蚂蚁 inclusionAI · Hugging Face 新模型inclusionAI/Duo-1.2-causal-base 发布：一个用于全双工交互的多模态世界模型
inclusionAI 发布 Duo 1.2 causal-base 模型，这是一个用于实时音视频交互的全双工多模态世界模型，包含改进的生成质量，模型权重可在 Hugging Face 下载。
实时
#视频
- 蚂蚁 inclusionAI · Hugging Face 新模型
- 蚂蚁 inclusionAI · Hugging Face 新模型
inclusionAI/Duo-1.0-distill 发布：一个用于全双工交互的多模态世界模型
inclusionAI 发布 Duo-1.0-distill，一个用于实时音视频交互的全双工多模态世界模型，包含四步蒸馏的 Realization 权重，需与 causal-base 套件叠加使用。
Claude · YouTubeClaude Meetings 发布：AI 参与视频会议实时构建文档与白板
Claude Meetings 开始在 Team 和 Enterprise 计划的 Google Meet 上以 Beta 版形式推出，AI 智能体作为可见参与者加入视频会议，在交谈中实时构建文档、白板等内容，并自动记录笔记和行动项，所有生成内容会保存在会议页面。其他视频会议平台支持即将到来。
AWS Machine Learning Blog5858NVIDIA Nemotron 3.5 Super VL 已在 Amazon SageMaker JumpStart 中可用
NVIDIA Nemotron 3.5 Super VL 已在 Amazon SageMaker JumpStart 中可用，支持图像、视频和文本输入生成文本。
Hugging Face Blog精选7171NVIDIA 发布 Cosmos 3 四个开源世界模型检查点
NVIDIA 在 Cosmos 世界模型平台下新增四个 Cosmos 3 开源权重检查点，均为 Cosmos 3 Nano 的后训练版本，含 16B 可训练参数，采用 OpenMDW1.1 许可，允许商用与非商用。
推荐理由: 原文给出四个开源权重检查点及四阶段后训练配方，读者可据此判断如何把世界模型适配到自有传感器与机器人本体。
Google AI Blog精选同一件事 · 2 家7878谷歌发布 Gemini Omni 1.2 Flash，支持 15 秒视频并降价 30%
Google 发布 Gemini Omni 1.2 Flash，并通过 Gemini API 和 Gemini for business 正式开放。原生视频生成时长从 Omni 1.1 的 10 秒提升到 15 秒，可按 1 秒步长指定 3 至 15 秒，720p 价格降至每秒 0.07 美元，比 1.1 下降 30%。
Google DeepMind精选同一件事 · 2 家7878Google DeepMind 发布了 Gemini Omni 1.2 Flash，支持 15 秒视频并降价 30%。
Google DeepMind 发布了 Gemini Omni 1.2 Flash，原生视频生成时长从 Omni 1.1 的 10 秒提升到 15 秒，并已在 Gemini API 和 Gemini for business 全面开放。
推荐理由: 原文列出了时长、价格和参考一致性的具体变化，读者可据此判断视频生成的成本与工作流会怎样变化。
Codex releases4545Codex 0.166.0 发布：新增键盘驱动转录选择、Markdown 渲染优化及 GPT-6.1 Terra 支持
Codex 0.166.0 发布，新增键盘驱动转录选择（支持词、行、页操作）、集成搜索和可配置快捷键，以及 Markdown 在异步问题、选项、答案和转录回复中的一致性渲染。同时支持 GPT-6.1 Terra，并添加 codex queue --resume 功能以恢复卸载线程。
腾讯混元 · Hugging Face 新模型精选7171腾讯混元开源 Hy-Nomas 交互式世界生成模型 Diffusers 版
腾讯混元在 Hugging Face 发布 Hy-Nomas 的 BF16 Diffusers 格式蒸馏权重，该视频世界生成模型支持通过文本指令和相机控制进行多轮自由交互，逐段生成同一世界。
推荐理由: 官方放出蒸馏版 BF16 Diffusers 权重和配套基准，读者可据此判断多轮交互式世界生成的实际用法与门槛。
- AWS Machine Learning Blog5858
TwelveLabs 的 Pegasus 1.5 现已可在 Amazon Bedrock 上使用
TwelveLabs 的 Pegasus 1.5 视频语言模型现已在 Amazon Bedrock 上提供，可将长视频转换为结构化、带时间戳的元数据，支持基于用户定义标准分析整个视频并返回匹配片段的 JSON 数据，分析时长扩展至每请求两小时，无需预索引且数据保留在 AWS 边界内。
NVIDIA Blog欧洲广播联盟与 NVIDIA 合作扩展主权框架，Adobe Frame.io 加速视频智能搜索
欧洲广播联盟（EBU）与 NVIDIA 合作扩展主权框架，引入云服务商、开源模型开发者及系统集成商，帮助欧洲广播机构在部署智能体时保留数据、基础设施、模型和安全的控制权。
- 腾讯混元 · Hugging Face 新模型精选7878
腾讯混元开源 Hy-Nomas 交互式世界生成模型
腾讯混元在 Hugging Face 发布视频世界生成模型 Hy-Nomas，支持通过文本指令和相机控制进行自由形式的多轮交互，逐段生成视频并延续同一世界。模型采用分段自回归 DiT 架构，结合 Qwen2.5-VL-7B 文本编码器、相机条件模块和 PixelUMM 解码器，蒸馏推理配置为 8 步去噪、720×1280 分辨率、24 FPS。
推荐理由: 腾讯混元开源可多轮交互的世界生成模型，给出架构细节与单卡 4090 部署配置，便于评估落地成本。
OpenAI News5555Higgsfield 使用 GPT-6 Astra、GPT-Image-2.5 和 GPT-Live 为创作者提供更长的视频、精确的视觉效果和语音电影制作路径
Higgsfield 推出 GPT-6 Astra、GPT-Image-2.5 和 GPT-Live，支持创作者制作更长的视频、实现精确的视觉效果，并提供语音电影制作的路径。
- OpenAI News
Pollo AI 利用 OpenAI 工具将创意转化为营销活动
Pollo AI 通过 GPT-5.6、GPT-6 Astra 和 GPT‑Image‑2.5 帮助创作者将大胆想法转化为详细图像和电影级视频广告。
Amazon ScienceReactor与Amazon Neuron Science联合优化Rolling Forcing模型实现Trainium上实时视频生成
Reactor与Amazon Neuron Science联合优化Rolling Forcing模型实现Trainium上实时视频生成，该模型结合了大型语言模型的序列预测与扩散模型的迭代优化，在16 FPS的标准视频帧率下运行，通过Rolling Forcing技术生成30秒高质量视频，并在Trainium上实现低延迟、高效率的实时视频生成。
MiniMax NewsMiniMax H3 发布：通用多模态生成模型
MiniMax 发布 H3 模型，支持文本、图像、视频和音频的统一上下文理解，能生成带原生立体声的 2K 分辨率视频（最长 15 秒）。
MiniMax · Hugging Face 新模型MiniMax-H3 发布：通用多模态生成系统
MiniMax-H3 是一个通用多模态生成系统，支持统一理解文本、图像、视频和音频，能生成最高 2K 分辨率、最长 15 秒的带立体声音频的视频。其 H3-Context-IR 模块用于深度理解输入指令并转化为 H3-Base 可理解的中间表示，但未开源。H3-Base 和 H3-Regenerate-2K 模块分别负责 768p 和 2K 分辨率的音频视频生成，前者开源，后者需 API 调用。
Meta AI BlogMeta AI 发布 Muse Image 和 Muse Video：首批媒体生成模型
Meta AI 发布了其最先进的图像生成模型 Muse Image，该模型能忠实遵循指令、精确编辑、从多参考中构图，并具备智能体工具使用能力，已集成 Muse Spark；Muse Video 同样基于相同预训练基础，提供卓越视觉保真度并支持原生音频。
