搜索“视频”

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

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

谷歌研究盲扫超声AI

2026年10月6日,Google Research 公布一项研究,验证端侧AI通过盲扫超声判断胎龄和胎位。该研究由 Google 与 Northwestern、Jacaranda Health 合作,在肯尼亚内罗毕和芝加哥各招募1000名孕妇,让未经超声训练的医护按预设路径进行盲扫超声,再由机器学习模型分析视频,判断孕周和胎位,准确率与专业超声技师相当。操作者只需8小时培训,模型处理全部在设备端完成,无需电力或Wi-Fi即可给出结果。目前尚无后续发展事实。

Computer智能体实时对战星际争霸

2026年10月6日,Perplexity 的 Computer 智能体实现了 StarCraft 实时对战,游戏在智能体思考时不暂停。整套系统由 VPS 上的 OpenBW Brood War 运行时、C++ 桥接和每个智能体四个游戏工具组成,各智能体只拿到受战争迷雾限制的自身游戏状态,不接收视频输入。最终一局 Blue 2–Red 5,Blue 攒到 41 个 Dragoons 后出击,被 Red 的 High Templar 用 Psionic Storm 击溃,原因是 Blue 未侦察 Red 的建造。目前没有后续发展事实。

Reka AI发布全模态模型Rho-1

2026年10月6日,Reka AI 发布全模态模型 Rho-1 的研究预览版。据 The Decoder 报道,Rho-1 为 190 亿参数模型,在单一神经网络中处理并生成文本、图像、视频和机器人控制动作,所有模态作为 token 放在同一共享上下文窗口中运行,不调用工具或外部模型,可实时生成连续视频并即时响应新指令而无需重启;预测摄像头图像的同一套权重也驱动机器人动作,为绕开机器人训练数据稀缺,Reka AI 构建逆动力学模型从普通互联网视频中提取控制信号,模型在 320 块 H100 GPU 上训练约三个月。同日 MarkTechPost 报道称,该模型每个 Transformer 块包含理解与生成两套专家权重流,共享注意力和同一 KV cache,离散 token 承载文本与高层指令,连续 token 承载图像潜变量、视频帧、机器人动作和本体感知;蒸馏版本把去噪步数从 99 步降到 8 步,约 1 秒返回 5.3 秒片段,视频分辨率上限 672×384,目前仅研究预览,未公开权重、API 或定价。

LiveKit发布语音Agent平台对比评测

2026年10月6日,LiveKit发布面向开发者的语音AI智能体平台对比评测,将Retell、Vapi与LiveKit三款平台并列比较。评测围绕四个工程问题展开:发布后是否需要持续迭代、需求超出默认配置时如何改动、是否要支持电话之外的Web、移动、视频、设备或WhatsApp,以及规模化成本。在实现方式上,Retell依靠滑块和字段配置,Vapi依靠PATCH assistant与schema,LiveKit则把开源Agent框架放进开发者自己的代码仓库。按公开定价估算,LiveKit全包成本约从Gemma 4 31B、AssemblyAI Universal-Streaming与Fish Audio S2.1 Pro组合起,到GPT-5.5、AssemblyAI Universal-3.6 Pro Streaming与Cartesia Sonic 3.5的高配方案。目前该评测由LiveKit产品与工程博客发布,尚无其他后续发展。

构建Cosmos3-DROID学习管线

2026年10月6日,MarkTechPost发布教程,介绍如何构建基于NVIDIA Cosmos3-DROID的流式机器人学习管线。教程演示无需下载其707 GB仓库,而是通过HTTP byte-range与PyArrow按行组、列读取Parquet,并用基于seek的PyAV/FFmpeg只解码所需的AV1视频窗口。随后将episode转为状态-动作轨迹,用数据集统计量归一化,构建ACT风格分块PyTorch数据集并训练多模态行为克隆策略。最后以开环rollout和时间集成评估,报告逐关节MSE与R^2并保存策略checkpoint。目前该故事尚无后续发展事实。

PyTorch整合TorchCodec等媒体处理栈

2026年10月6日,PyTorch宣布整合其媒体处理栈,将图像、视频、音频的解码与编码能力统一收敛到TorchCodec。据PyTorch Blog介绍,TorchVision和TorchAudio中相关API已弃用或移除,两者今后专注transforms。TorchCodec支持CPU与CUDA,CUDA视频解码性能普遍优于旧实现,并集中处理FFmpeg 4至9等依赖。三个库现已ABI稳定,不再绑定单一PyTorch版本。目前尚无后续发展事实。

Understanding AI宣布新撰稿人Dan Kagan-Kans

2026年10月6日,Understanding AI 宣布 Dan Kagan-Kans 加入团队成为新作者。据该媒体介绍,Dan Kagan-Kans 此前有十年 Mosaic 杂志管理编辑经历,近一年作为自由撰稿人报道 AI。其职位由 Tarbell Center for AI Journalism 的 fellowship 资助。报道还提到,Dan 将于宣布次日和周三开放视频通话时段与读者交流。目前该消息由 Understanding AI 一方发布,尚无其他来源的独立报道。

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。

发布生成式AI应用发展报告

2026年9月29日,中国互联网络信息中心政策与国际合作所在第七届中国互联网基础资源大会上发布《生成式人工智能应用发展报告(2026)》。报告显示,截至2026年上半年,我国生成式人工智能用户规模突破7亿人,普及率超过50%。报告称76.0%的用户用其回答问题,处理图片/视频、文本、工作总结/会议纪要/PPT的占比分别为47.8%、37.6%和32.5%。截至2026年6月,我国智能算力规模达2185EFLOPS,同比增长177%,已建成高质量数据集超过12万个。报告还提到,2026年上半年我国发生1255起人工智能相关投融资事件,合计金额约2501.4亿元。目前尚无该报告发布后的进一步有证据发展。

PixVerse推出短剧插件

2026年10月3日,PixVerse推出AI代理场景视频生成插件PixVerse Short Drama。据A6 a6-010 · PixVerse报道,该插件让AI智能体把场景描述直接生成完整视频:用户只需描述角色、场景、动作和情绪,智能体即可调用PixVerse完成从文字到视频的转换,方便团队直接观看和讨论。目前尚无后续发展事实。

PixVerse发布NAB Show NY注册链接

PixVerse发布了NAB Show NY的注册链接。据其发布的信息,PixVerse将在NAB Show NY现场展示AI视频工作流,活动时间为10月21日至22日,地点在纽约。该信息还提到,欢迎参加10月21日Day 1之后的happy hour。目前该事件仅有这一条代表证据,暂无后续发展事实。

Hao AI Lab发布FastVideo FastH3

2026年9月30日,Hao AI Lab发布FastVideo FastH3。据其公布的结果,在8× GB200上,一段5秒1344×768带音频的片段可在3.1秒内输出为成品MP4,10秒片段为6.3秒,使用NVFP4时为5.4秒。在负载下,8× GB200每天约可生成11,000个视频,8× RTX PRO 6000约为3,400个。

Instagram推出AI创作助手

Instagram于2026年9月30日宣布,在其独立应用Edits中加入AI“创作助手”。据The Verge AI报道,该助手可调取账号的点赞、播放、视频留存和分享等数据,回答创作者关于趋势、内容表现和选题的问题,并给出标题、音频、脚本等建议。报道还称,该助手能识别长期数据规律,提供单看指标无法得出的建议。目前没有后续发展事实,该功能仍处于此次宣布的状态。

商汤预告SenseNova动态设计

2026年9月30日,商汤科技预告由SenseNova 6.8 Flash Preview驱动的Dynamic Design功能。据代表来源报道,该功能可将静态图像转为动态设计:判断文字、主体与视觉元素的关系,决定哪些保持静态、哪些做动画,并为每个元素选择HTML/CSS、SVG、透明图片或视频等合适形式,再将文字显现、主体运动与环境响应编排成连贯节奏,最后对照原始设计检查并优化输出。报道称SenseNova 6.8 Flash尚未正式上线,官方开放限量beta体验,需在评论区留言申请。目前尚无后续发展事实。

英伟达团队发布Physis-Lang

2026年9月30日,NVIDIA、MIT与牛津大学研究团队发布自进化物理语言框架Physis-Lang。该方法把物理推理写入视频描述文本,同一套文本用于数据筛选、训练和推理;据代表来源报道,其用GPT-5.5生成描述、Gemini-3.1-Pro作物理评审并迭代指令,最终训练集含183K视频,仅检索环节就在3个基准上平均提升3.01分,微调仅用LoRA。在2026年9月29日的Physics-IQ Verified榜单快照中,Cosmos3-Super以48.2±1.4排名第一,Cosmos3-Nano以43.3±1.5排名第二。目前尚无后续发展事实。

PixVerse推出短剧插件

PixVerse 推出 AI代理场景视频生成插件PixVerse Short Drama

查看事件：PixVerse推出短剧插件

Aravind Srinivas 评价 Computer 内置 Seedance

2026年10月1日,Aravind Srinivas 对 Perplexity Computer 内置的 Seedance 作出评价,称其在 Computer 里用于营销和品牌内容效果相当惊艳。同一来源的表述还提到,可在 Perplexity Computer 中使用 Seedance 2.5 为小企业生成商业或品牌视频,并称这支广告完全在 Computer 内制作,涵盖品牌视觉、产品样机和完整视频剪辑。目前没有后续发展事实,事件状态停留在该评价本身。

亨利·卡维尔与谷歌合作开发游戏

Henry Cavill与Google 合作开发 使用Googlebook制作的视频游戏

查看事件：亨利·卡维尔与谷歌合作开发游戏