生数科技发布 Vidu Q4 Preview,主打动漫人物演绎与 0.09 元/秒起试拍价
生数科技发布 Vidu Q4 Preview,主打人物表现、运镜与复杂视效,在 2D、3D 动漫场景中强调角色表情与动作层次。
生数科技发布 Vidu Q4 Preview,主打人物表现、运镜与复杂视效,在 2D、3D 动漫场景中强调角色表情与动作层次。
可灵AI正式上线视频模型Kling 4.0,支持最长30秒直出,此前9月底已向部分黑金年卡及Ultra年度订阅用户开放4.0 Flash尝鲜。作者实测了城市追逐、马戏团、电梯打斗、花样滑冰等场景,认为其在物理规律理解、复杂动作衔接和镜头调度上有提升。
推荐理由:作者实测了30秒直出、复杂打斗与全能参考,并给出1080P 30秒450积分的成本参考,可据此评估出片流程。
阿里 TaoLive AIGC 团队于 10 月 15 日发布 TaoMate-H3-FL2VA,这是一个 3 步 LoRA,为 MiniMax H3 的流式 TaoMate-H3 运行时加入首帧与尾帧控制,团队称其为已知首个实时流式首尾帧到音视频(FL2VA)模型。
推荐理由:TaoMate-H3-FL2VA 把首尾帧控制接入流式音视频生成,并已有 ComfyUI 转换版本可本地跑,方便创作者评估是否纳入现有出片流程。
用户实测 Flux 3 Klein 后发现,该模型在雪暴等氛围场景上表现优于多数模型,但细节相比当前其他模型明显混乱,涉及生物题材时比例严重失真。
OpenMOSS 于 10 月 16 日发布 5B 文生图模型家族 MOSS-Image,包含预训练版 MOSS-Image-Base 和面向普通用户的 MOSS-Image-SFT 两个 checkpoint。
推荐理由:5B 文生图模型主打中英文文字渲染与 JSON 布局控制,ComfyUI 核心节点同日支持,可据此评估排版类出图流程。
字节跳动未发布的世界模型在抖音晚会上演示了用一条手绘相机路径生成《喜剧之王》场景的十多个新机位,并获周星驰授权。同期 OmniHuman 2.0 通过 BytePlus 以 API 形式上线,仅限非美国地区,单段最长 5 分钟、720p、价格约低 40%。
作者在 RTX A4500 20GB 上用官方 ComfyUI 工作流对比 Flux 3 Klein 的 bf16 base 与 distilled 两个版本,50 条提示词、相同种子、约 2MP。
Meta 发布开源权重模型 Muse Spark Open,称其为美国最强开源权重模型,采用 8160 亿参数和 100 万 token 上下文窗口,原生多模态,面向复杂编程与智能体任务。
MOSS-Image 是一个开源图像生成系统,从零预训练 5B 单流扩散 transformer(DiT),支持中英双语长文本渲染与精确布局控制,并配备意图感知的智能体提示增强模块。在长文本渲染基准 LongLongTextBench 上,其平均文本覆盖率达 96.3%,居开源权重模型首位;在 RealLayoutArena 端到端系统对比中排名第二。团队将开源模型、训练配方与评测框架。
PPMem 是一种以平面基元作为持久 3D 记忆的视频世界模型,通过为视频扩散 transformer 增加平面预测头和 Depth Token Fusion(DTF)模块,让每个自回归分块同时生成 RGB 视频与平面几何。
微软 AesCode 是一款代码生成模型,从图像生成器产出的参考中学习视觉设计,可生成信息密集的海报、幻灯片、仪表盘和网页,输出为可编辑的 HTML 与 CSS。该模型设计效果达到 SOTA,但体积偏大。
Krea 发布图像编辑模型 Krea 3,官方称多数编辑在原生 2K 下 8 秒内端到端完成,2K 每张 0.06 美元、1K 每张 0.03 美元,单次编辑最多可用 6 张参考图。
推荐理由:官方给出 Krea 3 与 Nano Banana Pro、GPT Image 2 的单张耗时和价格对比,可据此判断批量修图成本。
可灵(Kling)宣布 KLING 4.0 已全面开放,用户可通过 kling.ai 上更新后的创作界面使用,也可通过 MCP 和 CLI 接入视频创作流程。官方同时预告即将推出 4K 与 1080p 分辨率的 10-bit HDR 视频输出,以及面向企业客户和开发者的 API 访问。
推荐理由:可灵 4.0 全面开放,并新增 MCP 与 CLI 接入方式,创作者可据此评估现有出片流程的接入选择。
Black Forest Labs 发布 FLUX 3 Image Klein,一个 5.6B 参数的开源权重模型,支持文生图、图像编辑和最多 10 张参考图的多参考生成,具备原生 4K 生成、像素级编辑和边界框控制能力。
推荐理由:5.6B 参数的开源图像模型把 4K 生成与像素级编辑压到 8GB 显存可跑,可据此评估本地出图与改图方案。
Black Forest Labs 发布 FLUX 3 Image Klein Prompt Upsampler,一个 9B 视觉语言模型,把简短图像需求扩写成 FLUX 3 Image Klein 更适用的详细提示词。
推荐理由:官方开源了 9B 提示词扩写模型,可把简短需求扩成含光线、构图与主体细节的完整提示词,并支持参考图与边界框。
拍到了。还需要另一个角度? Luma 的 Shot Coverage 能把一个视频镜头变成更多可剪辑的运动角度。
阶跃星辰开放 Step 5 Preview 官方权重,总参数 600B、激活 27B,支持 1M 上下文,可处理文字与图像理解、编程及长程工具调用,提供 BF16、FP8 权重及 vLLM、SGLang 部署路径。蚂蚁百灵同期开源 Ling-3.1-flash,采用 MIT 许可证,总参数 560B、激活 25B,支持 1M 上下文,面向办公、搜索和编程 Agent 场景,提供混合推理开关。
生数科技 10 月 8 日发布 Vidu Q4 Preview,作为新一代旗舰模型 Vidu Q4 的首个预览版,核心升级视频表现力。作者用其生成 AI 短剧片段,角色脸部全程一致并出现与情绪对应的微表情,多镜头切换与动态运镜衔接自然,还测试了新的声音参考功能。
推荐理由:以多部超创短片和自测片段拆解 Vidu Q4 Preview 的表演、运镜与特效表现,并给出 0.09 元/秒下的实际制作成本账。
可灵官方博客拆解其短片《The Beat》的制作过程,该片在社交平台播放量已超过 500 万。文章逐项说明 Kling 4.0 的能力:原生 30 秒连续镜头生成、Omni Reference 单任务支持最多 15 个多模态参考、Multi-Keyframe 最多 10 个关键帧、10-bit HDR 输出,以及升级的立体声音频与对口型。
推荐理由:官方拆解 5M+ 播放短片的制作过程,逐项说明 Kling 4.0 的 30 秒原生生成、Omni Reference 与 10-bit HDR 在实拍级镜头中的用法。
昆仑万维旗下 Skywork AI 发布 Matrix-Game 4.0,称其为全球首款可在单张消费级显卡上实时运行的游戏世界模型,并已开源模型与代码。该模型把游戏规则交给游戏引擎维护、画面交给视频模型生成,玩家中弹先扣盾牌耐久再扣血,规则可由 Coding Agent 用自然语言改写。
推荐理由:单张 RTX 5090 实时跑游戏世界模型,并把规则交给游戏引擎、画面交给视频模型,为世界模型落地提供了一条可复现的工程路线。
Google 的 Nano Banana 2.1 支持最多 14 张参考图,分为 10 个物体位和 4 个角色位,并新增 minimal、medium、high 三档思考级别,medium 为默认。
SpaceXAI 发布语音到语音模型 Grok Voice 3.0,在 Artificial Analysis Speech-to-Speech Index 上以 86.9 分排名第一,高于 GPT-Live-1(Astra, medium)的 83.2 分和 Gemini 3.8 Live Extended Thinking 的 82.6 分。
顺便说一句,JEV 模型这次的更新几乎都命中了我们在 Next Token 20 多天前提到的它需要改进的部分
JEV 发布 1.14.0 大版本,正式支持多模态,官方称该模型原本就是多模态,只是首个版本未加入支持。新增 box 类型,模型可返回目标在图像中的位置,适用于图像处理、视频剪辑、拼图与图像编辑等需快速决策的场景。每次请求与回答的上下文均提升至 262K,多语言能力也明显增强。
OmniXRef 是一个支持文本、图像、视频多种参考组合的多模态多参考视频编辑统一框架,其 OmniXRef-Model 采用单流扩散 transformer 联合处理源视频与 MLLM 多模态上下文。
ACEdit 提出一种训练方案,让图像编辑模型在多轮连续编辑中保持稳定。其核心是把 Self-Forcing 引入图像编辑,训练时强制编辑器处理自己上一轮的输出,并用教师编辑器提供蒸馏信号;教师始终锚定原始干净图像并接收复合编辑指令,形成非对称条件。实验显示长多轮序列中的质量退化明显减少,同时保持编辑质量与指令遵循度。
KREA 3 已发布,有创作者在 Reddit 征集提示词并逐一实测该模型的原始输出表现。发帖者提到 Krea 3 将开放权重,并称 Krea 2 曾以 torrent 方式私下分享,猜测这次可能重演。
HeyGen 发布新语音模型 HeyGen Voice,称其为首个为视频适配而构建的语音模型,并在 Artificial Analysis 语音榜单排名第一,已包含在每条 HeyGen 视频中且不额外收费。
推荐理由:HeyGen 推出首个面向视频适配的语音模型,创作者可据此评估配音与多语言口型流程的替换空间。
Google 于 10 月 13 日扩大 Gemini 4 Argon 开放范围,该模型支持 1,048,576 token 上下文,可接收文本、图像、视频、音频和 PDF,Gemini 应用 Pro、Ultra 用户及付费 API、AI Studio 用户均可使用。
Agnes 开源音视频生成模型 Agnes-Video-2.0-MoE,以约 153 亿参数的 DaVinci-MagiHuman 为基础,把 40 层网络中间 32 层的部分计算模块各扩展为三个专家,总参数量约 287 亿,单次激活参数量仍与改造前相当。
Kling 4.0 正在分阶段推出,Kling 4.0 Flash 已于 2026 年 9 月 28 日面向有限范围内符合条件的用户开放,完整模型预计在 2026 年 10 月期间推出,具体全面开放日期尚未确认。
lightx2v 推出 Qwen-Image-2.1-Lightning,这是一个面向 Qwen-Image-2.1 的 4 步蒸馏 LoRA,支持文生图与图像编辑。该 LoRA 完全在 16 张华为昇腾 910B NPU 上训练,采用 LightX2V 中的 DMD 方法,据称 rank 为 16。
疑似 Gemini 4 Argon 内部测试流出,用 Simon 经典 SVG 测试画出戴船长帽的拟人鹈鹕骑淡紫自行车,从灰度线稿进化到粉彩矢量大片。画面含前篮藏鱼、羽毛微层次、Peach Dusk/Seafoam Mist 粉彩氛围与珐琅漆质感,海滨栈桥、帆船、热气球背景图层可独立开关。背景上下文称 Gemini 4 Argon 今晚将向 Ultra 订阅用户开放测试。
XGEN 团队提出生成式世界模拟框架,将可计算世界引擎 DAO 与第一人称交互体验模型 JING 结合,实现持续的人机交互。DAO 维护角色、物体与空间状态及其关系,按交互规则和世界时间推进并保留历史行为后果,再为 JING 派生观察者专属条件,生成对应的视听体验。用户可通过视角控制与文本指令探索环境、操作物体并与角色交流,其行为同时改变共享世界状态与后续体验。
Intern Lumina U2 是首个在全离散空间表示多码本视觉 token 的扩散语言模型,每个视觉位置由一组来自互补码本的编码表示,输入端按位置拼接嵌入,输出端用轻量多码本自回归头逐位预测编码,扩散主干并行处理所有位置。
Higgsfield 将 AI 视频生成时长从 1 分钟提升到 10 分钟以上,依托 GPT-6 Astra 实现。同时,它用 GPT-Image-2.5 提升画面精度,并借助 GPT-Live 提供通往语音电影制作的路径。
推荐理由:Higgsfield 借助 GPT-6 Astra 把 AI 视频时长从 1 分钟拉到 10 分钟以上,可据此判断长片创作的可用性。
Fish Audio 发布开源语音生成模型 Drama 3 预发布版,可将文本转为带表演的语音。模型采用 35B-A3B 混合线性注意力 MoE 主干(由 Qwen3.5 初始化)与新的 codebook-MTP 音频解码器,预训练覆盖约 80 种语言和方言、数千亿 token,支持多参考声音克隆、自然语言指令、多轮改稿、多角色场景、语音填充编辑与长音频和流式合成。
推荐理由:开源语音模型把多角色场景、多轮改稿与语音编辑放进同一模型,配音工作流可据此评估替换空间。
Black Forest Labs 发布 FLUX 3 Image Klein,一个 5.6B 开源权重模型,同时支持文生图、单参考图编辑和多参考图组合生成,文本编码器为 Qwen3-VL-4B-Instruct。
推荐理由:5.6B 开源权重模型把文生图、单图编辑与多图组合统一到同一模型,并给出量化版本与显存占用,便于自部署者评估落地成本。
Black Forest Labs 在 Hugging Face 发布 FLUX 3 Image Klein Base,这是一个 5.6B 参数的开源权重模型,文生图、单参考图编辑和多参考图合成共用同一模型,文本编码器为 Qwen3-VL-4B-Instruct。
推荐理由:5.6B 开源权重同时覆盖文生图、单图编辑与多图合成,并给出 BF16、FP8、NVFP4 三档显存占用,便于评估自托管成本。
基于 Flux.1-dev 的单步真实图像超分模型 FluxSR 于 10 月 13 日公开训练、推理与评测代码及模型包,权重首次可在论文之外运行。