2026年8月11日,Google Research与Google DeepMind展示AMIE在实时音视频临床咨询中的专家级表现。据Google Research介绍,AMIE (Video) 基于Gemini和Project Astra实现实时视频临床问诊,可感知非语言线索、引导虚拟体格检查并同步进行诊断推理;其采用异步多智能体架构,由三个专职智能体并行处理对话、推理与视听感知,以维持自然对话延迟。在100个场景、300次实时问诊、30名认证初级保健医生参与的随机OSCE研究中,临床评估者在病史采集、诊断准确性和沟通质量上给AMIE (Video) 的评分与初级保健医生相当,在引导体格检查方面显著更高;患者演员更偏好视频界面。研究全部使用专业患者演员模拟场景,尚未在真实患者中验证。
匹配字段标题
匹配字段标题
匹配字段标题
2024年10月16日,Suno发布新功能Suno Scenes,可从相机拍摄的照片和视频生成独特歌曲。该功能率先面向iOS移动端用户开放,入口位于歌曲创作体验的Camera模式。用户可用风景、自拍或日常视频作为素材创作并分享内容。
匹配字段标题
Google Research与Google DeepMind 展示 AMIE在实时音视频临床咨询中的专家级表现
English translation is being prepared.
匹配字段标题
2026年5月27日,Saining Xie 提出一项判断:pose 很可能是稳健视频多模态模型所需的最小充分 3D 信号,并强调它容易获取。他同时发布 cambrian 系列最新成果 cambrian-p,其中 p 代表 pose。据其表述,联合建模帧与 pose 能把图像序列转化为全局有根基的结构。目前该判断与成果均来自其本人发布,尚无其他独立来源的后续发展或验证。
匹配字段标题
2026年2月27日,Replit 介绍其视频渲染引擎的实现方式。该引擎向页面注入约1200行 JavaScript,替换 setTimeout、setInterval、requestAnimationFrame、Date 和 performance.now() 等时间 API,让时间只在渲染时按 1000/fps 毫秒推进,从而把任意网页逐帧渲染成 MP4。由于页面内容不受控且视频由 AI 智能体生成,团队没有采用 Remotion,而是从外部对任意网页施加确定性。音频方面通过 monkey-patch Web Audio API 和 HTMLMediaElement 拦截播放意图,再由服务端 FFmpeg 混音;视频元素则经服务端转码为 fragmented MP4、mp4box.js 解复用、WebCodecs 解码后绘制到 canvas。该实现受开源项目 WebVideoCreator 启发,团队计划将其开源。
匹配字段标题
Saining Xie 提出判断 pose 是稳健视频多模态模型所需的最小充分 3D 信号
English translation is being prepared.
匹配字段标题
Together AI 开源发布 视频翻译工具Violin
English translation is being prepared.
匹配字段标题
Together AI 上线 Wan 2.7文本生成视频模型
English translation is being prepared.
匹配字段标题
Replit 介绍 通过虚拟时钟、补丁音频 API 与处理 headless Chrome 怪癖将网页渲染为确定性视频的引擎
English translation is being prepared.
匹配字段标题
2026年11月6日,Krea发布全新Krea Video,称可在浏览器中直接生成电影级视频。官方列出的能力包括电影级相机控制、100+热门预设、面向UGC的模板,以及视频编辑、风格迁移和声音生成功能,并已开放试用链接。目前该产品处于开放试用阶段,尚无后续发展信息。
匹配字段摘要
NVIDIA在Cosmos世界模型平台下新增四个Cosmos 3开放权重检查点,均为Cosmos 3 Nano的后训练版本,含16B可训练参数,采用OpenMDW1.1许可,允许商用与非商用。四个模型分别面向多视角驾驶数据生成、相机与LiDAR同步流式仿真、由模拟器控制生成逼真视频,以及从双臂机器人动作预测视频。原文同时给出四阶段训练配方,覆盖双向适配、teacher forcing、一致性蒸馏与self-forcing。
匹配字段摘要
2026年11月5日,TestingCatalog发现GCP上出现Gemini Omni 1.2 Flash模型的引用记录,并称其将是当前Omni 1.1 Flash视频生成模型的小幅升级。次日,Google DeepMind推出Gemini Omni 1.2 Flash,原生支持最长15秒视频生成,价格较Gemini Omni 1.1下降30%,720p视频为每秒0.07美元;新版本增强参考图遵循与角色、产品、场景一致性,支持多轮对话式编辑,可在不重新生成整段视频的情况下替换产品或背景,已在Gemini API和Gemini for business全面可用,输出带SynthID水印。OpenRouter同日信息显示,该模型上线OpenRouter,支持最长15秒片段、360p至4K分辨率与原生音频,每秒价格比1.1低约30%。
匹配字段摘要
Manus于2026年11月5日宣布,Manus Studio项目现在可以导出到Premiere Pro、DaVinci Resolve、CapCut或Final Cut Pro。用户既可以在Manus中用AI创作并直接剪辑,也可以把视频导出到自选工具中编辑。目前该消息由Manus官方发布,尚无其他后续发展。
匹配字段摘要
2026年11月5日,Generalist宣布扩大GEN-1.5的访问范围,并开放等待名单。同日,Generalist发布视频展示GEN-1.5完成更薄的O型圈操作任务,称这类任务考验模型的灵巧度以及对毫米级细节的感知能力。该帖同时引导用户阅读GEN-1.5详情并加入等待名单。目前尚无后续发展。
匹配字段摘要
2026年11月4日,Pangram发布两款计算机视觉模型:Pangram Image 1.0用于检测AI生成图像,更小更快的Pangram Image Flash 1.0用于逐帧分析AI视频。据Unite.AI报道,官方称Image 1.0可识别99.2%的AI生成图像,误报率0.27%,并在公司自建的1200张合成图像集上达到99.96%准确率;Flash 1.0在DF26基准上得分98.7%,比次优检测器高29分。此次更新还加入热力图输出、原生视频上传、Chrome扩展集成和图像与视频API支持,最小输入降至256×256像素,低于512像素的图像会附带置信度降低提示。heise online同日报道提到,上述准确率数值未经独立验证。
匹配字段摘要
2026年11月4日,PixVerse发布一段动作惊悚片概念视频,帖子称该概念由PixVerse制作。视频内容为豪华酒店爆发打斗,几分钟后女主角出现在屋顶,直升机逼近。目前仅有这一条发布信息,尚无后续发展。
匹配字段摘要
Krea于2026年11月4日发布Krea 3技术报告,深入介绍该模型使用的数据、架构和训练技术。Krea AI官方推文给出报告链接,并附有一段视频。目前尚无后续发展信息。
匹配字段摘要
2026年11月4日,Hao AI Lab宣布将Pika Labs开源的MiniMax H3 Flex接入FastVideo,官方称其推理速度最高达到官方开源推理代码的7倍。在单张GB200上,同一提示词和随机种子生成5秒480p带音频视频,官方代码耗时59.7秒,FastVideo BF16为26.6秒,NVFP4 QAD为16.8秒,FP4 attention为15.2秒。官方代码仅支持单GPU,FastVideo增加多GPU支持后,4卡生成15秒视频提速7倍;单台DGX Spark生成5秒480p首尾帧视频耗时59.5秒。项目同时开放权重、推理代码和完整训练配方,并支持Open-H3-Regenerate-2K的2K模型。
匹配字段摘要