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。
Kling Image 4.0 上线 fal,支持原生 8K 分辨率。fal 公布其三大升级:逼真光照与真实纹理、最多 2000 字符的清晰排版、单提示词最多生成 10 张视觉一致的图像。
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。
可灵发布新一代图像生成模型 Kling Image 4.0,现已上线可灵创意工作室并向企业及开发者开放 API。该模型基于原生统一理解与生成架构,支持原生 8K 图像生成、单图最多 2000 字符文本渲染、单提示词生成最多 10 张一致风格图像,以及电商详情页等长图生成。此外还提供 110+ 预设调色风格、70+ 预设商用字体和七种语言支持。
推荐理由:新模型将视觉理解与图像生成统一在同一自回归框架,原生8K与长文本渲染能力值得创作者评估替换现有出图流程。
Google于11月16日宣布图像生成编辑工具Google Pics更新至Nano Banana 2.1模型。新模型在保持同等处理速度下,提升画质与真实感,并改善编辑一致性与文字描写,部分编辑时背景等元素更不易崩坏。更新无需用户设置,面向Google AI Pro/Ultra等付费计划,11月16日起1-3天逐步反映。
Seedream 5.5 更新带来四项改进:实写质感更自然、局部编辑更稳定、小文字更清晰、透明背景生成。作者在 Higgsfield 上实测,局部编辑可只改指定区域而不动其他部分,透明背景可直接生成 LINE 贴纸和 Logo。
阿里正式发布Qwen4-Max旗舰模型,采用Qwen4系列新架构,总参数2.4万亿、每个token激活71B,具备原生视觉与百万token上下文窗口。该模型在DeepSWE、AA-Briefcase等Agent专项基准中超越Claude Opus5.5、GPT-6.1 Sol等模型,Work360测评单任务成本较前代Qwen3.8-Max降低58%,已上线千问AI平台提供API服务。
Zyphra 发布紧凑多语言 TTS 模型 ZONOS3-Mini,支持 43 种语言,约 1 亿活跃参数每 token,并提供原生 transformers 移植版本。该模型使用 ZAC-1 编解码器作为音频 tokenizer,内置 27 个发布音色,支持从短音频克隆声音,采用 Apache-2.0 许可证。
推荐理由:ZONOS3-Mini 以原生 transformers 移植发布,支持 43 种语言与声音克隆,便于评估其作为多语言 TTS 基线的适用性。
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。
MiniMax 于 11 月 10 日开放 H3-Image 模型权重,官方称 10 秒可生成 1600 万像素高清图,价格约为同档位主流工具的 50%-70%。
推荐理由:三家新模型在文生图与图片编辑榜单上排名差距明显,实测显示 MiniMax 出图最快但复杂指令执行不稳,OpenAI 综合表现领先。
Lodestone 发布新版 MOSS DMD Lora,兼容 4 步与 8 步生成流程,可用于多个 MOSS 模型。
作者为 Krea 2 Turbo 发布 int8 构建,适配 20/30 系列显卡,解决 Ampere 无 fp8 数学运算导致的慢推理。
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LongCat发布开源音频驱动人物视频生成框架LongCat-Video-Avatar 1.6,在1.5基础上改进唇音同步、面部与身体协调运动及长视频一致性,支持超过10分钟视频生成并优化推理速度。
推荐理由:新版本改进了长视频稳定性和推理效率,人类偏好评估中仅次于OmniHuman-2.0,为数字人视频生成方案选择提供参考。
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。
百度在百度世界2026上发布文心5.5 Flash Preview,采用稀疏MoE架构,总参数量2800亿、激活140亿,支持百万token长上下文。
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。
MiniMax 开源 H3-Image 图像生成模型,支持 16MP(4096×4096)原生 4K 输出和最多 16 张参考图输入。作者实测其可生成 CAD 三视图、机械爆炸图和高数试卷等复杂图像,网页端 4K 生成约 10-20 秒。API 价格为主流竞品的 50% 到 70%,首周 16MP 请求再打五折。
推荐理由:MiniMax 开源 H3-Image 图像模型,支持原生 4K 与最多 16 张参考图,作者实测其 CAD 拆解、复杂排版和低价 API 可用性。
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。
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。
MiniMax 发布 MiniMax-H3-Image,ComfyUI 已提供两个原生工作流。一个 checkpoint 同时支持文本生成和图像参考编辑,单次生成约 16MP,六步采样,无需独立放大。需更新 ComfyUI 至 0.45,模型文件包括 Qwen3-VL 32B 文本编码器、图像 VAE 和 Qwen3.5 9B 提示扩展器。
MiniMax H3-Image 开放权重,提供 Hugging Face、ModelScope 与 GitHub 入口。
MiniMax 发布 MiniMax-H3-Image-PE,基于 Qwen3.8-27B 微调,为 MiniMax-H3-Image 提供提示词扩展与宽高比推荐,支持文生图与图像编辑两条工作流,其中图像编辑 PE 仍在开发中,本次仅发布其提示词。模型以 FP4 权重运行,可通过 SGLang 或 Diffusers 部署,约需 19 GiB 显存。
Zyphra 发布开源紧凑语音模型 ZONOS3-Mini,约 100M 活跃参数,可在手机、笔记本和浏览器实时运行。模型支持从音频样本克隆声音、按年龄/口音/音色设计角色,并逐词控制情绪、语速与表达。权重以 Apache 2.0 开源,可通过 SGLang-Omni 在 NVIDIA GPU 上以 OpenAI 兼容接口服务。
推荐理由:100M 活跃参数即可在浏览器实时合成语音,为本地化配音与角色语音提供可本地运行的开源方案,支持声音克隆与逐词情绪控制。
字节跳动发布新一代图像生成模型 Seedream 5.5,支持 100 轮多轮编辑、原生 RGBA 透明背景输出,并提升图像真实感与文字渲染。相比 Seedream 5.0 Pro,六个生产场景的可用率均有提升,影视和办公场景可用率超过上一版两倍;文本严重损坏率降至 0.4%。
推荐理由:Seedream 5.5 主打 100 轮稳定编辑与原生 RGBA 输出,评测显示文本严重损坏率降至 0.4%,为专业视觉生产提供更可靠的图像资产。
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。
清华 OpenBMB 团队开源 VoxCPM2 语音合成模型,20 亿参数、支持 30 种语言与 48kHz 音质,Apache-2.0 许可免费商用。模型采用扩散自回归零 Tokenizer 架构,支持自然语言声音设计、可控克隆与终极克隆,在 Seed-TTS-eval 基准中英文 WER 1.84%、中文 CER 0.97%。
推荐理由:开源 TTS 模型 VoxCPM2 以 Apache-2.0 许可免费商用,支持 30 种语言与 48kHz 音质,创作者可评估是否替代现有付费配音方案。
Runway 上线 GPT Image 2.6,图像生成速度提升 50%。新版本支持生成 GIF、导出 SVG 矢量图,并可在保持角色、产品和品牌细节一致的前提下进行精确编辑。
Reddit用户newsock999用Charles Dana Gibson的三本书共209张图片训练了一个Krea2风格LoRA。这三本书为《Drawings》(1896)、《London as seen by Charles Dana Gibson》(1897)和《Americans》(1900)。
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。
Qwen-Image-2.1 Uncensored Omni 发布,其 rank-128 adapter 在约100万张图像上训练,以强度1.0合并进基础 transformer,并提供9种本地格式。该模型同时支持文生图与自然语言图像编辑,侧重灵活姿势和复杂构图。模型已在 Hugging Face 开放下载,代码与文档见 GitHub,在线体验在 chatrlabs.com/playground。
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 是基于 Z-Image-Turbo 的 1–2 步文生图模型,将对抗损失引入 MMDiT 的文本流,一步即可渲染清晰文字与细节。该模型已上线 Hugging Face(ChenDY/NitroFusion2)。
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 于 2026 年 11 月 4 日发布 GPT-Image-2.6,生成速度提升约 50%,Flare 最快 6 秒出图。新功能包括 GIF 生成、可复用参考角色、透明 PNG 标记编辑和 SVG 导出。API 定价与 2.5 持平,但 low/medium 档输出 token 用量可能上升,迁移前需实测。
推荐理由:GPT-Image-2.6 新增 GIF 生成与参考角色,API 定价与 2.5 持平,但输出 token 用量可能上升,迁移前需实测。
GPT-image-2.6 发布,新增直接生成 GIF 动图功能。作者用它制作了近期流行的大肥鱼表情包,并附上提示词供生成各种大肥鱼表情包。作者提到在 Codex 中无法调用 2.6,需在 GPT 中使用。
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。
魔芯科技发布基于华为昇腾原生的 4D 世界模型 MoWorld 2.0,将重力、弹力、光照等物理要素融入空间建模,输出可实时渲染、可反复调用的 4D 高斯资产。推理成本最低可降至同等规模 GPU 方案的 30%,视频推理约 70 帧/秒,空间资产渲染达 500 帧/秒以上。目前正与合作伙伴在具身智能训练、自动驾驶、工业数字孪生、影视娱乐等领域推进应用验证。
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。