Runway 开源机器人控制模型 Praxis-1,利用视频训练预测环境与动作
Runway 发布机器人控制模型 Praxis-1 的开放权重和源代码,采用允许商业使用的 Apache 2.0 许可证。模型基于视频预训练,结合摄像头图像、文本指令和机器人位置信息预测环境变化并生成动作,在 Runway 自行开展的 RoboLab-120 测试中成功率为 46.2%,位列 World Action Model 类别第一、总榜第五,结果尚未经独立核验。
Runway 发布机器人控制模型 Praxis-1 的开放权重和源代码,采用允许商业使用的 Apache 2.0 许可证。模型基于视频预训练,结合摄像头图像、文本指令和机器人位置信息预测环境变化并生成动作,在 Runway 自行开展的 RoboLab-120 测试中成功率为 46.2%,位列 World Action Model 类别第一、总榜第五,结果尚未经独立核验。
Nvidia 推出 GR00T 2,通过同时预测动作和未来视频画面,将人类示范中的动作迁移到机器人,减少新任务训练所需的遥操作。模型使用约 400,000 小时的人类视频训练,实验中未经对应任务遥操作的机器人完成点火柴、切香蕉等任务,成功率介于 10%–80%。系统尚不处理直接触觉传感数据,配合高层语言模型规划时也存在延迟,垃圾分类测试中机器人约三分之一的时间处于等待状态。
Video Rebirth 发布 MiniMax-H3 的压缩版 HyperFlow H3 Flash,将约 31B 的 Transformer 压缩至 13.7B 或 13.9B,默认以 6 步同步生成视频与立体声音频。
Pangram 发布 Pangram Image 1.0 和 Pangram Image Flash 1.0,分别侧重 AI 图像检测和更快速的 AI 视频检测。
Google DeepMind 将视频生成模型 Gemini Omni 1.2 Flash 全面开放,片段最长15秒,价格较前代降低30%。视频时长由此前最长10秒扩展至3至15秒,720p价格降至$0.07 per second;对话式编辑支持逐步调整背景、光照或宽高比,无须重新生成整个片段。
Google 推出 Gemini Omni 1.2 Flash,在 Gemini API 和 Gemini for business 正式开放,原生视频生成及编辑时长由10秒增至15秒。
推荐理由:Gemini Omni 1.2 Flash 支持在同一视频上连续修改细节,减少广告变体制作中整段重新生成的需要。
Google DeepMind 发布 Gemini Omni 1.2 Flash,在 Gemini API 和 Gemini for business 全面开放,支持原生生成和编辑最长 15 秒的视频。
推荐理由:Gemini Omni 1.2 Flash 支持对同一视频进行多轮局部修改,减少制作广告变体时重新生成整段视频的成本。
Pika Labs 基于 MiniMax H3 进行后训练,推出并开源视频生成模型 Pika H3 Flex。其采样步数从50步压缩到6步,生成时间大幅降低,质量有所提升。
Google DeepMind 于周二发布 Genie 4 研究预览,新增实时音频与模拟中的提示词编辑,生成更逼真、可交互的世界。模型可实时改变天气、镜头角度或添加人物与物体,保持场景一致性最长两分钟,是前代的两倍,但仍存在细节漂移、音频准确性和场景文字可读性问题。
fal 发布与 Black Forest Labs 合作后训练的视频模型 FLUX 3 Max,在第三方独立人类偏好评测中获 1139 Elo,与 Seedance 2.5 并列图生视频质量第一梯队。该模型约 12 秒生成一段 10 秒 720/768p 视频。未来三周降价 75%,后续还将继续通过后训练改进。
fal 发布与 bfl_ai 合作的后训练视频模型 FLUX 3 Max,在第三方图生视频质量评测中并列第一。生成 10 秒 720/768p 视频约需 12 秒,未来三周提供 75% 折扣,并被标注为同质量级别最便宜的前沿视频模型。
可灵发布 Kling 4.0,支持单次生成最长 30 秒视频、双声道立体声音频及超过 10 种语言的口型同步,并推出轻量版 Kling 4.0 Flash。主模型支持最多 10 张关键帧图像、8,000 tokens 提示词及最多 15 个参考素材,可通过 MCP 和 CLI 接入自动化工作流;Flash 侧重更快、更低成本的生成,上限为 720p、20 秒。
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar,在原生实时对话模型上加入近实时视频生成,实现带唇形同步、自然表情和流畅轮次切换的动态视觉形象。
推荐理由:Gemini 3.8 Live 在实时对话模型上加入近实时视频生成,支持唇形同步与97种语言切换,并可在对话中异步调用工具,展示了企业级多模态交互的当前形态。
Google DeepMind 发布 Gemini Omni 家族首个模型 Gemini Omni Flash,可组合图像、音频、视频和文本输入生成高质量视频,并通过自然语言多轮编辑。
推荐理由:Gemini Omni Flash 把图像、音频、视频和文本组合输入与多轮对话式编辑放进同一模型,并接入 Gemini 应用、Flow 和 YouTube Shorts。