Reka AI 发布全模态模型 Rho-1，单模型处理文本图像视频与机器人控制

Reka AI 发布全模态模型 Rho-1 的研究预览版，这是一个 190 亿参数的模型，可在单一神经网络中处理并生成文本、图像、视频和机器人控制动作。与多数将任务分派给专用模型的系统不同，Rho-1 把所有模态作为 token 放在同一个共享上下文窗口中运行，无需工具调用或外部模型，可实时生成连续视频并即时响应新指令而无需重启。

Tavus 发布实时对话模型 Griffin，48% 测试者误认为真人

Tavus 推出名为 Griffin 的 Human Interaction Model，可在实时视频通话中同时接收和生成语音、面部表情、语气、手势与停顿。

Qwen 发布原生全模态模型 Qwen3.8-Omni-Flash，主打音视频智能体任务交付

Qwen 发布下一代原生全模态模型 Qwen3.8-Omni-Flash，支持文本、图像、音频和视频输入及 1M token 上下文窗口，29 项评测平均分较 Qwen3.5-Omni-Plus 提升超过 25%，音频输入每小时价格下降超过 98%，音视频输入每小时价格下降超过 93%。

🚨 AI News | TestingCatalog@testingcatalogAI 评分5555

Creatify Labs 发布面向视频广告的文生视频与图生视频模型 Boreal，定价每秒 $0.01，已向所有 Creatify 用户开放。模型基于开源权重的 LTX-2.5 后训练，训练语料包括真实广告素材、创作者风格 UGC 和客户制作需求；官方称在 40 多个制作案例的盲测人评中，后训练使 Boreal 对基座模型的胜率达 81%，并称其比 Seedance 2.5 最多便宜 47 倍。

ViggleAI@ViggleAIAI 评分5151

Viggle AI 发布视频模型 Meridian，可对已有视频更改相机角度和时序，例如换新角度跟随动作、放慢速度，或冻结画面同时保持相机移动。权重已在 https://huggingface.co/Viggle/Meridian 开放。

生数科技发布 Vidu S2：含 Avatar 与 Editing 双模型，探索空间视频

生数科技正式发布 Vidu S2，包含面向数字角色实时交互的 Vidu S2-Avatar 和面向视频流实时编辑的 Vidu S2-Editing，并探索面向 VR 头显的实时空间视频生成与编辑。

Zing-0.5 发布 5B 实时联合动作与文本控制世界模型

Zing-0.5 是一个 5B 自回归世界模型，支持键盘与文本联合控制，让用户在生成世界中导航并影响事件。技术要点包括统一动作与文本条件、事件级分布匹配蒸馏，以及四步生成加流式推理，在 832x480 分辨率下以 24 FPS 运行，估计服务器成本约每流分钟 0.009 美元；在 158 个 WBench Navigation 用例上取得总分 81.0 和一致性 88.5。

MiniMax (official)@MiniMax_AIAI 评分6262

MiniMax 盘点其开源视频生成模型 H3（支持原生立体声音频和多模态参考控制）的社区优化成果，并附生态汇总仓库 https://github.com/MiniMax-AI/awesome-minimax-h3-integration。

MiniMax (official)@MiniMax_AIAI 评分6161

MiniMax 盘点其开源视频生成模型 MiniMax H3 的社区生态进展，该模型支持原生立体声音频和多模态参考控制。

Vidu S2 发布：实时交互、可编辑的空间视频生成

Vidu 团队发布 Vidu S2，包含实时交互数字人模型 Vidu S2-Avatar 和实时视频编辑模型 Vidu S2-Editing，并探索了二者的实时空间视频生成。

elvis@omarsar0AI 评分6161

Robbyant 开源 LingBot-World 2.0 Small，一个 1.3B 世界模型，可在单张消费级 GPU 上实时生成交互式世界。此次共开源 3 个模型，包括 1.3B Small、Bidirectional 和 Causal Pretrain；完整配置可扩展到 720p/60fps。作者评论称这与语言和图像模型类似，先放大能力再蒸馏到用户自有硬件。

Robbyant@robbyant_brainAI 评分6363

Robbyant 蚂蚁灵波开源实时交互世界模型 LingBot-World 2.0，完整设置下可达 720p/60fps，支持持续数小时的交互世界，可响应攻击、施法、射击、召唤风暴等操作，并通过 AI 智能体持续演化。

elvis@omarsar0AI 评分5959

@ltx_io 发布开放权重视频世界模型 LTX-2.5，支持本地部署和微调，前代 LTX 已达 18M 下载。新版本改进生成与编辑：新解码器提升人脸清晰度、文字招牌可读性和快速运动表现，原生 Multishot 在镜头间保持角色、环境、光照与语音一致，IC-LoRA 支持对象移除、连贯性修复和环境更换，更强的蒸馏模型把更多质量带入本地 GPU。

MiniMax (official)@MiniMax_AIAI 评分6464

NVIDIA Sol 团队与 MiniMax 合作发布 Sol-H3 端到端推理加速栈，在 8× NVIDIA B300 Blackwell 上生成 5 秒 1344×768 立体声视频仅需 1.653 秒，相比 50 步 Base H3 最高提速 15.54×，且在 1×、4×、8× B300 上均可扩展。

ViggleAI@ViggleAIAI 评分3333

@t_mux 受 The World Labs 发布的 Atlas 启发，展示了一个可将已有视频从不存在的新相机视角重新拍摄的视频模型，演示了从单段视频围绕猫做冻结时间环绕拍摄。作者称模型仍处于早期粗糙阶段，但权重和代码即将开源，ViggleAI 转发并预告开源消息，同时征集想重拍的视频。

ViggleAI@ViggleAIAI 评分5757

Viggle 发布首个开放权重模型 Viggle-Animate，基于 MiniMax-H3 构建，可从一帧重绘帧替换视频中的人物，渲染时无需姿势骨架、遮罩或文本提示。模型经 3 次前向传播可在 26 秒内生成 5 秒视频，已在 Hugging Face 开放（https://huggingface.co/viggle/viggle-animate）。

Runway@runwaymlAI 评分6363

Runway 公布通用世界模型 GWM Worlds 2 的新研究，可生成 720p、24 fps 连续视频并配 48000 Hz 音频的交互式实时模拟。用户可定义环境、主体、视觉风格、物理规则和氛围，用文本动作和连续镜头运动控制世界，会话没有预设长度，不遵循固定片段或脚本。

Dongxi 东锡 NLP@dongxi_nlpAI 评分5757

Video Delta Net (VDN) 发布，采用混合注意力实现近无损质量的实时文本生成视频，称开源视频生成速度已超过播放速度。VDN 将 Minimax-H3 加速 75-90 倍，在 8× NVIDIA B200 GPU 上 11 秒生成 14 秒 768p 视频，并开源 checkpoint、训练/推理代码和技术博客。

李飞飞 World Labs 发布多模态世界模型 Atlas，支持像素级相机控制生成 1440p 视频

李飞飞创办的 World Labs 发布多模态世界模型 Atlas，称其能以像素级精确相机控制生成图像和视频帧，并在 3D 中重建。Atlas 可输出最长 1 分钟的 1440p 视频，从一至数十张图像进行空间重建，支持时空模拟和文本生成图像与 360 度全景，部分合作伙伴已获抢先体验，未来几周内开放早期访问。

World Labs 发布世界模型 Atlas：面向空间智能的多模态自回归扩散 Transformer

World Labs 发布新一代世界模型 Atlas，从零预训练，原生处理文本、图像、视频和 3D，架构为多模态自回归扩散 Transformer，输入以 3D 姿态形成空间上下文。模型支持相机控制生成（最长 1 分钟 1440p 视频）、稀疏视图 3D 重建、时空仿真和图像生成，在相机控制生成与 3D 重建任务上优于更专用的模型；现已开放早期访问申请，未来将驱动 Marble 等产品。

Fei-Fei Li@drfeifeiAI 评分5757

World Labs 发布从零训练的多模态世界模型 Atlas。模型可生成具有像素级相机控制能力的图像和视频帧，从单张输入图像重建大型场景，通过重帧视频模拟时空，并从一张或多张输入图像原生输出 3D 空间，还能将多张带位姿的图像合成一致的三维世界。作者称其为迄今最好的相机条件世界模型，可能应用于 VFX 到机器人等多个方向。

World Labs@theworldlabsAI 评分4848

推出 Atlas： 全球首个多模态世界模型，可生成图像和视频帧，具备像素级精准的相机控制，并在 3D 中重建它们。 建模世界，移动相机，模拟空间与时间。

Rohan Paul@rohanpaul_aiAI 评分5757

Visko 发布首个 Live Model「Orbis 1.0」，一个实时、可引导的视频生成模型，可实时流式生成持续进行的世界，具备持久记忆、交互性和基于物理的无限长度生成。

Google DeepMind 发布 Gemini Omni 1.1 Flash

Google DeepMind 发布 Gemini Omni 1.1 Flash，为开发者带来场景延长、首尾帧插值、360p 快速草稿和最高 4K 放大等生成视频控制能力。

Google DeepMind 发布 Nano Banana 2 Lite 与 Gemini Omni Flash

Google DeepMind 发布 Nano Banana 2 Lite 和 Gemini Omni Flash 两款模型。

Google DeepMind 发布 Gemini Omni Flash，支持对话式视频编辑

Google DeepMind 发布 Omni 家族首个模型 Gemini Omni Flash，可组合图像、音频、视频和文本输入生成高质量视频，并通过自然语言多轮编辑视频。