Gemini 向 Google AI 订阅用户开放 GIF 生成功能
Gemini 已向 Google AI 订阅用户开放 GIF 生成功能,由 Gemini Omni 1.2 Flash 驱动,可生成循环照片效果和趣味表情包。该功能目前仅在美国、日本、韩国、澳大利亚、加拿大、英国、德国和法国提供。
Gemini 已向 Google AI 订阅用户开放 GIF 生成功能,由 Gemini Omni 1.2 Flash 驱动,可生成循环照片效果和趣味表情包。该功能目前仅在美国、日本、韩国、澳大利亚、加拿大、英国、德国和法国提供。
Google 在 Gemini 中加入 GIF 生成功能,用户可通过 Gemini Omni 1.2 Flash 按需创建 GIF。该功能支持循环照片效果和趣味表情包,并强调动作流畅及各帧质量一致。
Coda-DaVinci 提出任务自适应的 Code2Video 智能体框架,可按任务选择 3D 代理引导或直接生成。实验发现,粗粒度代理更利于自然运动,中粒度代理更利于一致性,物理模拟和与代理对齐的提示词可进一步提高平均质量。该框架在 VTR 的指令遵循和 R2M 的场景一致性上表现领先,并改善物理合理性和长视频连续交互的一致性,但转场稳定性和场景设定遵循仍存在局限。
WeMM-Video 提出覆盖2B、4B、9B和35B-A3B的中英双语全模态基础模型家族,统一处理文本、图像、音频和视频,并支持非思考指令模式与逐步推理模式。模型使用约1.2 trillion tokens的多模态语料训练,流程包含多教师OPD、抗重复MrDPO和专家RL。报告称,WeMM-Video-35B-A3B在超过120项基准评测中达到开源SOTA,模型家族及评测复现管线已公开。
Social Department 与 AWS 等合作构建文化感知的视频发现系统 QuickSearch,将营销人员难以表述的判断转化为 Shareable Scenes、Quotable Quotes、Memeable Moments 和 Trend Align 四类单操作检索。
Suno推出Visuals,让用户把Suno歌曲制作成最长15秒、可自动对歌词进行口型同步的AI视频,也可通过提示词生成缩略图和专辑封面。该功能已覆盖web、iOS和Android,支持参考图、画幅、起止帧、片段长度及视频时间线编辑。Visuals由基于MiniMax H3的H3 Move模型驱动,使用独立于歌曲积分的Visuals credits,并加入文本和视觉过滤器。
Suno 推出 Visuals,可为其歌曲生成配套图像和最长 15 秒的视频片段。该功能采用基于 MiniMax H3 定制并经过安全过滤的 H3 Move,可跟随歌曲结构和歌词生成内容,支持口型同步,并接受参考照片、提示词或预设角色。
Apple 发布可实现交互式延迟的 FastFrames 视频生成模型。FastFrames-L(14B):huggingface.co/apple/FastFram…;FastFrames-S(1.3B):huggingface.co/apple/FastFram…。
V-JEPA-LM 发布并开源 1B-8B 视频语言模型,将冻结的 V-JEPA 2.1 连接至 LLM,并通过反事实监督识别方向、速度和顺序。原文称其在 11 项视频基准的各规模组均领先,其中 4B 模型平均得分 72.1,超过所有开源模型;模型已在 Hugging Face 开源。
ClickUp 发布 Brain² 内置视频编辑器 Creative Studio,TestingCatalog 用测试提示词“在许多显示器前工作的赛博朋克黑客机器人”生成整段视频并在 ClickUp 内完成编辑。配乐由 Eleven Music v2.5 制作,所有内容均加入可编辑且可导出的时间线。
Black Forest Labs 将图像、视频和声音三种信号结合训练 FLUX 3,以学习运动过程和物体关系。Andreas Blattmann 与 Dustin Podell 还讨论了移动镜头提供的多视角信息、视频增强中的时间一致性,以及自回归与扩散模型的训练和推理取舍。
FastFrames 是一系列快速自回归视频扩散模型,在不牺牲质量的情况下实现交互级延迟。其 1.3B 版本在单张 B200 GPU 上达到每帧 36 ms、28 RPS,生成质量与速度慢近 8x 的先进模型相当;14B 版本在 8x B200 GPU 节点上达到每帧 45 ms、22 RPS,并获得更好的视觉质量和真实感。
VibePrevisBench 可将脚本、照片或视频转换为 Blender 中可执行的 4D 场景,并对转换结果进行评测。它采用基于规则的方法检查场景本身,并基于 VLM 检查对应的代理视频。
ALIVE 是交互式流式视频模型,支持主动监控、流式任务协调和寻求反馈式交互,使视频 LLM 能持续观察并协同处理请求。它基于 ALIVE-SFT-288K 和 ALIVE-RL-3K 两阶段训练,并用 BACA 优化多轮决策、响应与静默。其在四项公开 benchmark 和 FSI-Bench 的参评模型中取得最高综合分。
WeVisForensics 以主调查智能体协调覆盖视觉和音频线索的自进化取证子智能体,在域内、域外和智能体 benchmark 上平均检测准确率达 95.2%,较最强既有检测器高 9.0%。DTPO 分别快速优化调查策略、缓慢改进检查器,ForenCue-30K 提供取证标注、交互轨迹和强化学习数据池。
Runway 开源发布机器人控制模型 Praxis-1,提供开放权重与源代码,采用 Apache 2.0 许可支持商用。该模型基于视频训练学习物体运动规律,再用人类动作视频和机器人数据微调,输入摄像头图像、文字指令和机器人位置信息来预测环境变化并计算机器人动作。
AURA 2.0 是一种流式视频大语言模型,可在没有用户提问时识别适合讨论的主题,并在恰当时机主动发起对话。它引入流感知工具调用(SATC)与交互式视觉定位(IVG),可结合当前视觉和对话上下文调用外部工具,并输出与视频帧对齐的边界框。模型采用专用流式交互数据集、三阶段训练方案和长时交互记忆(LHIM);公开流式基准显示,其在开源流式模型中取得领先表现。
Grok 将 Grok Imagine 的图像和视频创作功能整合到 Grok 中,用户打开 Grok 即可开始创作。相关链接:x.com/imagine/status/21216729…
推荐理由:Grok 将 Grok Imagine 的图像与视频创作集中到同一入口,用户可以直接在 Grok 中开始创作,信息也给出了具体使用入口。
PhysLoop 提出一个统一框架,利用并约束 LLM 在视频生成、筛选和修正过程中的物理知识,推动视频生成模型自我改进。框架支持可控训练数据构建和推理时视频修复,发布了覆盖多样室内外场景的 100K videos、生成工具以及 PhysLoop-Gen 和 PhysLoop-Repair 两个评测数据集。
Google Arts & Culture推出南非艺术家 Esther Mahlangu 博士的首个在线回顾展,庆祝她91岁生日。展览收录超过45个策划故事、线上导览和艺术档案,并借助 AI 重现她1980年前的未记录记忆。团队根据访谈与档案生成静态图像,再用 Veo 制作视频,将相关故事纳入在线档案。
BirdDreams提出一种自回归驾驶世界模型,联合生成视角视频与示意性鸟瞰视图(BEV)视频,将场景布局纳入未来预测并支持自车轨迹控制。该模型仅需单张相机图像、无需 HD map 或 vehicle-state 输入,在 PhysicalAI-AV 和 nuScenes 上比既有模型更准确跟随输入自车轨迹;人工评测显示,其生成的周围车辆行为也比仅使用视角视频的基线更真实。
Google AI 发布 Gemini Omni 1.2 Flash,将视频生成和编辑上限提高至 15 秒,并改进场景连贯性、角色语音、视觉跳切和参考素材一致性。Flow 支持场景导演与多轮编辑,Google Vids 和 Gemini App 可创建 15 秒视频;面向 API 开发者和企业,720p 视频价格较上一代下调 30% 至 $0.07 per second。
推荐理由:Gemini Omni 1.2 Flash 将视频时长上限、场景连贯性和参考素材一致性结合起来,并给出 API 价格变化,便于比较其创作与接入成本。
Google DeepMind 推出 Gemini Omni 1.2 Flash,已在 Gemini API 和 Gemini for business 全面开放。
Qwen3.8-Omni-Flash 正式上线,支持文本、图像、音频和视频输入,以及 1M 长上下文。在累计 29 项评测中,相比上一代 Qwen3.5-Omni-Plus 平均得分提升超过 25%。API 每小时音频输入价格降幅超过 98%,音视频输入价格降幅超过 93%。
推荐理由:原文提供了与上一代模型的评测和价格对比,帮助判断 Qwen3.8-Omni-Flash 在音视频 Agent 场景中的变化。
Meta Superintelligence Labs 发布 Muse Image,并预览 Muse Video。
推荐理由:文章交代了 Muse Image 的工具调用、自我优化和多参考合成机制,以及 Muse Video 的预览状态与开放范围,便于理解这次发布的能力边界。