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。
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。
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。
DeepSeek 于 10 月 17 日在官网、App 和 API 同步更新 V4.1-Flash-1017,API 模型名仍为 deepseek-flash,调用方式和价格不变,在 Claude Code 框架下 Terminal-Bench 4.0 得分从 31.2 提升至 42.3。
lodestones 于 10 月 19 日发布 MOSS-Image-Base 的全量微调模型 Kromoss,主要针对 Base 模型的模糊问题,沿用 Qwen3.5-9B 文本编码器与 FLUX.2 small VAE,可直接放入现有 MOSS-Image 工作流。
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。
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。
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。
OpenMOSS 的图像生成模型 MOSS-Image 已随 ComfyUI 更新获得支持,除文字描述生成外,还能通过 JSON 格式 Layout 指定文字与主体的位置和大小。
生数科技上线新一代视频生成旗舰模型的首个预览版本 Vidu Q4 Preview,定位高表现力全能旗舰,已支持参考生视频与图生视频。官方首发价 0.09 元每秒起,同样预算最高可多生成 5 倍内容,SaaS 与 MaaS 均支持最高 4K 直出。作者实测显示,该版本强化了打斗特效、大动作场景、微表情与多景别镜头衔接,并支持最多 15 张参考图和 3 段参考音频以统一角色音色。
OpenMOSS 公开约 50 亿参数图像生成模型 MOSS-Image-Base,支持最长 4K token 提示词、JSON 布局控制与图内中英文字渲染,权重以 Apache 2.0 发布,Comfy-Org 同步推出 ComfyUI 版本。
介于幻想与怀旧之间。 #Kling4 #KlingAI
可灵 4.0 要搞大的 👀 #Kling4 #KlingAI (引用推文:大事将至 idea.ai……可灵 4.0,即将上线 idea.ai!👀)
Speridlabs 发布 3B 参数的扩散 transformer Iris-3B,直接对 RGB 像素去噪,不设 VAE 与潜空间,末端由 4 个 pixel head 把 16×16 patch 还原为像素,文本编码器为冻结的 Qwen3-VL-4B-Instruct。
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。
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。
Comfy-Org 在 Hugging Face 发布 MOSS-Image 官方权重,作者表示此前分享的 int8 量化版本已不再推荐,官方权重效果更好。相关改动见 ComfyUI 的 PR 17095,运行前需先更新 ComfyUI。
帕洛阿尔托 AI 初创公司 Elorian 发布首个模型 Glimpse,以研究预览形式开放 API,聊天界面需排队等候。Glimpse 在推理过程中可裁剪图像区域、抽取视频帧或运行代码测量比较,Elorian 称之为“视觉暂存空间”。
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。
Krea 发布前沿图像编辑模型 Krea 3,支持原生 2K 端到端编辑、8 秒内完成,1K 定价 0.03 美元、2K 为 0.06 美元,已在 krea.ai 上线。
Meta 开放 Muse Spark Open 权重,这是一款 816B 总参数、42B 激活参数的混合专家多模态 Agent 模型,支持 1M 上下文,接收文本、图像、视频和音频输入。
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。
💖🖤 #Kling4 #KlingAI
每个创意都值得被拍出来。🎥 #Kling4 #KlingAI 可灵 4.0 与可灵 4.0 Flash 即将登陆 Runware:单次请求支持 30 秒输出、10 个关键帧、15 个参考,4K 画质带立体声。
可灵(Kling)4.0全面上线,单次原生生成最长30秒,支持最多15项图片、视频等参考素材组合,以及最多10张关键帧输入,官方称强化了高速运动与跟拍、环绕等大幅运镜的稳定性。
同一新闻,精选展示《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》
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。
纯正90年代风。🔥 #Kling4 #KlingAI
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。
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%。
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。
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。
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。