搜索“视频”

腾讯混元转发HyCreator早期访问申请

腾讯混元 转发 HyCreator视频生成Agent工具早期访问

查看事件：腾讯混元转发HyCreator早期访问申请

OpenRouter推出Visual Image Benchmarks

2026年8月21日,OpenRouter上线Visual Image Benchmarks,用于横向评测其平台上的全部图像模型。据OpenRouter公告,截至2026年8月,该基准覆盖39个图像模型,结果以网格展示,并可按价格和生成时间排序。评测提示词分为七类:不可能场景、计数、文字、空间关系、否定、编辑和一致性。同一套并排对比格式也覆盖视频与语音模型,新图像模型上线后会加入网格。用户随后可通过OpenRouter API或Chat,用自己的提示词测试这些模型。目前该基准已上线,尚无后续发展事实。

VentureBeat任命Rob Strechay为首位首席分析师

2026年8月19日,VentureBeat宣布任命Rob Strechay为首位首席分析师,同时担任VentureBeat Research创始分析师。据VentureBeat AI报道,Strechay此前担任theCUBE Research董事总经理兼首席分析师。他将聚焦云基础设施、高级数据基础设施、平台工程与DevOps编排及可观测性,以及AI与企业安全的交叉领域,并主持升级后的VB In Conversation视频访谈系列。报道还提到,他此前已为VentureBeat撰写企业GPU利用率分析,并参与AI Infrastructure & Compute调研评审。目前该任命由VentureBeat AI一家来源报道,尚无其他独立来源或官方证据补充。

Grok分享用@bot做制作助理的流程

2026年8月17日,Grok分享了一套把 @bot 当作制作助理使用的工作流程。按其描述,这一流程先写场景、锁定对白,再把内容拆成分镜,随后通过提示词让 Imagine 生成语音、视频和图像,最后完成剪辑。目前公开的信息仅为这一流程本身,未提及具体工具版本、使用限制或实际效果。

Meta发布Muse Glimmer 30B开放权重模型

2026年8月10日,Meta发布Muse Glimmer 30B开放权重稠密模型,面向本地AI智能体工作负载。据Hugging Face介绍,该模型由2B视觉编码器和28B文本解码器组成,支持图像、无音频视频、多模态工具调用和目标检测,并获得Transformers、llama.cpp及vLLM支持。NVIDIA方面称其上下文窗口120K+,可完整放入单卡显存,覆盖GeForce RTX 5090、DGX Spark、DGX Station和Jetson平台,权重已上线Hugging Face。同日,LMSYS宣布与Meta Superintelligence Labs合作,为Muse Glimmer在SGLang上提供Day-0支持,并针对本地智能体工作流推理优化。8月13日,Unsloth宣布可免费微调该模型,其notebook同时支持GRPO RL训练。

谷歌发布手语转文本模型SL2T

2026年8月12日,Google DeepMind 发布多语言手语转文本模型 SL2T,并应用于 Pixel 11 的 Gboard 和 Live Transcribe,首批支持美国手语(ASL)转英文。据官方介绍,该模型基于超过 50 种手语、逾 10 万小时数据训练,其中约四分之一为 ASL 数据,在 FLEURS-ASL(sd-test)上取得 70 BLEURT 的零样本成绩。为保护隐私,模型只接收 MediaPipe Holistic 在端侧提取的姿态关键点坐标,原始视频随即丢弃,并跳过 gloss 标注直接翻译为文本。8月13日,Demis Hassabis 在社交平台称 SL2T 首次让用户可以直接对着手机打手语,并提到其与聋人社区密切合作打造。目前该模型已落地上述两项功能,暂无进一步开发进展。

Unsloth发布桌面应用并实测2-bit模型

2026年8月11日,Unsloth发布Unsloth Desktop,称其为首个可在本地运行和训练模型的桌面应用,已上线官网和GitHub。该应用开源,支持Mac、Windows和Linux,覆盖MLX、扩散图像/视频、音频、GGUF,可将Claude Code和Codex接入本地LLM,并支持CPU与多GPU环境(NVIDIA、AMD、Intel、Mac)。官方称训练速度提升2倍、显存占用减少70%,工具调用准确率提高50%并支持自愈与沙箱化代码执行,同时提供私有网页搜索、深度研究、RAG、MCP以及NVFP4、GGUF导出。次日,Unsloth公布2-bit NVIDIA Nemotron 3.5 Lightning工具调用实测结果:仅用22GB显存连续运行10分钟工具调用,引用80多个网站,执行了代码,并搜索了10个真实地点,可通过Unsloth Desktop运行和训练。

微软推出空间推理基准MindTopo

2026年8月13日,微软研究院推出多模态模型拓扑空间推理基准MindTopo。该基准从连通性、包围、顺序、打结等五类拓扑属性评估多模态大语言模型的空间理解能力,每类又分为静态推理与交互规划两个认知层级。测试显示,模型在静态推理上普遍强于交互规划,两者均远低于人类水平;规划错误多发生在场景已被理解之后,模型无法在连续动作中维持拓扑关系。图像与视频生成仅在单帧关系可见时偶有帮助,跨序列时经常改变拓扑或违反任务动态。目前尚无后续发展。

腾讯混元发布Hy3D WorldClaw

2026年8月11日,腾讯混元推出名为Hy3D WorldClaw的智能体工作流,可从文本提示词生成大规模3D开放世界。官方说明称,该成果既不是视频,也不是Gaussian Splatting,每个场景都可自由探索,且完全由可编辑、可直接用于游戏的3D资产构建,具备高质量几何与纹理。官方同时给出了项目页面链接。目前公开信息仅涉及发布本身,尚无后续进展披露。

星海图展示纯视觉机器人折箱

2026年8月7日,星海图 Galaxea 展示了一台折叠纸箱的机器人。该机器人仅依靠视觉完成操作,未使用触觉传感器或力/力矩传感器;演示全程实时运行,视频没有加速。目前输入材料仅提供了此次能力展示,未披露机器人型号、技术细节或后续应用计划。

Black Forest Labs发布FLUX 3多模态模型

2026年7月20日,Black Forest Labs发布多模态基础模型FLUX 3并开启早期访问。该模型基于Self-Flow在统一架构中同时学习图像、视频和音频,可单次生成最长20秒带原生音频的视频,支持文生视频、图生视频、视频生视频、关键帧过渡和多语言对话等能力。官方称早期评测结果仍属初步,后续将陆续开放FLUX 3 Video、FLUX 3 Image的API与私有权重,以及FLUX 3 Dev的开源权重。2026年8月4日,Black Forest Labs宣布FLUX 3 Video的初版文生视频与图生视频能力即日起通过BFL API和部分合作方开放,可生成最长20秒的HD视频,支持Full HD放大输出与原生音频,并提供Draft Mode。官方称后续将推出FLUX 3 Image与开放权重版本FLUX 3 Dev。

Amp新增任意文件上传功能

2026年8月4日,Amp发布Attach Anything功能,用户可上传视频、日志、PDF、表格、数据集等任意文件到orbs,供Amp查看和使用。官方列举的用例包括屏幕录制修复应用、日志调试、将演示文稿和表格转为交互式网站、从媒体输入生成视频和CAD文件、转录音视频等。

全球人工智能创新治理成果发布

2026年7月17日,2026上海暑期学校金砖国家项目师生参加人工智能全球治理论坛,并参访中国—金砖国家人工智能发展与合作中心。论坛发布“一鉴”伦理审查智能体系统2.0、《全球人工智能治理指数(2026)》及系列研究报告等成果。活动期间,师生还体验了MiniMax文生视频、智能眼镜和智能外骨骼机器人。

谷歌发布Gemini机器人模型

2026年7月30日,Google DeepMind发布Gemini Robotics ER 2机器人模型,定位为机器人的高层大脑,支持实时空间推理、多步任务规划和多机器人协作,可通过Gemini API、Google AI Studio或Gemini Enterprise Agent Platform调用。官方称,相比ER 1.6,新模型能通过连续视频流跟踪任务进度并实时纠错,在进度分类任务上达到57.4%准确率,在moment-finding任务上达到91.3%准确率和0.96s平均绝对距离。官方还展示了其编排Boston Dynamics Spot的导航与机械臂API完成取物,并支持Apptronik Apollo 2与Franka F3 Duo协作,代码已在GitHub开源。7月31日,Demis Hassabis表示机器人现在可以推理每一个动作,完成此前无法实现的任务,例如打精细的绳结,甚至组队解决复杂工作流。

StepFun联合多家企业举办Voice AI Night

2026年7月28日,StepFun宣布将携手SEAMATE、PLAUD、Firework和Cresta,于7月30日在Mountain View举办Voice AI Night活动。据公布信息,活动面向基础模型、AI硬件、视频电商和企业AI领域的开发者,将围绕构建Voice AI所需的关键议题展开讨论,包括架构、延迟、打断(barge-in)和记忆,以及如何把优秀技术转化为人们真正使用的产品所面临的挑战。活动地点为Mountain View,时间为7月30日,并提供了RSVP报名链接。目前该活动处于宣布与报名阶段,尚无活动实际举办情况的进一步信息。

Black Forest Labs 推出 FLUX Video Upscale

2026年8月21日,Black Forest Labs 推出 FLUX Video Upscale,作为独立的 FLUX Tool 和 endpoint。据其官方博客,该工具可把 480p 起的视频重新生成到最高原生 4K,并能修复生成视频中模糊人脸、水面和草地纹理上的网格伪影。它提供 Precise 和 Creative 两种模式:Precise 为 4 步、$0.07/mp/s;Creative 为 8 步、$0.10/mp/s,后者修复和细节更强但可能改变人物身份。upscale_factor 支持 1.5x、2x 和 3x,从 hd 输入大致对应 1080p、2K 和 4K,可通过 BFL API 和 playground 使用。目前尚无后续发展事实。

MiniMax 发布通用多模态生成模型 H3

2026年7月31日,MiniMax 发布通用多模态生成模型 H3。据官方信息,H3 可理解由文本、图像、视频和音频组成的统一上下文,生成带原生立体声的视频,最长 15 秒、2K 分辨率。官方称 2K 下每秒价格不到主流模型的三分之一,768p 价格不到主流模型 720p 的一半,并计划在近日开放模型权重。H3 采用 Contextual Omni Representation、H3-VAE、H3-Omni Transformer 和 In-Context Regeneration 等技术,官方表示完整技术报告即将发布。目前尚无后续有证据支持的发展。

RadixArk与Google Cloud合作将SGLang引入TPU

2026年7月30日,SGLang维护方RadixArk与Google Cloud达成合作,将SGLang推理框架引入TPU。据LMSYS Blog当日发布的信息,开发者目前可通过SGL-JAX在最新几代TPU上运行SGLang,支持Gemma、Qwen、DeepSeek、GLM、Kimi、MiniMax、Grok等模型,以及Wan、Flux等视频图像扩散模型。同一来源称,今年晚些时候RadixArk还将推出PyTorch原生的SGL-torchtpu后端,支持eager执行、PyTorch生态兼容与MPMD,并计划让新开源模型在TPU与GPU上同日可用。目前该合作尚无后续独立发展事实,状态以这一官方发布为准。

Black Forest Labs 正式开放 FLUX 3 Video 生成能力

Black Forest Labs 正式开放 FLUX 3 Video 的文生视频与图生视频生成能力

查看事件：Black Forest Labs发布FLUX 3多模态模型

Amazon缩减多数Nova AI模型并重组团队

据Bloomberg报道,Amazon在自研大语言模型未能取得预期成果后,缩减了多数Nova模型的投入,并将文本、视频和图像生成模型置于仅维持最低资源的状态。公司把算力和人力转向由Pieter Abbeel领导的单一前沿模型项目;此前一周,Amazon还关闭了旧金山一处80人的AGI研究办公室。目前尚无后续进展披露。