AVC-Reward:以事件为中心的音视频一致性评估框架
针对联合音视频生成模型出现的多事件组合、多层音频混合与非对称跨模态关系,研究者提出以事件为中心的评估框架 AVC-Reward,在事件层面解耦音视频事件并跨模态交叉验证,聚合成粗到细的三级一致性指标。
针对联合音视频生成模型出现的多事件组合、多层音频混合与非对称跨模态关系,研究者提出以事件为中心的评估框架 AVC-Reward,在事件层面解耦音视频事件并跨模态交叉验证,聚合成粗到细的三级一致性指标。
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。
针对动态高斯表示中快速移动小物体易丢失、高动态区域细节难恢复的问题,研究提出 Seed Injection 与 Temporal Biased Relocation 两种策略,分别利用时序外观变化与重建误差定位欠重建区域、用时间分辨优化信号引导高斯重定位。两者在不改变底层表示、维持固定高斯预算的前提下,于多个动态场景数据集上提升了重建质量。
研究者提出 MINE-SAMPLE-RENDER(MSR),一种测试时方法,从真实样本语料中挖掘可解释的分类模式并统计采样,再让生成模型仅作为条件渲染器输出采样配置,从而提升生成多样性。在天气报告生成、用户模拟、网页设计、文生图和智能体生成 3D 资产等任务上,MSR 改善了输出与语料分布的对齐度及多样性。
Netflix Eyeline GenFX 负责人 James Rustad 在釜山表示,生成式 AI 仍需要艺术家的判断力。Voyager 发布面向视频、图形与游戏创作的开放 harness,可让前沿模型与开源模型更有效地调用创作工具。
有用户尝试用 krea 2、flux 2 dev、flux 2 klein 9b 和 qwen image edit 2.1 在本地复现 nano banana 2 的付费生成效果,但均无法接近。其需求是输入两张甚至更多人脸参考图来生成场景,再将结果用 h3 minimax 转为视频,目前视频环节正常,但希望起始帧能在本地生成而非付费。
有用户在 ComfyUI 中用五组提示词测试 LTX-2.5,涵盖奢侈品香水广告、AI 网红口播、科幻场景、动漫角色动画和首尾帧过渡。其中首尾帧过渡效果明显不佳,作者认为还需更多测试才能判断 LTX-2.5 在该工作流上的表现,并向其他用户征询使用体验。
有用户用自托管 MiniMax H3 生成"桌面产品随手拍"视频时,无论怎么提示都会出现电影感变焦和运镜,即使加入 smartphone/handheld 描述、尝试带与不带 realism LoRA 也依然过于精致。他询问这种自然手机素材效果主要取决于模型、提示词、参考图还是设置,并希望看到可用工作流。
Reddit 用户 ascot_major 发帖质疑开源生成模型是否陷入停滞,称近几个月图像、音乐、3D、音频等主要领域均无大量新模型涌现。帖中列举 H3 MiniMax 为最后一个大型视频模型、Krea 为最后一个热门图像模型、Trellis 2 与 Hunyuan 2.1 为最新免费 3D 生成模型、Yue-2 为最新音乐模型,并称自己仍在使用 Chatterbox-tts 处理音频。
Mike Staniforth 创作的 AI 艺术短片《Creation of Adam I》以循环形式让镜头从上帝肩后掠过其伸展的手臂,穿过指尖之间那道著名的缝隙。沉浸式视角把米开朗基罗这幅经典构图变成一段可进入的空间旅程,观众不再从外部观看,而是从画中穿行。
Chris Castor 推出 AI 西部短片《The Savior》,讲述前亡命徒 Eli Mercer 在离开七年后被旧帮派追上门,一名年轻枪手在远处山脊旁观。故事置于寒冬边境,在紧张对峙与枪火中展开关于罪责、正义与宽恕的沉重叙事,追问一个人能否摆脱过去,还是只能学会背负它。
Rubeen Raj 推出 AI 恐怖短片《White Field》,讲述两名蒙古斥候士兵在冬季密林中追踪屠戮营地的怪物,最终反成猎物。影片将历史背景与怪物恐怖结合,在职责与撤退本能之间制造持续恐惧,追猎逐渐演变为求生搏杀。
美国东北大学与 Adobe Research 提出 OmniMem,首次实现完整历史的长视频生成,让模型实时检索当前需要的记忆。该方法将完整分辨率历史 KV 保留在 CPU,按需召回 GPU,并围绕块级检索定制 Triton 与 CUDA 内核。
ArtCraft 团队用 AI 逆向重写并开源了 Adobe 全家桶的替代工具,涵盖 PhotoCraft、VectorCraft、FilmCraft、LightCraft。
Apple 研究者提出首个从头预训练的三模态掩码扩散模型(MDM),同时处理文本、图文和音频-文本数据,并系统分析了多模态扩展规律、模态混合比例、噪声调度与批大小影响。
作者在 ComfyUI 中通过 t8star/Kandinsky-Comfy 自定义节点试用了 Kandinsky 6,可生成带音频的视频,但音频模型 v1-44.pth 采用 CC BY-NC 4.0 仅限非商用。
在 CANVA 生成 AI 角色后,作者尝试让 Gemini 用该角色制作视频,成功做出多只不同颜色角色嬉戏的动画片段。作者认为这套流程若继续打磨或可用于制作动画,但目前进展暂时卡住,后续将继续探索。
作者在 VRAM 16GB、内存 32GB 的 PC 上用 ComfyUI 跑 MiniMax H3,对比 7 种配置后,5 秒视频最快约 2 分 40 秒完成,而官方 20 步设置约需 12 分半。
推荐理由:作者在 VRAM 16GB 的机器上实测 7 种配置,给出可复用的提速组合与踩坑记录。
AI 视频生成分场景制作时,前一场写的提示词不会自动带入下一场,商品颜色和形状容易在拼接后看起来像换了一件。做法是把不变特征(如淡绿颜色、圆角方形、叶形刻印)写成"共通メモ",在每个场景的 prompt 中原样复用,只改动展示范围与动作。生成视频前先并排比对两场图像,并与实物核对,再决定是否拼接。
Google DeepMind 的 Gemini 4 Argon 已在全球上线,Pro 与 Ultra 订阅者可优先使用。该模型采用稀疏 Mixture-of-Experts 架构,支持文本、图像、音频原生多模态输入,上下文最长 100 万 token,定价为输入每 100 万 token 2 美元、输出 10 美元。
Runway 宣布与 Baseten 达成合作,将 Runway 的视频模型引入企业场景。企业可在专属单租户环境中部署 Gen-4.5 和 Aleph 2.0,用自己的数据做微调,并通过预留 GPU 容量扩展规模。
壹娱观察质疑“AI影视公司”概念,以 Utopai 为例指出其视频模型 Utopai X 基于 MiniMax H3 后训练,原创项目《Cortés》《The Most Serious Fart》仍靠奥斯卡提名编剧、皮克斯履历等传统主创背书。文章认为 AI 只进入生产流程,发行与创作判断仍依赖传统影视公司,AI 短剧已替代九成以上真人短剧却未带来更大需求。
开源创作工具发布 v1.6.8.3,修复画布云端同步问题,资源地址规范化后即使无云端写操作也会完成本地持久化与同步状态收尾,并在并发编辑、视口变化和旧 journal 重放时保留未确认修改。
Higgsfield、Runway、HeyGen、Invideo AI、Synthesia 与 Kling AI 被列为 2026 年 Adobe Firefly 的六款替代方案,覆盖场景生成、剪辑、AI 主播、脚本转视频与电影级运镜等不同工作流。
AI 电影人 Frank Houbre 以自己创办的 Outerframe Studio 为例,逐间推演 2030 年电影工作室的变化。他判断届时仍会保留实体片场,但面积更小、更多靠租赁,拍摄集中在表演捕捉,环境则交给生成;SAG-AFTRA 新合约(2026 年 7 月至 2030 年 6 月)与 AI Act 第 50 条透明度义务已锁定部分规则。
一位 AI 插画创作者记录 2026 年 10 月当下的状态:以原创角色(OC)为创作中心,主要用 ComfyUI 搭配 SDXL,近期也在尝试 Anima,并借 ChatGPT、Gemini 做创作前的讨论。
YOUWARE 的新产品,一套视频创作 Skill 可以让 AI 帮你创作、剪辑你的商品广告或者短片等视频
用户用 minimax_h3_hybrid_fl2va_ref2va_b25-49-int8、minimax_h3_ref2va_pruned_bf16、minimax_h3_ref2va_pruned_int8_convrot 三款 H3 扩散模型。
Noiz AI 开源了世界模型 HelixWorld,给一张起始图片并填写场景描述后,可用 WASD 移动、方向键转动视角,模型结合当前场景与操作继续生成后续画面与声音。
推荐理由:开源世界模型把画面与空间声场一起生成,可据此了解实时交互式世界生成目前的部署门槛与能力边界。
AZ8 的 Infinite Canvas 把图像生成、视频生成和 AI 智能体 Zumi 串在同一个画布上,视频生成可选用 Seedance 2.5 等模型,作者实测从一张图逐步扩展素材、做出 30 秒视频,中途的构图与 15 秒草稿都保留在画布中。AZ8 还提供 Creator Program,申请并通过审核后可获得会员、制作额度等特典,并可通过 Marketplace 发布制作服务。
YouTube Culture & Trends 团队发布《Human Creativity and AI》报告,基于与 NRG 合作对 14–44 岁在线用户的调查,发现 72% 的视频上传者已在视频或图片中使用 AI。
作者在本地视频生成智能体之外引入 Codex 作为上位操作员,由它读取日志、state 和 Reviewer 修正指示,决定差回与断点续跑,自己只负责制定方针。该分工从 v0.5.64 起试用,定型执行与安全状态管理仍留在本地,预算上限、重试限制等边界不变。作者强调这是个人实测感受,并非量化收益,且 Codex 自身也有用量与执行上限。
爱诗科技(AIsphere)10月13日宣布其香港办公室在香港数码港正式开幕,定位为辐射本地企业、政府机构、高校及创作者的AI枢纽,并同步启动「数智香港·爱诗AI百业共创计划」。开幕现场展示了全球首个具备Scaling能力的通用实时世界模型PixVerse R2,公司还与其域创新、香港理工大学等签署多项战略合作。目前PixVerse覆盖全球177个国家和地区,累计注册用户超1.7亿。
Samori Coles 正把 AI 音乐与视频创作者聚成一个社区:他运营 AI Creator Society、每周三在 TikTok 直播的 Sound and Screen,并联合 Olivia B. Moore 主办首届 AI Music Video Awards,10 月 21 日在 TikTok 直播。
Vidubus 是一款在本地 PC 运行的 Node.js + Ollama 工具,用日语输入即可让本地 LLM 生成英文视频提示词,并直接调用 ComfyUI 的 MiniMax H3 生成带声音的视频,全程在一个界面完成。
作者用 Claude Code opus5.5 配合一条提示词和少量追问,制作出含旁白、BGM、3D 与字幕的 60 秒竖屏短片《诈骗常见套路 3 选》,全程未消耗视频生成 AI 的额度。
在 LTX-2.5 上把 CFG 从 1 提到 4 后画质崩溃,出现过饱和与纹理失真。原因是该模型为引导蒸馏模型,提示词贴合度已固化在权重中,基础推理仅跑 3 步去噪,调高 CFG 会偏离其蒸馏时的工作点。作者提醒从 SDXL/SD1.5 的 CFG 7 习惯迁移过来的人需换一套思路。
125B魔改版Strata发布,经引擎级修改后8G显存即可本地运行,Uncensor版支持原生视频分析。该版本同步开源整合包与ComfyUI节点,并配套T8 Comfyui整合包V10、贞贞整合包V4.6B及多款训练器镜像。
智东西梳理国庆前后中国视频模型头部玩家的路径分化:9月28日可灵AI官宣新一代视频生成模型Kling 4.0,10月8日生数发布新一代旗舰模型首个预览版本Vidu Q4 Preview,0.09元/秒起。
赛力斯汽车就一起 AI 生成视频造谣案提起诉讼,向被告索赔 100 万元,案件将于 10 月 23 日在重庆市两江新区人民法院开庭审理。被告男子被指用 AI 工具伪造问界车辆行驶中车身塌陷的画面,并搭配配音抹黑产品安全后发布在短视频平台。赛力斯提出删除侵权内容、公开书面道歉、赔偿 100 万元并承担诉讼费用四项诉求;有法律人士提醒,AI 只是制作工具,不能作为免责理由。