Canva 发布 Craft 图像生成模型,上海 AI 实验室开源书生-A1.5 科研智能体
Canva 于 10 月 22 日发布 Craft 图像生成模型,采用先构图规划、后像素渲染的两阶段流程,支持 2K 输出、30 多种宽高比和 55 种语言的图中文字,已通过 Canva Dream Lab 和公开 API 开放使用。
Canva 于 10 月 22 日发布 Craft 图像生成模型,采用先构图规划、后像素渲染的两阶段流程,支持 2K 输出、30 多种宽高比和 55 种语言的图中文字,已通过 Canva Dream Lab 和公开 API 开放使用。
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。
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。
Gradium 开源端侧 TTS 模型家族 Phonon,含 31M 与 40M 两个尺寸,英文版 Phonon 31m 以 Apache 2.0 协议发布,q8 GGUF 文件 64.5 MB,输出 24 kHz 单声道音频。
模思智能开源的 5B 参数文生图模型 MOSS-Image 上线 4 天在海外社区收获 130 万次下载,GitHub 获 1.4k Stars,并登顶 Hugging Face 文生图趋势榜。
推荐理由:5B 参数开源模型上线 4 天获 130 万次下载,社区已产出加速、量化版本与 LoRA,可观察其文字渲染与布局控制的实际表现。
越来越超现实了 👀 #Kling4 #KlingAI
IBM 发布开源语音语言模型 Granite Speech 5.0 2B,采用 Apache 2.0 许可,可将 6 种语言的语音转为文本并支持语音翻译。模型在 Open ASR Leaderboard 上以 5.68% 平均英文 WER 位列开源权重模型第二,仅次于 Qwen3-ASR-1.7B 的 5.40%。
可灵(Kling)官方账号发布带 #KlingAI #Kling4 标签的简短预告,未披露具体能力与上线时间。引用内容显示 Kling 4.0 已在 OpenArt 上线,支持首尾帧与中间帧引导、最多 10 张参考图、文生或帧生视频及视频编辑,Pro 与 Wonder 套餐在 11 月 20 日前享 50% 折扣。
来点戏剧性!#Kling4 #KlingAI Kling 4.0 现已登陆 Picsart,Picsart x @Kling_ai 4.0 微短剧挑战赛正式开启!🎭🏆 5万美元奖金,五位获胜者,每人1万美元。来点戏剧性,让我们感受到它! 参与入口 👉 https://tinyurl.com/dbfztpdm
可灵官方宣布 Kling 4.0 已在 OiiOii 平台上线。据 OiiOii 的说明,该版本支持最长 30 秒视频生成,主打电影级画质、精准运动与稳定场景,11 月 30 日前使用可享 25% 折扣。
Kling 4.0 已在 OnSolo 上线,支持单次生成 30 秒原生视频,快速动作与大运镜中保持运动稳定。该版本提供立体声与更精准的对口型,支持 21:9 宽画幅,单次任务最多可堆叠 15 个参考和 10 个关键帧。
推荐理由:Kling 4.0 上线 OnSolo,给出单次 30 秒原生视频、21:9 画幅与多参考图堆叠等参数,便于创作者对照现有流程评估。
可灵宣布 Kling 4.0 已在 Adobe Firefly 中上线,用户可通过 Adobe 提供的链接直接试用。该版本以 Kling 4.0 名称接入 Firefly,官方未披露更多功能细节。
推荐理由:可灵 4.0 接入 Adobe Firefly,创作者可了解该版本在 Adobe 工作流中的可用入口。
有人为 MiniMax-H3 的 Ref2VA(参考图生成视频与音频)任务发布 8 步和 4 步 PTD 加速 LoRA。
社区微调模型 MiniMax H3 Singularity 的 V2 INT8 检查点于 10 月 21 日上传至 WarmBloodAban/Minimax-h3_Singularity 仓库,文件为 Minimax-h3_Singularity_ref2va_v2_int8.safetensors,大小 31.7 GB。
ComfyUI 上线 FLUX 3 Max,这是 FLUX 3 Video 的延迟优化版本,可生成 10 秒 720/768p 带原生音频的片段,耗时约 12 秒。官方同时给出图生视频与文生视频两条工作流链接,并列出多候选对比、调参时预览运动、批量产出广告变体和关键帧引导分镜等用法。
推荐理由:ComfyUI 接入 FLUX 3 Max,给出 10 秒 720/768p 带原生音频、约 12 秒出片的延迟优化版本,并附图生视频与文生视频工作流入口。
可灵官方账号以 #Kling4 预告新一代视频生成模型,正文未给出具体参数。其引用的 Morphic 发布信息称 Kling 4.0 支持原生 30 秒生成、最多 10 个关键帧、15 个参考、画面文字一致与多语言,并提供 4K 与 10-bit HDR,11 月 20 日前在 Morphic 生成可享 10% 折扣。
推荐理由:可灵官方预告 Kling 4,引用信息显示其支持原生 30 秒生成与 4K 10-bit HDR,可据此判断长镜头出片能力。
可灵 Kling 4.0 已在 fal 上线,官方称其为新一代原生多模态视频模型,在复杂运动稳定性、角色与场景参考一致性以及电影化叙事控制上有所提升。目前该模型仅通过 fal UX 和 fal Agent 提供,API 访问即将开放。
推荐理由:Kling 4.0 在 fal 上线,官方给出复杂运动稳定性、角色与场景参考一致性和叙事控制三项能力变化。
可灵 Kling 4.0 已在 Higgsfield 上线,支持 Omni Reference 将角色、物体与音频放在同一次生成中,并可单次生成 30 秒场景。该版本还支持用起始、中间和结束帧控制每个节拍,原生 4K 标注为即将推出。
ElevenLabs 发布实时语音翻译模型 Eleven Realtime Translation,面向 ElevenAPI 企业客户开放 alpha,双方各说母语即可听到对方的语言。
Mistral AI 发布 Voxtral 3 语音模型家族,包含 3 款转写模型、1 款 TTS 模型和基于 LiveKit 的语音智能体 SDK,4 个模型均已在 Mistral API 公开预览。
骨朵传媒今晚直播实测可灵4.0(Kling 4.0),重点检验30秒原生长视频生成、复杂运镜、关键帧精准可控与全能素材参考复刻四项升级功能。直播由骨朵传媒合伙人芈木木主持,电影美术指导无限画布与编剧锦鲤小金金以影视美术加剧本叙事双视角,拆解两大三星堆原创脚本,还原祭祀现场与青铜神树名场面,并横向对比朝歌、洛阳、楼兰、亚特兰蒂斯等古文明。
拥挤的地铁车厢。乘客与一条巨虫相撞。这是韩国导演金成洙多年来一直想搬上银幕的卡夫卡式场景。 观看金成洙分享他首次尝试AI电影制作的经历,并解释Kling 4.0如何让这个“不可能”的镜头成为可能。
腾讯混元于 2026 年 10 月 21 日开源交互式世界模型 Hy-Nomas,公开权重、推理代码以及训练和数据标注代码,并提供在线 demo 与 Hy-Nomas-Bench 基准。
推荐理由:腾讯混元开源可交互世界模型,文本与相机轨迹可逐段驱动长视频生成,并附基准与单卡配置。
FastVideo 发布 FastH3 Omni,这是 MiniMax H3 的参考条件化变体,提示词加有序的图片、视频和音频参考可生成带同步声音的片段,只需 8 次 transformer 评估而非基础 H3 的 50 次。
推荐理由:FastH3 Omni 把参考图、视频与音频统一进一条生成链路,并给出与基础 H3 的逐项耗时对比,便于评估本地部署成本。
Hao AI Lab 的 FastVideo 团队开源 FastH3 OmniRef,输入提示词加参考图像、短视频片段或声音即可生成带同步声音的视频。该模型只需 8 步而非 50 步,比基础 MiniMax-H3 最高快 11.9 倍,已进入 ComfyUI 0.42.2 工作流模板,并开放权重与训练代码。
推荐理由:FastH3 OmniRef 以开放权重形式发布,8 步出片并支持 ComfyUI 首日接入,创作者可据此评估本地参考生视频流程。
Bria 发布 FIBO 系列开源模型 Fibo 2.0,8B 参数 flow-matching 架构,用一套权重同时做图像生成与编辑,10 月 18、19 日在 Hugging Face 上传 Fibo 2.0 Dev 与 Fibo 2.0 Edit Turbo 两个 checkpoint。
FastVideo 发布 FastH3 Omni 最终版的 ComfyUI 可用权重,提供 BF16 与 INT8 ConvRot 两种扩散模型,可根据提示词和有序的图片、视频、音频参考生成视频与同步音频。
推荐理由:FastH3 Omni 放出 ComfyUI 可用的 BF16 与 INT8 权重,并给出参考图、视频、音频的接入方式,便于创作者评估本地出片流程。
MOSS-Image 用于生成电影海报时文字清晰可读,还能指定标题、宣传语和演职员表的位置,科幻与恐怖风格版式效果逼真。该模型仅 5B 参数,可在本地运行。
fal Research 与 Black Forest Labs 联合发布 FLUX 3 Max 视频模型,在独立第三方图生视频评测中并列第一,约 12 秒生成 10 秒 720/768p 视频,比原版 FLUX 3 提速 11.5 倍、质量提升 50 Elo。
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。