Depth Pro 2:兼具清晰邊界與時間一致性的度量單目深度估計
Depth Pro 2以單一可擴展網絡處理圖像與影片,在原生解像度預測度量深度圖,同時兼顧度量準確度、邊界清晰度和時間一致性。研究團隊發布一系列模型及程式碼與權重,並表示其在上述各項表現均勝過先前方法。
Depth Pro 2以單一可擴展網絡處理圖像與影片,在原生解像度預測度量深度圖,同時兼顧度量準確度、邊界清晰度和時間一致性。研究團隊發布一系列模型及程式碼與權重,並表示其在上述各項表現均勝過先前方法。
RoboScience 團隊發佈世界模型 WorldFlow,讓模型根據觀測畫面、語言指令和目標物體,聯合預測未來影片及物體的三維軌跡。模型以來自 17 個數據源的約 144 萬條樣本預訓練,並在仿真、真實及空間認知場景的 WorldFlowBench 上評估。
在三組相同提示詞測試中,Kling 4.0 較貼合指定動作和顏色,Seedance 2.5 則每段約 2.7 分鐘完成。Seedance 三段影片各耗時 161 至 162 秒,Kling 則分別耗時 299、395 及 1,136 秒;兩者均逐字説出指定台詞。Kling 支援最高 1080p;Seedance 2.5 可編輯或延長現有影片,畫面亦較具實拍感。
地平線機器人實驗室於 11 月 18 日發佈原生視頻幾何基礎模型 LoFT,可從 RGB 視頻聯合預測相機位姿、內參及逐幀深度,恢復場景三維結構。模型訓練數據包括約 297 萬條有效訓練序列和 9.62 億幀圖像記錄;在 SpatialBench、ClassicBench 和 VRBench 的多項深度估計指標上達到 SoTA。
地平線機器人實驗室發布原生影片幾何基礎模型 LoFT,可從 RGB 影片聯合預測相機位姿、內參及逐幀深度,重建場景三維結構。訓練數據包括約 297 萬條有效序列及 9.62 億幀圖像記錄;在 SpatialBench、ClassicBench 和 VRBench 評測中,LoFT 多項深度估計指標達到 SoTA。
地平線機器人實驗室發佈原生視頻幾何基礎模型 LoFT,面向連續視頻建模,可從 RGB 視頻聯合預測相機位姿、內參及逐幀深度,恢復三維場景結構。模型採用雙循環 Transformer 架構,訓練數據集約有 297 萬條序列、9.62 億幀圖像。LoFT 在 SpatialBench 等三大評測體系中的多項深度估計指標達業界最優(SoTA),適用於機器人感知、自動駕駛及室內環境重建等場景。
地平線機器人實驗室發布原生影片幾何基礎模型 LoFT,可從 RGB 影片聯合預測相機位姿、內參及逐幀深度,以恢復場景三維結構。LoFT 在 SpatialBench、ClassicBench 和 VRBench 評測中與 VGGT-Ω、DA3-Giant 等模型比較,並在多項深度估計指標上達到 SoTA。該模型面向連續影片建模,可用於機器人空間感知、環境理解與具身學習。
阿里雲開發者社區的指南梳理 Wan3.0‑Video 的影片生成能力、適用場景、價格與 API 接入條件。模型支援文生影片、圖生影片和參考生影片,單次最長生成 30 秒,亦可使用辦公文件及網頁連結作輸入;北京地域價格為 0.30、0.60、1.20 元/秒,分別對應 480P、720P、1080P。文章亦指出,邀測階段須申請權限,模型未開源,只可透過阿里雲百煉 API 調用。
OpenAI 發佈 GPT-6.2 Astra 和 GPT-6.2 Sol,作者實測認為 Astra 能力偏科,科研與程式碼審查較強,方案規劃和影片創作較弱。在作者自建的程式碼審查測試中,Astra 找出 96% 問題,Sol 為 84%,GPT-6.1 Sol 為 65%;Astra 在 Agents' Last Exam 約得 78%,每項任務約 3 美元。
inclusionAI 在 Hugging Face 提供 Invoker-Render 的因果流式 DiT 權重,模型以結構 Proxy、外觀參考圖和文字為輸入生成影片,配套 CodeWorldModel 推理程式碼支援因果四步流式生成。
範式智能發佈通用語言模型 Phai-A1 和影片生成模型 Phai-M1,分別面向代碼開發、智能助手等語言類場景,以及影片內容創作。公司計劃未來不久開放兩款模型的權重。
阿里雲在年度香港峯會宣佈 Qwen4-Max 上線,並推出多項面向企業的 AI 智能體開發、監控及安全防護能力。Qwen4-Max 總參數為 2.4 萬億,每個 token 激活 710 億參數;阿里雲稱 token 消耗減少 35%,平均每項任務成本降低約 60%。阿里雲在香港服務超過 65,000 名客戶,並宣佈與香港浸會大學及美亞娛樂合作,涵蓋 AI 培訓及影視內容創作。
這篇比較指出,Kling 4.0 在兩者均提供的 720p 和 1080p 解像度下,每秒所需點數低於 Seedance 2.5,分別為 6 對 12 點數、8.9 對 21 點數。
李飛飛在 CoRL 2026 介紹 World Labs 與史丹福團隊研發的 Atlas,稱其為統一生成與重建的世界模型。Atlas 是從零訓練的自回歸基礎模型,可接收文字、圖像、影片、深度訊號及 3D 結構訊號等輸入,生成像素影格並支援多視角重建。演講稱,Atlas 已蒸餾至 15fps 即時生成,團隊亦正測試其在機械人導航訓練及真實世界與模擬互通操作中的應用。
Arena 發布 2026 年第 46 周大模型盲測榜單,Google 的 Gemini 4 Carbon (High) 以 1526 分登上綜合榜首,與 Gemini 4 Argon (High) 的 1522 分差距在誤差範圍內,視為並列第一。
MBZUAI 旗下 IFM 發佈 PAN 2,這個 29B 參數世界模型採用 Apache 2.0 開源授權。模型以 GLP 分為 LLM Planner 規劃層和 29B MMDiT 感知及動力學層;MMDiT 以數億段附有詳細物理標註的影片從頭訓練,並透過基於 Wan 2.2 的 VAE 解碼器生成最長 20 秒的影片。
李飛飛在 CoRL 2026 介紹 World Labs 與史丹福團隊研發的 Atlas,這是一個統一生成與重建的世界模型,主要聚焦渲染及仿真。Atlas 可接收文字、圖像、影片、深度訊號等多模態輸入,並在純生成、稀疏重建和稠密重建之間切換。
美團 LongCat 發佈開源音訊驅動人物影片生成框架 LongCat-Video-Avatar 1.6,改善唇音同步、動作協調與長影片視覺一致性,並優化推理效率。材料稱其可生成超過 10 分鐘的影片;在人類偏好比較中,該版本在六個系統中排名第二,Bradley–Terry Elo 評分為 1068.1,研究收集了 33,051 份有效投票。
Google 示範 Gemini 4 Hydrogen 按照簡單要求及自訂影片組裝技能,搜尋公有領域檔案影片,並製作一段介紹氫元素、配有旁白的連貫短片。文章指出,這是使用公有領域素材的特定流程,並非所有營銷影片都可免人工完成;企業仍須審核內容準確性、素材權利及品牌訊息。
MarkTechPost 按 Artificial Analysis 的盲測 Elo 排列 2026 年 AI 影片生成模型,並比較每秒 API 價格及權重授權狀態。
百度在百度世界2026主論壇發佈文心閃電深度思考模型及文心一鏡微表情大模型,並同步上線百度智能雲千帆平台,向企業客戶及合作夥伴開放 API 服務。
Runway 推出機械人模型 Praxis-1,將影片預訓練所學用於真實機械人控制,並以 Apache 2.0 許可證開放權重。披露的測試結果顯示,Praxis-1 在 RoboLab-120 的 1200 個場景中完成 555 個,成功率約 46.2%,並在世界動作模型及開放機械人基礎模型類別中表現領先。
百度在百度世界2026主論壇發布文心閃電深度思考模型和文心一鏡微表情大模型,並同步於百度智能雲千帆平台向企業客戶及合作夥伴開放 API。文心閃電深度思考模型採用 BSA 稀疏注意力技術,官方稱推理引擎成本降低30%以上;文心一鏡微表情大模型支援最長4000字文本驅動,影片生成成本較業界降低50%,極速版本生成1分鐘影片約需1分鐘。
字節火山引擎推出 Seedance 2.5 flash,官方稱其生成速度較 Seedance 2.5 提升一倍,價格更低。以 720P 文生影片及圖生影片為例,生成價格約為 0.99 元 / 秒,較 Seedance 2.5 低約 34%。
字節火山引擎推出 Seedance 2.5 flash 影片模型,官方稱其生成速度提升一倍,效果最接近 Seedance 2.5,價格更低。以 720P 文生影片及圖生影片為例,價格約為 0.99 元 / 秒,較 Seedance 2.5 低約 34%;單段最長支援生成 30 秒影片,單次最多輸入 10 張圖片、5 段影片及 5 段音訊,並提供 480P 和 720P。
字節火山引擎推出 Seedance 2.5 flash 影片模型,官方稱生成速度提升一倍;在 720P 文生影片及圖生影片場景下,價格較 Seedance 2.5 低約 34%。上述場景價格約為 0.99 元 / 秒;模型單段最長支援 30 秒生成,單次最多可輸入 10 張圖片、5 段影片及 5 段音訊,並提供 480P 和 720P 兩檔解像度。
百度於 11 月 12 日發布文心閃電深度思考模型與文心一鏡微表情大模型,並在百度智能雲千帆平台開放 API 服務予企業客戶及合作夥伴。文心一鏡微表情大模型英文名稱為 ERNIE-Wizshot-ME,可生成 4 至 15 秒、1080p 影片,刊例價為每秒人民幣 0.7 元。
百度發佈文心5.5 Flash Preview,重點升級程式編寫、遊戲開發、3D建模及內容創作能力。模型總參數量為2800億,每個Token啟用140億參數,支援最長100萬Token上下文,官方稱生成速度超過每秒200Token。模型已在百度智能雲千帆平台上線並可透過API調用,權重計劃於11月25日開放;API每百萬Token輸入繁忙時段2元、閒時1元,輸出繁忙時段8元、閒時4元。
Seed 團隊正式發佈新一代影片創作模型 Seedance 2.5,單次影片生成時長由 15 秒提升至 30 秒,並支援多輪延長。模型單次最多可輸入 30 張圖片、10 段影片及 10 段音訊作參考,並支援時間戳精準編輯。Seedance 2.5 正陸續上線即夢 AI、豆包專業版,API 服務近期將上線火山方舟。
推薦理由:Seedance 2.5 將單次生成時長由 15 秒提升至 30 秒,並支援多輪延長及多模態參考,交代長敍事創作的主要能力變化。
字節 Seed 正式推出 SeedRealtime 原生音影片全雙工大模型,將音訊、影片與文字整合於統一架構,並支援連續多模態資訊流即時互動。它可進行音影片聯合理解、主動介入及對話節奏判斷;端到端人工評測顯示,相較級聯模型,音影片對話節奏問題減少一半。SeedRealtime 已在豆包 App 全量上線,更新至最新版本後,可在對話框選擇「打電話」進入影片通話體驗。
Runway 發佈 Praxis-1,這款 27B 參數開放權重模型以影片基礎模型預測未來畫面,並據此生成機械人動作,採用 Apache 2.0 授權。在 NVIDIA RoboLab-120 的 1,200 次測試中,DROID 微調版解決 555 次(46.2%),在世界動作模型及開源機械人基礎模型中排名第一。
MBZUAI 旗下 Institute of Foundation Models(IFM)發佈 PAN 2,一款面向物理智能的 29B 開源世界模型,權重、訓練程式碼及推理程式碼採 Apache 2.0 授權。
百度發佈 ERNIE 5.5 Flash Preview,這是基於早前發佈的 ERNIE 5.5 Flash Base 構建的首個後訓練模型,總參數量為 280B、啟用參數量為 14B,並支援 1M-token 上下文窗口。
Gemini Omni 1.2 Flash 可生成及編輯最長 15 秒的影片,Google 帳戶用戶可透過 Google Vids 每月免費製作 3 段 15 秒影片。文章比較 Google Vids、Google Flow、Gemini app 和 Gemini API 的使用條件;Gemini API 的 720p 影片收費為每秒 $0.07,而 Flow 免費帳戶生成影片仍限 10 秒。
推薦理由:文章比較 Google Vids、Flow、Gemini app 和 Gemini API 的 15 秒影片門檻與費用,並列出 Google Vids 每月 3 段免費額度及 Flow 免費帳戶的 10 秒限制。
Pangram Labs 正式推出 AI 圖像檢測模型 Pangram Image 1.0,在其測試數據集上取得 99.96% 準確率。模型可透過熱力圖定位 AI 生成內容,在 256×256 分辨率下準確率為 96.4%;一同推出的 Pangram Image Flash 1.0 在 DF26 數據集上的準確率達 98.7%,領先第二名 29 個百分點。
Gemini Omni 1.2 Flash 已在 Gemini API 和 Gemini for business 正式提供,支援最長 15 秒影片生成,並加入多輪對話編輯及更強的參考素材跟隨能力。相較 Gemini Omni 1.1,影片時長上限由 10 秒增至 15 秒,720p 影片價格下調 30% 至每秒 $0.07。
推薦理由:相較 Gemini Omni 1.1,更新將影片時長上限由 10 秒提高至 15 秒、價格下調 30%,並加入多輪編輯,具體呈現生成時長、成本與修改流程的變化。
Google DeepMind 於 11 月 5 日推出 Gemini Omni 1.2 Flash,並首次將 Omni 系列全面向開發者開放(GA)。新模型支援原生生成 15 秒影片(上一代為 10 秒)、多輪對話式編輯及更強的參考圖遵循能力;價格較 Omni 1.1 下調 30%,720p 每秒 0.07 美元,生成 15 秒約 1.04 美元。
推薦理由:文章把原生片長、多輪編輯及參考圖遵循能力,與按秒定價及降幅一併呈現,可見模型如何降低生成成本並支援反覆修改。
Pangram 推出 Pangram Image 1.0 和 Pangram Image Flash 1.0,更新 AI 圖片及影片偵測能力。Image 1.0 在 1,200 張合成圖片的測試中準確率達 99.96%;Flash 1.0 在 DF26 得分 98.7%,比次佳偵測器高 29 個百分點。
Pangram Labs 正式發佈 AI 圖像檢測模型 Pangram Image 1.0,在一個由 100 張真實圖片製作的 1200 張照片測試數據集上達到 99.96% 準確率。
Google 推出 Gemini Omni 1.2 Flash,生成影片片段的最長時長由 Omni 1.1 的 10 秒增至 15 秒。新版本的參考內容遵循度更高,價格則降低 30%。