NVIDIA Cosmos3-H-Dreams 发布:用生成式仿真呈现临床手术
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。
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。
HeyGen 开源 HyperFrames,把 HTML、CSS 和可 seek 动画渲染成确定性 MP4,Apache-2.0 协议,GitHub 68,154 颗 Star。
推荐理由:原文拆解了 HyperFrames 用 HTML 加可 seek 动画实现确定性视频渲染的思路,并给出与 Remotion 的取舍对比,可迁移到其他 Agent 内容生成的设计中。
作者用同一套视觉元素在 Remotion、Remotion+GSAP+Three、HyperFrames、React Native Skia 四条技术栈各渲染一条 720×1280 / 30fps 样片,抽帧质检全部通过,并整理出 32 项 × 4 栈共 128 格能力矩阵。
推荐理由:同一套视觉元素四栈并排实测并给出 32 项能力矩阵,选栈方法与抽帧质检脚本可直接迁移到自己的代码渲染视频项目。
作者用 WorkBuddy 搭配 DeepSeek-V4.1-Flash 复刻 Claude 的 Vibe Video,直接复用其提示词生成 30 秒、1920x1080、30fps 的宣传动画,效果不错。
作者实测了鱼皮开源的 ai-promo-video-maker Skill,在 Cursor 里打开项目并说「给这个项目做一支宣传片」,经过两轮需求问答后即可在项目目录生成 4K 成片。
可灵 AI 发布 Kling 4.0 视频生成模型,单次可生成最长 30 秒视频,支持最多 10 张关键帧输入,提示词理解扩展至 8,000 tokens。升级后的 Omni Reference 可在单次生成中接受最多 15 个参考素材,新增双声道立体声音效与覆盖十多种语言的口型同步,轻量 Flash 版本上限为 720p 和 20 秒。
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。
哪吒智云采用天翼云 AI 创作平台 DramaFlow 后,国风 AI 短剧创作周期压缩 60% 以上,算力成本下降约 40%,内容产出量翻两番。DramaFlow 聚合 Seedance-2.5、MiniMax H3、通义万相、Happyhorse1.1 等主流生图与生视频模型,提供短剧工作流、可视化画布、资产库管理等全链路创作工具。全栈国产算力与数据本地化处理满足国有内容企业的安全合规要求。
Arena 发布 2026 年第 42 周 AI 大模型盲测周榜,国产模型在多个细分榜单稳居中上游,其中 kimi-k3-max 以 ELO 1540 分稳定在代码榜第十名。
作者在 AutoDL 租用 RTX 5090(2.88 元/小时),通过 ComfyUI 部署 MiniMax H3,完整记录实例配置、ComfyUI 安装、模型按需下载、文生视频工作流与避坑过程。
六小龄童回应"圣黛 CP"AI 魔改热潮,认为创意有意义、很好玩,但强调"忠于原著,慎于翻新",改编不能逾越政策法规和观众红线。"圣黛 CP"指孙悟空与林黛玉的跨作品组合,截至 2025 年 6 月,抖音相关话题播放量超 50 亿、B 站相关视频播放量破 5 亿。该 CP 最早可追溯至 2020 年 B 站 UP 主混剪视频,2025 年起随 AI 工具降低制作门槛后集中爆发。
VAST 发布并开源实时世界模型 EdenLive,在单张 Nvidia RTX 5090、720P 条件下,其 5B 模型生成速度超过 24FPS,支持分钟级连续生成,端到端延迟为百毫秒级。
推荐理由:原文拆解了状态维护与视觉渲染解耦的技术路线,读者可据此判断实时世界模型在交互场景中的适用边界。
作者提出选 AI 视频模型应算单位成片成本,即单次生成成本除以可用率,而不是看画质排名。做法是固定同一组提示词、分四个难度层级压测,同一提示词重复十次统计废片率,并按时间轴取关键帧比对物体形变与接触关系。按这一口径重算后,单次价格更低的模型反而更贵,因为十次里只有两次能用。
作者把 AI 视频模型压力测试的难度变量从画面规模改为要素密度,按密度分四级后得到可复现的选型结论。踩过的四个坑包括误以为场面越大越难、素材被静默忽略、只记总命中率、不做版本标注。两个反直觉发现是局部编辑能力比一次做对更影响产能,以及对粗糙指令的宽容度能反映模型是否理解意图。
作者建议把权属核查从成片后的法务环节前移到立项阶段,作为流水线的一个工程节点,输出权属声明文件、素材来源表和提示词档案目录三份产物。天津和平法院与北京互联网法院的两起案件表明,生成过程留档与授权审核已成为抗辩和免责的关键,门禁设计可在角色图定稿、批量生成和交付前分段拦截。
sweety-handdraw-video 是一个开源 Skill,把文章或故事转为手绘口播视频,由 AI Agent 完成内容理解、口播脚本撰写、分镜设计和插画生成,Python 与 FFmpeg 在本地完成逐帧渲染、配音对齐和字幕合成。
Elorian 发布首款模型 Glimpse,目前以研究预览形式提供 API 访问,聊天界面需申请排队。该模型在推理过程中可反复回看原图,支持裁剪区域、抽取视频帧并运行代码测量,Elorian 称之为 visual scratch space。
马克·沃尔伯格在 TechCrunch Disrupt 上表示,AI 可以在电影业占有一席之地,前提是"正确使用"——用于增强而非替代真实演员。他考虑在即将出演的 Pete Rose 传记片中用 AI 增强体育场场景,但反对把创意丢进 ChatGPT 生成剧本就开拍。
科技媒体 AppleInsider 在发布会现场体验苹果首款智能家居中枢 HomeView 后,分享了更多实用细节。HomeView 的“Home Camera”界面可同时显示最多 9 路实时摄像头画面,还能作为数码相框展示 iCloud 共享相册,并支持以分步方式查看食谱、用 Siri 语音跳到下一步。
快手可灵 AI 宣布 Kling 4.0 正式全量上线 klingai.com,单次生成视频最长可达 30 秒,支持多次续拍最长延展至 2 分钟。
推荐理由:原文逐项列出 Kling 4.0 的时长、分辨率与多语种能力,读者可直接对比同类视频生成模型的可用边界。
昆仑万维发布世界第一款运行在单张消费级显卡上的视频大模型游戏 Matrix-Game 4.0,项目同步开源。该游戏在单张 NVIDIA RTX 5090 上实现 480p、60 FPS 的实时体验,按键到画面反应延迟低于 150 毫秒,跑通了代码生成游戏逻辑、结构画面提供结构约束、视频模型实时渲染的完整闭环。
AI综艺正在短视频平台批量走红,抖音相关话题播放量达2876.4万次,@十万个挑战单条视频获189万赞,@重塑计仅靠三条视频涨粉12.7万。一集5分钟左右的AI综艺生成成本约2000—5000元,制作周期一周左右,创作者可凭数据反馈快速试错。LibTV与抖音未来导演扶持计划达成合作,LibTV提供算力、创作工具和宣发资源,抖音提供流量、项目入口及平台宣发支持,重点支持头部创作者打造新的节目作品。
OpenAI 与 AI 视频生成平台 Higgsfield 宣布合作进展:接入 GPT-6 Astra 后,其 AI 视频生成时长上限从 1 分钟提升到 10 分钟。
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。
哈啰 Robotaxi 宣布推出生成式驾驶世界模型 HelloWorld,整合场景控制、连续生成、多传感器观测与高效推理能力。该模型支持通过自然语言描述需求或直接编辑车辆、行人及运动轨迹,生成对应的多视角视频与激光雷达观测。研发人员可借此插入横穿行人、调整前车路线,并切换雨雪与昼夜等条件,构造真实采集难以充分覆盖的长尾情境。
科技媒体《The Information》报道称,OpenAI 正与一家由好莱坞制片人 Jeffrey Katzenberg、Sora 前研究负责人 Bill Peebles 等人于数月前创立的隐身初创公司谈判,计划将已停运的 Sora 移交给该公司,以专业影视工具的形式重新进入市场。
Arena 发布 2026 年第 41 周 AI 大模型排行榜,Anthropic Claude Opus 5.5 Max 新入榜即以 15.53% 净提升度登顶智能体榜第一。gemini-4-argon-high 继续稳居综合榜榜首,ELO 1525 分。国产模型整体处于中上游,kimi-k3-max 位列第 16,qwen3.8-max、mimo-v2.6-pro 等排名稳定。
Odyssey 将生成式世界模型 Odyssey-3 开放为公开研究预览,用户可用文本提示生成并实时探索交互环境。基础模型 14B 参数、生成 832×480 视频,Odyssey-3 Pro 支持 1280×720;官方称其在 Physics-IQ Verified 得分 66.1,但该成绩来自单次运行且经过八选一筛选,未满足四次运行的要求,不做筛选时平均 63.37 分。
生数科技发布视频生成模型 Vidu Q4 Preview 预览版,支持 2K、4K 输出。该模型最多支持 3 段参考音频与 15 张参考图,单次最长可生成 16 秒视频,支持 10bit 色深,首发优惠价 0.09 元/秒起,覆盖 540P 至 4K 多种规格,面向 AI 短剧、广告营销、社交互动和影视创作等场景。
Odyssey 于 10 月 8 日宣布推出 Odyssey-3 系列基础世界模型,其中 Odyssey-3 Pro 在 Physics-IQ Verified 视频到视频基准测试中取得 66.1 分,创该榜单最高纪录。
Ben Affleck 近日因在多段采访中熟练讨论机器学习、神经网络、transformer、推理等 AI 概念走红网络,他还称自己会写一点 Python。他今年早些时候将 AI 电影制作初创公司卖给 Netflix,报道称交易额约 5.87 亿美元,他本人称该数字“不准确”。
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。
B站 UP 主“王与也行”10 月 4 日发布的“黄仁勋世界巡演”AI 视频播放量已超百万,并火到海外,引来马斯克调侃“这就是内存价格如此昂贵的原因”。该视频改编自迈克尔 · 杰克逊 1992 年布加勒斯特演唱会《Jam》片段,将台上表演者与台下观众替换为知名人物。黄仁勋今年 3 月曾表示内存供应稀缺对英伟达是“极好的消息”,并喊话供应商“你们产多少我就会用掉多少”。
Reka AI 发布 Rho-1 研究预览版,这是一个 190 亿参数的全模态模型,可在单一神经网络中处理并生成文本、图像、视频和机器人控制动作。所有模态作为 token 在一个共享上下文窗口中运行,无需工具调用或外部模型,同一套预测相机图像的权重也驱动机器人运动。
斯凯孚(SKF)借助人工智能生成已故好莱坞影星葛丽泰·嘉宝的虚拟形象拍摄广告,该广告收获赞许的同时也遭到嘲讽。图像生成使用字节跳动 Seedream 5 Pro 与谷歌 Gemini 的 Nano Banana Pro,动作生成用到 Seedance 2、Seedance 2.5 及可灵 AI(Kling AI),语音则以嘉宝早年影片原声训练 AI 完成。
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。