Google Gemini@GeminiApp精选AI 评分7272使用Gemini Omni创建、混剪和编辑视频比以往任何时候都更容易。 它提供了一种流畅的对话式创作和编辑方式。只需从相册上传视频，并让Gemini进行修改即可。
推荐理由：Gemini Omni把视频编辑做成了对话，虽然不算革命性更新，但对随手剪片的普通人来说，不用学剪辑软件就是最大的可用性。
北京时间
AI 视频
全部主题AI 视频生成与理解：文生视频模型、视频编辑工具与影视创作变革的追踪。
最新精选
第 101–120 条 · 共 139 条- Google Gemini@GeminiApp精选AI 评分7272
Hacker News 热门（buzzing.cc 中文翻译）精选AI 评分8080 Gemini Omni
Google DeepMind 于 2026 年 5 月 19 日发布了新一代多模态大模型 Gemini Omni。该模型整合了文本、图像、音频与视频的理解与生成能力，旨在实现更自然的人机交互。在同期 Hacker News 讨论中获得 112 点赞，显示出技术社区对多模态融合趋势的持续关注。这标志着大模型从单模态向全模态感知与响应能力的进一步演进。
推荐理由：Gemini Omni 把视频编辑变成自然语言对话，多轮编辑和物理理解让它从玩具变成创作工具，做视频的值得一试。
Google DeepMind@GoogleDeepMind精选AI 评分7272
推荐理由：Google Flow 终于把批量编辑和角色一致性拉上来了，对做视频内容的人能省不少事，虽然不算颠覆性的代际更新，但实用度提升明显。
Google DeepMind：Blog（RSS）精选AI 评分8383 推出Gemini Omni多模态AI模型
谷歌推出原生多模态AI模型Gemini Omni，能够整合视频、图像、音频和文本等多种输入，生成高质量视频内容。其核心能力是通过自然语言对话进行视频编辑，并能保持角色一致性、物理规律与场景连贯性。首个模型Gemini Omni Flash已上线，未来将支持图像和音频输出。Gemini Omni结合了对物理世界的直觉理解与丰富的知识库，支持从写实到叙事的创意生成，并可通过多轮对话持续编辑视频，而不丢失原始场景上下文。
推荐理由：Gemini Omni 把视频生成从画面堆砌推到了物理世界叙事，多轮自然语言编辑和世界知识融合是真正的代际升级，做视频内容的该重新理解工具的定义了。
Hugging Face：Blog（RSS）精选AI 评分6767 NVIDIA Cosmos Predict 2.5 微调：使用 LoRA/DoRA 生成机器人视频
NVIDIA Cosmos Predict 2.5 是一个 2B 参数的世界模型，可根据文本、图像或视频片段生成物理合理的视频。通过 LoRA 或 DoRA 在 DiT 的注意力层（to_q, to_k, to_v, to_out.0）和前馈层注入可训练适配器，冻结全部基座权重，在单个 80GB GPU 上即可完成参数高效微调，避免了全量微调的高成本与灾难性遗忘。该流程使用 diffusers 和 accelerate 库，利用 92 个机器人操作视频训练集与 50 个 (prompt， image) 测试对进行微调，并展示如何用微调模型生成合成机器人轨迹以支持下游机器人学习任务。支持单 GPU 与多 GPU 训练，切换不同领域适配器无需重训。
推荐理由：这篇教程把微调Cosmos Predict 2.5的方法从头到尾讲清楚了，做机器人合成数据的同行可以直接抄作业，LoRA/DoRA切换也很方便，值得收藏。
Hacker News 热门（buzzing.cc 中文翻译）精选AI 评分7373 SANA-WM：一个用于生成1分钟720p视频的26亿级开源世界模型
NVIDIA研究团队发布了SANA-WM，这是一个参数规模达26亿的开源世界模型，专门用于生成长达1分钟、分辨率为720p的视频。该模型已在GitHub页面开源，旨在推动高质量长视频生成的研发。其在Hacker News社区获得了107点热度，显示出业界对该技术进展的关注。
推荐理由：开源且能跑 1 分钟 720p，NVIDIA 这个 2.6B 世界模型在物理一致性上跨了一大步，做视频生成和物理仿真的同行该坐不住了。
Runway@runwayml精选AI 评分7878Runway Agent 让你仅需一次会话，就能从产品照片和想法转变为完全制作完成的广告。 立即通过下方链接开始体验。
推荐理由：Runway Agent把广告制作压到一张产品图加一句话的极简流程，做电商和创意的值得上手测一下是不是真省时间。
Runway：News（网页）精选AI 评分6767 Runway正式进军日本市场，在东京设立总部并投入4000万美元
生成式AI公司Runway宣布在日本东京设立总部，正式进军日本市场，并计划投入4000万美元初始资金拓展业务。日本已成为Runway增长最快的市场之一，是其全球企业及自助客户的第三大市场。过去一年，日本企业客户数量增长300%，贡献了Runway亚洲总销售额的三分之一。软银、雅马哈等企业已在营销与创意流程中使用其服务。公司此次扩张旨在贴近日本领先的创意、机器人及制造行业客户，并已开始招募日本市场负责人以组建本地团队。
推荐理由：Runway 在日本已有 300% 企业增长，这次砸 4000 万美元设东京办公室，对关注亚洲市场的人来说是个信号，AI 视频工具的全球化布局正在加速。
Luma@LumaLabsAI精选AI 评分7575更多产品。更多市场。更多格式。再无瓶颈。 定义需求。设定风格。Luma Agents 从此处理所有电商活动素材。 立即扩展 → http://lumalabs.ai/app
推荐理由：Luma把AI生成能力打包成电商专用的Agent，直接省掉多格式物料制作的环节，做电商内容的同行可以看看实际效果是不是真有宣传的那么丝滑。
CMU：Machine Learning Blog精选AI 评分6363 教视觉-语言模型说“电影语言”
研究团队与百余名专业创作者历时一年，构建了一个视频描述生成流程，其核心在于扩展精细化的人类-AI协同监督，而非单纯扩大模型规模。该研究（入选CVPR 2026亮点论文）指出，当前主流视频生成模型在理解和生成具有电影感的专业运镜（如希区柯克式滑动变焦、精确的焦点转移或荷兰角镜头）时存在明显不足，常产出通用或焦点错误的画面。这项工作揭示了一条通过提升监督质量来增强模型“电影语言”表达能力的新路径。
推荐理由：这篇CVPR 2026 Highlight的博客版很有意思，它用100多个专业电影人来标注视频，教VLM学会推拉摇移的镜头语言，不是又多一个数据集，而是提醒我们：高质量的人工标注可能比堆模型更重要。
HuggingFace Daily Papers（社区热门论文）精选AI 评分7070 WorldReasonBench：面向未来世界状态预测的视频生成器人类对齐压力测试
研究团队发布WorldReasonBench基准，旨在直接评估视频生成模型作为“世界模拟器”的推理能力。该基准包含436个测试案例，涵盖物理、社会、逻辑和信息四大维度及22个子类，要求模型根据初始状态与动作生成状态演化一致的未来视频。评估采用人类对齐的双部分方法：过程感知推理验证通过结构化问答检测时序与因果错误；多维质量评估则对推理质量、时序一致性和视觉美学进行评分。测试发现，当前先进模型在视觉合理性与世界推理能力间存在显著差距，生成的视频可能看似逼真却违反动态、因果或信息守恒规律。相关资源已开源。
推荐理由：视频生成越来越像真的，但逻辑和因果一塌糊涂，这个基准把问题量化了，想做世界模拟器的团队可以拿来测测自己的模型到底懂不懂世界。
Thinking Machines Lab：官方博客（RSS）精选AI 评分5959 Thinking Machines Lab发布Interaction Models研究预览
Thinking Machines Lab发布interaction models研究预览。该模型从零训练，原生处理音频、视频和文本，采用多流微回合设计实现实时响应，无需外部脚手架。研究预览展示了全新的交互能力，并在智能性与响应性上取得综合SOTA表现。
推荐理由：Thinking Machines 把实时交互训进了模型本身，不再是外挂脚手架，微轮次架构和 benchmark 数据很硬，做语音/视频助手的可以认真看看，虽然还是研究预览，但方向值得盯着。
IT之家（RSS）精选AI 评分7070 全国首例 AI 短剧侵权刑事案一审宣判：盗录超 1700 部牟利获刑，构成侵犯著作权罪
全国首例AI短剧侵权刑事案一审宣判。被告人盗录某公司AI工具生成的短剧超过1700部，并在二手平台以66.66元打包出售牟利，构成侵犯著作权罪。法院认定，这些短剧由用户输入原创剧本、情节等提示词生成，体现了独创性表达，属于受著作权法保护的作品。被告人被判处有期徒刑八个月，缓刑一年两个月，并处罚金人民币六千元。涉案公司平台已累计生成超7000部AI短剧，单价数元至十几元，热门剧销量可达上千份。
推荐理由：AI短剧首例刑事案落槌，法院认定了提示词创作的独创性，以后靠盗录AI赚快钱的路子要被堵死，做内容生意的都得认真看。
Runway：News（网页）精选AI 评分8080 从单张图像构建实时视频智能体：Runway Characters技术解析
Runway公司推出“Characters”实时视频智能体，它能将任意单张参考图像（如真人、卡通或幻想生物照片）实时转化为具有自然对话表现力的视频角色。该技术基于其通用世界模型GWM-1，无需微调即可生成每秒24帧的高清视频，并同步口型、表情和头部运动。其核心突破在于通过自回归逐帧生成、流程优化与并行化，实现了每帧仅37毫秒的模型处理时间，以及从用户停止说话到角色开始响应仅1.75秒的服务器端延迟，从而满足了实时交互对话的严苛要求。
推荐理由：把单张图变成实时对话角色这件事，Runway 做到了 24fps 且 1.75 秒响应。不是预录，是真实时，还带了知识库和工具调用，做虚拟角色产品的可以直接拿来集成。
- Runway@runwayml精选AI 评分6969
推荐理由：Runway 把 AI 视频从生成拉入实时对话时代，1.75 秒的延迟让视频代理第一次有了「对话感」，做交互设计的同学可以认真看一眼。
- Runway@runwayml精选AI 评分6363
用Runway将你的相机胶卷变成视觉特效引擎。 只需选择照片或视频，输入你想要的效果，就这么简单。 万物皆可创作，通过下方链接开始使用。
推荐理由：Runway 把特效制作的门槛降到了选图+打字，对短视频创作者是个直击痛点的更新，虽然算不上重大发布，但实用度拉满。但它不是新模型，别期待太高。
HuggingFace Daily Papers（社区热门论文）精选AI 评分7171 Seedance 2.0：推进面向复杂世界的视频生成
Seedance 2.0于2026年2月初在国内发布，作为原生多模态音视频生成模型，采用统一高效架构支持文本、图像、音频、视频四种输入。可生成4-15秒、480p/720p音视频，开放平台支持3视频+9图像+3音频的多模态参考，并提供Fast加速版本。相比前代全面提升基础生成与多模态性能，专家评估显示其已达行业领先水平。
推荐理由：Seedance 2.0 把音视频联合生成真正推到了可用级别，支持多片段、多图片、多音频参考输入，对做视频的创作者是直接的生产力提升。
OpenRouter：Announcements（RSS）精选AI 评分5757 宣布推出视频生成功能
OpenRouter平台现已上线视频生成服务。用户可通过单一API接口，直接调用顶级的视频生成模型。这一集成简化了开发流程，使开发者无需分别对接不同厂商，即可便捷地访问和使用当前领先的视频AI模型能力。
推荐理由：OpenRouter 把视频生成塞进统一 API，对已经在用它做多模型路由的开发者来说是零成本扩展，但对大多数人只是又一个聚合入口，不算必须关注的节点。
字节 Seed：Research Papers（网页内嵌数据）精选AI 评分6666 字节 Seed 发布 Seedance 2.0 音视频联合生成模型
字节 Seed 发布原生多模态音视频生成模型 Seedance 2.0，2026 年 2 月初在中国正式上线，采用统一架构支持文本、图像、音频、视频四种输入模态。
推荐理由：官方技术报告梳理了 Seedance 2.0 的统一架构、多模态输入上限与分辨率规格，读者可对照前代看能力变化。
Hugging Face：Blog（RSS）精选AI 评分6060 Waypoint-1.5：为消费级GPU打造的高保真交互世界模型
Wayve发布Waypoint-1.5模型，用于生成高保真可交互虚拟世界。该模型经优化后能在消费级GPU（如RTX 4090）上高效运行，降低硬件门槛，支持实时交互与动态场景生成，适用于自动驾驶模拟、游戏开发等领域，推动AI技术民主化。
推荐理由：Waypoint 1.5 把实时生成世界从 demo 变成了消费级 GPU 上能跑的东西，360p 版的兼容性让游戏本也能玩。高保真不是重点，实时响应和本地运行才是，做互动内容的值得关注。