搜索“视频”

Elorian发布首个AI模型Glimpse

2026年10月17日,Elorian发布其首个AI模型Glimpse。据Testing Catalog报道,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美元,GPT-6 Astra为0.249美元;演示中Glimpse解出5个难度递增的迷宫,Gemini 3.8 Flash解出1/5。同日另一篇报道称,Elorian将Glimpse定位为首个视觉推理模型,用于比较视频中不同时间点的场景变化,并将这种基于帧的推理称为visual thinking,其推理过程中可回到源视频、裁剪区域、抽取指定帧或运行代码来测量和比较所见内容,该机制被称为visual scratch space;联合创始人Andrew M. Dai称其在关键公开视觉推理基准上具备与Astra竞争的前沿性能。目前该模型发布后尚无进一步有证据支持的发展。

fal 更新 Flux 3 Video 与 Upscaler

fal 于 2026 年 10 月 16 日宣布,Flux 3 Video 和 Upscaler 获得更新。据 fal 发布的信息,更新后现已支持原生 2K 和 4K 视频生成,覆盖文生视频、图生视频和视频生视频工作流,5 秒 4K 片段生成约需 2 分钟。目前尚无后续发展事实,该更新即为当前最新状态。

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。

阿里巴巴推出Qwen Go智能体

2026年10月13日,阿里巴巴推出由Qwen驱动的智能体Qwen Go,面向搜索、比价和客服协商场景,并与淘宝、支付宝集成,把个人AI助手接入购物与支付系统。据X.PIN报道,演示视频显示该智能体为延误航班争取到10美元赔偿,并通过淘宝价保追回约7美元;它不只会回答问题,还能查订单、联系人工客服并核实折扣。同日雷锋网报道称,千问Personal Agent「千问Go!」即将发布,有用户分享通过千问Go申请航班延误理赔获得70元理赔款,另有用户表示其帮忙申请到52元淘宝价保退款,该智能体还可执行汽车保养、运动预约和购物比价等任务。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 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。

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。

Odyssey 公开发布世界模型 Odyssey-3 研究预览

2026年10月11日,Odyssey 公开发布世界模型 Odyssey-3 的研究预览。据 The Decoder 报道,用户可用文本提示生成可实时探索的交互环境,开发者可申请 API 访问。免费在线演示基于 Odyssey-3 Flash,基础模型为 14B 参数、生成 832×480 视频,Pro 版支持 1280×720。公司称 Odyssey-3 Pro 在 Physics-IQ Verified 视频到视频基准得 66.1 分,但该成绩来自单次测试并采用八选一筛选,未满足基准要求的四次运行规则,四次运行平均为 63.37 分。目前尚无后续发展事实。

Anthropic发布Claude Opus 5.5

2026年9月22日,Anthropic发布Claude Opus 5.5。官方材料称,该模型在Artificial Analysis的Intelligence Index v4.3上以58分排名第一,比Claude Opus 5高7分,在Vals AI的Vals Index上以69.69%居首;支持最高100万token输入、12.8万token输出,推理默认开启并分五档,API价格为每百万输入/缓存/输出token 4/0.25/20美元。早先报道称其输出价格为每百万token 20美元,低于上一代的25美元。9月23日,Yuchen Jin称其单任务速度比Opus 5快约30%、成本低约40%。9月25日,Thomas Wolf称用Opus 5.5把一份Google Doc生成为视频。10月4日,Ado Kukic表示在medium和high effort下使用Opus 5.5未触及5小时限额,单次会话最高约用到74%。10月9日,Ado又称Opus 5.5发布后的周末是今年迄今最高效的编程日。同期Anthropic还发布了Sonnet 5.5和Haiku 5.5,并下调Sonn

Anthropic发布Claude Dashboards与Motion测试功能

2026年10月9日,Anthropic为Claude推出两项beta功能。据The Decoder报道,Dashboards可连接BigQuery、Databricks、Snowflake、Salesforce等数据源,通过文本提示生成自动更新的实时看板,每个数字都会显示其底层查询,结果还能接入Amplitude、Grafana、Hex等工具;Motion则用文本、图表和图片生成动画讲解视频,支持以代码方式编辑并导出MP4。报道称,Dashboards面向付费用户,Motion面向Team和Enterprise套餐。同一报道还提到,Docs、Slides、Design结束beta,向包括免费账号在内的所有套餐开放,Anthropic称这些工具已创建超过4500万份文档;此前公布的Claude Design将于12月14日并入主应用,并提供迁移指南。目前尚无后续发展事实。

Google扩大SynthID验证服务

2026年10月7日,Google将SynthID Detector从面向媒体从业者的早期版本扩展至全球英文用户,任何人可检查图像、视频或音频是否由Google及其合作伙伴的AI生成。据Google介绍,合作方包括OpenAI、NVIDIA、Kakao,Apple也将加入。Google称自2023年推出SynthID以来,已为超过1800亿张图像和视频、24万年时长的音频添加水印,Search、Gemini应用和Chrome中的验证功能每天处理超过100万次请求。后续报道称,该工具支持JPG、PNG、MP4和MP3格式,只能识别带有SynthID水印的内容,并非通用AI检测器。

Hao AI Lab发布可在消费级设备运行的FastH3

2026年10月6日,Hao AI Lab发布FastVideo FastH3视频生成模型,可在单台消费级设备上本地运行,支持NVIDIA RTX GPU、DGX Spark和Apple Silicon。据其发布信息,FastH3 V2在8步内超过MiniMax H3基座模型,单张RTX 5090生成5秒480p带音频片段耗时15秒,768p约35–39秒。同时发布的FastH3 Trim体积比基座H3小4.2倍,最低8 GB显存即可运行,模型、Cookbook与代码已开放。技术说明称,团队在1000条提示词上校准每个FP4层,以避免未校准FP4 scale下激活值被裁剪。目前尚无后续独立发展事实。

DeepMind发布EmbeddingGemma 2

2026年10月6日,Google DeepMind发布开放权重多模态嵌入模型EmbeddingGemma 2,可将文本、图像、视频帧和音频映射到统一向量空间,参数量740M。据Google Developers Blog介绍,文本权重在Google Pixel 11 Pro上仅需约191MB活跃内存,完整多模态模型约567MB,无需训练数据或微调即可作为端侧决策引擎,实现毫秒级零样本意图路由;Google AI Edge Gallery新增Instant Media Search和Video Moments Finder演示,未来数周内该模型将通过ML Kit以服务形式登陆Android并支持NPU加速。据Google DeepMind介绍,该模型采用Apache 2.0许可,在MTEB Code上从68.76提升到78.68,支持8K token上下文窗口,权重已在Hugging Face和Kaggle开放下载。10月6日,Georgi Gerganov宣布llama.cpp对EmbeddingGemma 2提供Day-0支持;10月7日,Simon Willison表示赞赏其采用

Krea Agent 登陆 After Effects

Krea 于 2026 年 10 月 5 日宣布,将 Krea Agent 引入 After Effects。据官方说明,该工具可在软件内创建动态图形、调整视频尺寸,并处理声音、图像等内容。官方还展示了用 Krea Agent 制作动态图形、调整视频尺寸以及把图层整理为合成(compositions)的操作,并给出免费试用入口。目前尚无后续发展事实。

Google更新Gemini 3.8 Live实时虚拟形象

Google更新Gemini 3.8 Live,推出实时虚拟形象Live Avatar。据Google DeepMind发布,该功能在Gemini 3.8 Live实时对话能力上加入低延迟流式视频,让模型能边听、边看、边说,支持精确唇形同步、自然表情与流畅轮次切换,并可在对话中无缝切换97种语言而不损失视频保真度。该功能已上线Gemini Enterprise,支持后台异步工具调用,企业还可基于参考图定制专属形象,定制功能目前仅通过企业白名单开放。另有报道称,用户可在对话时看到实时回应的动画AI形象,它会同步口型并展示不同面部表情,目前仅面向Gemini Enterprise客户开放;除预设形象库外也允许企业自建,输出带有不可见的SynthID水印及尊重身份的防护措施。

Dynamo-Triton支持多GPU推理

2026年9月21日,NVIDIA 在 Dynamo-Triton 26.07 中启用 TensorRT 后端的多设备推理能力,一个 KIND_MODEL 实例可占用多块 GPU,并通过单个 gRPC 端点对外提供分布式推理服务;TensorRT 11.0 起完整支持该能力。官方以 Cosmos 3 Nano 视频生成为例说明,Ulysses 上下文并行把 44,160 个视频 token 分配到最多八块 GPU,端到端生成延迟从单 GPU 的 156.6 秒降至八 GPU 的 34.2 秒,transformer RPC 加速比达 6.09 倍。CP2、CP4、CP8 的输出通过 MAE ≤ 25 与 PSNR ≥ 18 dB 的质量阈值校验。该基准未测量并发吞吐、单视频成本或 TCO。目前尚无后续发展事实。

Wan3.0支持单次30秒长镜头生成

2026年9月17日,阿里云Wan官方介绍Wan3.0已能直接由模型生成单段30秒镜头,此前分别为5秒和15秒片段。该版本加入导演级控制与omni-reference,可参考最多五段视频而非五张图片,Soulscape的导演与阿里云的Johnny Mai已将其用于实际制作流程。官方称不再需要拼接大量短片段,可先生成长镜头再按剧本和故事剪辑。9月18日,Wan官方账号进一步分享AI视频创作建议,提出AI视频不应停留在比拼画面精美的技术演示,而应设计观看体验、讲述能触发情感的故事,一个30秒镜头即可;帖文提及Soulscape的创作者与阿里云Johnny Mai,并引导团队了解Wan3.0。

Hao AI Lab发布可在消费级设备运行的FastH3

Hao AI Lab 发布 FastH3 V2与FastH3 Trim视频生成模型

查看事件：Hao AI Lab发布可在消费级设备运行的FastH3

Manus发布2.0与个人Agent Cue

Manus发布回归独立运营后的首个大版本更新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。据量子位报道,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。此后,Manus于10月1日发帖邀请用户用Game Dev制作3D赛车游戏,赛车3D模型由合作伙伴Tripo AI生成。10月5日至6日,Manus介绍Manus Studio视频编辑功能及Video Editor用法,包括把一条视频适配成8种不同语言、从Figma和代码仓库生成发布视频等。10月7日,Manus推出Game Dev,称其可让用户在不写代码的情况下构建和定制游戏,并简化多人游戏服务器搭建。

Wan3.0支持单次30秒长镜头生成

Wan 介绍 Wan3.0视频生成能力

查看事件：Wan3.0支持单次30秒长镜头生成