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
EgoSuite-Open100K – 光轮智能开源的全模态人类行为数据集
EgoSuite-Open100K是光轮智能推出的全球首个10万小时级全模态人类行为开源数据集，面向物理AI与具身智能领域。数据集包含15,000+真实场景的第一人称视频，覆盖家居、工业等7大类环境，采用头部与腕部双视角同步采集，配备手部21关节位姿、身体姿态及事件语义三层精细标注。数据已在Hugging Face和AtomGit平台免费开放，学术研究与商业训练均可直接使用，旨在解决机器人训练中高...
PixVerse R2 – 爱诗科技推出的实时全模态世界模型
PixVerse R2是爱诗科技推出的实时全模态世界模型，为PixVerse R1的升级版本。模型支持文字、图像、音频及动作信号等多模态输入，能在运行中持续接收用户控制、实时更新世界状态并连续输出同步音视频。基于Omni Causal AR架构与实时加速技术，PixVerse R2在保持长程一致性的同时实现低延迟交互，让视频生成从固定片段进化为可持续演化的动态世界。
OpenStory：开源AI视频制作平台，一键生成风格统一的短剧视频
OpenStory是一款开源的AI视频制作平台，专注于将剧本一键转化为风格统一的短剧视频。平台能够自动拆分场景、设计镜头、分析情绪氛围，并调用Fal.ai等成熟模型生成图片、视频与音频，同时确保角色外貌、场景布局和视觉风格跨镜头保持一致。OpenStory支持团队协作与素材共享，采用MIT协议完全开源，为独立创作者和内容团队提供了一条从剧本到成片的标准化生产流水线。
CoinVE-200K – 腾讯开源的大规模组合指令视频编辑数据集
CoinVE-200K是由腾讯视频智创团队开源的大规模组合指令视频编辑数据集，包含20万组1080p高清视频编辑样本对，每组样本携带2-5条原子编辑指令，覆盖添加、移除、修改、风格化等操作类型，视频最长可达201帧。项目同步开源了22B参数的CoinVE-Edit编辑模型与CoinVE-Bench评测基准，构建了从数据、模型到评测标准的完整闭环，填补了组合指令视频编辑领域在数据、模型与评测标准上的...
HarnessEval – MirroS 联合清北、英伟达等推出的评测系统
HarnessEval 是由 MirroS 联合清华大学、北京大学、加州大学伯克利分校、麻省理工学院及英伟达等顶尖机构推出的 Agentic 评测系统。该系统将评测过程本身智能体化，针对每个案例动态规划评测路径，从 Skill Library 中选择适用技能，将抽象问题拆解为可验证的子问题，调用工具搜集多维度证据，最终输出结构化的 Evidence Tree。HarnessEval 突破了传统静态...
Mage – 微软开源的 4B 参数多模态模型家族
Mage是微软开源的4B参数多模态模型家族，由流式视频/图像理解模型Mage-VL与图像生成与编辑模型Mage-Flow组成。通过Codec-Native编码将视觉Token减少75%，推理提速3.5倍，支持实时视频理解；Mage-Flow支持原生分辨率生成与指令编辑，Turbo版4步采样，A100单卡0.6秒出图。该模型家族在4B参数规模下实现了生成与理解能力的统一，降低了多模态AI的部署门槛。
HiDream-O1-World – 智象未来推出的全模态交互式世界模型
HiDream-O1-World是由智象未来（HiDream.ai）推出的原生全模态交互式世界模型，基于自研UiT架构打造。该模型支持文本、图像、交互操控等多模态输入，具备漫游、编辑、交互三大核心能力，能够一键生成时空一致、符合物理规律、可长时推演的完整世界。其核心突破在于“3D先验注入Memory上下文+Test-Time Training在线适应”的协同设计，有效解决了长时交互中的物体漂移、场...
Qwen3.8-27B – 阿里千问团队开源的一代 AI 大模型
Qwen3.8-27B是阿里千问团队开源的新一代大模型，采用270亿参数的原生多模态稠密架构，支持262K原生上下文并通过YaRN技术可扩展至1M Tokens，量化后可在消费级显卡上流畅部署。模型新增reasoning_effort机制，按任务难度动态调节思考深度，在编程与Agent能力上表现突出：SWE-bench Pro达61.7分，OSWorld电脑操作基准84.3分，均超越上代Qwen3...
LTX-2.5 – LTX 开源的 AI 视频生成基础模型
LTX-2.5是由以色列AI公司Lightricks开源的一款专业级AI视频生成基础模型，拥有220亿参数，发布即开放完整模型权重。该模型在架构上实现了多项创新，支持原生多镜头连续生成、4K HDR及RAW/EXR无损格式输出，并可同步生成匹配的音频轨道。通过精确视频编辑与多种参考控制模式（Canny边缘、Depth深度、Pose姿态），LTX-2.5在叙事连贯性和创作可控性上取得显著突破，为影视...
LTX-2.5 – Lightricks 开源的 AI 视频生成基础模型
LTX-2.5是由以色列公司Lightricks开源的专业级AI视频生成基础模型，拥有22B参数，发布即开放模型权重。该模型支持原生多镜头生成、4K HDR与RAW/EXR无损专业工作流，可同步生成音频，并具备精确视频编辑能力。在闭源模型日益高价化的当下，LTX-2.5以开放生态策略为AI视频领域提供了专业级的开源替代方案，覆盖从影视后期到物理AI的多层次应用场景。
