蚂蚁集团GuangJian团队在GitHub开源视觉取证模型DefakerOne2,并发布模型权重。该模型基于Qwen3.5-2B多模态骨干,参数量为2B,覆盖AI生成内容、DeepFake人脸、文档篡改、自然图像篡改、人脸与证件防伪以及AI生成视频检测。团队称模型在约5000万样本上训练,采用LoRA到全参数再到LoRA的三阶段Tide-Style Tuning,并用基于熵的测试时路由在视频与帧两条通路间选择。团队还称其在53项检测基准中40项达到SOTA、14项定位基准中11项达到SOTA,权重与RRVBench基准已发布于ModelScope。
匹配字段摘要
2026年10月23日,Google DeepMind发布前沿模型Gemini 4 Argon。Google官方博客称,该模型在编码、数学和3D世界构建等复杂任务上表现突出,并在多领域基准上超过其他前沿模型;官方同时展示了5个社区创意项目,包括实时映射野火与地震波动的3D地球、带实时数据的涡扇发动机模拟、由单张图片生成的3D马车以及多人夺旗浏览器游戏,并称该模型上周已大范围开放。同日另有报道称,Argon可通过观看视频学习物理任务并迁移到Apptronik的Apollo人形机器人,在内部测试中Apollo连续命中七次,该报道还称Argon在具身推理基准ERQA上得分87%。10月24日,Gemini for Android应用通过服务端更新推送侧边栏与设置界面改版,报道称该改版上周已随Gemini 4 Argon登陆iOS、macOS和Web端。
匹配字段摘要
Viggle AI 宣布发布世界基础模型 JST-2。据其说明,该模型支持文本、图像或视频输入,输出 3D 角色、动作和场景。官方同时汇总了发布以来社区用户使用该模型创作的作品。目前没有更多后续发展信息。
匹配字段摘要
NVIDIA于2026年10月20日发布面向机器人手术的实时、动作条件生成式世界模型Cosmos3-H-Dreams,模型权重与配套代码同日公开。该模型基于CMR Surgical Versius系统的临床胆囊切除录像微调,约151.7亿参数,采用Mixture-of-Transformers架构。在单张RTX PRO 6000 GPU上,模型以832 x 480分辨率实现30.0 FPS(四步去噪)和43.2 FPS(两步去噪)。模型卡称其按NVIDIA Open Model License可用于商业或非商业用途,GitHub仓库采用Apache-2.0许可,并附有教师微调与Self-Forcing蒸馏的步骤说明。另有报道称,该模型基于160亿参数的Cosmos3-H-Embodied-Nano开发,训练数据从4792段手术记录中筛选出约526分钟真实手术视频,支持28维动作输入,并开源了4步和2步去噪两个学生模型版本。目前尚无后续发展。
匹配字段摘要
Jim Fan团队开源了Flora,这是一套用于解析物理世界、把原始视频转成训练信号的开放模型。该团队称,Flora性能达到Astra级,而成本低125倍。Flora已支撑其内部数据引擎,在500块GPU上每天标注20万小时视频。它提供带时间戳的高质量描述,用于筛选人类第一视角与机器人数据、用于质量控制和RL后训练的密集进度奖励,以及面向真实世界基准的评分量表。目前该开源发布仅有上述团队披露的信息,尚无后续进展。
匹配字段摘要
fal 表示,FLUX 3 Max 在第三方基准评测中取得 1,139 Elo,基于独立人类偏好评估进入前沿图生视频模型第一梯队。该模型由 fal Research 与 bfl_ai 合作推出。此前报道称,该模型通过专门的后训练和推理优化,在第三方独立基准的图像生视频质量上并列第一,生成 10 秒 720/768p 视频约需 12 秒;另有报道称其在 Artificial Analysis 图生视频指数上得分 1,139,生成速度最高比 Seedance 2.5 快 22 倍。fal Research 称仍在继续对该模型做后训练,后续将提升质量与性能。
fal 表示,FLUX 3 Max 在第三方基准评测中取得 1,139 Elo,基于独立人类偏好评估进入前沿图生视频模型第一梯队。该模型由 fal Research 与 bfl ai 合作推出。此前报道称,该模型通过专门的后训练和推理优化,在第三方独立基准的图像生视频质量上并列第一,生成 10 秒 720/768p 视频约需 12 秒;另有报道称其在 Artificial Analysis 图生视频指数上得分 1,139,生成速度最高比 Seedance 2.5 快 22 倍。fal Research 称仍在继续对该模型做后训练,后续将提升质量与性能。
匹配字段摘要
2026年10月18日,VAST宣布开源实时世界模型EdenLive,开放5B、14B两种规格的模型权重及推理代码,并公布技术报告和端到端演示。据VR陀螺报道,其5B模型可在单张英伟达RTX 5090显卡上以720p分辨率、超过24帧/秒生成画面,支持分钟级连续运行,端到端延迟为百毫秒级;该模型将世界状态与视觉渲染解耦,可用于游戏原型预览、场景预演和视频重新渲染,但下载全部权重约需210GB空间,FLUX首帧组件限非商业、非生产用途。10月20日,Tripo发布的信息称,EdenLive可将3D白模、游戏引擎画面、2D卡通和真实视频转换为写实或风格化视频。10月21日,Tripo宣布EdenLive已在Reactor平台正式上线并提供在线demo,可用参考图和文本实时重绘3D场景,支持即时修改提示词。
匹配字段摘要
Nace AI 发布多模态决策模型 Drex Max。据 Testing Catalog 2026 年 10 月 19 日报道,该模型可读取文本、图像和视频,单次决策耗时 34 ms,262K token 下响应低于 1 秒,输入价格为每 1M tokens 0.06 美元;它不生成文本,只从给定选项中返回一个答案并附概率分数,可用于 Computer Use 智能体逐步选择操作、Web 智能体按屏幕内容定位页面元素。Nace AI 称其在 Computer Use 场景下每 token 成本最高比 Claude、GPT 和 Gemini 背后的模型低 167 倍。次日 MarkTechPost 报道称,这是 Nace AI 首个多模态决策模型,可读取文本和图像并返回校准后的概率,在公开 Decision Index 0.3.2 上得分 67.59,比 TypeSafe 的 Jev 1.14 高 6.9 分;单次截图决策中位延迟 174 ms,输出不计费,仅通过 Nace Console API 提供,参数规模未披露、权重闭源,上述分数均为 Nace 自报。
匹配字段摘要
fal于2026年10月20日宣布与Black Forest Labs合作推出FLUX 3 Max视频生成模型,并称FLUX 3 Max是两支前沿团队合作的成果。据fal介绍,该模型12秒可生成10秒视频,在图生视频类别中并列第一,同质量下比Seedance 2.5快22倍。Black Forest Labs表示,FLUX 3是面向定制化的模型,由fal适配优化出FLUX 3 Max。目前该消息仅有fal一方发布,尚无后续独立进展。
匹配字段摘要
Viggle AI 发布世界基础模型 JST-2。据其介绍,该模型被称为全球首个全栈物理原生世界基础模型,没有在像素或视频空间学习,而是从第一性原理出发,把整套模型栈建在 3D 空间。它可在数秒内生成 3D 场景并实时扩展,还能通过同一通用架构创建自带动作的角色。目前该消息来自单一来源报道,尚无更多独立证据或后续进展。
匹配字段摘要
2026年10月15日,Kling AI 宣布 KLING 4.0 全面可用,用户可通过改版后的创作界面使用,并支持通过 MCP 和 CLI 接入视频创作工作流;官方同时预告将推出 4K 和 1080p 的 10-bit HDR 视频输出,以及面向企业客户和开发者的 API 访问。10月17日,fal 预告即将上线可灵 4.0,称单次生成最长 30 秒视频、支持原生音频,并可用最多 15 个参考素材引导角色、场景与镜头运动。10月20日,据 The Decoder 报道,Kling AI 发布 4.0 版本,单次可生成最长 30 秒视频,支持最多 10 张关键帧图像输入,提示词理解扩展到 8,000 tokens,新增双声道立体声音频和十余种语言的口型同步,并推出最高 720p、20 秒的轻量版 Kling 4.0 Flash。10月22日,可灵宣布 KLING 4.0 API 正式开放,开发者可将其集成到自有产品和工作流中,但未披露接口能力、定价或可用范围等细节。
匹配字段摘要
2026年10月17日,Elorian发布其首个AI模型Glimpse。据Testing Catalog报道,Glimpse能在思考过程中回到视频的特定时间点、放大细节,或以更高帧率重放半秒视频后再作答。Elorian自测显示,Glimpse在科学图表阅读和短视频描述上优于GPT-6 Astra;在规划机械臂将奶油奶酪放入碗中的模拟任务时,Glimpse成本为0.035美元,GPT-6 Astra为0.249美元;演示中Glimpse解出5个难度递增的迷宫,Gemini 3.8 Flash解出1/5。同日另一篇报道称,Elorian将Glimpse定位为首个视觉推理模型,用于比较视频中不同时间点的场景变化,并将这种基于帧的推理称为visual thinking,其推理过程中可回到源视频、裁剪区域、抽取指定帧或运行代码来测量和比较所见内容,该机制被称为visual scratch space;联合创始人Andrew M. Dai称其在关键公开视觉推理基准上具备与Astra竞争的前沿性能。目前该模型发布后尚无进一步有证据支持的发展。
匹配字段摘要
2026年10月13日,面壁智能宣布 MiniCPM-V 4.7 在 Apple Silicon 上获得 Day 0 全端侧推理支持。据当日报道,该模型(1B 与 35B-A3B)通过与 Nativ 合作在 Mac 上实现全本地推理,支持图像与视频理解;在 Apple Silicon 搭配 Nativ v0.4.x 实测中,1B 版 prefill 超 24K tokens/s、decode 315 tok/s,35B-A3B 版 prefill 超 4K tokens/s、decode 90 tok/s。10月13日至14日的后续报道称,面壁智能发布新一代端侧多模态大模型 MiniCPM-V 4.7,为 35B-A3B 的 MoE 模型,可在手机上以仅 3GB 内存运行,能识别现实路牌、按约束做规划、解析复杂文档并对视觉数据推理,同时提供轻量 1B 版本,覆盖 iOS 与 Android。
匹配字段摘要
2026年10月13日,Gemini 4 Argon 在 Gemini 应用中上线。据 Google Blog 介绍,该模型主打前沿推理和复杂任务性能提升,回答更直接、少重复、少套话,长任务中会更频繁地同步进度;编码能力也有明显改进,Google Antigravity 的智能体编码界面已直接进入 Gemini macOS 应用,主聊天窗口新增 chat 到 tasks 的切换开关,任务模式下 Gemini 可在用户离开电脑时继续工作。Gemini 目前接入超过 40 个应用,包括 Instacart、OpenTable、Adobe 和 Shopify。10月14日,Gemini 宣布 Gemini 4 Argon 能把视频或摄像头画面重新想象成可演奏的合成器,用户可在 Canvas 中快速搭建交互式音频应用,设定氛围后把摄像头当作乐器来演奏。
匹配字段摘要
2026年10月13日,Nature Will 发布首个面向物理世界的基础模型 Natura-1。据 Testing Catalog 报道,该模型基于一百万小时人类操作不同场景与物体的第一视角视频数据训练,可处理此前未见过的物体和任务。报道称,Natura-1 支持细化到物体最终位置与朝向的指令,能在抓取姿态中途变化时保持控制,并可用左右手分别执行不同任务;在较长任务中,它能追踪已移动或已打开的物体,并判断下一步操作。目前尚无后续发展事实。
匹配字段摘要
World Labs 发布了 RTFM(Real-Time Frame Model)研究预览,这是一个随交互实时生成视频的生成式世界模型,可用于探索生成的 3D 世界和真实场景,并已在浏览器中开放体验。据官方介绍,RTFM 基于自回归扩散 Transformer,不依赖显式 3D 表示,而是把输入帧转为 KV cache 作为隐式世界表示,并通过带位姿帧的空间记忆和 context juggling 实现长时间交互下的持久性。官方称其仅用单张 H100 GPU 即可达到交互级帧率,并预期更大模型随推理预算提升继续改进。目前该研究预览已开放浏览器体验,暂无后续发展事实。
匹配字段摘要
World Labs 于 2026 年 10 月 14 日宣布,其多模态世界模型 Marble 即日起向所有人开放,此前仅面向少量 beta 用户。据官方说明,Marble 支持从文本、图像、视频或粗略 3D 布局生成 3D 世界,并可交互式编辑、扩展和组合,生成结果可导出为 Gaussian splats、网格或视频;同时推出 Marble Labs 创作社区,提供案例研究、教程和文档。同一时间点的另一条官方信息显示,World Labs 曾推出 Marble 的有限访问 beta 预览,用户可在 marble.worldlabs.ai 查看和创建 3D 世界,给定图像或文本提示可生成可无限探索、无变形、无不一致的 3D 世界,相比此前结果更大、风格更多样、3D 几何更干净,并可将生成世界导出为 Gaussian splats,借助开源渲染库 Spark 集成到 Three.js 中,在桌面、笔记本、移动设备和 VR 头显上渲染。目前状态为正式开放。
匹配字段摘要
2026年10月,World Labs 推出下一代世界模型 Atlas。据官方发布信息,Atlas 是一个从零预训练的多模态自回归扩散 Transformer,原生处理文本、图像、视频和 3D,所有输入被组合进共享的空间上下文。它支持像素级相机控制的图像与视频生成,可输出最长 1 分钟、1440p 的视频,并能从 1 到上百张输入图像重建真实场景,生成点云或 3D Gaussian splats。官方称其在相机控制生成和稀疏视图 3D 重建两项任务上优于专用模型。目前 Atlas 面向部分合作伙伴开放早期访问,并将用于 Marble 等后续产品。
匹配字段摘要
2026年10月12日,vLLM 社区孵化的 vLLM Semantic Router 发布并开源 Decision 3.0 多模态决策模型系列。据智东西报道,该系列共 d3、d3-flash、d3-mini、d3-nano、d3-lite、d3-edge 六款,参数规模覆盖 0.6B 至 27B,权重已在 Hugging Face 开源;旗舰 d3 基于 Qwen3.8-27B 打造,支持输入多张图片和视频,其余 5 款基于不同参数规模的 Qwen3.5。在 Jev Decision Index 0.3.1 榜单中,d3 文本决策指数 64.7 分、公开集 65.5 分位列文本榜第一,视觉榜得分 71.6 分同样第一。团队数据显示,单张 AMD Instinct MI325X GPU 上 d3 处理文本请求延迟中位数 55 毫秒,含图片请求 273 毫秒,10 秒视频请求 553 毫秒。早先 MarkTechPost 报道称该系列为 5 个尺寸(0.85B 到 26.09B),全部采用 Apache-2.0 许可,可读取文本、JSON 和图像并直接返回概率而非生成文本;27B 的 d
匹配字段摘要
2026年10月9日,Cloudflare 发布开源权重多模态决策模型 Clef-omni,可在一次调用中对文本、图像、音频和视频打分。据 MarkTechPost 报道,该模型基于 Qwen3-Omni-30B-A3B-Instruct 后训练,采用 30B 总参数、3B 激活参数的 MoE 结构,Apache-2.0 许可,定价每百万 token 0.15 美元。报道称其在意图分类任务上领先,CLINC150+OOS 达 97.7 macro-F1,但在推理与工作流评测上落后于 Clef,GPQA Diamond 为 47.4,而 Jev 为 78.3。同批更新还将 Clef-flash 价格降至 0.038 美元,并把托管 Clef 迁移到 SGLang,中位延迟从 262 ms 降至 152 ms。目前尚无后续发展事实。
匹配字段摘要