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。
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。
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。
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。
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。
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。
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。
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。
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。
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%。
Vimoo-1.0-Lite 发布 ComfyUI 权重,包含约 9.5B 参数的 TI2V 模型,支持文生视频(T2V)与图生视频(I2V)。权重还包括蒸馏 LoRA 适配器、文本编码器、视觉编码器和 VAE,需配合 ComfyUI-Vimoo 节点和工作流模板使用。
Google 发布 Gemini Omni 1.2 Flash,原生支持 15 秒视频生成,价格较 1.1 下降 30% 至 $0.07/秒(720p)。新模型支持多轮对话编辑、增强参考跟随,并可在 360p/720p 草稿后超分至 1080p 或 4K。Gemini Omni 现已在 Gemini API 和 Gemini for business 中正式可用。
推荐理由:新模型将原生视频长度提升至 15 秒并降价 30%,适合评估批量视频生产与广告素材制作成本。
NitroFusion2将对抗扩散蒸馏的少步生成从常规4-8步降至1-2步,质量相当。它通过文本流对抗蒸馏(TSAD)和方面提示判别(ACD)利用MMDiT文本流作为可操控的对抗表示。一步生成即可产生清晰渲染文本和丰富细节,两步时在评估基准中保持竞争力。
The Biological Computing Co. 于 10 月 30 日发布 Mischief 1,一个基于 Wan 2.2 的图像到视频模型,声称同质量下生成速度快约5倍,但尚无独立测试。
OpenAI 推出 Images 2.6 模型,ChatGPT 现可通过提示词或上传照片生成 GIF,并支持调整动画速度、编辑单帧和分享。用户目前每周通过 ChatGPT 及其 API 生成超过 40 亿张图片,较 9 月报告的每周 30 亿张大幅增长。
同一新闻,精选展示《GPT-Image-2.6 发布:新功能、Flare 与 Sunburst 对比、API 价格全解》
Viggle 发布开源视频重拍模型 Viggle Remake,基于 MiniMax H3 基础 transformer,提供 swap 和 edit 两个 rank-256 LoRA,以及 ComfyUI 节点包、int8/GGUF 量化构建和 MCP 服务器。
推荐理由:Viggle Remake 将视频重拍能力开源到 ComfyUI,提供 swap 与 edit 两种模式及量化版本,创作者可据此替换素材中的人物或物体。
Kling 4.0 Flash 现已面向所有用户开放,可通过 Kling AI 网站和 API 访问。该版本还支持 MCP、CLI 和 AI 插件,并提供 Adobe Photoshop、Premiere Pro、After Effects 插件,可将视频生成直接集成到创作流程中。
推荐理由:Kling 4.0 Flash全面开放并支持MCP、CLI及Adobe插件,创作者可将视频生成直接嵌入专业工作流。
开发者Chetaslua称,Anthropic新旗舰Fable 5.5通过纯代码生成一段66秒动画,分辨率1920×804、24fps,未使用外部素材。多名开发者还展示了Fable 5.5生成的交互式3D场景,约一小时完成复杂动态场景代码编写。Anthropic尚未正式确认Fable 5.5的发布时间、性能指标及开放范围。
Pika 发布 H3 Flex 视频生成模型。官方称该模型可在一个 15 秒生成中完成多镜头蒙太奇,并展示了创作者用其制作的作品。
MoviEdit是一个端到端框架,用于可扩展的长视频多镜头编辑,同时解决数据、建模和评估挑战。它通过自动数据生成管道产生87K配对编辑视频,无需人工标注,并采用级联双向自回归设计,在时空压缩表示上建立全局一致的编辑草稿,再自回归传播细化。MoviEdit-Bench基准测试显示,MoviEdit显著优于现有开源模型,并在文本引导和图像引导编辑方面与行业前沿模型持平。
Wave Forcing(WF)提出一种面向实时长视频生成的连续流式生成方法,在 Wan2.1-T2V-1.3B 上以5步去噪保持与 Rolling Forcing 相当的质量并提升动态度。
Pika 发布 H3 Flex,将 MiniMax H3 后训练并蒸馏至六步采样,开源权重与 ComfyUI 模板。模型以两个 LoRA 适配器加载于 H3 基座,支持文本到视频、首尾帧及参考条件生成,输出 480p/768p、5-15 秒并混入 32kHz 立体声音频。Pika 自评在五项视觉与音频质量指标上领先对比模型,社区实测提示四步时高频细节出现闪烁,建议保持六步。
推荐理由:Pika 将 MiniMax H3 后训练为六步模型并开源权重,ComfyUI 模板可直接加载,创作者可据此评估六步出片质量。
Pika 发布 H3 Flex,成为 DesignArena t2v 榜单第一的开源权重模型。该模型支持导出音频分轨、最高 4K 分辨率与快于实时生成,15 秒带音轨片段最快 7 秒生成。
推荐理由:Pika H3 Flex 以开源权重登顶 DesignArena t2v 榜单,支持 4K 与音频分轨,为专业迭代提供新选择。
Pika 发布 H3 Flex 视频生成模型,基于 MiniMax-H3 后训练,六步采样生成带同步立体声的视频。本地开源推理支持 480p/768p、24fps、5-15 秒,API 可生成 1080p/2K/4K 并支持音频分离与提示增强;Ref2VA 模式支持最多 12 个参考输入。
推荐理由:基于 MiniMax-H3 后训练,六步采样与多参考输入为专业视频创作提供高效可控方案,可评估其与现有流程的适配度。
可灵邀请创作者 Ami 用 Kling 4.0 制作短片《Tea When You Have Time》,她分享了 30 秒生成、Omni Reference 与多关键帧等新能力的使用体验。Kling 4.0 支持单次 30 秒生成、21:9 画幅、最多 10 个关键帧,12 个角色资产保持一致,粤语对白口型同步效果好,并支持多种方言与英语口音。
推荐理由:创作者实测显示 Kling 4.0 在 30 秒长镜头、12 角色一致性与粤语口型同步上表现稳定,可据此评估升级。
谷歌发布新一代世界模型 Genie 4,可在生成世界的同时原生生成音乐、环境音和交互式对话。相比上一代 Genie 3,新模型加入原生音频、实时人物对话,以及由 Gemini 模型提供的多步骤推理和场景控制能力,目前以研究预览形式向受信任测试者逐步开放。
推荐理由:Genie 4 在上一代基础上加入原生音频、实时对话与多步骤推理,创作者可据此评估其交互式模拟能力。
谷歌 DeepMind 发布 Genie 4,世界模型实现原生多模态,画面、音乐、环境声和对话可同时生成。技术上基于 Gemini 家族,Gemini Omni 负责让模拟锚定真实世界的样貌和物理行为。
可灵官方转发 Runware 消息称 Kling 4.0 已在 Runware 上线,支持最长 30 秒 1080p 视频并带原生音频。该版本支持首帧、中间帧、尾帧的多关键帧,单次请求最多 15 个输入,涵盖关键帧、参考图、参考视频和元素,并可基于提示词编辑已有片段。定价为每秒输出 0.133 美元起,接下来 7 天在常规价格上打 85 折,模型 ID 为 klingai:[email protected]。
推荐理由:Kling 4.0 通过 Runware API 上线,给出 30 秒 1080p 带原生音频与多关键帧输入等参数,可对照现有出片链路。
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。