AI 模型库：大模型、Agent 与开发工具

Qwen3.8-Omni-Flash – 阿里千问推出的原生全模态模型

Qwen3.8-Omni-Flash是阿里千问推出的原生全模态模型，在单一架构内联合建模文本、图像、音频与视频四种模态，支持1M token超长上下文，使数小时音视频内容得以原生输入而无需分段处理。该模型以“从理解到交付”为核心设计理念，不仅具备跨模态理解能力，更可通过内置Agent能力自主完成视频剪辑、MV创作、短剧翻译、电影解说、会议纪要执行等端到端工作流。相比上代模型平均能力提升超过25%，...

Hypit – 开源的 AI 视频生成工具，自动复刻爆款视频

Hypit 是一款开源的 AI 视频生成工具，以“给 Agent 一条爆款视频，自动复刻完整工作流”为核心方法论，将爆款视频拆解为结构化的 .svml 文件，实现改一句文本、音画字幕自动同步调整的文本驱动编辑能力。工具支持全片克隆、换主播、换内容、换语言，单条命令可批量产出上百个视频变体，并可在 Claude Code、Codex、豆包等编码 Agent 中直接调用，为短视频创作者提供了从克隆、编...

Vidu S2 – 生数科技推出的实时交互与编辑视频模型

Vidu S2是生数科技推出的实时视频生成与编辑模型，发布即开放体验。该模型包含两大核心组件：S2-Editing支持对正在播放的视频流实时修改风格、进行虚拟换装、更换角色与背景，依赖帧对齐稀疏注意力技术确保高速运动场景下画面不穿帮；S2-Avatar以720P、25-42FPS的规格实现数字人实时互动，支持随时插入参考图与换装操作，并具备全身动作跟随能力。模型引入独创的SRF训练技术以解决长时生...

LingBot-World 2.0 – 蚂蚁灵波科技开源的实时交互世界模型

LingBot-World 2.0是由蚂蚁集团灵波科技（Robbyant）开源的实时交互世界模型，其核心突破在于将视频生成从"单向观看"推进到"实时游玩"的交互范式。该模型支持移动、攻击、施法、跳跃等多样化角色操作，并能响应文本驱动的雨雪等环境事件，可在高配置硬件下实现720P/60FPS的实时画面输出与亚秒级交互延迟。同时，模型具备小时级连续生成不漂移的长期一致性能力，已开源14B及1.3B S...

Kimi K2.8 Preview 评测：月之暗面新一代主力模型深度解析

EchoWM – 京东开源的交互式视听世界模型

EchoWM是京东探索研究院开源的交互式视听世界模型，延续JoyAI-Echo的原生音视频生成能力，让用户以第一/第三人称视角在AI生成的世界中实时移动探索，画面、空间关系与环境音、语音持续同步且长时间不跑偏。模型采用统一相机意图接口与世界数据引擎训练，WBench导航评测平均分81.7位列第一。

VDN-MiniMax-H3 — OpenVDN 开源的高效视频生成加速方案

VDN-MiniMax-H3是OpenVDN团队开源的视频生成加速方案，基于MiniMax-H3模型进行架构改造与深度优化。该方案通过混合注意力架构将视频注意力拆分为局部滑动窗口Softmax分支与远距离线性注意力分支，并采用DMD2蒸馏技术将去噪步数从50步压缩至8步。在8张NVIDIA B200 GPU上，模型仅需11.23秒即可生成约14.4秒768p分辨率视频，画质与原始50步Dense ...

ffmpeg-skill：让编程 Agent 获得专业本地视频剪辑能力的开源工具包

ffmpeg-skill 是面向编程 Agent（如 Claude Code、Cursor、Codex）的开源 Agent Skill，其核心价值在于让 AI 能够像专业剪辑师一样调用本地 FFmpeg 完成视频处理任务。该工具内置 28 个结构化工具，覆盖视频探测、剪切、拼接、字幕、调色、响度标准化、多机位切换、批量导出等完整处理链路，并遵循"探测→编辑→检查→验证"的固定工作流。ffmpeg-...

Ling-3.0-flash-VL – 蚂蚁开源的原生多模态大模型

Ling-3.0-flash-VL 是蚂蚁集团 InclusionAI 百灵系列首个开源的原生多模态大模型，基于 Ling-3.0-flash 的 MoE 架构拓展而来，总参数量达 124B，但单次推理仅激活 5.5B 参数，原生支持图文与视频输入，上下文窗口扩展至 256K Token。该模型并非简单的文本模型加视觉模块，而是从架构层面将视觉、文本与视频在同一训练过程中联合优化，使模型具备边观察...

H3-World – 腾讯联合高校等开源的动作可控世界模型

H3-World是腾讯联合新加坡国立大学、香港理工大学推出的动作可控世界模型，基于33B参数的MiniMax-H3视频生成器进行轻量微调。该模型创新性地将键盘操作翻译为英文指令，通过复用预训练文本通路注入模型，并借助时间注意力路由将每条指令精确绑定到对应视频帧，实现动作与画面演进的时间对齐控制。仅使用8000条游戏视频和rank-32 LoRA微调0.199%的参数，H3-World即可让模型按实...