技术方向
AI 生成和理解视频：文生视频模型、视频编辑工具，以及影视创作的新做法。
144 条精选近 30 天 135 条共收录 164 条
VEDJE 用 33M 参数联合编码器在压缩缓存上做视频文本检索，在 MSR-VTT 上以约 49× 更少在线参数达到 59.8 R@1。每段视频压缩至 48 KiB，约为原始视觉特征的 1/128.5，并在匹配的首阶段检索器上额外提升 3.6–7.2 R@1。作者还引入特征变化预测目标以改善检索精度，代码与 Colab 演示已开源。
推荐理由：用一次性视频压缩配合轻量联合编码器替代完整视频重编码，给出了可复现的开源实现和多模态检索的工程取舍。
Odyssey 公司发布生成式世界模型 Odyssey-3 的公开研究预览，用户可通过文字提示实时生成交互式环境并自由探索，开发者可申请 API 访问。模型基于自回归扩散 Transformer，基础版有 140 亿参数、生成 832×480 视频，Pro 版支持 1280×720。
推荐理由：原文给出 Odyssey-3 的架构、训练数据与基准成绩，同时指出其榜单记录未达标准测试条件，便于读者独立判断能力。
钛媒体"表外表里"采访多位00后用户，记录他们沉迷AI短剧后反复卸载又复吸的经历。多位受访者日均观看3-4部短剧，有人暑假期间一天看8小时、一个月卸载5次以上，有人花千元买电子阅读器试图戒断但失败。报道呈现了AI短剧作为碎片化娱乐对学习、备考和社交的冲击，以及受访者各自摸索的节制策略。
推荐理由：通过多名00后的第一手口述，呈现AI短剧对他们日常时间分配和备考节奏的侵蚀，为理解碎片化娱乐冲击提供具体样本。
LightVAE 是一个视频 VAE 压缩框架，通过将 Conv3D 层重参数化为聚合空间响应与差分驱动的时序校正，并对时序部分做低秩近似，再结合宽度保持的块剪枝和探测引导的特征对齐来恢复画质。
推荐理由：提出针对视频 VAE 的 Conv3D 重参数化和时序低秩压缩方法，在多种 VAE 骨干和两代 GPU 上给出具体加速数据，便于与现有高效解码器对比。
研究团队发布音视频字幕评测基准 OmniCapBench，把预测目标从自由文本改为可验证的原子单元，覆盖实体指代、视觉镜头和音频事件三条轨道。基准包含 786 个密集标注视频，通过确定性约束检查和局部语义对比定位 MLLM 在时间对齐、身份漂移、跨模态错位和幻觉描述上的具体错误。评测前沿 MLLM 显示其局部感知较强，但长程音视频推理明显偏弱，尤其在身份漂移和跨模态错位上问题突出。
推荐理由：该基准把音视频字幕评估拆成三条可验证轨道，能精确定位 MLLM 的具体感知错误，为全模态模型的改进提供可迁移的诊断路径。
万兴科技近日面向国内市场焕新发布万兴喵影2027桌面端。该版本围绕素材准备、剪辑制作、成片交付三个视频创作环节，新增及升级十余项重点能力。
推荐理由：围绕素材准备、剪辑制作、成片交付三个环节升级十余项能力，便于读者对照现有视频创作流程判断变化。
AI 生成的猫狗短剧正在抖音、小红书、TikTok 等平台快速扩散，抖音 #AI 萌宠话题累计播放 26.4 亿次，#AI 宠物挑战累计 16.8 亿次。头部博主已跑通变现路径：@川岛小猪 累计接到 8 笔品牌商单、单条笔记报价 4500 元；@LT 小狗日记单条定制广告最高报价 8 万元，并推出 79.9 元周边 T 恤与付费教程。
推荐理由：原文梳理了 AI 宠物短剧从制作工具、爆款内容到品牌商单与带货的变现链条，适合想了解 AIGC 在垂直内容赛道落地节奏的读者。
文章把视频剪辑工具赛道拆分为 Premiere Pro、Final Cut Pro、DaVinci Resolve、剪映/CapCut 与 Runway、可灵、即梦等 AI 原生工具五股力量，指出 AI 正沿素材理解、精细控制、自动化交付三个方向改造剪辑工作流。
推荐理由：原文把五股剪辑工具势力的现状与 AI 重构工作流的三个方向并列，便于读者对照判断剪辑工具赛道的下一步走向。
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。
演员 Ben Affleck 因近期多档访谈中展示对神经网络、Transformer、推理等术语的熟悉而在网上走红，他今年将创办的 AI 影视公司据报道以 5.87 亿美元被 Netflix 收购，并曾在访谈中透露访问过 OpenAI。
推荐理由：他详细介绍了解冻开源视频模型权重并以自有数据集微调的工作流程，对影视行业如何落地 AI 有借鉴价值。
生数科技开放Vidu Q4预览版视频生成模型，主推人物演绎、镜头语言和视效场面三项能力，最高支持4K直出、单条最长16秒，最多支持15张参考图和3段参考音频。MaaS端720P约0.6元/秒、1080P约0.75元/秒，SaaS端预览版推出两个月限时优惠、部分场景可低至0.09元/秒。量子位实测做了6个共约110秒的视频，720P档总成本不到10元。
推荐理由：原文给出新模型的实拍定价和多场景对比，读者可以据此评估它在视频生成成本与表现力上的实际位置。
快手AI视频部门可灵已正式启动独立上市，选定中金、高盛和瑞银负责香港IPO，预计最早2027年完成，募资至少10亿美元。2026年第二季度可灵收入超8.5亿元，同比增长超200%，而快手集团同期收入仅增长1.4%至355.35亿元。7月增资后快手仍持有可灵约68%股权和多数投票权，董事长程一笑兼任两家公司并获1%个人受限权益，文章对照历史先例分析分拆后双方股东的利益分歧。
推荐理由：对照金山办公、LG化学历史先例，拆解可灵独立上市后快手股东面临的取舍空间和控股结构带来的潜在估值差。
论文提出 DiffusionART，一种无需可微奖励和逐任务调参的扩散模型在线强化学习微调方法，支持配对奖励模型 DiffusionART-Pairwise。
推荐理由：它提出一种无需奖励可微、无需逐任务调参的扩散模型 RL 微调方法，并以 HunyuanVideo-13B 上大幅领先 DiffusionNFT 和 Flow-GRPO-Fast 的 GPU 时间和奖励作为迁移参考。
SepGen 扩展预训练音视频生成器，在一次联合采样中同时输出视频、混合音轨以及按字幕逐个声源的波形，支持生成和分离两种互补模式。在给定音频混音和带台词字幕时，SepGen 在语音场景下优于语言条件分离器，且在字幕去掉台词后仍保持领先。代码、检查点与数据集已发布在 https://sepgen.github.io 。
推荐理由：SepGen 在一次采样中同时输出视频、混合音轨和各声源波形，并给出可与语言条件分离基线直接对比的语音场景实验结果。
VIS-Ground 把视频交互式叙事中的异构输入转成可执行的生成约束，包含 Structured Context Abstraction、Generation Constraints Induction 与 Constrained Video Generation 三个模块，分别完成上下文抽象、约束归纳与约束执行。
推荐理由：把观众请求、叙事源与已渲染状态统一转成可执行约束，可作为交互式视频生成接地方案的方法参考。
Google 在官方 AI 月度回顾中集中公布了 2026 年 8 月的多项更新，包括面向开发者与 Agent 的 Gemini 3.7 Flash（每百万 token 价格为上一代一半）。
推荐理由：汇总了 Google 八月从 Gemini 3.7 Flash 到 Pixel 11 系列的多项发布，读者可以一次看清模型、终端、语音和开源研究的同步推进。
Google DeepMind 在 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 中上线 agentic 视频理解功能，可将 token 消耗降低最多 88%、成本降低最多 66%，分析精度最高提升 7%。
推荐理由：对比传统固定帧率处理方式，原文给出 token 消耗与精度的具体改进幅度，可作为评估新视频管线效果的参考。
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。
xAI 为视频模型 Grok Imagine Video 1.5 推出 References 更新，新增图像与语音参考、纯文本生成视频与原生 1080p 输出。
推荐理由：原文列出图像与语音参考、纯文本生视频等新增能力以及各档位可用范围，便于评估对视频创作流程的实际影响。
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。