跳到正文
实时
模型#视频
  1. Hugging Face Blog71

    NVIDIA 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。

  2. Google DeepMind78

    Google 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。

    同一件事 · 6 家

    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。

  1. 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。

    推荐理由: 原文给出Genie 4的实时改写、原生音频与物理表现，也点明细节漂移等早期局限，便于判断世界模型当前边界。

  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。

    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。

  1. 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。

已浏览全部内容