⌘ K
… 读取采集状态 同步中...
雷

AI 视频

AI 视频生成与理解：文生视频模型、视频编辑工具与影视创作变革的追踪。

58条精选相关主题图像生成多模态语音与音频

最新精选

第 41–58 条 · 共 58 条
8月11日周二
  1. 人工智能学家80

    Seedance 2.5 API 上线，实测对比 2.0 展现电影级长叙事与物理规律理解提升

    Seedance 2.5 API 正式上线，Runway 等海外创作平台已接入。实测对比显示 2.5 在光影质感、物理因果逻辑、长镜头角色一致性方面显著优于 2.0，具备 30 秒电影级长叙事能力，大幅降低了后期抽卡率。

    推荐理由：文章通过2.0与2.5在物理规律、角色一致性等维度的对比实测，展示了模型从随机生成向精准执行转变的能力跃升。

8月8日周六
  1. APPSO79

    Higgsfield 全 AI 电影《Hell Grind》制作指南与方法拆解

    Higgsfield 公开全 AI 电影《Hell Grind》制作资料，影片 95 分钟由 15 人团队在 14 天内完成，使用 Seedance 2.0 等工具生成视频。团队通过建立固定角色资产、绘制空间地图和逐镜头时间轴，解决模型一致性难题。一份提示词可达数千字，需将情绪转化为可见身体动作，并遵循十到十五次生成失败后的简化原则。

    推荐理由：原文拆解了 Higgsfield 制作全 AI 电影《Hell Grind》的方法，揭示了提示词控制一致性、空间与表演的具体技巧。

8月7日周五
  1. 新智元70

    LightWan2.2-A14B 推理优化实现 720p 视频实时生成

    LightWan2.2-A14B 模型通过步数蒸馏、NVFP4 量化感知训练和动态稀疏注意力优化，在单张 RTX 5090 上实现 14B 视频模型高效运行，8 卡配置下 T2V 生成 5 秒 720p 视频仅需 3.8 秒，I2V 仅需 4.5 秒，相较原始模型最高加速达 705.8 倍。该项目已开源，提供单卡与多卡复现脚本。

    推荐理由：提供了单卡和多卡下的具体推理加速数据与工程优化细节，读者可据此评估消费级GPU运行14B视频模型的可行性。

  2. 新智元79

    京东开源 16B 参数实时视频编辑模型 JoyAI-Video-Edit

    京东开源 JoyAI-Video-Edit，这是一款 16B 参数的多模态扩散 Transformer 模型，支持 720P 分辨率下每秒 30 帧的实时流式视频编辑。模型采用有界 KV 状态推理机制解决长视频误差累积问题，在 OpenVE-Bench 基准测试中总分 3.60，达到离线商业模型水平，相关代码与权重已同步在 GitHub 和 Hugging Face 开放。

    推荐理由：京东 JoyAI-Video-Edit 以 16B 参数和 720P 实时推理能力，展示了流式视频编辑与离线模型在质量上的差距正在被填平。

8月6日周四
  1. APPSO82

    阿里 Wan 3.0 视频模型开启公测：单次生成 30 秒支持多文档输入

    阿里视频生成模型 Wan 3.0 开启公测，支持单次生成 30 秒视频并新增 doc、xls、ppt 等文档格式输入。实测显示该模型在风格统一性和镜头美学上表现稳定，支持局部区间编辑以降低反复生成成本。Wan 3.0 API 近期将全量开放，720P 定价为 0.6 元/秒。

    推荐理由：实测了Wan 3.0在30秒长视频生成、多文档输入及局部编辑上的能力，并展示了其对叙事镜头美学的支撑效果。

  2. DeepTech深科技88

    Sand.ai 开源 114B MoE 视频模型 MAGI-2 Preview

    Sand.ai 开源首个千亿级 MoE 视频生成模型 MAGI-2 Preview，总参数 114B、激活 6B，统一音视频生成。该模型采用细粒度专家并行与 MagiMoE 内核，内部测算 10 秒视频生成成本约 0.5 元，并登上 Artificial Analysis 图生视频榜单第 6 位。

    推荐理由：首次提供千亿级开源 MoE 视频生成模型，其架构与成本测算可供拆解验证。

8月5日周三
  1. 特工宇宙83

    MiniMax 开源 H3 模型：低成本视频生成与编辑能力实测

    MiniMax 开源 H3 视频生成模型，其 768P 分辨率视频生成成本为 0.50 元/秒，并支持原生视频编辑功能。该模型在 Artificial Analysis 视频编辑榜获取第一名，采用 Context-IR 架构实现多模态素材的高效融合理解。

    推荐理由：实测MiniMax H3在视频编辑与生成场景表现，展示其低成本开放入口对创作门槛的实际影响。

8月2日周日
  1. 极客公园76

    Seedance 2.5 实测：30 秒原生直出与 50 个参考素材上线即梦

    字节 7 月 31 日发布 Seedance 2.5，同步上线即梦、豆包专业版、扣子和小云雀。单次生成上限从 15 秒提升到 30 秒，通过即梦延长功能可续到 3 分钟，参考素材上限从 9 张图片、3 段视频、3 段音频提升到 50 个全模态参考，并新增局部编辑、白模和绿幕参考、文字渲染改进，即梦支持 Maya 和 Blender 插件唤起。

    推荐理由：实测给出了时长、参考素材和成本的具体数字，便于判断它对创作流程的实际改变。

8月1日周六
  1. AI信息Gap76

    MiniMax H3 视频模型上线：支持 2K 与批量生成

    LibTV 联合 MiniMax 首发上线视频生成模型 H3，实测显示其画面质感达到 Seedance 2.0 的八成，但价格不到一半。该模型支持 2K 分辨率（2560×1440）输出以及“一抽四”批量生成功能，在商业广告场景下能准确渲染品牌文字且不限制真人素材生成。配合 LibTV 限时优惠，2K 分辨率生成成本约为 0.2 元/秒。

    推荐理由：对比实测显示 H3 在保持画面接近竞品的同时大幅降低价格，并支持 2K 生成与一抽四功能。

7月31日周五
  1. 光子星球78

    Seedance 2.5 发布：30 秒视频生成长度与局部编辑能力升级

    Seedance 2.5 正式发布，单次生成视频时长提升至 30 秒并支持最多 50 个多模态参考素材。该模型新增视频局部编辑功能，可精准修改画面局部元素并保持整体节奏，已上线豆包、即梦等字节旗下产品。徐工集团、小鹏汽车、穹彻智能等多家企业确认引入该模型，用于工业培训、自动驾驶数据合成及具身智能训练场景。

    推荐理由：文章通过实测与产业合作案例，展示了该模型在视频时长、编辑控制及物理一致性方面的关键变化。

  3. 数字生命卡兹克77

    MiniMax 发布开源视频模型 H3，主打视觉包装与后期特效

    MiniMax 发布原生多模态视频模型 H3 并宣布开源，主打视觉包装和后期特效，可生成带歌词 MV、动态海报及综艺花字等。实测 H3 在语义遵循和文字控制上强于 Seedance 2.0，但在影视级高张力镜头表现上略逊，目前开放 2K 分辨率和 15 秒时长，1 秒生成约 12 贝壳。

    推荐理由：MiniMax H3 主打视觉包装与后期特效，作者实测其在 MV、动态海报等场景的语义遵循能力领先，且宣布将开源。

7月1日周三
  1. Google DeepMind77

    Google DeepMind 发布 Nano Banana 2 Lite 和 Gemini Omni Flash

    Google DeepMind 发布图像模型 Nano Banana 2 Lite 和视频模型 Gemini Omni Flash，两者均已在 Google AI Studio 和 Gemini API 上线。Nano Banana 2 Lite 生成一张 1K 图像耗时 4 秒、成本 $0.034，Gemini Omni Flash 视频生成成本 $0.10/秒，目前最长支持 10 秒视频。

    推荐理由：原文给出了 Nano Banana 2 Lite 和 Gemini Omni Flash 的延迟、成本及组合工作流细节，读者可据此判断多模态生成应用的性能与预算边界。

5月18日周一
  1. Google DeepMind77

    Google DeepMind 发布 Gemini Omni 及首个模型 Gemini Omni Flash

    Google DeepMind 发布 Gemini Omni，首个模型 Gemini Omni Flash 支持结合图像、音频、视频和文本输入生成高质量视频，并可通过对话式自然语言进行多轮编辑。Gemini Omni Flash 现已通过 Gemini app、Google Flow 向全球订阅者推出，并免费开放给 YouTube Shorts 和 YouTube Create App 用户。

    推荐理由：原文展示了从多模态输入到视频生成的具体能力，为理解原生多模态模型的创作边界提供了实例。

4月3日周五
  1. The Batch76

    Claude Code 源码泄露揭示架构细节，OpenAI 停止 Sora 并整合桌面应用，Google 推出 Lyria 3 音乐生成器

    Claude Code 因 npm 包误包含 source map 文件导致超过 51.2 万行代码泄露，暴露其多智能体结构、三层记忆系统及隐藏功能；OpenAI 宣布停止 Sora 视频生成服务。

    推荐理由：Claude Code 源码意外泄露揭示了其内部智能体架构与未发布功能，为理解前沿编码代理的工程细节提供了直接参考。

3月20日周五
  1. The Batch75

    Apple 发布多模态统一分词器 AToken，统一处理图像、视频和 3D 对象

    Apple 团队开发了 AToken，一个能将图像、视频和 3D 对象映射到共享 token 空间的通用视觉分词器，兼顾生成与分类任务。该模型基于 SigLIP2 视觉编码器扩展，通过时空坐标和 4D 旋转位置编码统一处理不同维度的视觉输入。

    推荐理由：文章介绍了Apple提出的统一多模态tokenizer AToken，展示了共享编码器在图像、视频和3D任务上的通用性潜力。

12月17日周三
  1. AISI Blog66

    AISI与Thorn发布AI生成儿童性虐待材料安全协议

    AISI与儿童安全组织Thorn发布新安全协议，指导AI开发者、模型托管平台等降低系统被用于生成AI生成儿童性虐待材料（CSAM）的风险。协议设定了安全设计原则和部署侧缓解措施，配合英国新立法允许授权机构在严格条件下测试AI模型的CSAM生成能力。AISI称将在政府支持下与行业、执法和安全组织协作设计测试条件与操作安全机制，并开展威胁建模和资助外部研究，强化从训练、分发到使用的全链条防护。

    推荐理由：协议给出了开发者和托管方在模型全生命周期中降低滥用风险的具体原则和步骤，并明确了立法后的测试边界。