用 vLLM-Omni 在 SageMaker 上生成图像与
AWS Machine Learning 讲解 用 vLLM-Omni 在 SageMaker 上生成图像与视频（下）
English translation is being prepared.
匹配字段摘要
←搜索结果
搜索“视频”
CHunye用Seko制作短剧DUHAI
2026年9月28日,商汤发布消息称,22岁艺术设计学生CHunye使用商汤AI视频创作Agent Seko独立完成日式僵尸短剧《DUHAI》。据该消息,该剧从第3集起全部由Seko制作,至第9集时在抖音等平台累计播放量已超7400万次。Seko将创意想法转化为结构化制作流程,把角色、场景和道具整合在同一画布上,其视觉记忆与推理能力帮助保持跨集一致性。目前尚无后续发展事实。
匹配字段摘要
Opus 5.5展示远程控制定格动画
2026年9月26日,Claude Opus 5.5制作并展示了Claude Code Remote Control的黏土定格动画版本。据发布者Noah Zweben介绍,今年2月首次推出/remote-control时,他曾用Opus 4.6制作相关视频,此次则是Opus 5.5的黏土动画版,并称“Remote Control with 5.5,急用时必备”。目前该事件仅有这一条代表性证据,尚无后续发展事实。
匹配字段摘要
Ben Tossell用AI代理开发设备时间线
Ben Tossell 用一个上午做出 50 年科技设备时间轴网站,收录 87 台 1976 至 2026 年的设备,全部图片由 Astra 生成,共 40 条消息、7 个 subagent、1455 票。网站先在 Codex 中启动、后用 Factory 的 Droid 完成,支持拖动时间轴切换设备、投票标记“用过/想要”并生成可分享的个人设备页,还由 luna subagent 生成了 10 秒视频演示。目前没有后续发展。
匹配字段摘要
Midjourney以编辑模型取代Omni Reference
2026年9月25日,Midjourney表示其编辑模型已取代Omni Reference,并称该模型在各方面都应该更好。相关说法来自Midjourney发布的消息,其中提到很快会发布一个视频,把这一点讲透。目前没有更多有合格事实证据的后续发展,事件状态停留在这一宣布上。
匹配字段摘要
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。
匹配字段摘要
Midjourney更新网页端样式预览与编辑体验
2026年9月23日,Midjourney更新其网页端功能,涉及样式预览、默认参数及创作编辑体验。据官方更新说明,此次更新在alpha.midjourney.com上线:Styles侧边栏新增“Live previews”实时预览,可边浏览边用当前提示词预览各样式;Settings→Advanced→Your defaults支持保存默认参数,也可点击“Set current pills as default”。Create Feed改为全宽瀑布流,提示词与按钮悬停显示、视频悬停播放,并新增Grid/List视图、就地Organize模式和跨项目Archive。编辑器现支持v8.1与v8.2编辑类型,画布可跑HD;韩语已从alpha扩展到midjourney.com全量上线。目前尚无后续发展事实。
匹配字段摘要
StepFun开源数据标注与模型检查工具onPanda
2026年9月22日,阶跃星辰(StepFun)开源了内部用于LLM数据标注与模型检查的工具onPanda。据其发布信息,该工具的工作流为定位错误、修正token、让模型继续生成;数据标注中位耗时比人工后编辑低52%,SFT与偏好数据可在同一流程完成,on-policy保真度高(ΔPPL<1%),并支持token级正负样本监督及图像、音频、视频的agent轨迹标注。模型检查方面,可查看token概率与top-k备选、逐token引导解码,并在浏览器中探索SVG生成、Web开发和agent任务。目前尚无后续发展事实。
匹配字段摘要
StepFun公布Step 5 Preview评测成绩
2026年9月22日,阶跃星辰(StepFun)公布旗舰模型 Step 5 Preview 在 Artificial Analysis 智能指数上的评测成绩,得分为 44,每任务成本 0.71 美元。官方称该成绩把智能与成本的帕累托前沿向外推进。据同一来源,该模型采用 600B 总参数、27B 激活参数的 MoE 架构,支持 1M token 上下文以及文本、图像、视频输入;定价为每 100 万输入/输出 token 1 美元/2.70 美元,缓存输入 0.05 美元。目前该模型通过阶跃星辰一方 API 提供,并计划于 10 月 15 日开源权重。截至现有材料,尚无后续独立发展事实。
匹配字段摘要
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。
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。
匹配字段摘要
Grok推广用Imagine制作电影场景
2026年9月18日,Grok发帖邀请用户用Grok Imagine制作自己的电影场景,推广该工具的电影场景制作能力。被引用的Grok Imagine帖子称,@PJaccetturo及其工作室用9天、3,627张图像、3,043段视频完成一部试播片,生成成本2,677美元。目前没有后续发展事实,事件状态停留在这一推广动作。
匹配字段摘要
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。
匹配字段摘要
Sakana AI与东京大学提出SAIL机器人轨迹生成方法
2026年9月27日,Sakana AI与东京大学合作提出SAIL(Scaling In-Context Imitation Learning)机器人轨迹生成方法,通过测试时扩展让视觉语言模型(VLM)更可靠地生成机器人轨迹,并将在IROS2026展示。该方法以策略VLM生成轨迹,在模拟器中测试,由评估VLM审查视频并定位停滞点,再用MCTS探索候选并修订,仅将选定轨迹发送给实体机器人。在六项模拟操作任务中,搜索预算从1个候选增至45个,平均成功率从25%提升到73%。目前尚无后续发展事实。
匹配字段摘要
小米 MiMo 发布 MiMo-V2.6 Pro 与 Flash
2026年9月22日,小米 MiMo 发布 MiMo-V2.6 Pro 与 Flash 两款全模态模型,将代码、设计与工具调用整合到界面、幻灯片、SVG、视频和音乐等场景。官方称 Pro 在 Design Arena 上的表现与 Claude Opus 5、GPT-5.6 Sol 相当,在多数 agent 基准上与二者持平,并在 Artificial Analysis Intelligence Index 上得分 46。官方还展示科研辅助案例,包括与小米材料研究人员合作提出用于捕获 PFAS 的 MOF 材料,以及协助在 Lean 4 中形式化 Li–Yorke 混沌定理。Pro 与 Flash 的权重、技术报告、7K+ RL 任务环境、端到端 RL 框架及 MiMo-V2.6-Distill-Qwen-9B 均已开源,API 定价与 V2.5 保持一致。9月27日,小米 MiMo 团队发布技术复盘,说明 MiMo-V2.6 在 MiMo Desktop、MiMo Code、OpenCode 等智能体场景中会出现工具调用重复,内部评测中响应级重复率超过 0.05%;团队最终改用基于 M
匹配字段摘要
Meta介绍Muse Realtime Voice与Avatar统一流式架构
2026年9月24日,Meta发布并介绍由Muse Realtime Voice与Muse Realtime Avatar组成的统一流式架构。据Meta介绍,二者通过共享语音token流连接:前者生成编码内容与韵律的语音token,后者消费同一流并生成流式视频。系统以固定长度历史作为后续分块的动作上下文,在任意对话长度下保持有界计算,同时生成同步的语音、唇动与表情。团队将带3-way CFG、每段视频需120次评估的40步扩散教师模型蒸馏为无引导的2步因果学生模型,配合固定长度KV cache与self-forcing,以少60倍的评估次数接近教师质量。Meta还称,在自家实时通话产品中与两个商用化身系统对比,Muse Realtime Avatar在整体偏好上领先。目前尚无后续发展事实。
匹配字段摘要
Black Forest Labs 发布 7B 世界动作模型 FLUX 3 Action
2026年9月22日,Black Forest Labs 发布 FLUX 3 Action,一个从多模态 FLUX 3 主干衍生的 7B 开放权重世界动作模型,用于机器人控制。据其官方博客,该模型在 RoboLab-120 榜单上以不到此前最佳开源模型一半的参数量取得 38.3% ± 0.38 的成功率,速度最高提升 3.95 倍。模型在图像、视频和音频数据上预训练,其中视频占训练 token 的 95% 以上,再通过联合视频-动作训练和针对目标本体的微调适配动作空间。报告还分析了将其与 GPT 6 Astra 等推理模型组合的混合方案,称快速控制能让具身推理更省时省钱,每美元成功率最高提升 53.64%。目前尚无后续发展事实。
匹配字段摘要
Politano分析AI与创意行业就业流失的关系
2026年9月27日,Apricitas作者Joseph Politano发表分析,讨论AI与创意行业就业流失的关系。其统计显示,美国创意行业过去四年流失超过20万个岗位,其中近一年约5万个;影视与录音行业损失超过10万个岗位,接近该行业总岗位的三分之一。文章认为,出版业岗位下滑是长期技术变迁的延续,流媒体竞争与AI生成内容正在挤压视频行业的商业模式,并类比互联网冲击下报纸岗位减少近85%的处境。作者同时指出,书籍销量近六年增长70%来自TikTok的意外带动,说明新技术与艺术商业的互动难以预测。目前该分析经Hacker News热门转载,尚无后续发展事实。
匹配字段摘要
Krea Agent上线运动参考功能
Krea 宣布 Krea Agent 上线运动参考(motion references)功能。据 Krea AI 于 2026 年 9 月 26 日发布的信息,该功能可从任意视频片段中提取运动,并应用到新的角色、场景或元素上。目前该功能已随 Krea Agent 提供,尚无后续发展事实。
匹配字段摘要
Qwen发布全模态模型Qwen3.8-Omni-Flash
2026年9月18日,Qwen发布全模态模型Qwen3.8-Omni-Flash。据官方信息,这是其首个围绕智能体能力构建的全模态模型,原生支持音视频理解、推理与工具调用。官方称其音视频能力接近Gemini 3.8 Flash,在WildClawBench-MM与UniClawBench上智能体表现平均提升19.5分;支持1M token上下文,在OmniVideoBench上比静态理解少用51.8% token。视频输入成本较Qwen3.5-Omni-Plus降低约89%。发布同时开源Qwen-MM-Plugins,Qwen-Live Harness即将推出。目前尚无后续独立发展事实。
匹配字段摘要
息壤开物宣布连续完成数亿元种子轮及天使轮融资
2026年9月25日,Physical AI 创业公司息壤开物宣布连续完成数亿元种子轮及天使轮融资,由敦鸿资产领投,估值达5亿美金。公司由前华为云大模型CTO李寅任创始人兼CEO、前华为多模态首席科学家张含望任联合创始人,目标是做 Large Physics Model(LPM),即先从海量视频、机器人轨迹和真实交互中预训练物理基础模型,再迁移到不同本体和任务。息壤披露其模型在 World Arena 2.0 Track 1 的 Trajectory Accuracy 单项排名第一、Physical Adherence 单项排名第二,训练成果 XIRRA v0.1 计划于今年晚些时候亮相。目前尚无后续发展事实。
匹配字段摘要