腾讯混元开源交互式视频世界模型 Hy-Nomas
腾讯混元发布开源自由形式交互视频世界模型 Hy-Nomas，支持用文本提示词和相机轨迹进行交互，并具备带世界记忆的长时程生成能力。该模型可通过轻量 LoRA 适配机器人等专门领域，并针对消费级 GPU 推理做了优化。官方同时给出了网站、GitHub、Hugging Face 和演示入口。
匹配字段标题
←搜索结果
搜索“视频”
fal 发布 FLUX 3 Max 视频模型，10 秒视频生成耗时 12.45 秒
fal 与 bfl_ai 合作发布后训练视频模型 FLUX 3 Max，生成一段 10 秒视频耗时 12.45 秒，Seedance 2.5 为 277.8 秒，两者在第三方基准评测中 Elo 分数同为 1,139。该模型在独立第三方基准的图像生视频质量排名中并列第一，可生成 10 秒、720/768p 视频，耗时约 12 秒。fal 表示未来三周 FLUX 3 Max 降价 75%。
匹配字段标题
fal 称 FLUX 3 Max 在第三方评测中获 1,139 Elo，位列图生视频第一梯队
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，此前介绍称其图生视频质量在独立第三方基准中并列第一，可在约 12 秒内生成 10 秒、720/768p 视频。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。
匹配字段标题
fal 与 BFL 发布视频模型 FLUX 3 Max
fal 与 BFL 合作发布后训练视频模型 FLUX 3 Max，团队优化推理以提升输出质量。该模型在 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 称其可约 12 秒生成 10 秒 720/768p 视频，未来三周降价 75%。
匹配字段标题
fal 与 BFL 合作发布 FLUX 3 Max 视频模型
fal Research 与 BFL 合作发布后训练视频模型 FLUX 3 Max，在独立第三方基准的图像生视频质量排名中并列第一。该模型约 12 秒可生成一段 10 秒、720/768p 的视频，未来三周内价格下调 75%。
匹配字段标题
fal 与 Black Forest Labs 推出 FLUX 3 Max 视频生成模型
fal 宣布与 Black Forest Labs 合作推出 FLUX 3 Max，称其 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。
匹配字段标题
fal 与 Black Forest Labs 发布视频模型 FLUX 3 Max
fal Research 与 Black Forest Labs 合作发布视频模型 FLUX 3 Max，官方称其在第三方独立基准的图生视频质量上并列第一，生成 10 秒 720/768p 视频约需 12 秒。该模型已在 fal 上线，未来三周内价格下调 75%。
匹配字段标题
fal Research 与 Black Forest Labs 推出 FLUX 3 Max 视频模型
fal Research 与 Black Forest Labs 合作推出视频模型 FLUX 3 Max，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。fal 称其延迟仅为竞争前沿模型的一小部分，未来三周该模型降价 75%。
匹配字段标题
Kling AI 发布 Kling 4.0 视频模型，单条视频最长 30 秒
Kling AI 发布 Kling 4.0 视频模型，单条视频最长可生成 30 秒，提示词理解扩展到 8,000 tokens。该模型新增双声道立体声音频和十余种语言的唇形同步，同时推出更轻量的 Flash 版本。消息由 The Decoder 报道。
匹配字段标题
可灵 AI 发布 Kling 4.0 视频生成模型
可灵 AI 于 10 月 15 日深夜全量上线新一代视频生成模型 Kling 4.0，支持 4K、1080p 的 10-bit HDR 输出，单次最多输入 10 张图片、5 段视频及 7 个主体，单次生成视频最长 30 秒，并支持长镜头与连续叙事。Kling 4.0 上线后能力接入 MCP/CLI，可进入 AI 编剧 Agent、剪辑流水线等场景。文章同时提到，可灵已完成 30 亿美元外部融资、投后估值 180 亿美元，正与中金、高盛、瑞银合作推进上市。
匹配字段标题
Elorian 发布首个 AI 模型 Glimpse，可在思考中途回看图像与视频
Elorian 发布首个 AI 模型 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，GPT-6 Astra 为 $0.249。演示中 Glimpse 解出 5 个难度递增的迷宫，Gemini 3.8 Flash 解出 1/5。
匹配字段标题
昆仑万维发布 Matrix-Game 4.0 视频大模型游戏并同步开源
昆仑万维发布 Matrix-Game 4.0，称其为第一款运行在单张消费级显卡上的视频大模型游戏，并同步开源代码、权重与白模。该游戏在单张 NVIDIA RTX 5090 上以 480p、60 FPS 运行，端到端延迟低于 150 毫秒，显存峰值 18.5 GiB。方案由游戏引擎维护世界状态与交互规则、编程智能体将自然语言需求转为游戏代码、视频模型负责实时渲染画面。
匹配字段标题
快手可灵 AI 模型 Kling 4.0 全量上线，单次生成视频最长 30 秒
快手可灵 AI 宣布 Kling 4.0 正式全量上线 klingai.com，单次生成视频最长可达 30 秒，并支持多次续拍延展至 2 分钟。新版本支持单次输入最多 10 张图片、5 段视频及 7 个主体组合使用，输入长度提升至 8000 tokens，同时升级了镜头运动、音频与口型匹配等能力。Kling 4.0 能力已接入 MCP / CLI，面向企业客户与开发者的 API 服务将于近期开放。
匹配字段标题
Google 开放 Gemini 4 Argon，可将第一人称视频重建为物理仿真环境
Google 正式向开发者及企业开放 Gemini 4 Argon 模型，并公布其在空间重建、物理环境理解及机器人控制方面的技术演示。该模型可基于真实机器人摄像头视频、第一人称人类操作视频及手绘草图，结合 MuJoCo 物理引擎重建带几何形状、碰撞结构、质量与摩擦力等属性的 3D 仿真环境。在机器人训练案例中，利用真实场景照片构建仿真环境并生成超过 4500 段训练数据，使真实机器人任务成功率由 56% 提升至 75%，平均任务完成时间由 35 秒缩短至 24 秒；模型在具身推理基准 ERQA 中取得 87% 的成绩。
匹配字段标题
World Labs 发布世界模型 Atlas，原生支持文本、图像、视频与 3D
World Labs 发布下一代世界模型 Atlas，这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。Atlas 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。
匹配字段标题
HiDream-O1-Video-1.0 发布，带音频图生视频榜单位列第 6
HiDream 发布原生全模态视频模型 HiDream-O1-Video-1.0，可生成 1080p、5 至 20 秒且原生同步音频的视频，时长由场景决定而非预先固定。在 Artificial Analysis Video Arena 的带音频图生视频榜单中排名第 6，紧随 Dreamina Seedance 2.0 720p，与 MiniMax H3、Vidu Q4 Preview、Gemini Omni Flash 同处一组，领先 Wan 3.0。该模型在 HiHarness API 上定价为每分钟 1080p 带音频视频 5.80 美元（约每秒 0.10 美元），可通过 HiHarness API 和 vivago R1 Studio 使用。
匹配字段标题
Reka 发布 19B 全模态推理模型 Rho-1，可生成视频并输出机器人动作
Reka 发布 19B 全模态推理模型 Rho-1 的研究预览版，单一网络可理解并生成文本、图像和视频，同时输出机器人动作，官方称其可直接替代在多个模态专用模型间传递任务的智能体流水线。模型每个 Transformer 块包含理解与生成两套专家权重流，共享注意力和同一 KV cache，离散 token 承载文本与高层指令，连续 token 承载图像潜变量、视频帧、机器人动作和本体感知。蒸馏版本把去噪步数从 99 步降到 8 步，约 1 秒返回 5.3 秒片段；训练使用 320 张 H100 历时 3 个月，视频分辨率上限 672×384，目前仅研究预览，未公开权重、API 或定价。
匹配字段标题
Reka AI 发布 190 亿参数全能模型 Rho-1，统一处理文本、图像、视频与机器人控制
Reka AI 发布研究预览版 Rho-1，这是一个 190 亿参数的全能模型，在单一神经网络中处理并生成文本、图像、视频和机器人控制动作。与多数把任务分派给专用模型的系统不同，Rho-1 将所有模态作为 token 放在同一个共享上下文窗口中运行，不调用工具或外部模型，可实时生成连续视频并即时响应新指令而无需重启。预测摄像头图像的同一套权重也驱动机器人动作，为绕开机器人训练数据稀缺，Reka AI 构建了逆动力学模型，从普通互联网视频中提取控制信号；Rho-1 在 320 块 H100 GPU 上训练了约三个月。
匹配字段标题
字节 Seed 发布 SeedRealtime 原生音视频全双工 LLM
字节 Seed 正式发布 SeedRealtime，一个原生音视频全双工 LLM，用统一架构原生融合音频、视频和文本，支持连续多模态流上的实时交互。官方称其实现音视频联合理解、主动交互和自然对话节奏三项突破，端到端人工评测显示相比级联模型，音视频对话节奏问题减少一半。目前 SeedRealtime 已全面上线，官方称这是音视频全双工技术的大规模部署。
匹配字段标题
字节 Seed 发布视频生成模型 Seedance 2.5
字节 Seed 团队正式发布新一代视频创作模型 Seedance 2.5，单次可生成 30 秒音视频片段并支持多轮续写，单次最多可输入 30 张图片、10 段视频和 10 段音频作为参考素材。模型新增时间戳级编辑能力，并强化绿幕、镜头视角和参考编辑等功能，已在即梦 AI、豆包 Pro 等平台上线，API 将通过 BytePlus ModelArk 提供。
匹配字段标题