Krea 3 支持商品图多角度快速生成
Krea 官方宣布 Krea 3 可用于商品图生成，能快速产出商品的各个角度，成本仅为常规方案的一小部分。推文附有试用链接和演示视频，未给出具体价格或速度数据。
匹配字段摘要
←搜索结果
搜索“视频”
可灵 Kling 4.0 上线 fal 平台
可灵 Kling 4.0 已在 fal 平台上线，官方称其为新一代原生多模态视频模型，在复杂运动稳定性、角色与场景参考一致性以及电影叙事控制精度上有所提升。目前仅通过 fal UX 和 fal Agent 提供，API 访问即将开放。
匹配字段摘要、正文
Hao AI Lab 的 FastH3 OmniRef 获 ComfyUI 支持
ComfyUI 已支持 Hao AI Lab 的 FastH3 OmniRef，这是 Minimax H3 的蒸馏版本，可在本地硬件上运行，支持多模态参考视频生成，并在质量与速度之间取得平衡。ComfyUI 表示开放权重和云端入口可通过其给出的链接获取。
匹配字段摘要
NVIDIA 发布 Cosmos3-H-Dreams 手术生成模拟模型
NVIDIA 发布 Cosmos3-H-Dreams，基于 160 亿参数的 Cosmos3-H-Embodied-Nano 专门化，用于胆囊切除术的动作条件视频生成。模型使用 28 个动作维度、832 x 480 视频和 10 Hz 动作对齐训练，通过蒸馏得到四步与两步两个学生检查点，两步版本单独训练，推理更快但画质更低。官方同时提供 FlashDreams 流式运行时和适配自有数据与控制器的方法，并说明该模型是研究用模拟器，并非经过验证的临床系统。
匹配字段摘要、正文
腾讯元宝搜索升级并通过腾讯云对外开放
腾讯10月20日宣布元宝搜索升级，并通过腾讯云向企业和个人开发者开放，开发者可通过API、MCP或Skill接入。官方披露向量索引规模超过1500亿、底层检索平均耗时约8毫秒、单位推理成本降低90%，覆盖13个行业157个头部信源，元宝、WorkBuddy、ima、腾讯视频等50多款产品已在调用。腾讯云副总裁马晋称搜索面对的用户已从人变成智能体，元宝搜索用大模型重构排序链路，并以Gist Token压缩和KV Cache复用降低推理耗时。
匹配字段摘要、正文
VASTAIResearch 开源实时生成渲染器 EdenLive
VASTAIResearch 开源实时生成渲染器 EdenLive，可将 3D 白模、游戏引擎画面、2D 卡通和真实视频转换为写实或风格化视频。该模型为 5B 参数，在单张 RTX 5090 上以 720p 分辨率达到 24+ FPS。
匹配字段摘要
Google 在 TPU 上发布 vLLM 与 SGLang 原生 PyTorch 推理引擎
Google 发布基于 TorchTPU 的 vLLM 与 SGLang 原生 PyTorch 后端，分别与 Inferact、RadixArk 合作开发，两个引擎已在预览客户的生产环境中运行。官方称在 Ironwood TPU（TPU 7x）上跑 Qwen 3.5 时，高并发配置下每百万 token 成本为 2.01 美分，并已在 SemiAnalysis InferenceX 的 AgentX 赛道提交结果。功能上支持前缀缓存与 KV cache 卸载、投机解码、分离式服务以及图像视频输入的多模态模型，SGLang-TorchTPU 已在 Meta 生产环境使用。
匹配字段摘要
PyTorch 2.15 为 MPS 带来 FP8 与 MoE 解码提速
PyTorch 2.15 在 MPS 后端加入 FP8 支持，并让 MoE 模型解码速度比 2.14 快 5–6.5 倍：在 M3 Ultra 上配合 torch.compile，Qwen3.6-35B-A3B 从 9.4 tokens/s 提升到 61.3 tokens/s，LFM2.5-8B-A1B 从 23.6 提升到 123.6 tokens/s。Wan2.2 的 tiled VAE 视频解码峰值驱动内存从约 270 GiB 降到 8 GiB，Qwen-Image-2.1 的 VAE 编码在 MPS 上的图像损坏问题也随 padding 改动修复，编解码往返 PSNR 从 10.06 dB 升到 29.95 dB。该版本要求 macOS 15 或更高版本、Python 3.11 或更高版本。
匹配字段摘要、正文
小米 MiMo-V2.6-Pro 上线 WorkBuddy，支持 1M 上下文与多智能体协作
小米技术宣布 Xiaomi MiMo-V2.6-Pro 正式上线 WorkBuddy，支持 1M 超长上下文、多智能体分工协作，以及图像、视频、音频、文本全模态联合理解。该模型在 Artificial Analysis 智能指数为 46 分，官方称全球开源第一。MiMo-V2.6 系列于 9 月 22 日发布并开源，含 Pro 与 Flash 两个原生全模态模型，Pro 定价为每百万词元输入 3 元、输出 6 元，并提供 99% 缓存折扣。
匹配字段摘要、正文
Viggle 发布 3D 原生世界模型 JST-2
Viggle 发布 JST-2，将整套模型栈构建在 3D 空间，用携带 xyz 坐标、属性向量和动力学向量的 Physics-Native Token 表示世界，而非从视频像素中隐式推断物理规律。架构分为 JST encoder、JST generator 和 JST decoder 三部分，单次前向推理约 1 秒生成完整 3D 场景，成本低于 $0.01（B200），并支持最多 64 个输入视角作为空间上下文窗口。Viggle 公布的盲测人类偏好显示，角色生成对 Meshy 7.1 胜率 58.4%、对 Tripo H3.1 胜率 73.2%，视频生成运动对 DeepMotion 胜率 89.1%。JST-3 计划把学习到的动力学推广到物体交互。
匹配字段摘要、正文
蚂蚁 inclusionAI 开源 vLLM-Omni 全模态模型推理服务框架
蚂蚁 inclusionAI 在 GitHub 发布 vLLM-Omni 仓库，这是一个在 vLLM 基础上扩展全模态模型推理与服务的框架，支持文本、图像、音频、视频和动作数据处理，并支持 DiT 等非自回归架构。README 显示其已迭代至 0.30.0，对齐 vLLM 0.30.0，新增 MiniCPM-o 4.5 与 AURA 的全双工会话服务、Mooncake AR-to-DiT 跨阶段 KV 与多模态传输，以及在 NVIDIA Blackwell 和昇腾 950 上的 MiniMax H3 Turbo 实时推理。框架提供 OpenAI 兼容 API 服务、流式输出和分布式并行推理，并列出 Qwen3-Omni、MiniMax H3、Wan2.2、π0.5 等已支持模型。
匹配字段摘要
Kling AI 发布 4.0 版本，新增立体声音频与多语言口型同步
Kling AI 发布 4.0 版本，单次可生成最长 30 秒视频，支持最多 10 张关键帧图像输入，提示词理解扩展到 8,000 tokens。升级后的 Omni Reference 单次生成最多接受 15 个参考素材，包括 10 张图像、总时长不超过 30 秒的 5 段视频和 7 个元素。新版本加入双声道立体声音频和覆盖德语、英语、日语、韩语、西班牙语等十余种语言的口型同步，同时推出最高 720p、20 秒的轻量版 Kling 4.0 Flash，并可通过 MCP 和 CLI 接入自动化工作流。
匹配字段摘要
TwelveLabs Pegasus 1.5 上线 Amazon Bedrock
TwelveLabs 的 Pegasus 1.5 视频语言模型已在 Amazon Bedrock 上线，可把长视频转成带时间戳的结构化 JSON 元数据。新版本支持按用户定义的分段规则返回匹配片段、结合参考图像的多模态提示，以及无需预索引的即时处理，单次请求可分析最长 2 小时视频。模型通过 InvokeModel 和 InvokeModelWithResponseStream 调用，目前在美国西部（俄勒冈）区域提供。
匹配字段摘要
Odyssey 将果蝇大脑模型接入 Odyssey-3 世界模型
AI 世界模型公司 Odyssey 在 X 发布演示视频，称已将果蝇大脑模型接入旗下 Odyssey-3 世界模型，让数字果蝇在完全由 AI 生成的虚拟场景中自主飞行。Odyssey-3 于 10 月 8 日开放研究预览，采用自回归扩散 Transformer 架构，可根据历史画面及用户或智能体的动作预测后续状态，应用方向涵盖机器人控制、自动驾驶及 AI 智能体训练。Odyssey 此前披露以数十小时演示数据训练机械臂控制能力，并与 Flexion 合作开发人形机器人策略。
匹配字段摘要、正文
MiniCPM-V 4.7 升至 Hugging Face Trending 第二
面壁智能宣布 MiniCPM-V 4.7 升至 Hugging Face Trending 第二位。该模型包含 35B-A3B MoE 版本，可在 iOS 和 Android 上以约 3GB 内存运行；1B 版本在 OCR、数学和视频理解上表现较强。官方同时给出了 Hugging Face 模型页和 GitHub 仓库链接。
匹配字段摘要
Google Gemini 将 Gems 和 Spark 改名为 Skills 和 Tasks
Google 将在未来几周把 Gemini 中用于单项任务的 Gems 改名为 Skills，并把今年春季推出的后台智能体 Gemini Spark 去掉独立名称，以 Tasks 的形式并入聊天窗口。Skills 支持在对话中通过斜杠或 @ 符号调用，并可组合多个技能，底层使用基于 Markdown 的 SKILL.md 标准，但 Canvas、Deep Research 以及视频和音乐生成暂不支持 Skills。私人账号的 Gems 将于 2026 年 11 月 17 日自动转为 Skills，Workspace 企业账号则从 2027 年 3 月 1 日起停用旧 Gems，教育机构为 2027 年 6 月 1 日；德国、奥地利和瑞士暂不开放云端 Tasks 及相关事件触发计划。
匹配字段摘要
Nvidia 在韩国推出 RTX Spark AI 笔记本，起售价 579.9 万韩元
Nvidia 在韩国推出搭载 RTX Spark SoC 的 AI 笔记本，Asus、Dell、HP、Lenovo、Microsoft 和 MSI 于 10 月 16 日开始销售，最便宜的 MSI Prestige N16 售价 579.9 万韩元。RTX Spark 是 Nvidia 6 月发布的 Windows PC SoC，将 Arm 架构 20 核 Grace CPU 与 Blackwell 架构 GPU 通过 NVLink-C2C 封装在一起，FP4 精度下 AI 算力达 1 PFLOP，TDP 约 80 瓦，支持最高 128GB LPDDR5X 内存，可在本地运行约 700 亿参数的开源模型和 AI 智能体。Nvidia 将高价归因于内存涨价，并称该芯片还支持 8K 视频编辑、90GB 大型 3D 场景渲染以及 2560×1440 分辨率下 100 FPS 以上的游戏。
匹配字段摘要
MiniCPM-V 4.7 登上 Hugging Face Trending 第 3 名
面壁智能宣布 MiniCPM-V 4.7 在 Hugging Face Trending 榜单上排名第 3。官方称 35B-A3B MoE 版本可在 iOS 和 Android 上以约 3GB 内存流畅运行，1B 模型在 OCR、数学和视频理解上表现较强，并给出了 GitHub 与 Hugging Face 链接。
匹配字段摘要
Elorian 发布视觉推理模型 Glimpse
Elorian 发布首个视觉推理模型 Glimpse，用于比较视频中不同时间点的场景变化，并在变化细微或快速时回看原片段。Elorian 将这种基于帧的推理称为 visual thinking，Glimpse 在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。
匹配字段摘要、正文
Kling 4.0 发布，可灵AI 估值为何反超母体快手
可灵AI 于10月15日深夜全量上线新一代视频生成模型 Kling 4.0，支持 4K、1080p 的 10-bit HDR 输出，单次最多输入 10 张图片、5 段视频及 7 个主体，单次生成视频最长 30 秒，并接入 MCP/CLI。10月16日快手股价开盘大涨超5%，而此前10月13日其市值约156.31亿美元，低于可灵独立融资180亿美元的投后估值。可灵已敲定30亿美元外部增资，投资方包括腾讯、百度、阿里云及多只国资基金，并正与中金、高盛、瑞银合作推进最快明年上市。
匹配字段摘要、正文