跳到正文
实时
#视频
11月4日周三
  1. 量子位58

    openJiuwen Agent-Memory 如何实现视听双流记忆，看懂长视频

    openJiuwen Agent-Memory 0.2.0 版本上线多模态记忆能力 OmniMem-Lens，通过视觉和听觉双流理解视频事件，召回精度最高提升 45.7%，在线问答时延最高降低 97%。该技术按真实事件切分记忆，建立三层记忆结构，实现离线建好在线查，在 EgoLife-QA 评测集上表现突出，视频越长时延降低越明显。

11月3日周二
  3. Hugging Face Daily Papers

    Agent Harness 如何实现视频生成与智能体交互

    Agent Harness 整合视频生成与世界模型，支持智能体在多镜头视频制作中进行规划、工具使用和递归自改进。该框架协调脚本、拍摄规划、资产管理、生产和编辑，并分析其评估挑战；同时研究智能体与世界模型在观察、控制、执行和状态维护中的交互，以及两者如何互相评估和改进。

11月1日周日
  1. The Decoder42

    Google DeepMind 发布 StreamVibe 视频智能体以理解用户需求

    Google DeepMind 发布 StreamVibe 视频智能体，该模型基于 Qwen3.5-9B 并经过专门训练，能理解模糊请求并在适当时机提供帮助，在 ProactiveBench 上将响应时机和质量提升 10.7%，主动交互率提高 12.3%。测试显示其优于其他开源模型，但在长视频（>5分钟）中仍难以持续追踪变化指令，性能下降至基准的 38.5%。

10月31日周六
10月30日周五
10月29日周四
  1. 量子位72

    Genspark 发布 Media Studio 视频 Agent 工作台

    Genspark 发布视频 Agent 工作台 Media Studio，接入 20 多家厂商的 70 多个模型版本，由大语言模型担任导演负责写剧本和调度视频、图像、音频模型。

    推荐理由: 作者完整实测了从短剧到知识讲解片的全流程，读者可据此判断多模型编排在真实创作中的完成度与短板。

10月28日周三
  1. Hugging Face Daily Papers65

    CodeCap-Bench: 可执行代码能否作为优质视频字幕？

    CodeCap-Bench 通过比较代码字幕与自然语言字幕在视频问答和重建任务上的表现，证明代码字幕具有更优的推理准确性和重建保真度。该基准包含 323 个结构化 2D 内容视频，涵盖五个类别，评估发现主流闭源 MLLM 在代码字幕生成上虽表现良好，但难以捕捉复杂时序动态，开源模型差距显著。

  2. Hugging Face Daily Papers65

    LociArt：一种统一的自由风格局部视频风格化范式

    LociArt通过生成精炼网络、自动化数据集构建和专用基准实现精确的局部视频风格化，支持区域风格控制和时间一致性。GRNStyle在生成精炼网络基础上引入极性风格感知掩码，结合表示-几何条件化技术，实验表明其在区域风格质量和空间控制上优于现有方法。LociArt-100K数据集包含10万局部风格化对，基准包含80个源视频和84个目标掩码，采用风格原型相似度评估方案。

  3. Hugging Face Daily Papers

    Hy-Nomas：面向自由形式交互式世界生成的视频世界模型

    Hy-Nomas 是一个 8B 参数的扩散模型，支持自由形式文本指令和跨多轮交互的相机控制，通过因果注意力与结构化视频描述相结合的方式遵循多轮文本和相机指令，在人类评估中优于现有世界模型，已开源模型权重、代码和基准。

    同一件事 · 2 家
  4. IT之家 · AI82

    谷歌 DeepMind 发布 Genie 4 世界模型，支持实时自然语言改写与原生音频

    谷歌DeepMind于10月27日发布Genie 4世界模型，定位为重大研究里程碑，用户可用自然语言指令实时改变天气、镜头、角色和物体，而非重新生成一段视频。

    同一件事 · 2 家

    各家口径不同：The Verge 表示模型支持长达两分钟的场景，而 Ars Technica 和 TechCrunch 提到物理和人物模拟的改进，但没有具体说明场景时长。

  5. IT之家 · AI77

    谷歌 DeepMind 推出世界模型 Genie 4，支持音视频同步生成与实时编辑

    谷歌 DeepMind 推出世界模型 Genie 4，目前处于研究预览阶段，可生成可交互虚拟世界并在运行中输入提示词修改场景，还能生成与画面同步的实时音频。相比前代 Genie 3，Genie 4 画面拟真度提升，支持实时调整天气、镜头角度和增删人物物体，最长维持两分钟连贯场景，为前代的两倍。

    同一件事 · 2 家

    各家口径不同：The Verge 表示模型支持长达两分钟的场景，而 Ars Technica 和 TechCrunch 提到物理和人物模拟的改进，但没有具体说明场景时长。

  6. TechCrunch · AI72

    Google DeepMind 发布 Genie 4 世界模型，新增音频与实时编辑

    Google DeepMind 以研究预览形式发布世界模型 Genie 4，可生成照片级真实且可交互的场景，并支持在模拟过程中输入提示词实时改变天气、镜头角度或添加人物物体。

    同一件事 · 2 家

    各家口径不同：The Verge 表示模型支持长达两分钟的场景，而 Ars Technica 和 TechCrunch 提到物理和人物模拟的改进，但没有具体说明场景时长。

10月27日周二
  1. Hugging Face Daily Papers65

    AV-FABLE：长视频音频视觉篡改取证基准

    AV-FABLE 引入一个用于长视频稀疏篡改的音频视觉基准，表明冻结的音频视觉大语言模型的感知特征包含最佳通过分离时间解码器而非语言输出恢复的取证证据。长视频中的局部 AI 篡改通常影响其他内容真实的短暂事件，使视频级分类不足以进行取证分析。

  2. IT之家 · AI35

    创维发布自然光壁纸电视 QX 系列：至高 10000 尼特峰值亮度、23040 个独立控色分区，41499 元起

    创维自然光壁纸电视 QX 系列发布，85 英寸与 100 英寸版本首发价分别为 41499 元和 61499 元。系列采用四面无边设计、2.7cm 厚度，搭载 OD-MiniLED 背光技术，具备 23040 个独立控色分区、10000nits 峰值亮度，支持 STW 广视角显示。独立主机内置创维与哈曼联合定制的 6.2.2 音响系统，14 个发声单元提供 410W 峰值功率。

  3. Hugging Face Daily Papers65

    StreamVibe: 主动视频智能体及其基准、模型与内存框架

    StreamVibe-Bench 发布包含 4.1K 评估样本和 85K 训练样本的基准，用于测试显式、隐式和动态用户意图交互；StreamVibe-VL 是一个流式主动视频语言模型，通过持续观察推断隐式意图并动态调整交互；StreamVibe-Harness 通过分层内存框架维持用户意图为持久状态，跟踪最新用户意图和环境状态，使主动交互响应一致性提升 12.3%；

10月26日周一
  1. Hugging Face Daily Papers65

    通过视频阅读、写作、分享和交互理解世界

    这篇综述将视频理解和生成统一于世界建模，围绕推断、合成、分享和交互潜在时间状态来组织进展，强调持续动态而非片段级感知。视频基础模型在理解和生成视觉序列方面迅速发展，而视频世界模型试图捕捉其描绘世界的底层动态。

  3. 36氪 · AI65

    Vivix发布实时交互模型W1和A1，目标降低互动内容生成成本至YouTube水平

    Vivix发布实时交互模型W1和A1，目标降低互动内容生成成本至YouTube水平。W1模型实时生成成本接近YouTube每小时约0.2美金的CDN带宽成本，与目前最头部的视频生成模型相比，实时互动内容的生成成本可低1-2个数量级，用户操作后模型能在300-600毫秒内生成下一帧画面。Vivix团队规模已达150-160人。

  4. IT之家 · AI35

    Grok 发布 AI 版《奥德赛》前 7 分钟内容，被指缺乏艺术感染力

    Grok 发布《奥德赛》系列电影第一集前 7 分钟内容，被指缺乏艺术感染力。该片段由 Grok 与 Wonder Studios 联合制作，部分画面接近真实，但旁白冗长、台词生硬，整体缺乏叙事节奏与共情，与诺兰版形成鲜明对比。

    同一件事 · 2 家
  5. TechCrunch · AI35

    Grok 发布 AI 生成的《奥德赛》首七分钟剧集

    Grok 发布了与 Wonder Studios 合作、由导演 Dev Walker 执导的 AI 生成《奥德赛》七分钟剧集，为该系列的首集。该视频采用实用特效，但缺乏艺术性、灵感或人情味，背景故事冗长，角色台词生硬，与克里斯托弗·诺兰版本相比显得空洞，观众难以产生共鸣。

    同一件事 · 2 家
10月24日周六
  1. 腾讯混元 · Hugging Face 新模型71

    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。

    同一件事 · 2 家

    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。

10月23日周五
  2. Hugging Face Daily Papers65

    Factor-Aware Predictive Learning 发布：用于电影级视频生成的多模态大语言模型表示利用方法

    因子感知预测学习 (FAPL) 使视频扩散 Transformer 能够利用多模态大语言模型 (MLLM) 表示进行稀疏时间推理和电影级控制，通过分阶段接地和优化实现。FAPL 在三个电影级视频生成任务（稀疏到视频、因子感知编辑和多镜头生成）上始终优于基线，验证了其在 MLLM 特征使用、时间控制和因子协调方面的贡献。

  3. Hugging Face Daily Papers38

    OmniDR-Bench：视频中心深度研究报告生成基准评测

    研究人员推出 OmniDR-Bench 基准和评测框架，用于视频中心深度研究智能体，该智能体能合成外部证据生成与视频时刻关联的交互式报告。该任务具有直接实用价值，能帮助用户定位相关视频片段、验证声明、复现演示步骤。OmniDR-Bench 包含 50 个中英文任务，涵盖 19 个现实子类别，共 6,414 条标准，最佳系统得分为 63.3 分。

10月22日周四
  1. Hugging Face Daily Papers65

    StreamEval: 评估交互式流式视频生成模型的基准

    StreamEval 基准测试了交互式流式视频生成模型在五个任务上的表现，发现可靠的请求执行和持续的状态一致性仍是主要挑战。该基准包含 300 个脚本化测试用例，涵盖角色对话、角色表演、世界生成、指令编辑和参考编辑任务，通过四个评估维度（任务执行、状态一致性、视觉保真度和视听协调）进行评分。

10月21日周三
  4. 腾讯混元 · Hugging Face 新模型78

    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。

10月19日周一
  1. O'Reilly Radar65

    《周一早晨代理》项目通过美式橄榄球数据训练AI分析师。

    《周一早晨代理》项目每两周使用NFL公开数据集分析一个美式橄榄球争议话题，逐步为AI智能体赋予分析能力。该项目使用25万个比赛片段和当前赛季数据，每期让AI解释特定战术（如“建立进攻线”）并验证其分析结果。AI在分析时需说明数据局限性，并拒绝超出任务范围（如预测比赛结果）的请求。

10月14日周三
10月13日周二