AI Model Library: LLMs, Agents & Dev Tools
Curated reviews of mainstream AI models, agents, and dev tools — capabilities, use cases, and how they compare.
Tag: Video AI
117 article(s) found · Clear tag
Xiaomi Auto World Model – 小米推出的辅助驾驶世界模型
小米汽车推出的辅助驾驶世界模型（Xiaomi Auto World Model）首次将三维重建（WorldRec）与视频生成（WorldGen）深度耦合，构建起一套完整的驾驶场景理解与模拟体系。该模型通过稀疏3D锚点实现10秒视频的10秒快速重建，并采用两阶段训练与ODE蒸馏技术将视频生成去噪步数压缩至4步，达到0.19秒/帧的生成速度，支持最长1分钟连续视频生成。在Waymo数据集上重建精度PS...
LongCat-Video-Avatar 1.5 – 美团开源的数字人视频生成模型
LongCat-Video-Avatar 1.5 是美团 LongCat 团队开源的音频驱动数字人视频生成框架，基于 13.6B 参数的基础视频生成模型 LongCat-Video 构建，通过将音频编码器从 Wav2Vec2 升级为 Whisper-Large-v3 实现口型同步精度质的飞跃，并采用 Step Distillation 技术将推理步数压缩至 8 步，支持 480P/720P 分辨率...
Lance – 字节跳动开源的轻量级原生统一多模态模型
Lance是字节跳动智能创作团队开源的一款轻量级原生统一多模态模型，仅需3B激活参数即可在单一框架内同时支持图像与视频的理解、生成与编辑全链路任务。该模型采用分阶段多任务方案从零训练，整个训练周期仅消耗128张A100 GPU，显著降低了大规模多模态模型的研发门槛。在GenEval、VBench等多项权威基准测试中，Lance的表现优于或持平于参数量数倍于己的开源模型，并遵循Apache-2.0开...
Violin – 牛津大学 Kevin Lin 开源的端到端 AI 视频翻译工具
Violin 是由牛津大学博士后研究员 Kevin Lin 主导开发的开源端到端 AI 视频翻译工具，旨在打破高质量视频内容的语言壁垒。该项目巧妙整合了 OpenAI Whisper 语音识别、大语言模型（LLM）驱动的智能翻译以及 TTS 语音合成三大核心技术，能够将任意语言的视频自动翻译并配音为 33 种目标语言，且输出音频与原始画面口型节奏高度对齐。Violin 采用 MIT 开源协议，支持...
MiniCPM-V 4.6 – OpenBMB 开源的端侧多模态大模型
MiniCPM-V 4.6 是由面壁智能（OpenBMB）推出的端侧多模态大模型，其语言模型（LLM）参数量仅为 1.3B，专为移动设备本地部署深度优化。该模型基于 llama.cpp 推理框架实现，全面支持 iOS、Android 及 HarmonyOS NEXT 三大移动操作系统，能够在完全离线状态下运行。模型整体体积约 1.6GB（Q4_K_M 量化），最低仅需 6GB 内存即可流畅运行，在...
OpenMontage – 开源 AI Agentic 视频制作系统
OpenMontage是全球首个开源的Agentic视频制作系统，由AI编程助手自主编排完成从概念到成片的完整视频制作流程。该系统整合了12条生产流水线、52个专业工具和400余项Agent技能，支持零API Key免费启动，可调用Kling、Runway等商业模型，将静态图片或真实影像素材转化为带叙事逻辑的专业视频。作为一款以自然语言驱动的全链路视频创作平台，OpenMontage旨在打破传统视...
Xiaomi OneVL – 小米具身智能团队开源的自动驾驶大模型
Xiaomi OneVL是小米具身智能团队推出的开源自动驾驶大模型，在业内首次将VLA（视觉-语言-动作）、世界模型与潜空间推理三大技术路线统一于单一框架。该模型通过双辅助解码器监督紧凑潜变量的训练方式，实现了“思考速度与不思考一样快，效果比思考更好”的突破性性能。在车端推理延迟仅0.24秒（4.16Hz）的条件下，Xiaomi OneVL在NAVSIM、ROADWork、Impromptu、Al...
Subscribe to AI Model Reviews
Get in-depth reviews the moment a new AI model drops. Know its capabilities and use cases.
We never share your email. Unsubscribe anytime.