Social Department 如何构建文化感知的视频发现系统
Social Department 构建了运行于 Amazon Bedrock 的 QuickSearch 系统,通过 Shareable Scenes、Quotable Quotes、Memeable Moments 和 Trend Align 四个一键操作,直接返回营销人员难以用文字描述的视频片段。
Social Department 构建了运行于 Amazon Bedrock 的 QuickSearch 系统,通过 Shareable Scenes、Quotable Quotes、Memeable Moments 和 Trend Align 四个一键操作,直接返回营销人员难以用文字描述的视频片段。
NVIDIA 在 Hugging Face 发布 Cosmos 3 模型家族的四个开放权重检查点,分别用于多视角驾驶数据生成、同步相机与 LiDAR 流式仿真、仿真器控制转视频以及双臂机器人动作预测。
推荐理由:四个检查点分别覆盖驾驶数据生成、流式仿真与机器人操作,并开放后训练配方,读者可据此评估迁移到自身场景的路径。
Google DeepMind 发布 Gemini Omni 1.2 Flash,在 Gemini API 与 Gemini for business 全面可用。
推荐理由:相比 Omni 1.1,片长从 10 秒延长至 15 秒、每秒价格下调 30%,并新增多轮对话式编辑与参考图保持能力。
Google DeepMind 发布新一代世界模型 Genie 4,可实时生成交互式模拟,并原生生成环境音、音乐与可适应输入的角色对话。模型结合 Gemini 系列能力,Gemini 3.8 Flash 作为引导智能体维护场景连贯,还可与 Gemini 4 Argon 及 Gemini Robotics 联动模拟多步骤机器人任务。
推荐理由:原文将 Genie 4 的能力拆为实时操控、物理与人物动作、原生音频和复杂事件模拟四部分,并说明了研究预览版的开放范围与已知局限。
NVIDIA 发布 Cosmos3-H-Dreams,一个基于 Cosmos 3 的实时生成式手术仿真器,可在单张 RTX PRO 6000 GPU 上交互运行。
推荐理由:它把交互式生成仿真从桌面缝合推进到临床胆囊切除场景,并开放模型、代码与蒸馏配方,具身智能团队可按这套方法迁移到自有数据。
TwelveLabs 的视频语言模型 Pegasus 1.5 现已在 Amazon Bedrock 上线(US West (Oregon) 区域),可将最长 2 小时的长视频转化为带时间戳的结构化 JSON 元数据。
推荐理由:相比 Pegasus 1.2 只能对单段视频问答,1.5 可按自定义条件切分整片视频并输出带时间戳的 JSON,适合需要批量编目长视频的团队。
Higgsfield 借助 GPT-6 Astra 将 AI 视频时长从 1 分钟延长至 10 分钟以上。GPT-Image-2.5 为创作者提供更精准的画面,GPT-Live 则开辟了语音电影创作的路径。
Pollo AI 借助 GPT-5.6、GPT-6 Astra 与 GPT-Image-2.5,帮助创作者将大胆创意转化为细节丰富的图像和电影级视频广告。
Google Research 发布面向连贯长视频生成的研究框架套件,将长视频生成建模为全局优化与世界状态追踪问题,在多镜头叙事一致性与角色持久性上取得显著提升。
推荐理由:原文把长视频生成拆解为全局优化与世界状态追踪四个框架,并给出各基准上的量化提升,可据此对照现有 Agent 编排管线的短板。
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar,将近实时视频生成与语音结合,为 Gemini 实时对话模型增加能看、能听、能说的动态虚拟形象。该功能今天起在 Gemini Enterprise 可用,支持后台异步工具调用、97 种语言间的无缝语音同步切换,以及基于参考图像定制品牌虚拟形象,所有音视频输出均带 SynthID 水印。
推荐理由:原文列出了实时视觉形象、后台异步工具调用与 97 种语言同步能力,读者可据此评估企业级虚拟客服的落地方式。