FLUX 3 與 mimic 合作打造新一代影片動作模型 FLUX-mimic
Black Forest Labs 與 mimic 以 FLUX 3 為骨幹開發 FLUX-mimic，這款影片動作模型從 FLUX 的世界表徵解碼機械人動作。
#影片
#影片
今日 4 條Black Forest Labs：BlogAI 評分6969 Black Forest Labs：BlogAI 評分7070 FLUX 3 多模態基礎模型開放 Early Access
Black Forest Labs 的 FLUX 3 多模態基礎模型現已開放 Early Access，採用統一架構共同學習圖像、影片和音訊。它可按文字或圖像、影片參考生成內容，並生成最長 20 秒、帶音訊的影片；模型亦涵蓋動作預測。
Black Forest Labs：BlogAI 評分6969 FLUX 3 Video 第一部分：影片生成初始版本開放使用
Black Forest Labs 已透過 BFL API 及指定合作夥伴開放 FLUX 3 Video 初始版本，支援文字及圖像生成影片。片段最長 20 秒，可輸出 HD（720p）及經升頻處理的 Full HD（1080p），並同步生成原生音訊，另支援影片延續、多鏡頭生成及多語言對白與唇形同步。內部評測稱其文字生成影片表現優於現有 SOTA，圖像生成影片則與 Seedance 2.0 持平。
字節 Seed：Research Feed精選AI 評分7878 Seedance 2.5 正式發布，單次最長可生成 30 秒影片並支援多模態參考
字節 Seed 正式發布新一代影片創作模型 Seedance 2.5，單次最長可生成 30 秒影片，並支援多輪延長、多模態參考及時間戳精準編輯。用戶單次最多可輸入 30 張圖片、10 段影片和 10 段音訊作參考，模型亦提升長影片連貫性及綠幕、視角和運鏡編輯能力。Seedance 2.5 正陸續於即夢 AI、豆包專業版上線，API 服務近期亦將上線火山方舟。
推薦理由：Seedance 2.5 將單次影片生成時長提升至 30 秒，並支援多輪延長、多模態參考及時間戳編輯，呈現影片創作由片段輸出走向完整流程的能力變化。
OpenMOSS / 復旦NLP / 上海創智 / MOSIAI 評分5555 OpenMOSS 發佈開源影片與同步音訊生成模型 MOVA
OpenMOSS 發佈開源影片與同步音訊生成模型 MOVA，模型可在單次推理中生成影片及同步音訊。程式庫提供模型權重、推理、訓練、LoRA 微調及評測流程，並列出不同推理及訓練設定的硬件資源與耗時數據。
Meta AI：Research Blog精選AI 評分7676 Meta 發佈 Muse Image 並預覽 Muse Video
Meta 發佈 Muse Image，並預覽 Muse Video；兩者均為 Meta Superintelligence Labs 開發的媒體生成模型。Muse Image 可調用網絡搜尋和編碼工具、自我修訂，並支援精準編輯與多參考圖像構圖；Meta 稱增加推理時計算可提升生成質素。
推薦理由：文中比較 Muse Image 的推理時計算策略，指出把資源投入刻意推理比 Best-of-N 更能持續提升圖像品質，工具調用亦可補足單靠推理的不足。
MiniMax：BlogAI 評分6868 MiniMax 發佈 H3 多模態生成模型，支援原生立體聲 2K 影片生成
MiniMax 發佈 H3 通用多模態生成模型，可理解文字、圖像、影片與音訊的統一上下文，並生成最長 15 秒、2K 解析度的原生立體聲影片。H3 預設提供 2K 輸出，官方表示其 2K 每秒價格低於主流模型的三分之一，並計劃在未來幾天內於適用法律法規範圍內開放模型權重。模型面向廣告、品牌、電商等創作場景，MiniMax 表示完整技術報告將於稍後分享。
The DecoderAI 評分5959 Tavus 的 Griffin 在一分鐘視像通話中被近半受試者誤認為真人
Tavus 發佈 Griffin，稱其為首個「Human Interaction Model」（HIM）；其研究中，48% 參與者在一分鐘視像通話後認為 Griffin 是真人。
OpenMOSS / 復旦NLP / 上海創智 / MOSIAI 評分6767 OpenMOSS 發佈 MOSS-VL 開放權重影片理解模型系列
OpenMOSS 發佈 MOSS-VL 開放權重影片理解模型系列，涵蓋連續影片即時互動、離線理解及後續訓練三類用途。系列包括 MOSS-VL-Realtime、MOSS-VL-Instruct-0708 和 MOSS-VL-Base-0708，分別面向即時互動、離線任務，以及持續預訓練和微調。三款模型均為 11B 參數，支援 256K 上下文窗口；倉庫亦提供即時與離線推理、部署和微調資源。
螞蟻 inclusionAI：HuggingFace 新模型AI 評分6363 inclusionAI 發佈 Realtime-Venus 全雙工互動系統
inclusionAI 發佈 Realtime-Venus 全雙工互動系統，提供視聽版 Realtime-Venus-Omni 與音訊版 Realtime-Venus-Audio，兩者均為 9B。
Hugging Face BlogAI 評分5858 NVIDIA 發佈 Cosmos-H-Dreams 即時手術機械人生成式模擬器
NVIDIA 發佈 Cosmos-H-Dreams，一款根據機械人動作即時生成手術場景影片的模擬器。它將 Cosmos-H-Surgical-Simulator 蒸餾為因果學生模型，並透過 FlashDreams 在單張 NVIDIA RTX PRO 6000 上達到約 160 fps。
Google DeepMind精選AI 評分7575 Google DeepMind 推出 Nano Banana 2 Lite，並向開發者開放 Gemini Omni Flash
Google DeepMind 推出 Nano Banana 2 Lite，並首次向開發者開放 Gemini Omni Flash。
推薦理由：兩款模型分別面向高速批量圖像生成與影片生成、對話式編輯，文中列出成本、延遲及 API 限制，可供評估多媒體工作流的取捨。
Google DeepMind精選AI 評分8080 Google DeepMind 推出 Gemini Omni，首個模型為 Gemini Omni Flash
Google DeepMind 推出 Gemini Omni 系列首個模型 Gemini Omni Flash，可結合圖像、影片、文字及語音參考生成影片，並支援透過對話編輯。
推薦理由：材料把 Gemini Omni Flash 的多模態輸入、對話式影片編輯和分階段上線平台放在一起，便於理解新模型如何連接生成能力與實際使用入口。
Hugging Face Blog精選AI 評分6161 Waypoint-1.5 提升互動世界保真度並擴展本地硬件支援
Overworld 推出 Waypoint-1.5 即時影片世界模型，提升視覺保真度並擴大可本地運行的硬件範圍。桌面硬件 RTX 3090 至 5090 可生成最高 720p、60 FPS 的即時環境；另有面向更廣泛消費級硬件（包括遊戲筆電）的 360p 版本，Apple Silicon Mac 支援即將推出。
推薦理由：Waypoint-1.5 分設 720p 與 360p 檔位，並列明 RTX 3090 至 5090 可達最高 720p、60 FPS，呈現其畫質與本地硬件覆蓋方案。
Hugging Face Blog精選AI 評分6767 Overworld 推出 Waypoint-1 即時互動影片擴散模型
Overworld 發佈 Waypoint-1，這款即時互動影片擴散模型可透過文字、滑鼠和鍵盤控制，並按控制輸入逐影格生成。模型以 10,000 小時配有控制輸入及文字描述的多樣化遊戲影片訓練，並以 self-forcing 後訓練，令訓練更貼近逐影格推理。
推薦理由：Waypoint-1 從訓練之初便以互動體驗為目標，與常見的先用預訓練影片模型、再微調簡化控制輸入的做法形成對照。
Google DeepMindAI 評分4747 D4RT：教 AI 看見四維世界
Google DeepMind 推出 D4RT，這是一個統一的 AI 模型，可重建並追蹤跨越空間與時間的 4D 場景。測試中，D4RT 比此前方法快 18x 至 300x；在單顆 TPU 上，約 5 秒即可處理 1 分鐘影片，而舊方法最多需 10 分鐘。其查詢式 Transformer 架構支援點追蹤、點雲重建及相機姿態估計，應用方向包括機械人、擴增實境與世界模型。
Hugging Face BlogAI 評分5959 NVIDIA 發佈 Cosmos Reason 2，為物理 AI 帶來進階推理能力
NVIDIA 發佈 Cosmos Reason 2，稱其在 Physical AI Bench 和 Physical Reasoning 榜單位列視覺理解開放模型第一。
OpenAI News精選AI 評分6767 OpenAI 發佈 Sora 2 影片生成模型
OpenAI 推出 Sora 2，這是一款可生成同步對白與音效的影片生成模型。材料並指出，Sora 產品已不再提供。
推薦理由：這則材料同時交代 Sora 2 的同步對白與音效生成能力，以及 Sora 產品已不再提供的狀態，讓讀者掌握模型能力介紹與產品供應情況。
OpenAI News精選AI 評分6666 OpenAI 發佈 Sora 2 系統卡，介紹影片及音訊生成模型
OpenAI 發佈 Sora 2 系統卡，介紹這款基於 Sora 的影片與音訊生成模型。Sora 2 加入過往影片模型較難實現的能力，包括更準確的物理表現、更清晰的寫實效果、同步音訊、更強的可控性及更廣的風格範圍。
推薦理由：Sora 2 系統卡將其能力置於既有影片模型的比較脈絡中，並列出物理表現、同步音訊與風格範圍等變化。
Hugging Face Blog精選AI 評分6868 SmolVLM2 將影片理解帶到各類裝置
Hugging Face 發佈 SmolVLM2，提供 2.2B、500M 和 256M 三種影片理解模型，並從推出首日起支援 Transformers 和 MLX，後者提供 Python 及 Swift API。
推薦理由：文章同時列出 2.2B、500M、256M 規模及 Video-MME 表現，方便比較不同參數量下的影片理解能力取捨。