IT之家（RSS）
42
字节跳动旗下火山引擎与香港电视广播有限公司（TVB）达成深度合作。双方将围绕豆包视频生成模型 Seedance 2.0，在影视内容智能化生产、短剧制作、IP 商业化探索及云基础设施建设等方面展开合作。火山引擎将与 TVB 旗下 FF 工作室协同，基于 Seedance 2.0 的视频生成能力探索 AI 在短剧创作与制作流程中的应用。火山引擎还为 TVB 提供虚拟机、对象存储、网络资源、云数据库、视频云、CDN 内容分发等云产品与服务。
标签「视频」清除
全部 AI 动态
AI 相关资讯全量信息流
6月12日
20:36
围绕视频生成模型 Seedance 2.0 的应用落地，TVB 与字节火山引擎达成合作
20:29
20:29
17:00
HuggingFace Daily Papers（社区热门论文）
精选73
HYDRA-X 是首个在单个 Vision Transformer (ViT) 中统一图像与视频 tokenization 的统一多模态模型。通过帧级因果时间注意力实现视觉重建，并采用层级时间压缩替代单步压缩。轻量级解压器在联合图像-视频教师监督下上采样时间压缩特征。编辑管线中，源-目标交互在分词器内部潜在层面而非 LLM 语义层面进行，提升编辑一致性与收敛速度。7B 密集模型在图像与视频理解及生成任务上表现强劲。
推荐理由：HYDRA-X 第一次把图像和视频标记塞进同一个 ViT，光看设计了帧级时序注意力和分层压缩这两个小 tricks 就值回票价，做多模态模型的该读读。
16:40
Alibaba Cloud@alibaba_cloud31
阿里云宣传一部由多位创作者联合制作的AI音乐视频，该片荣获第16届北京国际电影节（BJIFF）[WanMuse+]主题竞赛“优秀AI主题短片”奖。视频从未来视角审视艺术史，描绘一个由权力定义的博物馆——AI吞噬过去以创造自身存在。主角LINYE既是闯入者，也是最新展品，探讨AI作为人类创造力的毁灭与延续。
13:53
TechCrunch：AI（RSS）
64
Avataar AI 推出蒸馏视频生成模型，专为印度的大规模应用打造，定价为每生成一秒视频 0.005 美元。该模型主打更廉价、更快速且具有文化意识，旨在适应印度本地需求。
11:00
HuggingFace Daily Papers（社区热门论文）
65
MoVerse 能从单张窄视野图像生成可交互漫游的实时视频世界模型。它将世界构建与观察渲染分离：先用拓扑感知扩散将输入扩展为重力对齐的 360° 全景图，再通过全景几何感知残差预测将其提升为持久 3D Gaussian scaffold，最后由 Gaussian 条件视频渲染器沿用户指定相机轨迹输出逼真视频。渲染器采用双向扩散教师蒸馏为因果自回归学生，实现有限延迟流式输出。在单个 NVIDIA RTX 4090 GPU 上支持 8 FPS 的实时场景漫游。
11:00
HuggingFace Daily Papers（社区热门论文）
55
VideoMDM是一个基于扩散的框架，从单目视频的精确2D姿态训练3D人体运动先验，无需3D真值。它利用预训练的2D-to-3D提升器提供近似3D序列作为噪声教师，经扩散和去噪后重投影到2D并与准确关键点对比以监督训练。理论证明深度加权的2D重投影损失在期望上等价于直接3D监督。在HumanML3D基准上，VideoMDM几乎缩小了与完全3D监督MDM的差距（FID 0.88 vs 0.54）；在真实视频数据集Fit3D和NBA上，生成的运动获得人类一致偏好。
10:27
PixVerse@PixVerse_12
第24話 謎の寝言!? これまでのあらすじ ぺんぎんちゃんは、こわい夢を見て体調をくずしてしまいました。 今は元気になって学校にも戻りましたが、 夢の中で聞こえた「たすけて」という声や、 星を見ると感じる不思議な気持ち、 知らない歌、夢に出...
08:00
HuggingFace Daily Papers（社区热门论文）
64
MVEB是一个包含23项任务的视频嵌入基准，涵盖分类、零样本分类、聚类、对分类、检索及视频问答。对33个模型的评估显示无单一模型主导：基于MLLM的嵌入在分类、聚类、对分类和问答上领先；多模态绑定方法在检索和零样本分类上领先；缺乏对比适应的生成式MLLM在跨模态任务上崩溃。对比纯视频与音视频评估表明，音频的贡献取决于数据标注来源：标签来自双模态时音频有帮助，仅来自视觉时则有害，差距达6个百分点且跨模型家族一致。MVEB衍生自184项任务的MVEB+池，在降低评估成本的同时保持任务多样性，并集成到MTEB生态系统中。代码和排行榜已开源。
08:00
HuggingFace Daily Papers（社区热门论文）
43
长视频生成中，主体在不同镜头、视角和场景切换下容易丢失。Memento 将主体保持视为身份锚定问题，联合训练自回归下一镜头生成与基于记忆的主体重建，利用历史记忆和全局描述恢复外观；双查询记忆机制分别检索长程身份记忆和短上下文关键帧。主体感知的数据流水线通过无代词描述提供重建监督。实验表明 Memento 在长期主体一致性、跨镜头连贯性和视觉质量上达到 SOTA。
08:00
HuggingFace Daily Papers（社区热门论文）
43
针对视频-音频问答中跨模态关联薄弱、长程时序连接不足的问题，提出自动数据引擎，包含实体锚定视频脚本化（生成摘要、主实体列表和片段描述）和线索引导QA生成两个机制。基于该流程构建指令微调数据集OmniVideo-100K及人工测试集OmniVideo-Test。在VITA-1.5、Qwen2.5-Omni-7B和Qwen3-Omni-30B上微调后，OmniVideo-Test性能最高提升20.59%，在Daily-Omni、JointAVBench等基准上最多提升12.64%。
07:38
🚨 AI News | TestingCatalog@testingcatalog58
Gemini Omni Flash is SOTA at image to video, text to video, and video editing : ) Excited to get this to developers in t...
06:14
Orange AI@oran_ge39
01:20
Logan Kilpatrick@OfficialLoganK同事件精选81
推荐理由：视频生成正式进入全模态一体时代，Gemini Omni Flash 把图生视频、文生视频和剪辑整合在一个模型里，API 很快上线，做视频工具的可以提前琢磨对手在哪了。
6月11日
23:56
23:38
22:31
Runway：News（网页）
54
全球内容巨头Lionsgate与生成式AI研究公司Runway今日宣布扩大战略合作。Lionsgate已取得Runway股权，双方将启动联合开发项目，共同创作并制作新IP，首推一部基于Lionsgate现有IP和Runway生成模型的短剧系列。此外，Lionsgate将作为主持伙伴参与6月举行的Runway AI电影节。这是双方继2024年9月首次合作后的深化，Lionsgate此前已在预可视化、故事板及最终帧制作中应用Runway工具。
22:22
Runway@runwayml65
18:44
14:04
Alibaba Cloud@alibaba_cloud26
阿里云发布一段由Qwen和Wan模型生成的AI视频，以墨西哥文化为主题，融合祖先智慧、传统工艺、Mariachi音乐和Zapotec编织艺术，从古老圣地到现代创新枢纽，展现AI如何连接过去与未来。视频旨在展示模型的创意能力，并引导用户通过Model Studio平台使用相关模型进行创作。
14:04
Alibaba Cloud@alibaba_cloud21
阿里云发布AI生成视频，由通义千问（Qwen）和万相（Wan）模型共同创作。视频以阿联酋为主题，融合沙漠、阿拉伯书法、传统待客之道与迪拜现代天际线等元素，从古代天文智慧到未来科技，展现文化遗产与创新的平衡。官方推荐使用Model Studio平台调用模型进行创作。
12:21
Elon Musk@elonmusk32
We Asked AI To Simulate What Would Happen If AOC Was Forced To Learn Economics Made with @grok.
11:21
宝玉@dotey65
视频完全摒弃 Premiere/Final Cut，由 Claude Code 配合 Fable 5 通过代码与命令行自动剪辑。流程：本地 Whisper 转写 25GB 素材（17 个 Take，4 场景），生成毫秒级单词时间戳 JSON；Subagent 剔除停顿废片选出最佳镜头；代码调用 FFmpeg 自动粗剪；AI 手写 LUTs 调色代码并生成带滑块的 HTML 页面供人工调整；静态图形转为 React 的 Remotion 动画组件，利用时间戳精准卡点；通过 Figma MCP 将画面导出至 Figma 供设计优化，再自动抓回代码，渲染 4K 24fps。作者全程未触碰视频编辑器。
Lots of people asked how I used Fable to edit its own launch video so I made a video about that! TLDR it wrote a lot of ...
10:58
HuggingFace Daily Papers（社区热门论文）
59
InternVideo3框架通过多模态上下文推理（MCR）提升基础模型的长时序多模态任务能力。MCR将理解视为包含观察、指令、推理、工具行动和记忆的闭环过程，将长视频理解为证据积累与验证。为提升效率，引入多模态多头潜在注意力（M²LA），一种保留完整token流同时压缩KV-cache状态的token保持重参数化。训练阶段包括继续预训练、短到长监督微调、基于规则的强化学习和在线蒸馏。InternVideo3在Video-MME、MLVU、EgoSchema等基准上取得强性能，并实例化为带有检索工具的视频智能体，展现基于证据的鲁棒行为。
09:35
AYi@AYi_AInotes64
Supervision 是开源计算机视觉可视化工具库，安装仅需 pip install supervision，几行代码即可实现持久ID对象跟踪、自定义标签标注、区域计数与越线检测、人体姿态关键点连线、YOLO/COCO/Pascal VOC 数据集格式一键互转。模型无关，支持 YOLO、Transformers 等任意检测模型。已被6500+开源CV项目采用，适用于NBA球员实时跟踪、路口车流量统计、工业缺陷检测等场景。
分享一个计算机视觉开发者必藏神器,4 万星GitHub开源! 不用自己写几百行画框跟踪代码, 一行命令搞定所有可视化, Supervision,CV 界真正的瑞士军刀。 1️⃣ 它到底有多强? 自动画框加标签,支持编号、自定义样式, 视频对...
08:55
meng shao@shao__meng69
Claude Fable 5 通过纯提示驱动，端到端生成 4K Launch 视频。从 17 个 Sony S-Log3 4K take（约 25GB）出发，流程包括：Whisper 逐词转录、Claude 作为子 agent 选片输出 JSON 编辑决策列表 (EDL)、FFmpeg 拼接粗剪、手写 7 个自定义 .cube LUT 颜色分级、通过 Remotion + Figma MCP 将 11 张设计 PNG 转为 React 组件并实现代码↔Figma 往返迭代。最终渲染 3840×2160@24fps、4334 帧、653MB 成品，全程未打开视频编辑器。
Lots of people asked how I used Fable to edit its own launch video so I made a video about that! TLDR it wrote a lot of ...
08:00
HuggingFace Daily Papers（社区热门论文）
42
从参考视频克隆相机运动是视频生成的重要任务。现有方法依赖参数化表示或合成交叉配对数据，难以处理多镜头生成且数据稀缺。OmniDirector将相机参数编码为网格运动视频作为通用表示，支持多镜头轨迹整合。框架在百万级相机网格-视频对上训练，采用多模态扩散Transformer，协调角色、动作和相机。同时设计层级提示扩展智能体，通过理解信号关系系统描述相机运动和视觉内容，集成不同控制信号。实验证明其在复杂相机运动克隆上性能优越、可控性强。
08:00
HuggingFace Daily Papers（社区热门论文）
50
Avatar V 是一个生产级框架，通过视频参考条件建模替代静态图像驱动。模型直接对参考视频的完整 token 序列进行注意力计算，同时重现静态身份和动态行为（如说话节奏、微表情）。核心技术包括线性复杂度的稀疏参考注意力、支持闭环风格迁移的运动表示流、继承全参考条件的身份感知超分精炼器。数据引擎从 5000 万原始视频中筛选出 1 亿以上训练片段，经 flow matching 预训练、个性微调、两阶段蒸馏（>10 倍加速）和 RLHF 对齐等五阶段训练，部署于数千 GPU。可生成无限时长 1080p 视频，在跨场景基准上保持最优的身份保留、唇同步和生成质量，全面超越 Seedance 2.0、Kling O3 Pro、Veo 3.1 和 OmniHuman 1.5。
06:44
jason@jxnlco71
Lots of people asked how I used Fable to edit its own launch video so I made a video about that! TLDR it wrote a lot of ...
06:25
AK@_akhaliq53
06:13
00:02
Kling AI@Kling_ai25
6月10日
22:01
Kling AI@Kling_ai54
2024年6月，创作者开始使用可灵Kling AI。用户反复提出“如果角色更生动”“如果动作更真实”“如果她能说话”等需求。从Kling 1.0到3.0，每次迭代都基于创作者反馈改进。2026年6月，可灵Kling AI全球用户突破1亿。官方在二周年之际向所有创作者致谢。
21:56
HuggingFace Daily Papers（社区热门论文）
68
Next Forcing 提出多块预测（MCP）框架，受大语言模型多 token 预测启发，在主模型上添加轻量级辅助 MCP 模块，同时对多个未来时间步的视频块去噪。50fps 下训练 5k 步时相对 LingBot-VA 提升 93.1%，收敛速度加快 2.3 倍；在 RoboTwin 基准上达 94.1%（Clean）/93.5%（Random）新 SOTA。推理时保留 MCP 模块可实现 2 倍加速。在物理规律基准 PhyWorld 上也有显著提升，通用视频预训练 FVD 降低超 50%。
21:34
AYi@AYi_AInotes68
一位10万粉小红书AIGC博主，不带货、不卖课、不引流私域。拆解7篇赞≥5000爆款：封面5篇零文字靠画面，唯二带大字的为品牌广；7篇中5篇品牌合作（兰蔻、李锦记、华为、脉动），产品嵌入“猫咪meme”“穿进古画当厨子”剧情；选题萌宠拟人化，一条AI跳舞猫获7.9万赞、4.2万藏；标题用强动词如“闯进/穿进/征服”+疑问感叹；开头直说用户心里话或具体场景；全部视频、0图文。详细提示词见原文。
http://x.com/i/article/2064536412670562304
21:16
TechCrunch：AI（RSS）
61
Decart 推出 Oasis 3，一个实时世界模型，能够生成逼真的驾驶环境用于自动驾驶车辆测试，现已通过 API 向开发者开放。
20:27
🚨 AI News | TestingCatalog@testingcatalog63
Hyperframes is now an official @claudeai connector LLM answers are often dense pages of text that go unread we partnered...
19:56
HuggingFace Daily Papers（社区热门论文）
66
自回归视频生成器的历史 KV cache 随视频长度增长。FadeMem 提出距离感知内存合并机制，在固定缓存预算下将历史 KV 块组织成时间层次，利用频率依赖的时间衰减（细粒度细节快速去相关，粗粒度场景结构保持更久）。生成时新历史作为细粒度条目插入，较旧相邻条目按幂律调度逐步合并，形成近密远疏内存。无需改动架构，即可保留近期上下文并为身份与场景连贯性提供紧凑长程锚点。实验表明在主体一致性、背景稳定性和时间连贯性上优于现有有界缓存策略。