视频生成

这张生成的图像能检测吗

（论文速读）CogVideoX：用 3D Causal VAE 与 Expert Transformer 生成长时、高动态视频论文题目： CogVideoX: Text-to-Video Diffusion Models with An Expert Transformer 中文翻译： CogVideoX：基于专家 Transformer 的文本到视频扩散模型会议： ICLR 2025

【arXiv 2026】ABot-PhysWorld 论文解读：物理对齐的交互式世界基础模型｜从视频生成物理AI评测视角本文解读 arXiv 2026 论文《ABot-PhysWorld: Interactive World Foundation Model for Robotic Manipulation with Physics Alignment》。该论文提出 ABot-PhysWorld 物理对齐交互式世界模型，通过融合物理感知数据管护、解耦判别器 Diffusion-DPO 对齐与零初始化动作注入，让 14B Diffusion Transformer 生成物理可信、动作可控的机器人操纵视频，其特别之处在于用"出

这张生成的图像能检测吗

（论文速读）DISCA：利用与蒸馏兼容的可学习特征缓存加速视频扩散转换器论文题目：DisCa: Accelerating Video Diffusion Transformers with Distillation-Compatible Learnable Feature Caching（DISCA：利用与蒸馏兼容的可学习特征缓存加速视频扩散转换器）

5 秒视频 1.65 秒生成：英伟达开源的这套推理栈，把「实时视频生成」钉进了现实💡 一句话总结：NVIDIA Research 开源了 Sol-H3——针对 MiniMax-H3 视频模型的端到端推理加速栈，单台 8 卡 B300 上 5 秒带立体声的 1344×768 视频只要 1.653 秒生成，比播放还快。加速是「少步采样 + 免训练注意力稀疏 + 一整套系统优化」三层叠加，代码全开源；「边生成边看」从 PPT 叙事变成了可复现的工程事实。

用 Ace Data Cloud 接入 Kling Motion：让 AI 视频生成从“好看”走向“可控”在短视频、产品演示、游戏角色展示、广告创意快速迭代越来越依赖 AI 的今天，单纯“文生视频”已经不够了。很多真实业务场景更关心的是：画面里的主体能不能按照我指定的方向动？角色动作能不能更可控？一张静态参考图能不能快速变成可用于 Demo 或营销素材的视频片段？

HyperAI超神经

MiniMax H3 突破视频生成边界，音画内容一体生成；Ornith-1.5-35B-A3B 探索推理模型自进化训练新模式MiniMax H3 是 MiniMax 推出的通用全模态生成模型，让模型从「理解内容」进一步走向「统一生成」。它能够同时处理文本、图片、视频和音频等复杂输入，并根据多模态上下文直接生成视频，最高支持 2K 分辨率、24 FPS 和 15 秒时长。与传统视频生成模型侧重单一任务不同，H3 将文生视频、图生视频、参考生视频和视频编辑等能力统一在同一模型中，并采用音画联合生成机制，一次性生成画面、语音、音效与音乐。在实际应用中，模型还强化了复杂指令遵循、画面文字与品牌 Logo 渲染、视频运动迁移等能力，为广

用 Ace Data Cloud 快速接入 MiniMax H3：把 AI 视频生成能力变成可调用的生产力过去一年，AI 视频生成已经从“新鲜 demo”进入到真正能服务业务的阶段：品牌短片、产品广告、短剧预告、社媒素材、电商种草视频，都开始需要更稳定、更可控、更容易集成的生成能力。

27届大模型面试准备（四十四）：生成式世界模型与视频生成——从 JEPA 到 Sora/GenieA40 讲了多模态大模型怎么把视觉编码器、投影器、图文对齐训在一起；A31 讲了多模态推理与视觉思维链。本篇再往前走一步，进入世界模型（World Model）——不只是"看懂一张图、答好一道题"，而是让模型内部建模世界的动态规律：给定当前状态与一个动作/条件，能预测下一刻会发生什么。这是视频生成、具身智能、自动驾驶的共同底层，也是 2024–2026 最热的研究前沿。面试里能把它和"多模态理解"区分开，并讲清 JEPA、Dreamer、Sora、Genie 各自的范式，是拉开差距的关键。

MiniMax开源5款大模型全链路，从文本到视频生成全覆盖2026年8月11日，MiniMax的开源版图上又多了一颗棋子。截至这一天，这家公司已经开源了5款大模型产品。从文本到视频，从推理到生成，从单模态到多模态，五款模型连成一条清晰的进化线：底座、推理、多模态、生成。

Veo 提示词工程与创意工作流做视频生成这两年，我最大的体会是：模型能力的上限，往往被提示词的下限锁死。同样一段"咖啡馆里一个人在煮咖啡"，有人跑出来是广告大片，有人跑出来是模糊抖动的三秒切片。差别不在模型，而在你怎么"说"。这篇文章就聊 Veo 这类文生视频模型的提示词工程（Prompt Engineering），以及一套可复用的创意工作流。

【arXiv 2025】音频驱动电影级视频生成 —— Wan-S2V 论文解读｜从AI数字人内容创作视角本文解读 arXiv 2025 论文《Wan-S2V: Audio-Driven Cinematic Video Generation》。该论文提出Wan-S2V 音频驱动电影级视频生成模型，通过融合文本全局运动控制（运镜、轨迹、交互）、音频局部细节驱动（表情、唇形、手势）与Wan 2.1 视频生成基座，把音频驱动人像生成从简单的 talking head 推进到影视级复杂场景。其特别之处在于全参数微调保持文本控制力，并用 FramePack 压缩运动帧 token 实现长视频一致。实验表明 EMTD 基

敲代码的小霖

Agent驱动的图片生成、视频生成、无限画布项目release v0.1.3 版本已发布修复和优化： 1、修复主 Agent 生成任务的用户原始提示词校验与回填逻辑，避免模型改写提示词导致计划校验失败； 2、修复 AI 图片接口以 Data URL 返回时的图片解析、保存及日志脱敏兼容问题； 3、优化模型渠道配置展示，新建渠道置顶、默认折叠渠道列表，并按创建时间倒序读取； 4、补充中英文 README、本地源码开发说明及 FFmpeg 容器依赖，完善模型与部署文档。

【arXiv 2025】开源视频生成大模型 Wan 2.1｜从视频生成开源基座视角本文解读 arXiv 2025 论文《Wan: Open and Advanced Large-Scale Video Generative Models》。该论文提出Wan 2.1 开源视频生成大模型，通过融合DiT 架构、Flow Matching 训练与Wan-VAE 时空压缩，以 14B 旗舰 + 1.3B 消费级双规模覆盖 8 大生成任务，其特别之处在于全栈开源（代码 + 权重 + 数据管线 + 评测工具）并首个支持视频内中英双语文字生成。实验表明 Wan 14B 在 VBench 总分 86.

AI工具测评与分析

Seedance2.5 赋能飙算画影AI无限画布，无边画布进阶专业创作工作台做 AI 短 / 漫剧的朋友们，最近有没有一种说不上来的别扭感？手里的工具生成能力是越来越顶了，可画布呢？还是老样子，一点新意都没有。从 0 到 1 铺素材，每个节点都得你一个个拖进来、连上线，光搭工作流就能耗掉大半天。

MiniMax H3 全模态模型拆解：2K 视频成本被腰斩背后，H3-VAE 和 In-context Regeneration 做了什么7 月 31 日，MiniMax 发布了全模态生成模型 H3，随后宣布将在几天内开放模型权重。消息传开后，资本市场先动了：MiniMax 股价盘中一度拉升 15%。但比起股价，我更想先算一笔账。

猫先生Mr.Mao

视频生成之LongLive-2.0详解：如何把 5B 长视频生成推到 45.7 FPS【从零走向AGI】旨在深入了解通用人工智能（AGI）的发展路径，从最基础的概念起，逐步构建完整的知识体系。项目地址🔗：https://github.com/AI-mzq/From-Zero-to-AGI.git

likeadmin-api 视频生成工作流实战：Seedance 2.0 接口从素材到任务查询最近做 AIGC 视频工具时，一个常见需求是：用户输入一段提示词，或者上传图片、视频、音频素材，然后系统自动生成短视频。这个需求看起来像一个“生成按钮”，但真正接入时会涉及素材管理、任务提交、异步查询、分辨率、时长、回调和成本控制。

云卷云舒___________

Gemini 3.5 Pro或17日发布、Grok Imagine新增15秒视频生成、GPT-5.6 Sol 跑30小时超Opus | 7月5日 AI日报💡 今日趋势速览：Gemini 3.5 Pro发布概率达62%，xAI Grok Imagine新增视频生成，GPT-5.6 Sol效率超越Opus。

LightningDiT----重建与生成：在潜在扩散模型中驯服优化困境论文标题Reconstruction vs. Generation: Taming Optimization Dilemma in Latent Diffusion Models