Building Visual Intelligence — Andreas Blattmann & Dustin Podell, Black Forest Labs
Black Forest Labs 的 Andreas Blattmann 与 Dustin Podell 在访谈中解释了 FLUX 3 联合训练图像、视频和声音的思路,以及向视频和世界模型发展的方向。
Black Forest Labs 的 Andreas Blattmann 与 Dustin Podell 在访谈中解释了 FLUX 3 联合训练图像、视频和声音的思路,以及向视频和世界模型发展的方向。
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。
红果短剧按实际观看时长分账并清理同质化作品,《持械入宋》团队以零投流、前期剧本打磨和共享参考图库应对制作与收入压力。团队自述该剧累计播放超 40 亿次,10 季共 1000 集、算力累计投入超 100 万元,通过减少并行项目和废片生成降低每月算力总消耗。文中团队的营收与播放数据未经第三方审计,《持械入宋》主创否认外界估算的千万回报,称尚未细算总账。
Adobe 在年度 Max 大会上公布多项实验性 AI 工具:Project Sight Span 可将任意平面图像转为可导航的 3D 场景并从新视角重新取景。
Amazon 推出 Ring Drone Cam 安防无人机和 Ring Rover Cam 自主安防机器人,后者面向企业,售价 $1,000,已开放预订,计划于 2026 年 12 月 16 日发货。
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。
Adobe 在 MAX 活动上宣布为 Photoshop、Premiere 和 Firefly 等产品增加 AI 创作功能,并发布本地 MCP,向外部聊天机器人开放更多 Creative Cloud 功能。
Adobe 在今天的 Max 活动上宣布更新 Photoshop、Lightroom 和 Premiere,简化视频对象移除、图像细节修复和皮肤瑕疵处理。
Adobe 在 Max 大会上宣布多项智能体功能,包括 Creative Cloud 本地 MCP 接入预览、后台持续运行的智能体和 Firefly AI Assistant 升级。
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。
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 released Gemini Omni 1.2 Flash, now generally available in the Gemini API and Gemini for business. Native video generation and editing now runs up to 15 seconds, up from 10.
Why it matters: Gemini Omni 1.2 Flash lets users keep editing the same video in successive passes, so ad variants no longer need a full regeneration.
Google DeepMind released Gemini Omni 1.2 Flash, fully available in the Gemini API and Gemini for business. It natively generates and edits video up to 15 seconds long, and the price drops 30%.
Why it matters: Gemini Omni 1.2 Flash supports repeated local edits to one video, cutting the cost of regenerating a whole clip to make ad variants.
Grimes 将为 AI 生成的科幻电影 Gods Don’t Give Gifts 提供肖像与配音,该片计划于 12 月 4 日在影院上映。影片由 AI 工作室 Fable 制作、Jack London(网名 Gossip Goblin)执导,以四个相互关联的故事描绘身体可被抛弃、意识被商品化的未来。Fable 预计,在使用 AI 的动画电影中,将演员肖像与其配音结合的选角方式会更常见。
AT&T 的 Connected Life 家庭安防系统现已集成 Gemini for Home,成为首个接入 Google Home Premium 的家庭安防产品。该功能可对摄像头事件生成详细描述、用自然语言搜索录像并查看每日活动摘要,但仅随每月 29.99 美元的 Connected Life 专业监控套餐提供。AT&T 还新增了基于用户与住宅距离自动布防或撤防的能力。
Kino AI 推出集素材存储、视频编辑和审阅链接于一体的编辑器,让团队成员与 Codex、Claude Code 在同一时间线上协作。编辑器基于 Remotion,将剪辑、动态图形、评论及 3D 场景表达为代码,并为项目、素材乃至单帧提供 URL,支持实时协作与 MCP 接入。
Own Your HackerTube 受 Karpathy 的 HackerTube 启发,让用户创建个人网站,由 AI 按自定标准每天筛选关注频道的新视频。
Google 将实验性 AI 应用 Dreambeans 推向印度,这是其首个美国以外市场,支持包括印地语、旁遮普语、泰米尔语在内的 13 种本地语言。该应用接入 Calendar、Gemini、Gmail、Photos、Search 和 YouTube 等 Google 服务,无需提示词即可生成个性化图文故事,近期还加入 Veo 模型为部分故事生成动画。
skill-video-studio v1.0.1 提供本地产品视频制作工作区,由 Claude Code 的 /devrel-video 技能协调现有工具。它使用 Playwright CLI 捕捉真实产品交互、HyperFrames 合成画面、FFmpeg 完成成片处理与检查,并可选添加旁白、音乐、字幕或自备出镜素材。
VHS Camera 是一款浏览器端免费 VHS 滤镜工具,可实时拍摄或上传视频,加上色度溢出、磁带噪声和日期戳,效果基于 ntsc-rs 模拟模拟视频编码与录制过程。所有处理在本地设备逐帧完成,视频和照片不会上传服务器,无需注册安装,支持 iPhone 和 Android 的 Safari、Chrome。上传的 MP4、MOV、WebM 可保存为带原声的 MP4,照片存为 JPG。
Google 牵头的研究团队提出 StreamVibe,让视频智能体识别明确、隐含及变化中的用户意图,自行判断何时提供帮助。团队基于超过 183 小时的录像构建约 4,100 个样例,并训练 StreamVibe-VL,结合强化学习和独立记忆系统减少打断、跟踪任务进度。
Figma Weave 将图像与视频的生成、编辑串联成可调整和复用的节点工作流,支持团队共同探索与迭代创意。用户可通过分支比较不同提示词和 AI 模型的结果,并将工作流封装为 Weave tool,让同事上传素材后直接运行。Figma node 可连接 Figma Design 中的画框,原始画框的修改会同步到 Weave 中的关联节点。
Genie 4 采用视频模型与三个 Gemini 模型协作的架构,文章据此分析世界模型端到端路线的局限、算力成本与工业应用方向。文中称,外围模型分别承担训练阶段的常识补充、运行阶段的任务引导和机器人棋步推理,单次交互虽延长至两分钟,仍无法保证全程一致性。文章区分视觉渲染、物理模拟与动作规划,主张由代码和三维网格管理空间规则、语言模型负责规划,世界模型负责合成供智能体训练的复杂环境。
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。
Overtone 用一个 .overtone.json 文件保存逐词时间和说话人信息,并为不同画幅分别切分字幕,提供 CLI 和 video.js 插件。已有 SRT 或 WebVTT 可离线重新切分;音视频转录默认结合 OpenAI 与 Azure AI Speech,使用 LLM 纠错,也支持通过 whisper.cpp 和 Ollama 本地运行。
腾讯混元发布交互式视频世界模型 Hy-Nomas 的技术报告(arXiv:2610.36729),并开源 Hy-Nomas-Bench 数据集用于可复现研究。官方用 Hy-Nomas 重现 Genie 4 示例并发布对比视频,演示无需排队即可试用,地址为 https://hy-nomas.hy.tencent.com/。
LangChain released the runtime framework for Content Studio, its in-house design agent, and explained how design judgment, production tools and review flow plug into Slack. Built on Managed Deep Agents, Content Studio turns a single prompt into videos, social images, UI recreations and slide decks, all built as code. It has shipped over 3,000 assets, including more than 80 slide decks.
Why it matters: LangChain turns designer feedback into skills and checks, then splits brand judgment from execution with storyboard approval and async sub-agents.
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。
A Petroly developer used Claude Code to write a JavaScript renderer that produced a 15-second promo video with unit tests, without opening a video editor. The pipeline generates 375 frames through SVG, sharp and FFmpeg. Tests check that the notification appears once the price hits the target, the list ordering and frame glitches; humans still review the visuals.
Why it matters: It turns a promo video into testable render code, folding animation timing checks and multi-language versions into the same software workflow.
Apple 宣布更新 Apple Creator Studio,Final Cut Pro 集成 MotionVFX,Keynote、Pages、Numbers 新增测试版 AI 助手与 MCP 支持。
Corridor Digital 发布 CorridorKey 2.0,本地运行的抠像工具支持 Resolve、Nuke、After Effects、Premiere 和 Blender,一次购买包含全部插件,无需订阅。
Runway 发布 App Studio,用户可用自然语言构建带独立界面的创意应用,调用图像、视频和音频模型及 Brand Kits、Workflows 等资源。
Krea 发布 Krea for Adobe Premiere,用户无需离开时间线即可完成故事板、生成视频和添加音效。插件现已开放试用。
Runware 在 Kling 4.0 发布首日将其接入 API,支持生成最长 30 秒的 1080p 视频及原生音频。功能包括首、中、尾多关键帧、单请求最多 15 个输入,以及基于提示词的已有片段编辑;输入可包含关键帧、参考图、参考视频与元素。
Grok 发布 AI 生成版《奥德赛》的前七分钟,将其称为《奥德赛》系列第一集。三个月前,Elon Musk 曾宣布将推出一部“历史准确”的长片版本;此次作品由 Grok 与 Wonder Studios、导演 Dev Walker 合作制作。TechCrunch 作者 Anthony Ha 观看后认为,部分镜头接近真人实拍,但冗长旁白、生硬对白和缺乏推进感的叙事削弱了观看吸引力。
尼康认定清华大学宁旭的参赛视频违反规则,撤销其第16届 Small World in Motion 显微摄影比赛冠军。研究人员发现视频中的细胞结构异常及疑似 AI 生成水印,宁旭承认在后期处理中使用 AI,但否认用其生成视频、纤毛或运动。冠军改授越南的 Nguyen Nam Nhat,尼康表示将重新审视未来参赛作品的规则和评审流程。
BBC《蓝色星球 III》刻意保留浮游生物、船只等不完美画面,以证明素材真实、非 AI 生成。执行制片人 Elizabeth White 称,过去会因水质不佳或杂物入镜而剪掉的镜头这次全部保留。片中呈现海豚用海绵堵洞围捕鱼群、鱼类跨物种交流,以及 20 万只螃蟹列队觅食。
fal 宣布 Kling 4.0 正式向公众开放,所有客户均可通过 API 访问。该模型支持最长 30 秒带音频的原生视频生成、最多 15 个图像/视频/元素参考,以及最多 10 个关键帧的精确控制。运动、角色一致性和电影感叙事表现也得到提升。
荷兰另类摇滚乐队 De Staat 的新歌《FREEDOM》官方 MV 在 00:44 处出现由 Fake it or Leave it 的 Matties Grooten 负责的视觉特效,相关片段被 Hacker News 用户 flir 发帖讨论。该帖标签包含 music、ai、generative-ai 以及 pelican-riding-a-bicycle。