搜索“视频”

全球人工智能创新治理成果发布

2026年7月17日,2026上海暑期学校金砖国家项目师生参加人工智能全球治理论坛,并参访中国—金砖国家人工智能发展与合作中心。论坛发布“一鉴”伦理审查智能体系统2.0、《全球人工智能治理指数(2026)》及系列研究报告等成果。活动期间,师生还体验了MiniMax文生视频、智能眼镜和智能外骨骼机器人。

谷歌发布Gemini机器人模型

2026年7月30日,Google DeepMind发布Gemini Robotics ER 2机器人模型,定位为机器人的高层大脑,支持实时空间推理、多步任务规划和多机器人协作,可通过Gemini API、Google AI Studio或Gemini Enterprise Agent Platform调用。官方称,相比ER 1.6,新模型能通过连续视频流跟踪任务进度并实时纠错,在进度分类任务上达到57.4%准确率,在moment-finding任务上达到91.3%准确率和0.96s平均绝对距离。官方还展示了其编排Boston Dynamics Spot的导航与机械臂API完成取物,并支持Apptronik Apollo 2与Franka F3 Duo协作,代码已在GitHub开源。7月31日,Demis Hassabis表示机器人现在可以推理每一个动作,完成此前无法实现的任务,例如打精细的绳结,甚至组队解决复杂工作流。

StepFun联合多家企业举办Voice AI Night

2026年7月28日,StepFun宣布将携手SEAMATE、PLAUD、Firework和Cresta,于7月30日在Mountain View举办Voice AI Night活动。据公布信息,活动面向基础模型、AI硬件、视频电商和企业AI领域的开发者,将围绕构建Voice AI所需的关键议题展开讨论,包括架构、延迟、打断(barge-in)和记忆,以及如何把优秀技术转化为人们真正使用的产品所面临的挑战。活动地点为Mountain View,时间为7月30日,并提供了RSVP报名链接。目前该活动处于宣布与报名阶段,尚无活动实际举办情况的进一步信息。

Robbyant发布LingBot 2.0技术理念访谈

2026年7月24日,Robbyant(蚂蚁灵波)发布了一场围绕LingBot 2.0技术理念的访谈。据其发布信息,访谈由首席科学家沈宇军与资深科技记者@zhang_benita对谈,内容涉及驱动LingBot 2.0的技术理念,以及沈宇军的研究与职业历程。发布内容带有#LingBot2、#EmbodiedAI、#Robbyant等标签,并附有YouTube视频链接。目前该故事处于活跃状态,尚无更多后续进展披露。

LiveKit Unity SDK 2.0.0 正式发布

2026年7月21日,LiveKit 正式发布 Unity SDK v2.0.0,将其移出 Developer Preview 阶段,并实现与现有 LiveKit SDK 的功能对齐。该 SDK 支持低延迟语音聊天、音视频流、VR 远程操控机器人,以及接入 LiveKit agent 打造语音 AI NPC,可选 STT→LLM→TTS 管线或单一实时模型。官方支持 Unity 2022.3 及以上版本,覆盖 macOS、Windows、Linux、iOS 和 Android 平台。

Jeff Hawke阐述世界模型路线

Odyssey联合创始人兼CTO Jeff Hawke于2026年7月14日阐述了公司从自动驾驶研究转向通用世界模型的技术路线,目标是让模型直接从视觉和声音中学习世界。Odyssey已围绕实时交互像素、音视频联合生成、多人共享状态和模型自我改进推出Odyssey-2、Starchild-1、Agora-1与PROWL。Hawke将世界模型的发展阶段比作“GPT-2时代”,认为规模化应用尚未到来,但视觉、音频与语言模型可能逐步汇合。

LingBot-VA论文获RSS2026接收

Robbyant 蚂蚁灵波宣布,其 LingBot-VA 论文被 RSS2026 正式接收。该论文聚焦原生视频-动作预训练如何解锁通用机器人控制,涉及 LingBot 2.0 背后的思路。团队将前往悉尼参会,在 Gold 03 展位整周与 LingBot 团队交流,并安排行业演讲:7 月 16 日下午 4:20,时长 5 分钟,主题为纯机器人学习。

Odyssey完成3.1亿美元B轮融资

Odyssey于2026年6月23日宣布完成3.1亿美元B轮融资,估值达14.5亿美元。本轮由Natural Capital领投,Amazon、GV、AMD Ventures、EQT和IQT等参投。其世界模型产品包括实时生成同步音视频的Starchild-1、维持多参与者共享状态的Agora-1,以及通过主动探索缺陷来改进模型的强化学习智能体PROWL。

xAI发布Grok Imagine Video 1.5

2026年6月16日,xAI发布Grok Imagine Video 1.5,并宣布该图生视频模型在Imagine API正式可用,模型名为grok-imagine-video-1.5。同时,Video 1.5 Fast已上线grok.com/imagine及iOS、Android应用。官方称这是其目前最好的图生视频模型,音效、环境音与对白在同一次生成中完成,语音更清晰、同步更好,画面运动与物理表现更稳定。官方还表示,Video 1.5 Fast生成6秒720p视频约需25秒,此前模型需40秒以上;未来几天还将上线Projects、多智能体并行和素材库搜索等功能。目前尚无后续发展事实。

Google重构AI搜索入口

2026年5月20日,Google在I/O开发者大会上宣布重新设计沿用25年的搜索框,将其从关键词输入框改为可接受文本、图片、PDF、视频和Chrome标签页的多模态对话入口,并立即在支持AI Mode的所有国家和地区上线。Google同时把AI Overviews与AI Mode合并为一条连续搜索流程,用户可在传统结果页直接追问,无需切换界面。新体验由Gemini 3.5 Flash驱动。Google称AI Mode上线一年月活已超10亿,AI Overviews月活超25亿。目前尚无后续有证据的发展。

谷歌推出Gemini Omni Flash

2026年5月19日,Google DeepMind推出多模态视频生成与编辑模型Gemini Omni Flash。据Google DeepMind介绍,该模型可接收图像、音频、视频和文本输入,生成高质量视频,并支持通过多轮自然语言对话进行编辑。该模型正向Gemini app、Google Flow和YouTube Shorts推出,未来数周将通过API面向开发者和企业客户开放;初期音频输入仅支持语音参考,生成视频均含SynthID数字水印。另有报道称,Gemini Omni将Gemini的智能与Veo、Nano Banana的能力结合,支持跨场景角色一致性、文生视频编辑以及动态物理与环境表现,当天开始推送。目前该故事尚无后续发展事实。

Hermes Agent接入Grok订阅

2026年5月15日,xAI宣布即日起可在Nous Research的开源自我改进智能体Hermes Agent中直接使用Grok订阅。接入后,用户可用Grok 4.3进行文本对话与高级推理,用Grok Text-to-Speech生成语音回复,用Grok Imagine生成图像和视频,所有订阅档位均可使用。Hermes Agent可持久运行在任意电脑、沙箱或VPS上,跨会话建立长期记忆,并能连接WhatsApp、Discord、Telegram、Signal等消息平台。用户通过hermes model选择xAI Grok OAuth并浏览器登录即可启用。目前该消息由xAI官方发布,尚无后续发展事实。

MiniMax 发布通用多模态生成模型 H3

2026年7月31日,MiniMax 发布通用多模态生成模型 H3。据官方信息,H3 可理解由文本、图像、视频和音频组成的统一上下文,生成带原生立体声的视频,最长 15 秒、2K 分辨率。官方称 2K 下每秒价格不到主流模型的三分之一,768p 价格不到主流模型 720p 的一半,并计划在近日开放模型权重。H3 采用 Contextual Omni Representation、H3-VAE、H3-Omni Transformer 和 In-Context Regeneration 等技术,官方表示完整技术报告即将发布。目前尚无后续有证据支持的发展。

RadixArk与Google Cloud合作将SGLang引入TPU

2026年7月30日,SGLang维护方RadixArk与Google Cloud达成合作,将SGLang推理框架引入TPU。据LMSYS Blog当日发布的信息,开发者目前可通过SGL-JAX在最新几代TPU上运行SGLang,支持Gemma、Qwen、DeepSeek、GLM、Kimi、MiniMax、Grok等模型,以及Wan、Flux等视频图像扩散模型。同一来源称,今年晚些时候RadixArk还将推出PyTorch原生的SGL-torchtpu后端,支持eager执行、PyTorch生态兼容与MPMD,并计划让新开源模型在TPU与GPU上同日可用。目前该合作尚无后续独立发展事实,状态以这一官方发布为准。

Runway Aleph 2.0 在 Figma Weave 上线

2026年6月18日,Runway 的 Aleph 2.0 模型在 Figma Weave 上线。据 Figma AI / Agent / Make 发布的信息,该模型支持最长 30 秒的视频片段和帧级创意控制。用户可导入参考图统一画面风格,关键帧编辑会跟随主体贯穿其出现的每一帧,并能在画布上改变机位、加入新角色或彻底转换环境而无需重拍。目前尚无后续发展事实,事件状态停留在上线这一节点。

Sakana AI完成SNS虚假信息对策系统开发

2026年4月6日,Sakana AI宣布完成一套面向SNS空间的虚假信息对策系统开发,该系统覆盖SNS空间可视化、虚假信息判定与对策立案支援。据Sakana AI官方博客介绍,其novelty search技术可递归采样X帖子数据以抽取高影响力叙事,并以层级叙事树进行可视化;判定端结合前沿基座模型与自研模型,检测图像视频的生成加工痕迹,并实现自动事实核查;对策端则基于自研ABM框架Shachi模拟SNS空间,验证反制发信效果。该系统属于日本总务省「互联网虚假与错误信息对策技术开发与实证事业(令和7年度)」项目。目前尚无后续发展事实。

Runway 与 Modal 合作支撑 Characters 实时推理

2026年3月26日,Runway 宣布与 Modal 合作,由 Modal 的无服务器计算平台为 Runway Characters 提供实时推理支持。据 Modal 官方工程博客介绍,Runway Characters 是基于通用世界模型 GWM-1 的实时视频智能体 API,可从单张图片生成数字人形象且无需微调,已服务财富 10 强科技公司、好莱坞制片厂等数千家机构。借助 Modal,Runway 团队在 30 天内从概念验证推进到生产环境,并通过一行代码将容器扩展为支持 RDMA 网络的多节点 GPU 集群。目前该合作已进入生产环境阶段,暂无后续发展事实。

Amazon缩减多数Nova AI模型并重组团队

据Bloomberg报道,Amazon在自研大语言模型未能取得预期成果后,缩减了多数Nova模型的投入,并将文本、视频和图像生成模型置于仅维持最低资源的状态。公司把算力和人力转向由Pieter Abbeel领导的单一前沿模型项目;此前一周,Amazon还关闭了旧金山一处80人的AGI研究办公室。目前尚无后续进展披露。

谷歌推出Gemini Omni Flash

Google DeepMind 推出 多模态视频生成与编辑模型Gemini Omni Flash

查看事件：谷歌推出Gemini Omni Flash

Ed Bayes 称 AGI 将需要新界面

2026年5月2日,Ed Bayes 发帖提出判断,认为 AGI 将需要新的交互界面。他在帖中附上一段视频,展示自己做的界面,并自嘲“看起来像个土豆”。该帖还引用了 Kath Korevec 关于为 Codex 添加 Pets 功能的帖子,称 Pets 为 Codex 增添趣味,同时能在边缘区域提供 Codex 正在做什么的信息。目前该判断仅有这一条来源,尚无后续发展事实。