2026年8月27日,Google DeepMind 发布 Gemini Omni 1.1 Flash 视频生成模型,面向开发者提供更强的生成视频控制能力,可通过 Google AI Studio 或 Gemini Enterprise Agent Platform 调用。官方说明显示,新版本支持场景延长,可分析最多 10 秒前序上下文,并以 10 秒为单位延长至累计 40 秒;同时支持指定首尾帧生成过渡画面、1080p 与 4K 输出,以及 360p 轻量预览。官方还称其生成速度最高快 60%,成本为 720p 的三分之一。目前该事实尚无后续独立发展事实,状态以发布时的官方信息为准。
匹配字段摘要
2026年8月25日,Robbyant(蚂蚁灵波)宣布,其LingBot-Video模型在SGLang v0.5.18中获得原生支持。据该消息,LingBot-Video是一个30B-A3B的MoE文生视频模型,可通过优化后的SGLang-Diffusion服务运行;Robbyant同时向@sgl_project社区致谢,并提供了Cookbook链接。目前进展为该项支持已随SGLang v0.5.18版本落地。
2026年8月25日,Robbyant(蚂蚁灵波)宣布,其LingBot-Video模型在SGLang v0.5.18中获得原生支持。据该消息,LingBot-Video是一个30B-A3B的MoE文生视频模型,可通过优化后的SGLang-Diffusion服务运行;Robbyant同时向@sgl project社区致谢,并提供了Cookbook链接。目前进展为该项支持已随SGLang v0.5.18版本落地。
匹配字段摘要
2026年8月21日,腾讯混元转发了一条关于HyCreator早期访问申请的消息。据该消息介绍,HyCreator是面向长视频生成的智能体框架,具备端到端自动模式,可在零人工干预下生成10分钟量级的影片,并支持随时切换到实时交互式编辑。消息同时给出了早期访问的申请链接。目前该工具处于早期访问申请阶段,后续进展尚待披露。
匹配字段摘要
2026年8月21日,OpenRouter上线Visual Image Benchmarks,用于横向评测其平台上的全部图像模型。据OpenRouter公告,截至2026年8月,该基准覆盖39个图像模型,结果以网格展示,并可按价格和生成时间排序。评测提示词分为七类:不可能场景、计数、文字、空间关系、否定、编辑和一致性。同一套并排对比格式也覆盖视频与语音模型,新图像模型上线后会加入网格。用户随后可通过OpenRouter API或Chat,用自己的提示词测试这些模型。目前该基准已上线,尚无后续发展事实。
匹配字段摘要
2026年8月19日,VentureBeat宣布任命Rob Strechay为首位首席分析师,同时担任VentureBeat Research创始分析师。据VentureBeat AI报道,Strechay此前担任theCUBE Research董事总经理兼首席分析师。他将聚焦云基础设施、高级数据基础设施、平台工程与DevOps编排及可观测性,以及AI与企业安全的交叉领域,并主持升级后的VB In Conversation视频访谈系列。报道还提到,他此前已为VentureBeat撰写企业GPU利用率分析,并参与AI Infrastructure & Compute调研评审。目前该任命由VentureBeat AI一家来源报道,尚无其他独立来源或官方证据补充。
匹配字段摘要
2026年8月17日,Grok分享了一套把 @bot 当作制作助理使用的工作流程。按其描述,这一流程先写场景、锁定对白,再把内容拆成分镜,随后通过提示词让 Imagine 生成语音、视频和图像,最后完成剪辑。目前公开的信息仅为这一流程本身,未提及具体工具版本、使用限制或实际效果。
匹配字段摘要
2026年8月10日,Meta发布Muse Glimmer 30B开放权重稠密模型,面向本地AI智能体工作负载。据Hugging Face介绍,该模型由2B视觉编码器和28B文本解码器组成,支持图像、无音频视频、多模态工具调用和目标检测,并获得Transformers、llama.cpp及vLLM支持。NVIDIA方面称其上下文窗口120K+,可完整放入单卡显存,覆盖GeForce RTX 5090、DGX Spark、DGX Station和Jetson平台,权重已上线Hugging Face。同日,LMSYS宣布与Meta Superintelligence Labs合作,为Muse Glimmer在SGLang上提供Day-0支持,并针对本地智能体工作流推理优化。8月13日,Unsloth宣布可免费微调该模型,其notebook同时支持GRPO RL训练。
匹配字段摘要
2026年8月12日,Google DeepMind 发布多语言手语转文本模型 SL2T,并应用于 Pixel 11 的 Gboard 和 Live Transcribe,首批支持美国手语(ASL)转英文。据官方介绍,该模型基于超过 50 种手语、逾 10 万小时数据训练,其中约四分之一为 ASL 数据,在 FLEURS-ASL(sd-test)上取得 70 BLEURT 的零样本成绩。为保护隐私,模型只接收 MediaPipe Holistic 在端侧提取的姿态关键点坐标,原始视频随即丢弃,并跳过 gloss 标注直接翻译为文本。8月13日,Demis Hassabis 在社交平台称 SL2T 首次让用户可以直接对着手机打手语,并提到其与聋人社区密切合作打造。目前该模型已落地上述两项功能,暂无进一步开发进展。
匹配字段摘要
2026年8月11日,Unsloth发布Unsloth Desktop,称其为首个可在本地运行和训练模型的桌面应用,已上线官网和GitHub。该应用开源,支持Mac、Windows和Linux,覆盖MLX、扩散图像/视频、音频、GGUF,可将Claude Code和Codex接入本地LLM,并支持CPU与多GPU环境(NVIDIA、AMD、Intel、Mac)。官方称训练速度提升2倍、显存占用减少70%,工具调用准确率提高50%并支持自愈与沙箱化代码执行,同时提供私有网页搜索、深度研究、RAG、MCP以及NVFP4、GGUF导出。次日,Unsloth公布2-bit NVIDIA Nemotron 3.5 Lightning工具调用实测结果:仅用22GB显存连续运行10分钟工具调用,引用80多个网站,执行了代码,并搜索了10个真实地点,可通过Unsloth Desktop运行和训练。
匹配字段摘要
2026年8月13日,微软研究院推出多模态模型拓扑空间推理基准MindTopo。该基准从连通性、包围、顺序、打结等五类拓扑属性评估多模态大语言模型的空间理解能力,每类又分为静态推理与交互规划两个认知层级。测试显示,模型在静态推理上普遍强于交互规划,两者均远低于人类水平;规划错误多发生在场景已被理解之后,模型无法在连续动作中维持拓扑关系。图像与视频生成仅在单帧关系可见时偶有帮助,跨序列时经常改变拓扑或违反任务动态。目前尚无后续发展。
匹配字段摘要
2026年8月11日,腾讯混元推出名为Hy3D WorldClaw的智能体工作流,可从文本提示词生成大规模3D开放世界。官方说明称,该成果既不是视频,也不是Gaussian Splatting,每个场景都可自由探索,且完全由可编辑、可直接用于游戏的3D资产构建,具备高质量几何与纹理。官方同时给出了项目页面链接。目前公开信息仅涉及发布本身,尚无后续进展披露。
匹配字段摘要
2026年8月7日,星海图 Galaxea 展示了一台折叠纸箱的机器人。该机器人仅依靠视觉完成操作,未使用触觉传感器或力/力矩传感器;演示全程实时运行,视频没有加速。目前输入材料仅提供了此次能力展示,未披露机器人型号、技术细节或后续应用计划。
匹配字段摘要
2026年7月20日,Black Forest Labs发布多模态基础模型FLUX 3并开启早期访问。该模型基于Self-Flow在统一架构中同时学习图像、视频和音频,可单次生成最长20秒带原生音频的视频,支持文生视频、图生视频、视频生视频、关键帧过渡和多语言对话等能力。官方称早期评测结果仍属初步,后续将陆续开放FLUX 3 Video、FLUX 3 Image的API与私有权重,以及FLUX 3 Dev的开源权重。2026年8月4日,Black Forest Labs宣布FLUX 3 Video的初版文生视频与图生视频能力即日起通过BFL API和部分合作方开放,可生成最长20秒的HD视频,支持Full HD放大输出与原生音频,并提供Draft Mode。官方称后续将推出FLUX 3 Image与开放权重版本FLUX 3 Dev。
匹配字段摘要
2026年8月4日,Amp发布Attach Anything功能,用户可上传视频、日志、PDF、表格、数据集等任意文件到orbs,供Amp查看和使用。官方列举的用例包括屏幕录制修复应用、日志调试、将演示文稿和表格转为交互式网站、从媒体输入生成视频和CAD文件、转录音视频等。
匹配字段摘要
2026年8月28日,作者 Balta 分享了一个使用案例:让 @bot 定期更新自己的个人网站 @withvoxelize 世界并生成新地图。据其分享,机器人还会把生成的地图照片和视频发送给自己。目前该用法仅有作者本人的分享这一条来源,尚无其他独立来源或后续发展。
匹配字段摘要
Google DeepMind 发布 Gemini Omni 1.1 Flash视频生成模型
English translation is being prepared.
匹配字段摘要
The Register 推荐 Software Should Work 2026 会议视频
English translation is being prepared.
匹配字段摘要
腾讯混元 转发 HyCreator视频生成Agent工具早期访问
English translation is being prepared.
匹配字段摘要
2026年8月21日,Black Forest Labs 推出 FLUX Video Upscale,作为独立的 FLUX Tool 和 endpoint。据其官方博客,该工具可把 480p 起的视频重新生成到最高原生 4K,并能修复生成视频中模糊人脸、水面和草地纹理上的网格伪影。它提供 Precise 和 Creative 两种模式:Precise 为 4 步、$0.07/mp/s;Creative 为 8 步、$0.10/mp/s,后者修复和细节更强但可能改变人物身份。upscale_factor 支持 1.5x、2x 和 3x,从 hd 输入大致对应 1080p、2K 和 4K,可通过 BFL API 和 playground 使用。目前尚无后续发展事实。
2026年8月21日,Black Forest Labs 推出 FLUX Video Upscale,作为独立的 FLUX Tool 和 endpoint。据其官方博客,该工具可把 480p 起的视频重新生成到最高原生 4K,并能修复生成视频中模糊人脸、水面和草地纹理上的网格伪影。它提供 Precise 和 Creative 两种模式:Precise 为 4 步、$0.07/mp/s;Creative 为 8 步、$0.10/mp/s,后者修复和细节更强但可能改变人物身份。upscale factor 支持 1.5x、2x 和 3x,从 hd 输入大致对应 1080p、2K 和 4K,可通过 BFL API 和 playground 使用。目前尚无后续发展事实。
匹配字段摘要
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