Google DeepMind 以研究预览形式发布 Genie 4 世界模型，可生成与模拟场景匹配的实时音频，并允许用户在模拟过程中输入提示改变场景。Genie 4 可保持场景最长 2 分钟，是 Genie 3 的 2 倍，并支持实时修改天气、镜头角度以及新增人物或物体。
推荐理由：Genie 4 将实时可编辑场景、音频生成与 Gemini 任务规划结合，展示了世界模型用于机器人仿真和创意原型的具体路径。
Vivix 公开实时交互模型 W1 和 A1，分别面向理解、交互、生成一体化与角色交互场景。W1 在交互场景中生成下一帧画面需 300-600 毫秒，实时生成成本接近 YouTube 每小时约 0.2 美金的 CDN 带宽成本，比当前头部视频生成模型低 1-2 个数量级。
推荐理由：文章用 300-600 毫秒首帧时间及相对头部视频模型低 1-2 个数量级的成本，解释 Vivix 的实时交互路线。
腾讯混元发布 Hy-Nomas，一款通过文本指令与镜头控制实现自由形式多轮交互的视频世界生成模型，并提供 BF16 Diffusers 权重。模型采用分段自回归 DiT、Qwen 文本编码器和 PixelUMM 视频解码器，以 KV cache 延续上下文；示例使用 4 步去噪，输出 704 × 1280、24 FPS。
推荐理由：模型卡同时给出交互机制、推理参数与基准覆盖，开发者可据此复现多轮视频世界生成，并评估交互控制与空间记忆表现。
VAST 开源实时世界模型 EdenLive，5B 模型在单张 RTX 5090、720P 条件下生成速度超过 24FPS，端到端延迟为百毫秒级，支持任意参考输入、任意画风和分钟级连续生成。
推荐理由：原文给出了单卡 720P 超 24FPS 与百毫秒级端到端延迟的具体数据，并拆解了世界状态与视觉渲染解耦的技术路线，便于读者评估实时世界模型的可用边界。
Elorian 发布首个模型 Glimpse，主打在推理过程中持续回到图像本身做裁切、取帧和执行代码，官方称这一机制为视觉草稿空间。该模型作为研究预览开放 API，聊天界面需申请使用，按官方评测在科学图表推理和短视频描述上结果优于 GPT-6 Astra，输入价格 $0.60/M tokens、输出 $3/M tokens。
推荐理由：原文给出 Glimpse 的视觉草稿空间机制以及与 GPT-6 Astra 等模型的对比数据，便于理解视觉推理与传统多模态模型的差别。
可灵AI于10月15日上线新一代视频生成模型Kling 4.0，单次原生生成时长提升至最长30秒，文本输入上限为8000 tokens，并支持最高10-bit HDR、4K与21:9超宽画幅输出，同时优化了高动态场景和复杂运镜下的表现稳定性。
推荐理由：Kling 4.0 把原生生成长度推到 30 秒并加入 10-bit HDR 与 4K 输出，可与同期视频模型做能力对照。
昆仑万维发布视频生成游戏模型Matrix-Game 4.0并开源项目代码与模型权重，创始人周亚辉署名技术报告同步推出。该模型采用游戏引擎与视频生成模型协同架构，在单张NVIDIA RTX 5090消费级显卡上可实现480p分辨率、60 FPS的实时游戏体验，操作至画面响应的端到端延迟低于150毫秒，相关资源已在GitHub和Hugging Face开放。
推荐理由：原文给出了消费级显卡上的实时帧率与端到端延迟数据，并说明游戏引擎与视频生成模型协同的架构选择，读者可以据此评估它在交互式生成方向上的硬件门槛。
美国AI视频公司Tavus发布新模型Griffin-Lite，并将其定义为"人类交互模型"，宣称是首个通过"视频图灵测试"的实时视频对话模型。在一项54人参与的1分钟视频通话测试中，48%的受试者误以为对方是真人，上一代系统在同一测试中该比例仅为2.4%。Griffin-Lite与传统语音助手不同，可在双方同时说话时实时作出附和或打断的反应。
推荐理由：原文给出了上一代 2.4% 到 Griffin-Lite 48% 的视频图灵测试对比结果，为评估实时视频对话模型拟人度提供了一组可参照的数据。
全球最大独立AI原生影视公司Utopai Studios的定制视频生成模型Utopai X在Artificial Analysis文生视频排行榜中排名全球第二、全美第一，也是该盲评榜单首次由影视公司定制模型取得这一成绩。榜单完全基于盲评输出质量，由观众在不知晓模型品牌的前提下对同提示词生成的视频进行偏好评价，数据截至2026年9月30日。
推荐理由：报道给出了影视公司定制模型跻身盲评榜单前列的具体排名与背景，可作为评估影视定制模型与厂商模型差距的参考。
Google DeepMind 推出 Gemini Omni 1.1 Flash，新增场景延长、首尾帧插值、4K 放大和视频参考等视频生成控制能力。场景延长可参考最多 10 秒上文，单次累计上限 40 秒；360p 预览生成速度比 720p 快 60%，成本降至三分之一。
推荐理由：原文列出了 Omni 1.1 Flash 在场景延长、首尾帧插值和 4K 放大等具体控制能力上的更新，可帮助开发者判断它能接入哪些视频生产工作流。
MiniMax 在 Hugging Face 开源发布全模态生成系统 MiniMax-H3，统一理解文本、图像、视频与音频，并可生成最高 2K 分辨率、最长 15 秒且含原生立体声的视频。
推荐理由：原文给出 H3 三模块拆分、33B Omni-Transformer 架构与 SGLang、diffusers 部署命令，便于复现 768p 与 2K 生成流程。
Meta Superintelligence Labs 发布 Muse Image 并预览 Muse Video，是其首批媒体生成模型。
推荐理由：原文给出了 Muse Image 的 agentic 工具调用、自我优化和测试时计算扩展细节，便于和现有图像生成模型对比其方法路线。
xAI 发布 Grok Imagine Video 1.5 视频生成模型，在 Imagine API 正式开放为 grok-imagine-video-1.5，同时 Video 1.5 Fast 在 grok.com/imagine 及 iOS、Android 应用上线。
推荐理由：给出了 Video 1.5 在速度、物理与音频方面的具体提升数据，并列出 Projects、多智能体并行等配套的创作工作流更新。
xAI 推出图像生成视频模型 grok-imagine-video-1.5-preview，已通过 xAI API 提供预览。模型以单张静态图像加自然语言 Prompt 作为输入，最高生成 720p 片段，可描述运镜、节奏和声音设计，并支持多镜头串联成更长且风格一致的序列。调用方式只需几行代码即可完成图像动画化。
推荐理由：原文给出了模型的能力边界和使用入口，读者可以据此判断它能替代哪些已有工作流。