Baseten 工程博客基础设施文章列表
Baseten 工程博客基础设施栏目汇总了多篇文章，涵盖 LLM 推理可观测性、H100 与 H200 及 B200 GPU 对比、面向企业的 RBAC 构建、Baseten Delivery Network（BDN）加速冷启动、在 Nebius 上运行 AI 视频，以及与 Vultr 合作交付医疗 GenAI 方案等内容。
匹配字段摘要、正文
←搜索结果
搜索“视频”
Ai2 发布 MolmoMotion 语言引导 3D 运动预测模型
Ai2 发布 MolmoMotion，输入视频帧、物体上的 3D 点和动作描述，即可预测这些点未来几秒在 3D 空间中的轨迹，性能强于现有预测方法。同时开源 MolmoMotion-1M 数据集（来自 1.16M 视频）和 PointMotionBench 基准（2.7K 视频片段），并公开模型权重。在仿真中，基于 MolmoMotion 的控制策略在抓取放置任务上成功率为 76.3%，高于基于 Molmo 2 的 56.0%。
匹配字段摘要、正文
Google 发布 Gemini 4 Argon，称其为迄今最强模型
Google 母公司 Alphabet 发布新模型 Gemini 4 Argon，可处理编码、研究和写作等任务，并针对防御性网络安全工作专门训练，公司称其能自主发现、验证并修补关键软件漏洞。该模型目前仅通过 Google 的 Fairwind Program 向部分网络安全合作伙伴开放，Google 内部员工已将其用于调试和代码库迁移，并称其能分析长视频和图表内容。Google 在博客中称 Argon 在多项 AI 基准上显著高于 OpenAI 的 GPT-6 Astra 以及 Anthropic 的 Fable 和 Opus 模型，并引用 Vals 的模型指数显示其当前领先。
匹配字段摘要
Hao AI Lab 发布 FastVideo FastH3，基于 MiniMax H3
UCSD Hao AI Lab 发布 FastVideo FastH3，基于 MiniMax H3 构建，并感谢 MiniMax 开源其权重与代码。在 8× GB200 上，5 秒 1344×768 带音频片段 3.1 秒输出成品 MP4，10 秒片段 6.3 秒（NVFP4 下 5.4 秒），负载下每天约 11,000 条视频，8× RTX PRO 6000 上约 3,400 条。UniServe 还作为 NVIDIA Dynamo 的实验后端，通过 uniserve-dynamo-worker 嵌入其 Rust 调度器与引擎。
匹配字段摘要
FastVideo FastH3 在 8× GB200 上的推理性能
（10/13）结果：在 8× GB200 上，一段带音频的 5 秒 1344×768 片段可在 3.1 秒内输出为成品 MP4，10 秒片段为 6.3 秒（使用 NVFP4 时为 5.4 秒）。在负载下，8× GB200 每天约可处理 11,000 个视频，8× RTX PRO 6000 约为 3,400 个。
匹配字段摘要
FastVideo FastH3 解码：VAE 批处理与 CUDA 图
（8/13）解码：每个时间单元的 28 个重叠 tile 作为一个批次通过 VAE 解码器，各单元分散在不同 GPU 上。融合后的解码器以 CUDA 图方式重放：14 次图启动即可解码一段 10 秒视频。
匹配字段摘要
Suno 上线 banoffeemusic 实验曲《Make Me Metal》
@banoffeemusic 的《Make Me Metal》现已在 Suno 上线。这首实验曲目同步推出由 Nina McNeely 执导并编舞的音乐视频。看两位创新者如何通过声音与动作将各自的构想变为现实。 音乐使用 v6 创作，并在 Studio 2.0 中完成。
@banoffeemusic 的《Make Me Metal》现已在 Suno 上线。这首实验曲目同步推出由 Nina McNeely 执导并编舞的音乐视频。看两位创新者如何通过声音与动作将各自的构想变为现实。 音乐使用 v6 创作，并在 Studio 2.0 中完成。
匹配字段摘要
Instagram 为 Edits 应用加入 AI 创作助手，指导用户如何发帖
Instagram 宣布其独立应用 Edits 新增 AI“创作助手”，可调取账号的点赞、播放、视频留存和分享等数据，回答创作者关于趋势、内容表现和选题的问题，并给出标题、音频、脚本等建议。该助手还能识别长期数据规律，提供单看指标无法得出的建议。YouTube 此前也更新了类似的 AI 创作者仪表盘。
匹配字段摘要
商汤 SenseNova 6.8 Flash 预览版推出 Dynamic Design
商汤发布由 SenseNova 6.8 Flash Preview 驱动的 Dynamic Design，可将静态图像转为动态设计。该功能会判断文字、主体与视觉元素的关系，决定哪些保持静态、哪些做动画，并为每个元素选择 HTML/CSS、SVG、透明图片或视频等合适形式，再将文字显现、主体运动与环境响应编排成连贯节奏，最后对照原始设计检查并优化输出。SenseNova 6.8 Flash 尚未正式上线，官方开放限量 beta 体验，需在评论区留言申请。
匹配字段摘要
Manus 2.0 发布：桌面端升级为 Studio，推出个人 Agent 应用 Cue
9 月 1 日宣布恢复独立运营的 Manus 发布回归后首个大版本更新 Manus 2.0，桌面端升级为 Manus Studio，新增视频时间线编辑与 Game Dev 游戏开发能力，并推出个人 Agent 应用 Cue。Cue 为每个 Agent 配备独立邮箱、电话号码、钱包和电脑，可对外发消息、在预算内付款、代接电话并留下通话摘要，多个 Agent 还能拉进同一群聊分工协作，目前处于凭邀请码的抢先体验阶段。新一代自研 Agent 框架 Cascade 按需引入专业能力，官方测试中相比此前系统 Token 消耗减少 23.2%、任务完成时间缩短 28.2%、运行成本降低 32%。Manus 同时透露面向国内市场的产品正在筹备，团队正在组建。
匹配字段摘要、正文
NVIDIA 等提出 Physis-Lang，让 Cosmos 3 在物理基准上超过 Veo 3.1
NVIDIA、MIT 与牛津团队提出 Physis-Lang，把物理推理写入视频描述文本，同一套文本用于数据筛选、训练和推理。在 2026 年 9 月 29 日的 Physics-IQ Verified 榜单快照中，Cosmos3-Super 以 48.2 ± 1.4 排名第一，Cosmos3-Nano 以 43.3 ± 1.5 排名第二。方法用 GPT-5.5 生成描述、Gemini-3.1-Pro 作物理评审并迭代指令，最终训练集含 183K 视频，仅检索环节就在 3 个基准上平均提升 3.01 分，微调仅用 LoRA。
匹配字段摘要
Krea Agent 打造 Window Lab 应用
Window Lab，用 Krea Agent 创建的应用。 只需上传你的视频并调整运动控制，即可获得你想要的效果。 在下方试用 👇 https://t.co/Xy9jNxVB7w
Window Lab，用 Krea Agent 创建的应用。 只需上传你的视频并调整运动控制，即可获得你想要的效果。 在下方试用 👇 https://t.co/Xy9jNxVB7w
匹配字段摘要
Grok Imagine 用 AI 制作《奥德赛》试播集
这支《奥德赛》试播集拍摄过程中没有摄像机受到伤害。 没有摄像机。没有布景。只有两位电影人带着一个使命： 把 @imagine 的电影级能力推向极限，制作荷马《奥德赛》的试播集。 与我们合作的 AI 原生创意工作室 @WonderStudiosX 在 15 天内交付了这支试播集，使用了 2,070 张图像和 1,558 段视频。 以下是创意负责人 Dev Walker 分享的最佳技巧 🧵
这支《奥德赛》试播集拍摄过程中没有摄像机受到伤害。 没有摄像机。没有布景。只有两位电影人带着一个使命： 把 @imagine 的电影级能力推向极限，制作荷马《奥德赛》的试播集。 与我们合作的 AI 原生创意工作室 @WonderStudiosX 在 15 天内交付了这支试播集，使用了 2,070 张图像和 1,558 段视频。 以下是创意负责人 Dev Walker 分享的最佳技巧 🧵
匹配字段摘要
Dominik Kundel 推荐使用 6.1 Sol
Dominik Kundel 发帖推荐使用 6.1 Sol。他所引用的 Theo - t3.gg 帖子称，制作视频时还没有基准测试，于是自己跑了一遍，看到 Terminal Bench 4 的分数时大为震惊，并称其性能优于 Opus 5.5，价格约为后者的 1/30。
匹配字段摘要
Muse 回应健身分析帖：给你的投入度打 100 分
Muse 回复用户 Amy Li 关于用 Muse 分析健身动作的帖子，称"我也测量了你的投入度，100/100"。Amy Li 原帖描述：上传健身视频后，Muse 会生成虚拟形象、从不同角度分析动作、为姿势打分并逐次对比，还可调整虚拟形象的服装和体型。
匹配字段摘要
AMD 以 82 亿美元收购 World Labs
AMD 以 82 亿美元收购 World Labs。World Labs 创始人李飞飞在博客中称，公司自 2024 年成立以来构建了图像、视频与空间重建的模型训练团队，并在收购 SceniX 后推进机器人仿真能力。其近期发布的 Atlas 是面向空间智能的 omni 模型架构，通过结合生成模型与多视图几何解决新相机视角预测问题，并称已解决计算机视觉中长期存在的稀疏重建问题。
匹配字段摘要
商汤 Seko 助 22 岁学生独立制作短剧，播放破 7400 万
商汤 AI 视频创作 Agent Seko 让 22 岁艺术设计学生 CHunye 独立完成日式僵尸短剧《DUHAI》，从第 3 集起全部由 Seko 制作，第 9 集时在抖音等平台累计播放量已超 7400 万。Seko 将创意想法转化为结构化制作流程，把角色、场景和道具整合在同一画布上，其视觉记忆与推理能力帮助保持跨集一致性。
匹配字段摘要
Sakana AI 与东京大学提出 SAIL：用测试时扩展提升机器人上下文模仿学习
Sakana AI 与东京大学合作提出 SAIL（Scaling In-Context Imitation Learning），通过测试时扩展让 VLM 更可靠地生成机器人轨迹，将在 IROS2026 展示。该方法以策略 VLM 生成轨迹，在模拟器中测试并由评估 VLM 审查视频、定位停滞点，再用 MCTS 探索候选并修订，仅将选定轨迹发送给实体机器人。在六项模拟操作任务中，搜索预算从 1 个候选增至 45 个，平均成功率从 25% 提升到 73%。
匹配字段摘要
AI 与创意阶层的衰落：美国媒体、影视与艺术行业四年流失超 20 万岗位
Apricitas 作者 Joseph Politano 统计，美国创意行业过去四年流失超过 20 万个岗位，其中近一年约 5 万，影视与录音行业损失超 10 万、接近该行业总岗位的三分之一。文章认为出版业岗位下滑是长期技术变迁的延续，而流媒体竞争与 AI 生成内容正在挤压视频行业的商业模式，并类比互联网冲击下报纸岗位减少近 85% 的处境。作者也指出书籍销量近六年增长 70% 来自 TikTok 的意外带动，说明新技术与艺术商业的互动难以预测。
匹配字段摘要
从影像修复到创意电商，帝视科技借AI拓展C端业务
帝视科技从AI视频画质修复与4K/8K内容增强起步，累计修复照片超1亿张、视频超1万小时，并自研河图影像大模型。公司已推出PicMa、PicMa Studio、Mira等C端图像应用，其中PicMa服务全球超100个国家、日均处理照片近百万张，同时打造创意电商平台GenKi AI。
匹配字段摘要、正文