AI 模型库：大模型、Agent 与开发工具
收录并解读主流 AI 模型、Agent 与开发工具的能力、场景与选型对比。
标签：视频AI
共 117 篇文章 · 清除标签
GO-3 Preview：智元机器人全链路规模化学习的具身智能模型深度评测
GO-3 Preview是智元机器人推出的具身智能模型，其核心特色在于实现了从预训练、后训练到部署后的全链路规模化学习闭环。该模型采用WRAM架构，从人类第一视角视频中学习物理世界操作技能；通过Genie Evolver融合真机、仿真与世界模型进行虚实混合后训练；并在部署后借助Genie Master实现持续自我进化。GO-3 Preview已在RoboDojo、RoboTwin、RoboColi...
Genie 4 – Google DeepMind 推出的一代世界模型
Genie 4是Google DeepMind推出的新一代世界模型，能够实时生成可自由探索的虚拟世界。用户通过键盘操控角色移动，通过文字提示实时修改天气、添加人物或物体，并与虚拟角色进行交互对话。该模型首次支持原生音频与交互式对话能力，融合Gemini家族的多项技术——Gemini负责推理规划，Genie负责环境渲染，形成完整的智能体闭环。Genie 4可应用于机器人训练、影视预演、游戏原型验证及...
WorldSonus：港科大联合上海交大开源的实时流式视频配音框架深度评测
WorldSonus是由香港科技大学联合 Noiz AI、MetaX 及上海交通大学共同开源的流式视频配音框架，核心定位在于实现“视频流边生成、音频边输出”的实时交互式配音能力。该框架以 100ms 为一块进行增量生成，单块计算耗时仅 41.2ms，可持续输出 48kHz 立体声音频，显存占用恒定，支持无限时长跟流。有别于传统的离线双向配音模型，WorldSonus 采用因果 AR-Diffusi...
Voyager – 开源的桌面创作 Agent，覆盖完整制作流程
Voyager 是 Nullframe 推出的开源桌面创作 Agent，旨在通过自然语言交互将 AI 能力直接嵌入创作者现有的专业软件工作流中。与云端 AI 创作平台不同，Voyager 能够在本地直接调用 Photoshop、Premiere、After Effects、DaVinci Resolve、Blender 等专业软件，同时内置设计、视频和音频生成工具，覆盖从素材生成、剪辑、动效到配音...
GPT-6.1 Terra – OpenAI 推出的高效执行型大模型深度评测
GPT-6.1 Terra是OpenAI推出的高效执行型大模型，面向办公自动化与高频Agent任务场景，重点强化视觉理解、电脑操作、事实准确性与编程能力。该模型能够阅读技术图纸、处理发票、填写表格、编辑视频并操作桌面软件，标准API价格较上一代降低50%，任务执行速度与成本效益均实现显著优化。GPT-6.1 Terra已接入ChatGPT Work和Codex平台，定位为大规模处理日常工作的低成本...
DuoMatching – 港中文联合字节开源的视频生成蒸馏框架
DuoMatching是由香港中文大学MMLab与字节跳动联合研发的少步视频生成蒸馏框架，其核心目标在于解决少步扩散模型在降低采样步数时面临的单帧画质退化与语义漂移问题。该框架通过解耦视频生成过程中的时序一致性与单帧质量优化两大任务，引入冻结的图像模型作为帧级监督信号，并借助LatentBridge模块实现视频与图像潜空间之间的高效映射，在保持视频跨帧运动连贯性的同时显著提升细节还原度与提示词遵循...
Seedance 2.5 4K评测：火山引擎以4K与10-bit色深切入影视级视频生成赛道
Seedance 2.5 4K是火山引擎在Seedance 2.5基座模型之上推出的高端视频生成版本，核心定位为面向影视制作与商业广告领域的专业级工具。该模型将输出分辨率提升至4K（约3840×2160像素），并支持10-bit色深（约10.7亿色），在画面细节、纹理保真与色彩层次上直接对标大荧幕放映标准。通过针对性的专项训练，模型在人物微表情、细微动作与文戏表演层次上实现了显著增强，同时强化了参...
Hy-Nomas – 腾讯混元团队开源的交互式视频世界生成模型
Hy-Nomas是腾讯混元团队开源的交互式视频世界生成模型，采用分段自回归方式生成视频，支持在每段之间自由切换文本提示或相机轨迹控制，并通过lifelong KV cache保持长程一致性。该模型已开源代码与权重，提供蒸馏版和INT8量化版，经优化后单张RTX 4090即可完成本地推理，大幅降低了视频世界模型的使用门槛，为研究者、开发者和创作者提供了可定制、可控、可交互的视频生成解决方案。
BaoCut – 开源 AI 视频 Agent 工具，支持跨语言配音
BaoCut 是由宝玉（JimLiu）开源的一款 AI 视频 Agent 工具，核心定位是将"可编辑时间线"作为中间态，让人类创作者与 AI Agent 在同一编辑器内协作完成视频的转写、翻译、配音、口播剪辑与动效生成。其最显著的技术特征是"局部修改不重渲"——当用户修改某一句字幕或更换某个镜头时，系统仅重新处理受影响的片段，而非整条视频重新渲染。BaoCut 支持接入 Claude Code、C...
FLUX 3 Max – fal 与 Black Forest Labs 推出的视频生成模型深度评测
FLUX 3 Max 是由 fal Research 与 Black Forest Labs 联合推出的后训练视频生成模型，基于 BFL 自研的 FLUX 3 多模态基础模型，支持文生视频、图生视频与关键帧插值三种工作流，可生成 5–20 秒、最高 1080p 分辨率且自带原生音频的视频内容。该模型主打极致推理速度与成本效率，10 秒成片约 12 秒完成生成，官方宣称在同画质条件下比 Seedan...
