画像・動画生成AIニュース:Ideogram 首发矢量模型、Canva Craft 日文传单实测、Midjourney 测试 Thinking Mode
Ideogram 于 10 月 22 日发布首个矢量图像模型 Ideogram Vector,可根据文字指令生成放大不崩的 SVG,API 定价每张 0.1〜0.32 美元。
Ideogram 于 10 月 22 日发布首个矢量图像模型 Ideogram Vector,可根据文字指令生成放大不崩的 SVG,API 定价每张 0.1〜0.32 美元。
可灵于 2026 年 10 月 15 日正式发布 Kling 4.0,支持单次 3–30 秒生成、更稳定的大幅运动与复杂运镜,以及最多 10 个关键帧输入。Omni Reference 单次生成最多可组合 15 个参考素材,包括 10 张图片、总时长不超过 30 秒的 5 段视频和 7 个元素,并可用提示词对已有素材做主体、背景、表情、机位与风格的定向修改。
推荐理由:官方梳理 Kling 4.0 的参考素材、关键帧与定向编辑能力,并给出从分镜到交付的流程建议。
微软团队提出 Code Video Model,由 Coding Agent 将 Prompt 转化为 Three.js 程序,把几何布局、物体运动、相机轨迹和事件时序统一为可执行场景表示,程序渲染的预演视频为视频模型提供时空参考。
推荐理由:微软团队用可执行代码替代提示词控制视频生成,免训练的阶段化条件调度让镜头设计在生成前可检查可修改。
OmniShowcase 提出一种从多视角图像生成全向主体一致视频的方法,通过自动数据合成与几何条件化实现 360 度环绕视角下的主体一致性。实验显示其在主体身份和 3D 一致性上达到当前最优,同时保持有竞争力的视频质量与运动。研究还构建了 Showcase-4K 数据集(12 种相机运动、88 种轨迹配置)和 ShowcaseBench 评测集。
Aitrepreneur 实测开源 5B 参数图像模型 MOSS Image,称其可在 ComfyUI 本地运行,生成写实照片与奇幻插画,并在多方面优于 Krea 2。作者同时提供配套工作流,支持标准与 Turbo 生成、提示词增强和 LoRA 实验。
马斯克的 Grok Imagine 在 X 上放出《奥德赛》系列第一集,时长 7 分钟,由 Wonder Studios 与导演 Dev Walker 参与创作。今年 7 月马斯克曾称 Grok Imagine 将在年内做出忠于荷马史诗、历史准确的整部长片,导演 Scott Derrickson 当时公开批评该项目。此次发布未附任何说明,马斯克此前还批评诺兰电影版选角。
Runway 开发者平台宣布可在 Runway Dev 上通过 API 调用 Kling 4.0,与可灵全系模型并列提供。该接口支持生成最长 30 秒带音频的原生视频,最多 15 个参考和 10 个关键帧,11 月 30 日前 Kling 4 使用享 20% 折扣。可灵官方账号转发了这一消息并号召开始构建。
用户 sirdrak 发布了适用于 MiniMax H3 的成熟动漫截屏风格 LoRA,称效果很好,希望借此鼓励大家创作自己的动漫剧集。该 LoRA 的具体参数与获取方式原文未提及。
Licon Studio 于 10 月 23 日在 Hugging Face 发布面向 MiniMax H3 的图生视频 LoRA Licon VBVR,针对同一物体被意外复制、身体穿过道具和动作顺序错乱等问题。
Visage-Image 是一个面向人脸生成的小型文生图模型,作者自建数据集并用 Qwen3.5-4B 等模型打标,还自训了窄域自编码器,在其数据集上 iFID 优于 FLUX.2。
Jack Dorsey 的 Block 发布全双工语音模型 Dessa,官方称其为迄今最逼真的全双工语音模型,对话带有情绪、停顿与自然节奏。该模型从零开始只用人类对话录音训练,未使用文本或预训练模型,可在 M4 Max Mac 或更高配置上实时运行,训练使用一台 NVIDIA GB200 NVL72。目前仅向安全研究员开放内测,公开访问设有 waitlist。
北大、复旦、南洋理工团队在 Open-o3-Video 基础上提出 Open-o3-Video-v2,把视频推理改为“发现信息缺口→主动裁剪片段→定位时空证据→融入推理”的多轮智能体流程。
用户用 MiniMax 测试二战士兵场景的光照、环境与物理效果,包括泥浆飞溅、烟雾和坦克翻覆等细节,并加入 DLLS5 作为额外处理环节。作者称其对交互与画质的处理仍令人印象深刻,尤其在提示扁平漫射光时;所用为旧工作流,可按需上传。
未公开归属的 AI 视频模型 Iron Goddess 本周出现在 Arena 对战模式中,运动幅度大、速度快,但最快片段逐帧看会出现模糊。Seedance 2.5 画面更稳定,动态幅度则较小。目前无人认领该模型,作者猜测可能是阿里,因其 9 月云栖大会曾预告 11 月推出新视频模型。
Kling 4.0 已在 Lovart 上线,单条可生成最长 30 秒片段,并支持 10 个关键帧控制节奏、最多 15 个角色/产品/场景参考素材。官方称其运动更稳定、音频更好、镜头运动幅度更大,Lovart 的 Arti 负责生成分镜清单。
推荐理由:Kling 4.0 在 Lovart 上线,单条可生成 30 秒片段并支持 10 个关键帧与 15 个参考素材,可据此评估长镜头控制能力。
可灵 Kling 4.0 已在 fal 平台公开可用,API 面向所有客户开放。该模型支持最长 30 秒原生视频生成并带音频,最多 15 个图像、视频与元素参考,以及最多 10 个关键帧的精确控制,并改进了运动、角色一致性与电影化叙事。
推荐理由:Kling 4.0 通过 fal 开放 API,原生 30 秒带音频生成与多参考、关键帧控制的变化可供创作者评估接入。
一位 Reddit 用户用同一段人像提示词对比了 7 个图像模型的出图效果,排名依次为 Nano Banana 2.1、GPT Image 2.5、Muse Image、Qwen image 2.1 turbo、Flux 3 Klein、Krea 2 turbo 和 Moss-image-sft(8 steps LoRA)。
同一提示词下对比 Claude Opus 5.5、Kimi K3.1 Pro 与 DeepSeek V4.1 Flash 1017 生成「骑行飞天」画面,Kimi K3.1 Pro 整合最稳,自行车稳骑飞行平台、角色清晰、光影干净,场景完整度明显更高。
MiniMax H3 光锥版 VBVR 测评显示,其在提示词遵从、空间关系与物理逻辑三方面均有增强。测评围绕该版本的实际生成表现展开,重点验证上述能力的提升情况。
火山引擎正式发布 Seedance 2.5 4K,官方称其是 Seedance 2.5 这一代中最强的模型,强化了人物表情、细微动作与画面细节,并支持 10-bit 色深。该版本支持 Draft 样片模式,可先用 480P 验证分镜、再生成 4K 正片;目前采取定向邀请,优先给到全球 20 家影视工作室和导演用于电视剧、电影镜头前期制作。
⚔️单文件Three.js跑马实测炸了!Kimi K3.1 Pro碾压Astra,Opus也差点被干穿! 🐴 Kimi K3.1 Pro: 跑姿最自然流畅,鬃毛尾巴飘逸,动作真实感拉满,一看就是真·会跑的马 🐴 Claude Opus 5.5: 整体协调,但动作偏僵硬,节奏和流畅度明还可以 🐴 GPT-6 Astra: 跑姿最怪,比例和动画都崩,几乎像机器人在跳 Kimi K3.1 Pro从开源杀出来,3D创作直接把前排打穿,性价比太离谱了。 #KimiK3 #KimiK31Pro #MoonshotAI #AI #ClaudeOpus #GPT6Astra #ThreeJS #开源模型 #杨植麟 #Dario #SamAltman https://x.com/nft_chen/status/2113717593844703389?s=46 https://x.com/AI_Screening/status/2113688082474221830/video/1
Moss SFT int8 合并 stripe fix lora 与 Qwen 9b int8 后,可在单张图内生成故事序列或漫画,并保持同一角色、支持任意风格。创作者称其提示词跟随极细致,配合 dmd2 turbo lora 的实验性 turbo 方法仍速度较快,所有图片为原生 1080p。
腾讯混元开源世界模型 Hy-Nomas,支持用文本提示和相机轨迹进行自由交互,并具备带世界记忆的长时程生成能力。该模型提供面向机器人等垂直领域的轻量 LoRA 适配,经 8 步蒸馏可在单张 RTX 4090 上生成 720p@24FPS 视频,权重已上线 Hugging Face 与 GitHub 并提供在线 Demo。
推荐理由:腾讯混元开源世界模型 Hy-Nomas,支持文本与相机轨迹操控,单张 RTX 4090 即可运行 720p 视频生成。
作者用 20 组动漫与 2D 风格提示词测试 Black Forest Labs 的 FLUX.3 Klein(5.6B),分两轮对比传统 Booru 混合提示与官方 FLUX.3 提示指南。
MossAD Demo 是基于 OpenMOSS 的 MOSS-Image Base 5B T2I 模型的全量微调版本,用 3,685 张图片、57 位画师的小数据集验证风格学习能力。
探索创作者如何用 Kling 4.0 将电影般的构想变为现实,捕捉逼真的细节,以及日常生活中的美、复杂与情感。
一款名为 MOSS 的 LoRA 发布,可直出 Instagram 网红生活风照片,自带暖调、柔和色彩与自然光感,无需额外滤镜或修图。该 LoRA 兼容 Moss base、SFT 和 Kromos,适用于自拍、手机随手拍、街头时尚、咖啡馆与旅行等日常场景,权重建议 0.6-1.0,无需触发词。
Recraft V4.1 Flash 以约 1.3 秒生成一张图的速度主打快速出图,代价是先生成较低分辨率,再可选通过 enhance 功能放大并优化画质。自定义风格支持用参考图构建、内置示例提示词预览,并新增通过链接分享给他人套用。Recraft 仍提供免费方案,用户可试用 V4.1 Flash 与风格工具。
Lightricks 在 Hugging Face 发布 LTX 2.5 开源权重,这是一个 22B 参数的扩散模型,可下载到自有 GPU 运行,同时提供 dev 完整版与蒸馏加速版,以及 bf16、int8、nvfp4 量化格式。
推荐理由:Lightricks 把 22B 视频模型连同音频与多镜头能力一起开源,文中拆解了下载包各组件与自托管门槛。
LTX 2.5 是一个开放权重的 AI 视频模型,音视频在同一次生成中产出,并支持单次生成内包含多个连贯镜头。模型提供标准版与蒸馏版,权重可下载,能通过托管 API 调用,也能部署在自有 GPU 上;官方称新的扩散视频解码器改善了人脸、纹理、画面文字与快速运动的表现。文章还记录了在远程 Nvidia GPU 上自托管运行、用对话镜头测试对口型与面部一致性的过程。
推荐理由:文章拆解了 LTX 2.5 音视频同源生成、原生多镜头与可自托管三项特性,便于判断开放权重视频模型的实际边界。
代号 Iron Goddess 的未发布 AI 视频模型本周短暂现身 Arena.ai 盲测平台,凭流体动力学与高速动作场景的生成效果引发关注,随后从易访问渠道消失。
国产 AI 3D 模型 Hi3D V3.0 正式发布,作者用同一张人物图对比称其在轮廓、体积和局部细节上比 GPT-6 Astra 更贴近原图。V3.0 主打可商用 2048³ 精度、纹理最高 8K;V1.0 基于 Sparc3D 开源,训练数据扩至约 200 万,切片成功率 90%,并支持 MCP 接入 Blender 与游戏引擎。
作者发布 PixText,一个专门修复生成图像中错乱文字与中文字符的小模型,参数量约 0.95B。模型直接在像素空间训练以避开 VAE 压缩对小字细节的损失,不需要文本编码器和 VAE,借助 MeanFlow 仅用 4 步采样完成文字修复。作者同时提供了 ComfyUI 节点、可直接使用的工作流、代码与模型权重。
可灵官方账号转发 invideo 的公告,Kling 4.0 已在 invideo 上线,单次生成可出 30 秒片段,最多支持 10 个关键帧、15 个参考素材和 4K 输出。可灵自己的推文只以一句调侃强调一致性,未补充其他细节。
字节跳动旗下火山引擎发布 Seedance 2.5 4K,称其为 Seedance 2.5 这一代中最强的模型,通过专项训练学习人物表情、细微动作与画面细节。该模型支持 Draft 样片模式,可先用 480P 样片验证分镜、打磨镜头,再生成 4K 正片,并具备 10-bit 色深;目前仅供部分企业客户试用,部分海内外影视制作、后期公司已试用。
推荐理由:Seedance 2.5 4K 把样片验证与 4K 正片分成两段流程,影视团队可据此判断画质与成本如何取舍。
那位芥末黄开衫英雄 💜 #Kling4 #KlingAI
可灵 Kling 4.0 已在 idea.ai 上线。据 idea.ai 介绍,该版本可用单条提示生成 30 秒场景,保持跨镜头角色一致,并支持在实拍、动漫与 3D 风格间切换。
推荐理由:Kling 4.0 在 idea.ai 上线,支持单提示生成 30 秒场景与跨镜头角色一致,可对照现有出片流程评估。
Topview 推出自研 AI 视频模型 Topview T1,官方称以 Seedance 2.5 的 1080P 画质为目标,1080P 每秒价格约低62%。
Canva 发布首个自研图像生成模型 Canva Craft,采用两阶段流程,先生成包含空间关系、相对比例与视觉层级的规划,再输出最高 2K 分辨率、支持 30 种画幅比例的图像。
用户 Unit2209 分享了用 MOSS Image 5B Base 模型生成的图像,未使用 LoRA 也未做微调,多数图片采用 50 步、CFG 3、1.5 百万像素的默认设置,且用的是 Base 模型而非 SFT 模型。图片文件已附带从 DeepBeepMeeps UI 提取的元数据,但不含细节备注。