,并计划持续调整信息流控制与用户福祉相关设计。10月4日,OpenAI宣布将进一步提供更细粒度的角色生成控制,并探索向允许用户生成其角色的权利人分享收入。具体分成模式尚未确定,将通过试验逐步完善;相关做法计划先在Sora中迭代,再一致应用于旗下产品。
匹配字段摘要
OpenAI推出多模态模型GPT-4o
2024年5月14日,OpenAI发布GPT-4o,并将其免费提供给ChatGPT用户。该模型配套推出新的语音和视频模式,强调接近人类的响应速度与表现力。Sam Altman称,这类交互快速、自然且实用;未来还计划加入可选的个性化、信息访问以及代用户执行操作等能力。
匹配字段摘要
谷歌推出Gemini Omni Flash
Google DeepMind 推出 多模态视频生成与编辑模型Gemini Omni Flash
English translation is being prepared.
匹配字段摘要
OpenAI推出Sora 2及Sora应用
OpenAI 推出 Sora 2模型及Sora视频应用
English translation is being prepared.
匹配字段摘要
Google 发布 Gemini 4 Carbon 与 Genie 4 两款新模型
Google 发布大语言模型 Gemini 4 Carbon 和世界模型 Genie 4，前者在综合能力基准测试中超过自家 Gemini 4 Argon 及 OpenAI 的 GPT-6 Astra。Gemini 4 Carbon 主打漏洞检测与修补，目前仅向部分网络安全专家开放；Genie 4 新增音频能力，开发者可为 AI 世界加入背景音和对话，现已开放等待名单。
参与者，但在所谓的“AI竞赛”中，它并未跟上同行的步伐。Gemini 4 Argon是该公司11个月来首款新的前沿模型——在一个似乎每周都有新模型出现的行业里，这已是很长的时间。 但自2025年以来，公众对AI的态度已经发生了很大变化。围绕AI的担忧有所上升，公众对数据中心等AI基础设施项目的反对也在增加。虽然关于AI导致人类灭绝的担忧往往被夸大，或者实际上反而给了科技公司更多权力，但其他担忧——AI导致大规模失业、虚假信息和深度伪造——依然真实存在。 Katelyn Chedraoui 记者2 Katelyn是CNET的记者，报道人工智能领域，包括聊天机器人、图像和视频生成器。她的作品探讨新AI技术如何渗透进我们的生活、塑造我们在社交媒体上消费的内容，并影响屏幕背后的人们。她毕业于北卡罗来纳大学教堂山分校，获得媒体与新闻学学位。可通过kchedraoui@cnet.com联系她。 查看完整简介 Katelyn的最新文章 英伟达发现自己身处一场AI间谍传奇的中心 .articleAuthorBioFooter-container 这就是为什么你即将在Google的AI概览中看到更多广告
匹配字段正文
扩散智能发布350亿参数扩散语言模型Clover-35B-A3B-Preview
扩散智能发布扩散语言模型Clover-35B-A3B-Preview，采用MoE架构，总参数350亿、每token激活约30亿，支持思考模式。在网页Agent评测WindTunnel的49个任务中，其中位执行时间1.52秒，低于Jev＋Mercury 2.5组合的3.21秒，成功率分别为98.6%和95.9%。代码评测上SWE-bench Verified得73.6、Terminal-Bench 2.1得51.7，团队称后续将推出多模态版本并推进端侧适配。
谁能想到，印象中用来生成图像、生成视频的“扩散模型”，竟然也能写代码、生成网页、调用工具，当Agent了！ 就在刚刚，扩散智能发布了全新的扩散语言模型—— Clover-35B-A3B-Preview。 虽然名字里多了“扩散”两个字，但实际体验下来，无论是写代码、操作网页、调用工具，还是生成HTML，用法都和我们熟悉的大语言模型差不多。 我个人用下来的第一感受就是一个字：“快”。 比如，让它生成一个太阳系模拟器，Clover就思考了约1秒，然后也就4-5秒，一个能交互的太阳系模拟器就出来了。 再比如，我给它丢了一堆简历信息，让它整理成LaTeX格式的简历代码，也就十来秒，搞定～ 有一说一，用过GPT的朋友，应该都懂盯着“正在思考”等半天是什么感觉，要不然最近也不会有主打快速决策的Jev什么事儿～ 而说到Jev，Clover这次还真和它比了一把速度。 在网页Agent评测WindTunnel的49个任务中，每个任务尝试3次，Clover的中位执行时间为1.52秒，Jev＋Mercury 2.5组合为3.21秒，用时少了一半多。 尝试成功率也略高，分别为98.6%和95.9%。 对比同表中
匹配字段正文
雷锋网深度拆解 Google DeepMind 世界模型 Genie 4
Google DeepMind 发布新一代世界模型 Genie 4，可实时生成可交互环境，并与 Gemini 3.8 Flash 分工协作：后者观察画面、拆解任务并调整计划。雷锋网从动态语言条件注入、Agent 因果幻觉与双模型异步协作三方面分析其技术挑战，并指出 DeepMind 尚未公开 Genie 4 的网络结构与调度实现。
DeepMind 尚未披露 Genie 4 的完整网络结构，也没有说明 Interleaved Text Captions 具体通过怎样的注意力机制、状态缓存或条件融合方式进入生成网络，因此还无法判断其内部采用了哪种实现。 02 视觉状态不等于任务状态 Gemini 3.8 Flash 在闭环中负责根据 Genie 4 的画面理解任务进展，并规划后续行动。但视频主要呈现可观察的运动和外观变化，而任务是否完成，有时还取决于画面无法直接反映的结果。DeepMind 展示过 UR5 机械臂使用移液器操作实验孔板的模拟场景。机械臂下降、移液器接近孔位、释放液体，再到机械臂抬升，可以形成一段完整的操作视频，但这些动作对应的任务状态并不相同。例如，移液器抵达目标孔位上方，只能说明位置条件可能满足，液体是否进入指定孔位还需要额外证据。如果机械臂已经抬起，但液体转移并未发生，Agent 就不能仅凭动作序列结束确认任务成功。这类判断可以借助部分可观测决策过程理解。Agent 只能根据连续观察估计环境状态，当操作结果受到遮挡或暂时不可见时，需要保留不确定性，并通过后续证据更新判断。工程上可以使用事件级状态
匹配字段正文
NVIDIA 发布 Nemotron 3.5 Transcribe 与 Granary v2 数据管线
NVIDIA 在 Hugging Face 和 ModelScope 上发布开放权重模型 Nemotron 3.5 Transcribe，把转写、说话人分离、翻译和音频问答整合进同一个 checkpoint，支持 40 种语言转写、31 种语言与英文互译、13 种语言说话人标注，可处理最长 1 小时录音并标注最多 8 位说话人。该模型在 Hugging Face Open ASR Leaderboard 英语榜的开放权重模型中排名第一，平均 WER 为 5.33%，在 Artificial Analysis 上以约 4B 激活参数取得 2.8% AA-WER。同时发布的 Granary v2 覆盖 48 种语言、463,062 小时语音数据，配套 NeMo Speech 微调配方在医疗案例中把留出说话人的 WER 从 22.44% 降到 12.17%。
工具，将提示级控制延伸到训练：开发者可以定义所需的书面形式，并让模型适配其应用所遇到的语音。在一个医疗案例研究中，微调将留出说话人的词错误率（WER）相对最佳提示降低了 45.8%。 同一个 checkpoint 可以根据指令将一次会议录音转化为不同的输出： “转写这段录音并标注每位说话人。” “将这段音频翻译成英语。” “这次会议做出了哪些决定？” 在下方视频中体验该模型的实际运行，它处理了 1940 年怪诞喜剧《女友礼拜五》中的经典场景——这部电影以其快速、大量重叠的对白而闻名。 Nemotron 3.5 Transcribe 为《女友礼拜五》（1940）中的一个场景生成字幕并标注说话人，包括重叠的对白。 对于不熟悉的术语，先尝试上下文，再考虑训练。例如，在医疗场景中： 用原语言转写这段医疗讨论。可能的术语：HbA1c、metformin。仅在音频支持时使用这些术语。保留标准医学拼写，并以常规书面形式书写数字。 模型卡提供了推荐的预设，包括音频问答的推理，以及完整的提示指南和按任务划分的语言矩阵：语言支持因任务而异，音频问答以英语训练。还支持词级时间戳。与任何语音模型一样，请对照录
匹配字段正文
Google DeepMind 发布世界模型 Genie 4，首次原生生成声音与对话
Google DeepMind 发布新一代通用世界模型 Genie 4，首次在 Genie 系列中原生生成环境音与角色即兴对话，单次连贯世界维持时间翻倍至约 2 分钟，实机画面约 24 帧/秒。该模型由 Gemini 3.8 Flash 在后台做多步推理控场、Gemini 4 Argon 拆解动作指令，组成混合世界模型架构，并已向 Google AI Ultra 用户开放内测申请，同时进入 Gemini API 与 Google AI Studio。
谷歌版「黑客帝国」，今夜彻底成真了！ 就在刚刚，Google DeepMind甩出深夜王炸，正式发布新一代通用世界模型Genie 4。 一句提示词，就能直接造出一座能张嘴接戏、实时改命的「活体宇宙」！ 谷歌CEO劈柴第一时间宣布：从「生成一段视频」到「实时运行一个世界」，言出法随的「绿洲」时代来了！ 划重点，这次的Genie 4，直接把世界模型拉进了「有声、有人、有大脑」的全新纪元： Genie系列首次原生生成声音与即兴对话。同步生成环境音与配乐，更能让角色根据突发状况张嘴即兴交谈。 2分钟连贯长记忆，24帧丝滑交互。单次连贯世界维持时间翻倍至约2分钟，实机画面稳定在约24帧/秒。 重塑逼真人类与刚体物理。借助Gemini Omni锚定现实常识，人物微表情、镜面反射与物理碰撞全面跃升。 三大Gemini联手组成「混合世界模型」。Gemini 3.8 Flash在后台盯画面当「导演」，Gemini 4 Argon拆解22步精细动作指挥机器人下跳棋。 你往前走一步，世界就实时长出一寸；你改一句话，物理法则和NPC台词当场跟着重写。 当视频模型还在比拼几秒钟的镜头美感时，谷歌已经为未来的通用
匹配字段正文
Liquid AI 发布 LFM3 系列六款 2B 级开源权重模型
Liquid AI 于 10 月 27 日发布 LFM3 系列，六款 2B 参数级开源权重模型均从同一个 LFM3-1.7B-Base 分支而来，覆盖文本、视觉、音频、全模态和决策模型。LFM3-1.7B 有 1.73B 参数、256K token 上下文、支持 16 种语言，采用 13 层门控短卷积、5 层滑动窗口注意力和 6 层全局注意力的 Tri-Hybrid 架构，以 LFM Open License v1.0 在 Hugging Face、Liquid AI Playground 和 API 提供。公司称 LFM3-1.7B 以少 35% 的参数超过 LFM2.5-2.6B，4-bit 精度下约占 1 GB 内存，但模型卡说明其不适合智能体编码或复杂多步推理。
Liquid Foundation Models，将文本、视觉、音频、全模态和决策模型统一到同一个共享骨干上。首个版本在 Hugging Face 博客的一篇文章中详细介绍，涵盖 2B 参数级别的六款模型。 每个 LFM3 模型都从同一个 LFM3-1.7B-Base 分支而来。LFM3-1.7B 接收文本并返回文本。LFM3-VL-2B 接受文本、图像和视频并返回文本，而 LFM3-Audio-2B 接受文本或音频并以文本或语音回应。Liquid AI 称 LFM3-Omni-2B 是其首个全模态模型，接受文本、图像、视频和音频并生成文本和语音。两款决策模型 d1-2B 和 d1-omni-2B 分别从视觉模型和全模态模型专门化而来，返回经过校准的答案而非生成的文本。 根据 LFM3-1.7B 模型卡，该文本模型有 1.73B 参数、256K token 上下文长度、128,000 token 词表，支持 16 种语言，并以 LFM Open License v1.0 发布。基础模型和后训练模型均为开放权重，可在 Hugging Face、Liquid AI Playground
匹配字段正文
Google 预览 Genie 4 世界模型，可生成带音频的 3D 环境
Google 预览 Genie 4 世界模型，能根据自然语言描述生成逼真的三维环境，并支持用后续提示词修改天气、添加物体等编辑操作。相比前代，Genie 4 更擅长渲染流体运动等复杂细节，还能生成海浪拍击等配套音频，并让虚拟人物动作自然、可实时交互操控。该模型内部调用 Gemini Omni 保证画面真实感、Gemini 3.8 Flash 维持帧间一致性，目前面向少量早期用户测试，后续将通过 Google AI Ultra 订阅、Gemini API 和 Google AI Studio 提供。
模拟场景，并通过输入后续提示词进行编辑。例如，用户可以要求 Genie 4 改变天气或添加更多物体。该模型进行此类编辑时，不会降低虚拟世界的照片级真实感或一致性。 Genie 4 的自然语言界面与键盘控制并存。键盘控制可用于改变摄像机的位置和角度。 在底层，Genie 4 使用 Google 的其他多个模型来提升其输出质量。它依赖这家搜索巨头于 5 月推出的视频生成器 Gemini Omni，以确保其生成的视觉素材逼真。Gemini 3.8 Flash 是一款针对成本效益优化的推理模型，它使模拟的各个帧之间保持一致。 “Gemini 持续观察场景，将目标分解为一系列步骤，并审查传入的帧以跟踪进度并验证每一步是否成功，”Hadsell、Rivas 和 Qi 写道。“当世界发生变化或用户介入时，Gemini 会即时调整其计划。” DeepMind 目前正在研究如何将 Genie 4 应用于机器人用例。该项目将该算法与 Gemini 4 Argon 相结合，后者是 Google 旗舰级的推理优化大语言模型。 该项目的目标是让工程师使用高层指令模拟机器人。例如，用户可以要求 Argon 生成一
匹配字段正文
Baseten 发布 2B 决策模型 joey-1，每百万 token 定价 0.01 美元
Baseten 旗下 Base Labs 发布 2B 决策模型 joey-1，基于 Qwen3.5-2B 后训练，直接返回标签和校准概率而非生成文本，面向高并发路由、分类和护栏检查。模型在 Jev Decision Index 0.4 公开集得分 63.30，为 4B 以下最高，但比 9B 的 elephant-1 低 8.94 分。Model APIs 定价每百万输入 token 0.01 美元，平均 2000 token 请求 P50 延迟 20 ms，权重以 MIT 协议开源在 Hugging Face，可单张 CUDA GPU 自托管。
oey-1elephant-1Perplexity Decider Flash v1.2Cloudflare Clef-Flash 参数2B9B4B9B 基础模型Qwen3.5-2BQwen3.5-9BQwen3.5-4BQwen3.5-9B 许可证MITMITApache-2.0Apache-2.0 输入文本、图像文本、图像文本、图像文本、JSON、图像、视频 最大上下文16,384（Model APIs）；专用部署 262k16k（Model APIs）；专用部署 262k262,144（训练至约 32k）默认 16,384 API 价格（每 100 万输入 token）0.01 美元0.035 美元0.01 美元未披露 Jev Decision Index 0.4（公开） 63.3072.2460.06未披露 报告延迟 20 ms P5049 ms P50未披露中位数 38.8 ms 自托管硬件1 张 CUDA GPU未披露CUDA GPU 上约 9 GiB BF16 权重在 1 张 H200 上测试 权重获取公开公开私有仓库，需要 token公开 所有模型的 Jev 0.4 分
匹配字段正文