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
EdenLive – VAST 推出的实时生成式渲染器，重构世界模型渲染范式
EdenLive 是 VAST 推出的实时生成式渲染器，也是其世界模型项目 Project Eden 的阶段性成果。该工具以 Proxy 简化画面或参考视频为控制信号，结合目标首帧与文本提示词，持续实时生成写实或风格化画面，在单张 RTX 5090 上即可实现 720P、24FPS 以上的输出，端到端延迟仅百毫秒量级。其核心设计在于将世界状态维护与视觉渲染解耦，使视频模型不再承担隐式状态推断，从而...
BlenderWorld – Qwen 开源的 3D 创作 Agent 评测基准
BlenderWorld 是 Qwen 团队联合浙江大学、香港中文大学、复旦大学及新加坡国立大学共同推出的 3D 创作 Agent 评测基准，包含 223 项真实制作任务，用于检验 AI 系统能否根据照片、视频或设计规格，在 Blender 环境中交付可编辑的 3D 工程文件。该基准通过多视角渲染与原生工程结构检查的双轨评审机制，以 2,651 条验收标准综合衡量需求完成度与视觉质量。实测 13 ...
Muse Spark Open – Meta 开源的多模态大模型深度评测
Muse Spark Open是Meta最新开源的多模态大模型，采用稀疏混合专家（MoE）架构，总参数规模达8160亿，单次推理仅激活420亿参数，支持100万Token的超长上下文窗口，能够原生处理文本、图像、视频和音频四种模态的输入。该模型主攻编程与Agent任务，基于MLX框架优化后可在两台M5 Ultra Mac Studio上本地完整运行，将大规模Agent工作流从云端带入桌面端。模型权...
DMAD – 字节联合德州农工开源的扩散模型少步蒸馏技术
DMAD（Distribution Matching as Adversarial Distillation）是由字节跳动与德州农工大学联合开源的少步蒸馏框架，核心目标是显著加速扩散模型的生成过程。该方法通过训练二分类判别器直接学习目标分布与学生分布之间的差异，省去传统蒸馏方法中辅助扩散模型的依赖，在ImageNet-64数据集上实现了FID低至1.04的一步生成效果，并将50步教师模型高效压缩为...
HelixWorld – Noiz AI 联合港科大开源的实时交互世界模型
HelixWorld 是 Noiz AI 与香港科技大学联合开源的实时交互式音视频世界模型，代表了生成式 AI 在空间智能领域的重要进展。该模型以单张静态图片和文字描述为输入，能够生成一个可供用户通过 WASD 键和方向键自由行走、转动视角的沉浸式三维世界，画面与立体空间音效同步实时生成，且声像随视角变化自然转换。基于 LTX-2.3 架构，HelixWorld 采用"双向教师 + 因果蒸馏"训练...
Matrix-Game 4.0评测：昆仑万维让视频大模型游戏首次跑上消费级显卡
Matrix-Game 4.0是昆仑万维推出的全球首款可在单张消费级显卡上实时运行的开源视频大模型游戏。该系统采用创新的"Harness"架构范式，将视频生成模型与游戏引擎、Coding Agent深度耦合——游戏引擎作为裁判负责维护世界状态与规则，Coding Agent用自然语言改写玩法逻辑，视频模型则作为画师实时渲染精细画面。在单张NVIDIA RTX 5090显卡上，Matrix-Game...
ArtCraft 深度评测：开源AI图像视频创作工作台，以“可控性前置”重塑创作流程
ArtCraft 是一款开源的 AI 图像与视频创作工作台，其核心设计理念是将“可控性前置”，即在生成最终画面之前，通过三维空间布局、角色摆姿和场景搭建等手段，彻底解决传统 AI 绘画工具“出图不可控、角色场景不一致”的行业痛点。它允许创作者将虚拟演员固定于真实环境照片中，无论镜头如何调度，人物位置始终保持一致；同时支持在 3D 空间内拼贴素材、使用 3D 人偶精确控制姿势与机位。此外，ArtCr...
MiniCPM-V 4.7 评测：端侧 MoE 多模态大模型的开源里程碑
MiniCPM-V 4.7 是面壁智能联合 OpenBMB 社区开源的端侧多模态大模型系列，包含 35B-A3B（MoE 架构）与 1B 两个版本。旗舰版 35B-A3B 是全球首个可在手机端无损流畅运行的开源 MoE 多模态模型，通过前瞻专家调度（LES）技术，仅需约 3GB 内存即可在 iPhone 上实现 13+ tokens/s 的实时生成速度，并在 34 项权威基准测试中全面领先同档位模...
HeyGen Voice – HeyGen 推出的自研语音模型
HeyGen Voice是AI数字人公司HeyGen于2026年10月9日推出的自研语音模型，在Artificial Analysis TTS榜单Controlled Voice子榜中登顶。该模型能够保留用户本人声音的语气、重音、情感和节奏，让数字人演绎脚本时不再有明显朗读感。HeyGen Voice与Avatar V共用同一端到端技术栈，在HeyGen平台和API中免费开放，为高质量数字人配音提...
PixelUMM深度评测：NVIDIA与滑铁卢大学联合打造的无编码器统一多模态模型
PixelUMM是NVIDIA与滑铁卢大学联合推出的无编码器统一多模态模型，其核心创新在于彻底移除传统多模态系统中的VAE和视觉编码器，构建了一个纯粹的Decoder-only Transformer架构，直接在原始像素空间读写图像与视频。该模型将图像按16×16 patch、视频按4帧tubelet切分，理解和生成任务共享同一解码器与自注意力机制，实现了端到端的像素级信息处理，代码已全面开源。
