MiniMax H3 模型开源：视频生成行业迎来新变革
MiniMax H3 模型开源，视频生成公司 Pika 和英伟达等纷纷基于该模型进行开发，推动视频生成技术在不同领域的落地。
推荐理由：文章探讨了 MiniMax H3 模型的开源及其对视频生成行业的影响，读者可以了解开源模型如何推动技术创新和商业化。
#视频
#视频
今日 0 条InfoQ中文精选AI 评分6565
爱范儿精选AI 评分8585 DeepSeek V4.1 Flash 发布：4块钱让特斯拉飞起来
DeepSeek V4.1 Flash 发布，展示了其在3D建模和视频生成方面的强大能力，以低廉的成本实现了令人惊叹的效果。
推荐理由：DeepSeek V4.1 Flash 在性能和成本上表现出色，为3D建模和视频生成等领域提供了新的可能性。
The Decoder精选AI 评分7070 Black Forest Labs 发布开源图像模型 FLUX 3 Image Klein
Black Forest Labs 发布了 FLUX 3 Image Klein，一款具有 5.6 亿参数的开源图像模型，支持 4K 输出、像素级编辑和元素定位。
推荐理由：FLUX 3 Image Klein 是一款支持 4K 输出的开源图像模型，适用于文本到图像生成和图像编辑，具有高性能和低内存要求，对用户和行业具有潜在影响。
Show HNAI 评分4545 SPEV：原生支持音频和视频输入的多模态决策模型
OpenAI的Decisions和Cloudflare的Clef等多模态模型支持文本或图像输入，而SPEV原生支持音频和视频输入，直接从音频推理，无需语音转文字转换，音频决策速度比OpenAI快3.5倍，仅需166毫秒。
Show HNAI 评分55 Claude Opus 5.5 视频提示与技能展示
Claude Opus 5.5 模型生成了一系列运动视频，并公开了背后的提示词和技能。
The Decoder精选AI 评分7474 Reka AI 发布 19B 全能模型 Rho-1，统一处理文本、图像、视频与机器人控制
Reka AI 发布研究预览版 Rho-1，这是一个 190 亿参数的全能模型，在单一神经网络中处理并生成文本、图像、视频和机器人控制动作。与多数把任务分派给专用模型的系统不同，Rho-1 将所有模态作为 token 放在同一个共享上下文窗口中运行，不调用工具或外部模型。
推荐理由：Rho-1 把文本、图像、视频与机器人控制放进同一套权重，读者可据此了解多模态统一建模的一种新路径。
The DecoderAI 评分6565 Tavus 发布 Griffin 视频对话模型，48% 测试者误认其为真人
Tavus 推出 Griffin，公司称其为首个 Human Interaction Model（HIM），可在实时视频通话中同时接收和生成语音、面部表情、语气、手势与停顿。
Latent SpaceAI 评分6262 Runway 发布 GWM Worlds 2 与 WorldPrompt：实时世界模型的工程实现
Runway 推出 GWM Worlds 2 研究预览，把高保真视频与音频生成变成实时交互式模拟，并引入 WorldPrompt 这一输入格式，可固定首帧等环境要素并创建带时间戳的事件。
Google DeepMind精选AI 评分6666 Google DeepMind 发布 Gemini 3.8 Live with Live Avatar
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，在 Gemini 3.8 Live 的原生实时对话模型上加入近实时视频生成，实现带精确唇形同步、自然表情和流畅轮次的视觉化对话。
推荐理由：官方给出 Live Avatar 的实时视频对话能力、异步工具调用与 97 种语言同步等具体细节，可据此判断企业级多模态交互的落地形态。
Google DeepMind精选AI 评分6565 Google DeepMind 发布 Gemini Omni 1.1 Flash，强化生成视频控制能力
Google DeepMind 发布 Gemini Omni 1.1 Flash，为开发者提供场景延展、首尾帧插值、360p 快速草稿和最高 4K 上采样等生成视频控制能力，通过 Gemini API 在 Google AI Studio 提供。
推荐理由：官方给出场景延展、首尾帧插值与 4K 上采样等具体能力变化，可据此判断生成视频工作流的可控程度。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 Nano Banana 2 Lite 与 Gemini Omni Flash
Google DeepMind 发布 Nano Banana 2 Lite（gemini-3.1-flash-lite-image）和 Gemini Omni Flash（gemini-omni-flash-preview）两款模型。
推荐理由：官方给出两款新模型的延迟、价格与可用入口，读者可据此判断图像与视频生成链路的成本取舍。
Google DeepMind精选AI 评分8080 Google DeepMind 发布 Gemini Omni 系列首个模型 Gemini Omni Flash
Google DeepMind 发布 Gemini Omni 系列首个模型 Gemini Omni Flash，可组合图像、音频、视频和文本作为输入生成高质量视频，并支持通过自然语言对话多轮编辑视频。
推荐理由：Gemini Omni 把多模态输入与对话式视频编辑结合，读者可了解其能力边界与首发渠道。
OpenAI News精选AI 评分7272 OpenAI 发布 Sora 2 视频与音频生成模型系统卡
OpenAI 发布新一代视频与音频生成模型 Sora 2，并同步公开系统卡。相比 Sora，新模型在物理准确性、画面真实感、音频同步、可控性和风格覆盖范围上有所提升。
推荐理由：官方系统卡披露 Sora 2 在物理准确性、同步音频与可控性上的能力变化，可据此判断视频生成模型的当前边界。
OpenAI News精选AI 评分6767 OpenAI 发布视频生成模型 Sora 2
OpenAI 发布视频生成模型 Sora 2，支持同步对白与音效。原 Sora 产品已不再提供。
推荐理由：OpenAI 发布新一代视频生成模型 Sora 2，首次加入同步对白与音效，可据此了解视频生成的能力边界变化。
OpenAI News精选AI 评分6262 OpenAI 发布 Sora 视频生成模型系统卡
OpenAI 发布 Sora 系统卡，介绍这是其视频生成模型，可接收文本、图像和视频输入并生成新视频。Sora 基于 DALL-E 和 GPT 系列模型的经验构建，定位是为用户提供更丰富的叙事与创意表达工具。
推荐理由：OpenAI 官方系统卡披露 Sora 的输入输出形态与技术来源，可据此了解其能力边界。
OpenAI News精选AI 评分8282 OpenAI 发布 Sora：视频生成模型作为世界模拟器
OpenAI 公开视频生成模型 Sora，在可变时长、分辨率和宽高比的视频与图像上联合训练文本条件扩散模型，采用作用于视频和图像 latent code 时空 patch 的 Transformer 架构。其最大模型 Sora 可生成一分钟高保真视频，研究结果提示规模化视频生成模型是构建通用物理世界模拟器的一条可行路径。
推荐理由：OpenAI 首次公开视频生成模型 Sora 的技术思路，读者可了解时空 patch 训练与规模化模拟物理世界的路径。