SANA-Streaming是一个为消费级GPU设计的高分辨率实时流式视频到视频编辑框架。其核心包含三点：采用混合Diffusion Transformer架构，结合softmax注意力与线性层效率；引入Cycle-Reverse Regularization训练策略，通过从生成内容预测源帧提升时序一致性；以及结合针对NVIDIA Blackwell（RTX 5090）优化的融合GDN内核与混合精度量化（MPQ）实现的高效系统协同设计。该系统在单张RTX 5090上可实现1280x704分辨率、端到端24FPS的实时编辑，其DiT核心可达58FPS。实验表明，其在时序连贯性和系统吞吐量上显著优于现有SOTA方法。
Chubby♨️@kimmonismus
Google Gemini@GeminiApp
Hao AI Lab@haoailabYouTube将上线一套新的AI内容标签系统，旨在使标签位置更显眼：长视频的标签将显示在播放器下方，Shorts的标签将作为叠加层显示。从2026年5月开始，该平台将启动自动检测系统，即使创作者未主动披露，也会对AI生成内容进行标记。该系统对视频的推荐和变现没有影响。
Berryxia.AI@berryxia用户发布任务，要求三个AI智能体独立从链接下载视频并添加中文字幕。最终，一个AI智能体100%完成，一个只输出了部分成果，另一个则遇到API限流。整个流程虽耗时，但用户仅需“动动嘴”下达指令，全程零干预即可验收结果。评论称赞这种自主性（Agency）令人舒服，宛如“成精”。
麻蛋,Agent成精了。 但就是,我想要的状态。 这种Agency,真实令人舒服啊!
Google Gemini@GeminiAppBerryxia.AI@berryxia
Kling AI@Kling_ai快手旗下Kling AI在第79届戛纳电影节举办访谈，邀请中国、美国和韩国的创作者，共同探讨AI如何进入真实的电影制作工作流。对谈内容涵盖了从好莱坞规模的剧集制作，到全AI生成的剧情电影，以及AI动画电影等不同形式的影视创作。创作者们分享了AI在其实际叙事创作中的应用视角。
YouTube重新设计了AI标签的位置，使其更易被发现。对于普通视频和Shorts，标注AI生成内容的标签现在直接显示在视频播放器下方、描述文字之上。同时，平台将开始自动识别并为AI生成的内容添加标签。
YouTube 宣布将自动标记使用了大量逼真 AI 技术生成的视频。此举改变了以往完全依赖创作者主动披露 AI 内容的方式，YouTube 平台将介入并强制标注。同时，平台上的 AI 内容标签将变得更加醒目。
中国警方正利用AI技术升级数百万旧监控摄像头。海康威视和华为等制造商提供的新型摄像头内置了计算机视觉和大语言模型，可自动检测人群、可疑行为或未经授权访问，警员无需手动审查录像，仅需输入文本查询即可。人权观察警告，此举正催生前所未有的规模化行为监控。
Berryxia.AI@berryxia作者展示了进行中的 Vibe Coding 项目，其视频 demo 演示已初步完成，但因细节“强迫症”被推翻重做，目前已修改两周。核心功能均已实现，但打磨尚未完成。项目面向文旅场景，作者表示开源与否取决于社区反馈。
腾讯自研视频编解码芯片“沧海”在莫斯科国立大学（MSU）硬件视频编码比赛中，于30—240fps所有速度档位的SSIM、PSNR、VMAF等评测指标均获第一，多项指标领先超30%。沧海V1芯片已部署超10万片。新一代沧海V2芯片已完成点亮并进入量产周期，计划于2026年下半年提供服务，其采用统一硬件架构支持H.265和H.266标准，单芯片处理能力翻倍，且集成GPU核心支持云渲染。
本研究系统比较了视觉语言模型与视频生成模型两种预训练范式在空间智能方面的表现。通过冻结特征探测方法，在语义标注、实例分组和三维几何预测三个关键维度上进行评估。结果显示两者具有明确的互补性：视觉语言模型在语义与实例任务上更强，而视频生成模型则在密集几何与相机运动信号上表现更优。研究进一步发现，简单地融合二者特征即可获得在几何与语义任务上均表现出色的表示，为构建更强的空间智能骨干模型指明了有前景的方向。
现有视频生成方法多依赖文本或首尾帧等稀疏条件，难以精确控制叙事结构与节奏。为此，本文提出SmartDirector框架，通过引入多个关键帧来增强视频生成的叙事能力，支持单镜头生成、多镜头合成及视频扩展。该框架分为两阶段：Director-Gen根据关键帧生成低分辨率视频；Director-SR利用高分辨率关键帧作为语义锚点进行超分优化，以恢复细节。为支持训练，构建了从电影中策划单、多镜头序列的数据管道。实验表明，该方法显著优于现有先进方案。
Google AI@GoogleAIGoogle 发布了其多模态模型 Gemini Omni 的视频生成功能使用指南。该模型可通过 Gemini 应用、Google Flow 等平台体验。指南包含五项提示词技巧：利用模型已有的现实世界知识进行简洁描述；精确控制文本在视频中的渲染与排版；使用专业镜头指令（如推拉摇移）像电影摄影师一样调度画面；通过迭代编辑高效修改视频；以及在生成中直接调整角色的动作节奏或情绪。其核心在于通过精准的提示词引导模型生成复杂且可控的视频内容。
同一事件，精选展示《Gemini 3.5：具备行动能力的前沿智能》FBI 指出，通过 Instagram 上一个可疑的保存帖子，可以将一名男子与一个 AI 色情账号联系起来。
PixVerse@PixVerse_Runway通过Project Luxo研究发现，AI生成视频已跨越“恐怖谷”。他们向创意生态从业者展示了《The Rogue》等AI短片及广告样片，评估显示观众开始关注故事本身，而非技术瑕疵。所有作品均由单人团队制作，耗时从3周到4小时不等。Runway认为，这标志着AI媒体成熟——当技术足够好以至于“隐形”，观众沉浸于故事时，便实现了这一跨越。
Runway@runwaymlRunway发起Project Luxo项目，旨在探索AI生成视频如何跨越“恐怖谷效应”。该项目团队近期向好莱坞高管、导演、演员等专业人士放映了一系列AI生成的短片，获得了普遍认可，他们认为该技术已足够成熟，能够“消失在故事背后”。其中一部案例影片是完全由AI生成的十分钟短片《The Rogue》。该片在传统电影制作体系中因成本高昂、制作难度大而搁置了十余年，最终仅由一人使用Runway技术在一个月内制作完成。
网龙与火山引擎达成合作，将底层架构全面上云并率先接入Seedance 2.0 API，依托豆包大模型构建覆盖文本、图像、视频的全链路AI智能生产体系，已落地2000余门标准化课程。豆包图像创作模型实现分镜风格统一，视频生成模型保障声画同步与角色声线一致，并用于制作K12虚拟实验互动资源。业务上云后资源利用率提升50%。双方计划2026年每月新增1500门以上AI融合课程，培训超1万名骨干教师，借助火山引擎全球化部署覆盖190多个国家和地区。
Alibaba Cloud@alibaba_cloudPicsart与通义千问（Qwen）的AI工具HappyHorse联合推出“Picsart HappyHorse Awards”AI视频创作挑战赛。参赛者需使用Picsart和HappyHorse工具创作时长15秒至5分钟的竖屏（9:16）短视频，并在社交媒体发布后提交。大奖为5,000美元现金或前往HumanX Amsterdam的机会，另有荣誉奖。比赛旨在推动AI电影创作，探索AI创意的边界。赛事时间为5月26日至6月14日，获奖名单将于7月3日公布。
Your AI cinema era starts now with the Picsart Happy Horse Awards 🎬🐎 Create a short film using Happy Horse + Picsart a...
Helix4D是一个动态网格生成框架，旨在解决现有方法在处理复杂拓扑、透明材质和薄结构等场景时的不足。该框架继承了Trellis2的强大表示能力，将其从图像生成3D扩展到基于视频的4D生成。为兼顾信息共享与预训练质量，它采用了滑动窗口跨帧注意力并锚定第一帧。同时，其设计的4D时序编码复用了低频空间RoPE频段来表示时间维度，无需额外参数。实验在ActionBench和自建复杂数据集上验证了该方法生成高质量动态网格的有效性。
小米汽车发布 Xiaomi Auto World Model 框架，首次将三维重建与视频生成深度耦合，打破行业独立拆分的技术路线。该框架在 Waymo、nuScenes 等主流基准测试中全面取得 SOTA，并已在合成数据生成（已交付超10万 clips 数据）、仿真测试、辅助驾驶学堂三大场景落地。
WBench 是一个用于系统评估交互式世界模型的多轮基准。它提出了一个五维评估框架，涵盖视频质量、场景设定遵循度、交互指令遵循度、一致性与物理符合性。该基准包含 289 个测试案例与 1,058 轮交互，覆盖了多样化的场景、风格、主体及第一/第三人称视角。评估使用 22 个结合专业视觉模型与大型多模态模型的自动子指标，所有指标均经过人工校验。对 20 个 SOTA 模型的评测发现，目前尚无模型在所有维度上表现均优。
歸藏(guizang.ai)@op7418new unlimited Seedance promo. this week we're offering unlimited Seedance 2 generations for Pro, Max, and Business plans...
Pantheon360是一个可控的360°视频生成框架，旨在从稀疏的360°输入合成高保真视频，以解决传统透视视频生成器因视野有限而导致的轨迹复杂、跨视角不一致等问题。其核心创新是引入一个从输入中重建的显式3D缓存，作为用户定义任意相机路径的几何支架。这使视频扩散模型能专注于纹理精修，同时由3D缓存强制执行全局几何一致性。实验表明，该框架在视觉质量和几何一致性上表现优越，能够为下游模拟和数字孪生应用提供可靠、灵活的360°场景生成。
GE-Sim 2.0是一个用于机器人操作的闭环视频世界模拟器。它基于动作条件视频生成框架，并使用数千小时涵盖遥操作与接触交互等真实世界数据进行重新训练，提升了动作跟随与轨迹覆盖能力。其核心新增三个模块：从视频潜变量解码本体感受状态的“状态专家”；为生成轨迹评分并提供成功信号与奖励的“世界评判”；以及能实现快速轨迹生成的加速框架。该模型仅2B参数，在WorldArena排行榜上位列第一，优于专用模型与闭源生成器，其训练出的策略能转化为实际世界性能提升。
Kling AI@Kling_aiJoin us live tomorrow, Tuesday, May 26th at 11am PT / 2pm ET for "How I Build an AI Superhero Series" with Aharon Rabino...
耐高总决赛中，百度智能云（文心）以AI技术实现比赛哨声与数据的同步联动，让赛场数据随哨声实时呈现，展示体育赛事场景下的AI应用力量。
