搜索“视频”

OpenAI 宣布与 Higgsfield 达成合作进展

OpenAI 发布公告宣布达成合作进展 与 AI 视频生成平台 Higgsfield 的最新合作进展

查看事件：OpenAI 宣布与 Higgsfield 达成合作进展

Manus 介绍 AI Mind Pilot 整理相册照片

2026年10月13日,Manus 介绍 AI Mind Pilot 可整理相册照片。据 Manus 当日发布的信息,旅行结束后相机胶卷里堆满照片和视频时,用户可用一条提示词调出照片、整理它们,并生成演示文稿或作品集;本地任务留在手机上处理。目前没有后续发展事实,状态停留在该介绍。

Gemini 4 Argon 在 Gemini 应用中上线

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。

Google AI 探索用 Gemini 4 Argon 加速研究

Google AI 表示正在探索用 Gemini 4 Argon 加速 Google 内部研究。据 2026 年 10 月 14 日的报道,其中一项测试是用人类完成趣味任务(如投沙包)的视频自动生成训练仿真,而不再完全依赖人工编程。研究团队展示了人形机器人学习这些视频、运行仿真并掌握投沙包任务的过程。目前该探索仍处于测试阶段,尚无后续发展事实。

Alexandr Wang称Meta巨额薪酬对顶尖研究员近乎净中性

2026年10月13日,Meta首席AI官、Scale AI联合创始人Alexandr Wang表示,Meta给顶尖研究员的巨额薪酬方案大致是“净中性”的。他称,Meta那些著名的天价offer对许多AI研究员来说其实算不上涨薪,因为他们在OpenAI和Anthropic的股票涨了太多,留下来拿到的钱差不多,所以真正的吸引力是使命。相关说法来自Rohan Paul的报道,完整视频在“David Senra”YouTube频道。目前没有进一步的有证据发展。

Nature Will 发布首个物理世界基础模型 Natura-1

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。

Perplexity CEO称公司营收同比增长5倍

2026年10月13日,Perplexity 创始人兼 CEO Aravind Srinivas 表示,公司营收同比增长 5 倍。他将这一增长归因于智能体热潮,并指出真正在电脑上执行任务的智能体需要网页搜索、浏览器以及能在多个 AI 模型之间切换的系统,而 Perplexity 在这波需求到来之前就已具备这三项能力。相关完整视频发布在 Molly O'Shea 的 YouTube 频道 Sourcery。目前该说法仅有这一条代表性证据,暂无后续发展事实。

InternLM 发布流式空间智能基准 OVO-S-Bench

2026年10月14日,InternLM 发布面向多模态 LLM 流式空间智能的基准 OVO-S-Bench。据其官方项目介绍,该基准为全人工标注,包含 348 个源视频上的 1,680 道题,按瞬时自我中心感知、时空上下文追踪、空间模拟推理、异我中心建图四个层级划分。在 38 个闭源与开源 MLLM 上的评测显示,Gemini-3.1-Pro 以 59.2 分落后人类专家 86.6 分 27 分,异我中心建图被指为主要瓶颈;流式与空间微调模型反而不及自身基座,无流依据的思维链推理会放大空间错误。目前尚无后续发展事实。

World Labs 正式开放 Marble 世界模型

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。

World Labs 发布实时生成世界模型 RTFM 研究预览

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。

World Labs 发布 World API

World Labs 发布 World API,开发者可通过该公开接口调用其多模态世界模型 Marble,从文本、单图、多图、360° 全景和视频生成可导航的 3D 世界。世界生成以异步方式运行,无需专有工具,生成结果可在浏览器渲染、导出到其他工具或接入交互系统与仿真管线。该 API 已用于游戏与沉浸式媒体、机器人仿真(可接入 NVIDIA Isaac Sim、MuJoCo、RoboSuite)以及建筑设计等场景,并通过 World Labs Platform 提供 API key 管理、用量计费和文档。目前尚无后续发展事实。

World Labs 推出全能世界模型 Atlas

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。

FireRedTeam 发布 DynamicPose 项目与预训练模型

2026年10月14日,FireRedTeam 发布 DynamicPose 项目与预训练模型。据其介绍,DynamicPose 是一个由人体姿态序列驱动人像动画的框架,支持大幅动作与非写实场景,可从单张照片生成舞蹈视频;项目同时开源姿态服务器与姿态对齐算法,代码采用 MIT 许可。作者列出局限,包括侧脸易生成扭曲面部、复杂背景下难以区分人体与背景、手部持物时难以判断是否保留。后续将陆续放出数据清洗与预处理流程、训练脚本(DeepSpeed Zero2)以及 ComfyUI 和 Hugging Face Gradio 演示。同一时间点,FireRedTeam 还发布了 PhotoPoster 项目与预训练模型,该项目面向姿态驱动的图像生成,在 i2i 翻译中加入精修阶段,并已放出预训练模型和基于 FastAPI 的姿态服务器,同样采用 MIT 许可。

哈啰 Robotaxi 推出生成式驾驶世界模型 HelloWorld

哈啰 Robotaxi 推出生成式驾驶世界模型 HelloWorld。该模型围绕按需构建驾驶数据与交互式策略测试,整合场景控制、连续生成、多传感器观测与高效推理能力。据 IT之家·人工智能报道,模型支持用自然语言描述需求或直接编辑车辆、行人及运动轨迹,生成对应的多视角视频与激光雷达观测,并可切换雨雪、昼夜等条件,扩展真实采集中难以覆盖的长尾场景。目前尚无后续发展事实。

Graylark CEO称Raven可定位短租室内图像

2026年10月12日,Graylark Technologies CEO Daniel Heinen在LinkedIn宣布,其AI工具Raven(原GeoSpy)新增室内图像地理定位能力,可在全球数百万短租单元中定位室内图像。据404 Media调查报道,该工具可从Zillow、Airbnb等网站数据中识别照片对应的具体房产;演示视频显示,上传一张洗衣机照片后,Raven在数秒内锁定北卡罗来纳州夏洛特一处Airbnb房源。报道还称,洛杉矶警察局和迈阿密-戴德警长办公室此前已购买Raven访问权限。目前该功能已由CEO公开宣布,尚无进一步开发事实。

vLLM Semantic Router 发布 Decision 3.0 决策模型

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

Ask YouTube 面向美国 Android 和 iOS 用户推出

2026年10月14日,YouTube 的对话式 AI 搜索“Ask YouTube”面向美国 Android 和 iOS 移动端用户推出。据 9to5Google 报道,该功能不再限于 Premium 订阅,由 Gemini 驱动,可回答超出视频内容本身的问题,此前已先行登陆电视端和 Premium 用户。报道还称,Shorts 信息流和直播中的 Ask YouTube 将在后续版本推出,Google 表示会逐步扩大可用范围。目前该功能处于向美国移动端用户推出的阶段。

Google Cloud产品负责人提出企业AI需互操作性、上下文与治理

Google Cloud产品管理总监Michael Clark在AI Business的Targeting AI播客中提出,企业要从AI中获得实际价值,应建立以信任、透明和互操作性为基础的AI工作流。他表示,系统间互联互通是生成式与智能体AI应用成功的关键,上下文(音频、视频、激光雷达、金融流数据等)决定智能体应用成败。他还指出,企业需明确业务成果与风险容忍度,并对超出阈值的环节保留人工介入。目前该观点由AI Business单一来源报道,尚无其他独立来源或后续发展。

Apple 应用孵化器首期收官并举办最终展示日

2026年10月13日,Apple 应用孵化器首期在北京举办最终展示日活动,Tim Cook 到场与学员庆祝成果。据少数派报道,AI 个人灵感购物助手 Viba 获得「加速先锋奖」,其产品已从美国拓展至墨西哥和巴西;为视障人士设计的无障碍应用豆芽看见在现场演示了视频通话与证件拍摄功能。该孵化器项目被视为已举办十年的移动应用创新赛的进阶版本。目前尚无后续发展事实。

Unzicker批数学家反OpenAI声明为无稽之谈

2026年10月12日,物理学家Alexander Unzicker公开批评数学家针对OpenAI 700篇数学预印本的声明,称其为“极其荒谬的胡说”,并将大部分批评指向转发该声明的Terence Tao。相关说法来自Rohan Paul发布的报道,并提到完整视频见“Unzicker's Real Physics”YouTube频道。目前没有后续发展事实,事件仍停留在该批评表态本身。