Genie 4 现已可用
Genie 4 现已向 Google AI Ultra 订阅者开放,支持会话中实时编辑世界与实时原生音频。Genie 3 同步更新,单次生成最长 3 分钟,支持 360 度全景图种子与实时世界事件;新增 Project Genie agent 与社区画廊。
推荐理由:Genie 4 向 Google AI Ultra 订阅者开放,支持会话中实时编辑世界与实时原生音频,创作者可据此评估其交互式世界生成、分享与再创作能力。
Genie 4 现已向 Google AI Ultra 订阅者开放,支持会话中实时编辑世界与实时原生音频。Genie 3 同步更新,单次生成最长 3 分钟,支持 360 度全景图种子与实时世界事件;新增 Project Genie agent 与社区画廊。
推荐理由:Genie 4 向 Google AI Ultra 订阅者开放,支持会话中实时编辑世界与实时原生音频,创作者可据此评估其交互式世界生成、分享与再创作能力。
Kling Image 4.0 上线 fal,支持原生 8K 分辨率。fal 公布其三大升级:逼真光照与真实纹理、最多 2000 字符的清晰排版、单提示词最多生成 10 张视觉一致的图像。
范式智能发布视频生成模型 Phai-M1,针对真人影视场景优化,解决人物失真与音画不同步问题,支持音画同步生成。实测生成一段15秒720P视频约需3分钟,模型在华为昇腾平台完成全流程训练,计划近期开源权重。
即梦 Seedance 2.5 推出 4K 版本,支持最长 30 秒单次生成、全模态参考、视频编辑与延长,并采用 10bit BT.709 色彩格式与六种画幅输出。
推荐理由:作者实测 Seedance 2.5 4K 在品牌 TVC、电商、影视预演和大屏展陈四种场景的表现,展示 4K 画质对商业制作流程的实际价值。
作者实测对比 Seedance 2.5 Flash 与原版,建议把返工成本计入选型,故事性强的项目更倾向原版。实测发现 Flash 画面质感较好,但复杂故事任务易出现拖影、虚化或逻辑问题。本文未复现文中提到的 480P 超分操作。
Fable 5.2 与 GPT-6.2 Astra 冰之圣殿同提示词对比:Fable 视觉质感领先,Astra 性价比高。Fable 成本 $81/近2小时,Astra 仅 $8.2/40分钟,成本约1/10、速度快近3倍。引用推文显示 Astra 一句话直出鹈鹕骑车不输 Fable 5.2。
可灵发布新一代图像生成模型 Kling Image 4.0,现已上线可灵创意工作室并向企业及开发者开放 API。该模型基于原生统一理解与生成架构,支持原生 8K 图像生成、单图最多 2000 字符文本渲染、单提示词生成最多 10 张一致风格图像,以及电商详情页等长图生成。此外还提供 110+ 预设调色风格、70+ 预设商用字体和七种语言支持。
推荐理由:新模型将视觉理解与图像生成统一在同一自回归框架,原生8K与长文本渲染能力值得创作者评估替换现有出图流程。
Google于11月16日宣布图像生成编辑工具Google Pics更新至Nano Banana 2.1模型。新模型在保持同等处理速度下,提升画质与真实感,并改善编辑一致性与文字描写,部分编辑时背景等元素更不易崩坏。更新无需用户设置,面向Google AI Pro/Ultra等付费计划,11月16日起1-3天逐步反映。
Seedream 5.5 更新带来四项改进:实写质感更自然、局部编辑更稳定、小文字更清晰、透明背景生成。作者在 Higgsfield 上实测,局部编辑可只改指定区域而不动其他部分,透明背景可直接生成 LINE 贴纸和 Logo。
字节跳动火山引擎宣布 Seedance 2.5 4K 的 API 全面开放,开发者与企业客户可通过接口调用该 4K 视频生成模型。该模型支持 Draft(样片)模式,终端用户可先用 480P 样片快速验证分镜、反复打磨镜头,确定满意后再生成 4K 正片;同时具备 10-bit 色深,画面质感更能胜任大荧幕。
推荐理由:Seedance 2.5 4K 开放 API 后,开发者可直接调用 4K 生成能力,Draft 模式为分镜打磨提供了低成本路径。
Zyphra 发布紧凑多语言 TTS 模型 ZONOS3-Mini,支持 43 种语言,约 1 亿活跃参数每 token,并提供原生 transformers 移植版本。该模型使用 ZAC-1 编解码器作为音频 tokenizer,内置 27 个发布音色,支持从短音频克隆声音,采用 Apache-2.0 许可证。
推荐理由:ZONOS3-Mini 以原生 transformers 移植发布,支持 43 种语言与声音克隆,便于评估其作为多语言 TTS 基线的适用性。
短剧自习室连夜实测 Seedance 2.5 flash,结果显示其生成速度翻倍、定价与 Seedance 2.0 持平,效果贴近 Seedance 2.5。10组梯度测试覆盖微表情、复杂动作、30秒长叙事与漫剧特效,横评显示其与 Seedance 2.5 画质接近,耗时减半、积分消耗更低,适合批量生产。
推荐理由:10组梯度测试横评Seedance 2.0/2.5/2.5 flash,flash耗时减半、积分消耗更低,为批量生产选型提供参考。
MiniMax H3 Image 在文本、编辑与真实感评测中,大型文本、计数与编辑身份保持表现良好,小文本和复杂物理是短板。该模型为 33B 参数扩散 Transformer,6 步采样、原生约 16 兆像素输出,支持最多 16 张参考图,本地 ComfyUI 运行约需 48GB VRAM。编辑测试中,换车、换装与插画转照片均保持构图和身份,但分镜物理和运动细节仍显不足。
Qwen 4.0 Max Preview 在最新鹈鹕测试中效果惊艳,解剖细节、骑行姿态、场景一致性、文字渲染与光影材质均明显提升。此前市场预期偏低,但最新测试显示模型细节与逻辑能力疑似优化。长喙、喉囊、鳞片状羽毛、尾羽细节精准,车架“PELICANO”文字清晰无变形,整体卡通立体感强。
作者实测Seedance 2.5 flash,13条片子覆盖7类短视频场景,画质与Seedance 2.5基本持平,生成速度提升一倍,API价格便宜约34%。该模型分辨率仅720P,参考素材上限10张图、5段视频、5段音频,适合日更、跟热点和投放测试;Seedance 2.5则负责旗舰质量。
推荐理由:实测显示Seedance 2.5 flash以约三分之二价格达到接近Seedance 2.5的画质,速度翻倍,为日更和投放测试提供高性价比选择。
维他动力发布跨视角生成模型 Exo2EgoPolicy,可将第三人称视频转为第一人称视角并输出左右手各21个关键点。模型采用140亿参数、50层H3 Ref2VA DiT主干,手部关键点PCK@5%从11.52%升至20.02%,新场景关节覆盖率98.92%;Vbot Echo与Echo App即日起全面开放。
MiniMax 于 11 月 10 日开放 H3-Image 模型权重,官方称 10 秒可生成 1600 万像素高清图,价格约为同档位主流工具的 50%-70%。
推荐理由:三家新模型在文生图与图片编辑榜单上排名差距明显,实测显示 MiniMax 出图最快但复杂指令执行不稳,OpenAI 综合表现领先。
Lodestone 发布新版 MOSS DMD Lora,兼容 4 步与 8 步生成流程,可用于多个 MOSS 模型。
作者为 Krea 2 Turbo 发布 int8 构建,适配 20/30 系列显卡,解决 Ampere 无 fp8 数学运算导致的慢推理。
腾讯AI内容创作平台WorkRally完成升级,制作能力从漫剧扩展至短剧、广告与创意视频,并推出三款垂类视频模型。其中视频生成模型Rally-Video支持图像、视频与白模等多模态参考,编辑模型Rally-Video-edit-2.0可只修改指定局部元素,超分模型UpScale-rally任务耗时较上一版缩短80%。
美团LongCat发布开源音频驱动人物视频生成框架LongCat-Video-Avatar 1.6,在1.5基础上改进唇音同步、面部与身体协调运动及长视频一致性,支持超过10分钟视频生成并优化推理速度。
推荐理由:新版本改进了长视频稳定性和推理效率,人类偏好评估中仅次于OmniHuman-2.0,为数字人视频生成方案选择提供参考。
美团发布音频驱动数字人模型 LongCat-Video-Avatar 1.6,支持超过 10 分钟稳定生成,并采用 8 步推理路径。在 33,051 次人工投票中排名第二,仅领先 1.5 约 16 Elo。ComfyUI 支持仍停留在 1.5,1.6 暂无节点路径。
JVT(Just Video Transformer)提出一种简单的大 patch DiT 风格 Transformer,用于像素空间视频扩散,无需预训练自编码器或 U-Net 式跳跃连接。其生成质量在类条件与无条件设置下与潜在扩散基线相当,并支持像素对齐模态的联合生成。通过相机条件 RGB-视差生成,JVT 改善了相机跟随,且无需额外重建模型即可获得显式场景几何。
MOSS-Image 与 MiniMax H3-Image 在 15 个相同提示词下的对比显示,两者质量差距比预期小。两者在英文海报、中文招牌、肖像和产品摄影上表现相当,但 UI mockup 均失败,图表也生成无意义标签。差异更多来自工作流与控制,而非原始输出质量。
Seedance 2.5 Flash 于 11 月 12 日发布,5 秒 720p 无输入视频示例定价约 0.99 元/秒,比 Seedance 2.5 同规格便宜约 34%,但 1080p 和 4K 暂不支持。厂商称生成速度约为 Seedance 2.5 的两倍,作者指出该数据来自厂商,未见独立基准。API 预计 11 月 15 日在火山引擎上线,并逐步在 Jimeng 等应用开放。
推荐理由:Seedance 2.5 Flash 定价比 Seedance 2.5 低约 34%,速度声称快约 2 倍,但作者提醒这些数据来自厂商,需自行验证。
MiniMax 开源 H3-Image 图像生成模型,支持 16MP(4096×4096)原生 4K 输出和最多 16 张参考图输入。作者实测其可生成 CAD 三视图、机械爆炸图和高数试卷等复杂图像,网页端 4K 生成约 10-20 秒。API 价格为主流竞品的 50% 到 70%,首周 16MP 请求再打五折。
推荐理由:MiniMax 开源 H3-Image 图像模型,支持原生 4K 与最多 16 张参考图,作者实测其 CAD 拆解、复杂排版和低价 API 可用性。
字节跳动火山引擎发布Seedance 2.5 flash文生视频模型,生成速度较Seedance 2.5提升一倍,720P生成价格约0.99元/秒,较Seedance 2.5下降约34%。模型单段最长支持30秒,提供480P和720P两档分辨率,API将于11月15日上线火山方舟。
推荐理由:Seedance 2.5 flash 以约0.99元/秒的720P生成价格进入批量生产场景,为高频内容制作提供性价比方案。
Luma 推出 Character Swap & Insert 功能,允许在同一镜头中替换角色、更换车辆、添加动物或移除人物。该功能面向视频生成场景,帮助创作者在不重拍的情况下响应客户修改意见。
PixVid 将预训练潜空间视频模型改为直接在像素空间逐帧生成,用卷积头替代 VAE 解码器。该方法从 Wan2.1-14B 微调,约 1.3M 训练片段即可接近潜空间基线,并以相同每帧 token 数生成 2× 更高分辨率。它在快速运动下保持深度条件编辑对齐,并能对每个动作在下一帧响应。
PAN 2 发布,开源 29B 潜在扩散模型,支持最高 20 秒、720p、24fps 视频生成,采用 Apache 2.0 许可证。发布方同时公开训练代码,并提供 Diffusers、FastVideo 和 vLLM 集成。模型让 LLM 生成密集文本状态/脚本,事件和动作定时,相机嵌套在事件下但与动作解耦。
推荐理由:开源 29B 视频生成模型并公开训练代码,创作者可评估其 20 秒 720p 生成能力与 LLM 驱动的脚本级可控性。
MiniMax 发布 MiniMax-H3-Image,ComfyUI 已提供两个原生工作流。一个 checkpoint 同时支持文本生成和图像参考编辑,单次生成约 16MP,六步采样,无需独立放大。需更新 ComfyUI 至 0.45,模型文件包括 Qwen3-VL 32B 文本编码器、图像 VAE 和 Qwen3.5 9B 提示扩展器。
MiniMax H3-Image 开放权重,提供 Hugging Face、ModelScope 与 GitHub 入口。
MiniMax 发布 MiniMax-H3-Image-PE,基于 Qwen3.8-27B 微调,为 MiniMax-H3-Image 提供提示词扩展与宽高比推荐,支持文生图与图像编辑两条工作流,其中图像编辑 PE 仍在开发中,本次仅发布其提示词。模型以 FP4 权重运行,可通过 SGLang 或 Diffusers 部署,约需 19 GiB 显存。
非常感谢 @shiyi_c98 帮助我们将 Pika H3 Flex 推理带到 AMD GPU 💜 我们期待与社区更多研究者合作。如果你是一位 AMD 开发者,我们非常希望你能为这个分支做出贡献! 查看她的工作:https://github.com/Pika-Labs/Pika-H3-Flex/tree/contrib/amd-mi350x
Zyphra 发布开源紧凑语音模型 ZONOS3-Mini,约 100M 活跃参数,可在手机、笔记本和浏览器实时运行。模型支持从音频样本克隆声音、按年龄/口音/音色设计角色,并逐词控制情绪、语速与表达。权重以 Apache 2.0 开源,可通过 SGLang-Omni 在 NVIDIA GPU 上以 OpenAI 兼容接口服务。
推荐理由:100M 活跃参数即可在浏览器实时合成语音,为本地化配音与角色语音提供可本地运行的开源方案,支持声音克隆与逐词情绪控制。
字节跳动发布新一代图像生成模型 Seedream 5.5,支持 100 轮多轮编辑、原生 RGBA 透明背景输出,并提升图像真实感与文字渲染。相比 Seedream 5.0 Pro,六个生产场景的可用率均有提升,影视和办公场景可用率超过上一版两倍;文本严重损坏率降至 0.4%。
推荐理由:Seedream 5.5 主打 100 轮稳定编辑与原生 RGBA 输出,评测显示文本严重损坏率降至 0.4%,为专业视觉生产提供更可靠的图像资产。
Video Rebirth 发布 HyperFlow H3 Flash,这是 MiniMax H3 的压缩版,参数从约31B降至13.7B,可在24GB GPU上运行。
清华 OpenBMB 团队开源 VoxCPM2 语音合成模型,20 亿参数、支持 30 种语言与 48kHz 音质,Apache-2.0 许可免费商用。模型采用扩散自回归零 Tokenizer 架构,支持自然语言声音设计、可控克隆与终极克隆,在 Seed-TTS-eval 基准中英文 WER 1.84%、中文 CER 0.97%。
推荐理由:开源 TTS 模型 VoxCPM2 以 Apache-2.0 许可免费商用,支持 30 种语言与 48kHz 音质,创作者可评估是否替代现有付费配音方案。
MotionGraphicsBench 基准含 100 个实例,用于评估大语言模型从静态 SVG 和运动编辑提示生成动态图形的能力。在 180 个动画的平衡测试集上,其程序化验证与人类判断的原始一致率达 93.3%,高于 GPT-6 Astra VLM 基线的 83.3%。
Runway 上线 GPT Image 2.6,图像生成速度提升 50%。新版本支持生成 GIF、导出 SVG 矢量图,并可在保持角色、产品和品牌细节一致的前提下进行精确编辑。