跳到正文
日期与来源

日期按北京时间的资讯列表日期计算,包含起止当天。

10月20日周二
  1. Hugging Face Daily Papers48

    Fréchet Forcing:用短视频训练长时程流式世界模型

    研究者提出 Fréchet Forcing,通过生成锚定、上下文保真与真实感匹配三项约束,在无需教师模型、在线判别器和长视频的情况下微调世界模型及其多步采样器。在 253 帧片段上预训练的 MiniWorld-1B 经最多 36 GPU 小时、381 帧片段微调后,rollout 可稳定超过 4,000 帧,并在机器人操作与相机控制探索中持续跟随动作指令。

  2. IT之家68

    蚂蚁百灵开源 Ming-3.0 语音系列模型,覆盖语音合成、音频理解与对话、语音识别

    蚂蚁百灵开源 Ming-3.0 语音系列,包含语音合成、音频理解与对话、语音识别三个系列共五款模型,开发者可按任务选择或组合进工作流。Ming-3.0-tts 的 Voice Design 支持用文字描述目标音色,也可用参考音频设定音色,导演模式可说明台词的表演方式、情绪变化、重读词与节奏处理。

    推荐理由:Ming-3.0 把语音合成、音频理解与识别拆成五个模型,其中导演模式可用文字描述台词的表演方式。

  3. CGPress72

    Mirelo 发布 SFX 2.0 视频转音效模型

    柏林 AI 研究团队 Mirelo 发布视频转音效模型 SFX 2.0,可在不重新生成画面的情况下改动视频音频,保留对白、去除未指定的音乐,并生成与动作同步、跨剪辑点连贯的音效、拟音与环境声。

    推荐理由:视频转音效模型更新,可在不改动画面的前提下重做音轨,并已接入剪辑软件与第三方平台。

  4. The AI Pixel58

    Krea 发布 Krea 3 图像编辑模型,2K 原生单张编辑不到 8 秒

    Krea 发布图像编辑模型 Krea 3,多数编辑在原生 2K 下 8 秒内完成,单张 0.06 美元,1K 为 0.03 美元。官方给出的对比是 Nano Banana Pro 中位耗时 33 秒、单价 0.135 美元,GPT Image 2 为 90 秒、0.22 美元。该模型单次编辑最多支持 6 张参考图,并能按马克笔草图、情绪板和线稿生成成图。

  5. Slop Reel · AI 视频制作简报62

    字节跳动 OmniHuman 2.0 上线,数字人视频降至每分钟 4.20 美元

    BytePlus 于 10 月 15 日上线 OmniHuman 2.0,一张图片加一条音轨即可生成带对口型的 720p 表演,支持文本提示控制手势与镜头运动,并允许多人同框。价格从每秒 0.12 美元降至 0.07 美元,即每分钟 4.20 美元、五分钟长镜头 21 美元。该产品通过字节跳动的企业平台 BytePlus 销售,预算需考虑可用一分钟素材需要拍多少条。

  6. 智东西40

    OpenAI 三个 Aurora 代号模型现身 API 与 Arena,或为 GPT-Image-3

    OpenAI API 模型列表短暂出现 aurora-red-alpha、aurora-green-alpha、aurora-blue-alpha 三个条目,Arena 上同名图像模型已用红、绿两版生成猫咪图片。测评博主 Lumina 推测这可能是 GPT-Image-3,称红版生成更快但画质稍逊、绿版较慢效果更好,蓝版尚未测试。OpenAI 未公布模型身份及发布安排。

  7. Reddit comfyui · 创作与工作流分享73

    OpenMOSS 发布 MOSS-Image 图像模型,已支持 ComfyUI

    OpenMOSS 发布 MOSS-Image,这是一个 5B DiT 模型,使用 Qwen3.5-9B 文本编码器和 FLUX.2 VAE,分 Base 与 SFT 两个版本,采用 Apache 2.0 协议。

    推荐理由:MOSS-Image 以 Apache 2.0 开源并支持结构化布局控制,可对照现有开源图像模型评估文字渲染能力。

10月19日周一
  1. AITNT · AI创作资讯78

    可灵4.0全面上线:30秒原生直出、15项素材参考与10张关键帧实测

    可灵4.0(Kling 4.0)全面上线,单次原生生成最长30秒,支持长镜头与连续叙事。新模型强化高速运动与复杂运镜稳定性,全能参考功能单次任务最多组合15项图片、视频、主体与音色素材,其中图片最多10张、视频最多5段、主体最多7个,并支持最多10张关键帧控制人物状态与剧情走向。

    推荐理由:可灵4.0把单次生成拉到30秒并支持15项参考素材,创作者可据此判断长镜头与动作戏的可用程度。

  2. Reddit StableDiffusion · 创作者与工作流分享22

    6 款开源模型同题对比:Krea2、Qwen2.1、Flux3 Klein、Flux 2 Klein、ZIT 与 Moss

    有用户用同一提示词对比了 Krea2、Qwen2.1、Flux3 Klein、Flux 2 Klein、ZIT 和 Moss 六款开源模型的出图效果。Krea2 需要文本拒答绕过 LoRA 才能生成缺失文字并让 Cousin Itt 出现;Qwen 2.1 则似乎把 Lurch 的灰发理解成了灰色皮肤。提示词为 Wednesday Addams 主题的写实摄影场景。

10月18日周日
  1. Reddit StableDiffusion · 创作者与工作流分享20

    MOSS-image 无需 LoRA 即可出图

    MOSS-image 无需 LoRA 即可按提示词直接生成图像,兼容 1girl 类提示词与 JSON 风格写法。示例提示词生成了一张仰躺在草地上的女性牛头人俯拍照片,穿印有 "Muuhters" 橙色圆体字 logo 的白色背心,标注为 Canon R5 DSLR 拍摄。

  2. Hugging Face Daily Papers34

    Painting Change Map:用时空变化图引导绘画过程视频生成

    研究者提出 Painting Change Map,一种显式追踪 1000 个时间步内归一化结构变化的时空控制机制,可同时引导正向绘画与反向"卸画"过程。该方法将局部视觉差异编码进 RGB 空间,实现笔画级细粒度控制,在基准测试中优于现有控制基线,并在 oracle 条件下显著超越所有基线。代码已开源。

10月17日周六
  1. RenderBob · 图像视频工作流72

    快手可灵 4.0 于 10 月 15 日发布,HDR、续写与 API 仍待上线

    快手称可灵 4.0 已于 10 月 15 日发布,单次生成最长 30 秒,Omni Reference 最多支持 15 个素材、关键帧最多 10 个,并已集成 Kling MCP 与命令行工具。

    推荐理由:可灵 4.0 已上线,但 HDR、两分钟续写和 API 仍标注即将推出,文中还列出 Flash 档与完整版的参数差异。

  2. FastVideo 视频模型 · 模型发布60

    FastVideo 发布 FastH3-QAD-v2 视频音频模型

    FastVideo 发布 FastH3-QAD-v2,这是一个 8 步视频与音频模型,采用 NVFP4 权重和量化感知蒸馏(QAD)训练,可在单张 Blackwell GPU(RTX 5090、RTX PRO 6000)或 DGX Spark 上运行。

    推荐理由:8 步视频与音频模型以 NVFP4 量化权重落到单张 Blackwell 显卡,并给出与 BF16 教师模型的误差数据。

  3. Hugging Face Daily Papers31

    HumanSkill-4D:免训练语言查询可动画高斯化身,支持空间与时间定位

    HumanSkill-4D 提出免训练框架,用共享的多模态大语言模型和几何算子,从语言查询中选出可动画高斯化身的局部区域,并可指定姿态或动作匹配时间段。方法通过语义记忆将身体部位与服装类别绑定到持久高斯区域,并用运动记忆中的驱动关节轨迹组合算子程序,使选择可追溯。团队构建三个真人标注 benchmark,其在部位分割及 3D、4D 指代分割上优于基线,每个化身仅需数分钟设置。

  4. Hugging Face Daily Papers38

    UniAVC:通过渐进训练与非对称调度实现统一音视频创作

    UniAVC 用单一模型权重实现文本条件联合生成、双向跨模态生成与指令引导编辑,无需任务专用适配器。它先在单模态数据上训练各分支至完整生成与编辑能力,再把配对数据用于跨模态对应关系;模态解耦调度器从共享时间步独立变换噪声调度,并以单模态干净样本直接监督非对称配置。由此支持意图感知编辑与推理后自优化,仅重生成不满意的一侧。

10月16日周五
  1. 可灵 Kling58

    可灵 4.0 在 kling.ai 全面开放,主打运动与创作控制升级

    可灵 4.0 已在 kling.ai 全面开放,官方称带来更精细的运动、更精准的创作控制与专业级视听输出。在 Advertising Week New York 2026 上,可灵 AI 与 WPP、Adobe 同台讨论 AI 视频如何从创意试验走向真实制作,并强调下一阶段不只是生成质量,而是把模型、工具与工作流连接起来,让创意在一致性与可控性下规模化。

  2. 新智元 · 公开公众号 RSS71

    生数科技发布 Vidu Q4 Preview,首发优惠价低至 0.09 元/秒

    生数科技发布 Vidu Q4 Preview,主打人物表现、运镜和复杂视效,在 2D、3D 动漫场景中强化角色演绎与动态镜头,首发优惠价低至 0.09 元/秒起。

    推荐理由:Vidu Q4 Preview 把人物演绎、运镜与多参考能力打包,并给出 0.09 元/秒起的首发价,可据此判断试拍成本是否已进入可承受区间。

  3. Hugging Face Daily Papers24

    SUPRA-Tex:基于超对齐纹理的3D生成

    SUPRA-Tex 提出一种单图3D生成方法,通过解耦可见材质估计、表面对齐与观测引导的3D补全,实现与参考图的超对齐。该方法先用基于 MLLM 的图像编辑模型预测参考视角下光照分离的 PBR 贴图,再投影到可见表面并编码为原生观测隐变量,由交错流 Transformer 固定为只读锚点生成完整材质隐变量。

  4. 可灵 Kling70

    可灵发布 4.0 视频生成模型

    可灵(Kling)官方账号发布 4.0,配文“The art of 4.0”,并带上 #Kling4 与 #KlingAI 标签。被引用的 @2x_labs 内容称可灵 4.0 已正式发布,宣传语为“以想象,定义下一帧”。

    推荐理由:可灵官方账号放出 4.0 发布信号,创作者可据此关注新版本在视频生成上的能力变化。

  5. comfyorg · YouTube 创作视频38

    走进 Black Forest Labs 与 ComfyUI 的 FLUX 3 Image 幕后对话

    Black Forest Labs 研究科学家 Yumeng Li 与 ComfyUI 创意技术专家 Paul Hansen 直播对谈 FLUX 3 Image 的研发决策与取舍。该模型支持用边界框构图、逐框编辑图像,未改动区域保持不变,并可同时进行多处定向编辑。它还支持最多 10 张图像的多参考生成,原生输出 2K 和 4K,并配套 ComfyUI 竞赛,奖池价值 2.5 万美元。