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。
匹配字段摘要
2026年7月24日,Robbyant(蚂蚁灵波)发布了一场围绕LingBot 2.0技术理念的访谈。据其发布信息,访谈由首席科学家沈宇军与资深科技记者@zhang_benita对谈,内容涉及驱动LingBot 2.0的技术理念,以及沈宇军的研究与职业历程。发布内容带有#LingBot2、#EmbodiedAI、#Robbyant等标签,并附有YouTube视频链接。目前该故事处于活跃状态,尚无更多后续进展披露。
2026年7月24日,Robbyant(蚂蚁灵波)发布了一场围绕LingBot 2.0技术理念的访谈。据其发布信息,访谈由首席科学家沈宇军与资深科技记者@zhang benita对谈,内容涉及驱动LingBot 2.0的技术理念,以及沈宇军的研究与职业历程。发布内容带有 LingBot2、 EmbodiedAI、 Robbyant等标签,并附有YouTube视频链接。目前该故事处于活跃状态,尚无更多后续进展披露。
匹配字段摘要
2026年7月21日,LiveKit 正式发布 Unity SDK v2.0.0,将其移出 Developer Preview 阶段,并实现与现有 LiveKit SDK 的功能对齐。该 SDK 支持低延迟语音聊天、音视频流、VR 远程操控机器人,以及接入 LiveKit agent 打造语音 AI NPC,可选 STT→LLM→TTS 管线或单一实时模型。官方支持 Unity 2022.3 及以上版本,覆盖 macOS、Windows、Linux、iOS 和 Android 平台。
匹配字段摘要
Odyssey联合创始人兼CTO Jeff Hawke于2026年7月14日阐述了公司从自动驾驶研究转向通用世界模型的技术路线,目标是让模型直接从视觉和声音中学习世界。Odyssey已围绕实时交互像素、音视频联合生成、多人共享状态和模型自我改进推出Odyssey-2、Starchild-1、Agora-1与PROWL。Hawke将世界模型的发展阶段比作“GPT-2时代”,认为规模化应用尚未到来,但视觉、音频与语言模型可能逐步汇合。
匹配字段摘要
Robbyant 蚂蚁灵波宣布,其 LingBot-VA 论文被 RSS2026 正式接收。该论文聚焦原生视频-动作预训练如何解锁通用机器人控制,涉及 LingBot 2.0 背后的思路。团队将前往悉尼参会,在 Gold 03 展位整周与 LingBot 团队交流,并安排行业演讲:7 月 16 日下午 4:20,时长 5 分钟,主题为纯机器人学习。
匹配字段摘要
Odyssey于2026年6月23日宣布完成3.1亿美元B轮融资,估值达14.5亿美元。本轮由Natural Capital领投,Amazon、GV、AMD Ventures、EQT和IQT等参投。其世界模型产品包括实时生成同步音视频的Starchild-1、维持多参与者共享状态的Agora-1,以及通过主动探索缺陷来改进模型的强化学习智能体PROWL。
匹配字段摘要
2026年6月16日,xAI发布Grok Imagine Video 1.5,并宣布该图生视频模型在Imagine API正式可用,模型名为grok-imagine-video-1.5。同时,Video 1.5 Fast已上线grok.com/imagine及iOS、Android应用。官方称这是其目前最好的图生视频模型,音效、环境音与对白在同一次生成中完成,语音更清晰、同步更好,画面运动与物理表现更稳定。官方还表示,Video 1.5 Fast生成6秒720p视频约需25秒,此前模型需40秒以上;未来几天还将上线Projects、多智能体并行和素材库搜索等功能。目前尚无后续发展事实。
匹配字段摘要
2026年5月20日,Google在I/O开发者大会上宣布重新设计沿用25年的搜索框,将其从关键词输入框改为可接受文本、图片、PDF、视频和Chrome标签页的多模态对话入口,并立即在支持AI Mode的所有国家和地区上线。Google同时把AI Overviews与AI Mode合并为一条连续搜索流程,用户可在传统结果页直接追问,无需切换界面。新体验由Gemini 3.5 Flash驱动。Google称AI Mode上线一年月活已超10亿,AI Overviews月活超25亿。目前尚无后续有证据的发展。
匹配字段摘要
2026年5月19日,Google DeepMind推出多模态视频生成与编辑模型Gemini Omni Flash。据Google DeepMind介绍,该模型可接收图像、音频、视频和文本输入,生成高质量视频,并支持通过多轮自然语言对话进行编辑。该模型正向Gemini app、Google Flow和YouTube Shorts推出,未来数周将通过API面向开发者和企业客户开放;初期音频输入仅支持语音参考,生成视频均含SynthID数字水印。另有报道称,Gemini Omni将Gemini的智能与Veo、Nano Banana的能力结合,支持跨场景角色一致性、文生视频编辑以及动态物理与环境表现,当天开始推送。目前该故事尚无后续发展事实。
匹配字段摘要
2026年5月15日,xAI宣布即日起可在Nous Research的开源自我改进智能体Hermes Agent中直接使用Grok订阅。接入后,用户可用Grok 4.3进行文本对话与高级推理,用Grok Text-to-Speech生成语音回复,用Grok Imagine生成图像和视频,所有订阅档位均可使用。Hermes Agent可持久运行在任意电脑、沙箱或VPS上,跨会话建立长期记忆,并能连接WhatsApp、Discord、Telegram、Signal等消息平台。用户通过hermes model选择xAI Grok OAuth并浏览器登录即可启用。目前该消息由xAI官方发布,尚无后续发展事实。
匹配字段摘要
2026年3月3日,Physical Intelligence发布Multi-Scale Embodied Memory(MEM)机器人记忆系统。该系统为模型同时提供短期视觉记忆和长期语义记忆:短期记忆用高效视频编码器记住近期交互的细节,长期记忆则让模型用文本总结事件,最长可记住15分钟的内容。据发布信息,该记忆系统使机器人能够完成清理整个厨房、按食谱备料等多阶段真实任务,并展现出从过去错误中即时调整行为的上下文适应迹象。
匹配字段摘要
2026年1月28日,xAI发布Grok Imagine API,将视频生成与视频编辑能力打包为面向端到端创作流程的API组合。据官方介绍,Grok Imagine是xAI目前最强的视频音频生成模型。该API支持从文本或图像生成视频,并支持增删替换物体、场景与物体控制、风格重绘等编辑操作,同时支持竖屏、横屏等比例与灵活片段长度。官方称其在延迟、并发和成本上做了优化,并已在合作方平台与自家API上线,同时提供SDK、教程和可视化控制台。目前尚无进一步有证据支持的发展。
匹配字段摘要
2026年6月18日,Runway 的 Aleph 2.0 模型在 Figma Weave 上线。据 Figma AI / Agent / Make 发布的信息,该模型支持最长 30 秒的视频片段和帧级创意控制。用户可导入参考图统一画面风格,关键帧编辑会跟随主体贯穿其出现的每一帧,并能在画布上改变机位、加入新角色或彻底转换环境而无需重拍。目前尚无后续发展事实,事件状态停留在上线这一节点。
匹配字段摘要
2026年4月6日,Sakana AI宣布完成一套面向SNS空间的虚假信息对策系统开发,该系统覆盖SNS空间可视化、虚假信息判定与对策立案支援。据Sakana AI官方博客介绍,其novelty search技术可递归采样X帖子数据以抽取高影响力叙事,并以层级叙事树进行可视化;判定端结合前沿基座模型与自研模型,检测图像视频的生成加工痕迹,并实现自动事实核查;对策端则基于自研ABM框架Shachi模拟SNS空间,验证反制发信效果。该系统属于日本总务省「互联网虚假与错误信息对策技术开发与实证事业(令和7年度)」项目。目前尚无后续发展事实。
匹配字段摘要
2026年3月26日,Runway 宣布与 Modal 合作,由 Modal 的无服务器计算平台为 Runway Characters 提供实时推理支持。据 Modal 官方工程博客介绍,Runway Characters 是基于通用世界模型 GWM-1 的实时视频智能体 API,可从单张图片生成数字人形象且无需微调,已服务财富 10 强科技公司、好莱坞制片厂等数千家机构。借助 Modal,Runway 团队在 30 天内从概念验证推进到生产环境,并通过一行代码将容器扩展为支持 RDMA 网络的多节点 GPU 集群。目前该合作已进入生产环境阶段,暂无后续发展事实。
匹配字段摘要
2026年2月13日,Sarvam AI 推出 Sarvam Studio,一个将语音、文本和文档工作流整合到单一工作区的多语言内容转换平台,支持 AI 视频配音和智能体文档翻译。据 Sarvam AI Blog 同日发布的信息,在约 280 次与 ElevenLabs、YouTube Dub、Rask AI 等平台的盲测对比中,Sarvam 的配音输出获得最强整体偏好,说话人相似度平均得分 0.88,为研究中最高。该平台目前正通过受控早期 beta 计划,向政府、教育、媒体和出版领域的少量生产合作伙伴逐步开放。目前尚无后续发展事实。
匹配字段摘要
2026年2月7日,Saining Xie(谢赛宁)提出判断,认为自动驾驶将比任何其他领域更快产生现实影响。他在相关发言中还表示,世界模型不只是关于视频,而是关于对各类连续、高维、含噪信号的建模,这才是“多模态”的真正含义,并向 Waymo 团队相关成员表示祝贺。目前该判断仅有其本人发言作为证据,尚无后续发展事实。
匹配字段摘要
2026年1月7日,Qwen发布Qwen3-VL-Embedding与Qwen3-VL-Reranker系列模型。据Qwen Blog介绍,该系列基于Qwen3-VL底座,面向多模态信息检索与跨模态理解,支持文本、图像、截图和视频输入,覆盖30多种语言。其中Embedding采用双塔架构做高效初筛,Reranker采用单塔Cross-Attention对(Query, Document)对联合编码输出相关性分数,两者串联构成两阶段检索流程。官方称Qwen3-VL-Embedding-8B在MMEB-v2上取得SOTA,Reranker-8B在多数任务上表现最佳。模型提供2B与8B两种规格、32K序列长度,并支持量化与自定义向量维度。目前尚无后续发展事实。
匹配字段摘要
Google DeepMind 推出 多模态视频生成与编辑模型Gemini Omni Flash
English translation is being prepared.
匹配字段摘要
2026年5月2日,Ed Bayes 发帖提出判断,认为 AGI 将需要新的交互界面。他在帖中附上一段视频,展示自己做的界面,并自嘲“看起来像个土豆”。该帖还引用了 Kath Korevec 关于为 Codex 添加 Pets 功能的帖子,称 Pets 为 Codex 增添趣味,同时能在边缘区域提供 Codex 正在做什么的信息。目前该判断仅有这一条来源,尚无后续发展事实。
匹配字段摘要