视频生成

神也畏惧菠萝

Coze 工作流实战 Day05：RAG 检索机制、多模态 AIGC 与智能体编排在上一篇文章中，我们拆解了 Coze 工作流的底层架构、数据流转与确定性控制逻辑。而在真实的企业级 AI 应用中，除了处理文本和执行逻辑分支，系统往往还需要接入私有数据（解决大模型幻觉），并具备生成图片、音频、视频等非结构化数据的能力。本文将继续深入 Coze 工作流引擎的进阶特性：重点剖析知识库节点背后的 RAG（检索增强生成）底层检索策略与参数调优，拆解多模态节点（文生图、ASR、TTS、视频生成）的工程化实践与算力成本，并最终探讨如何将这些原子能力编排为完整的智能体（Agent），实现从“开发态”到

【世界模型】WorldCrafter：基于隐式三维感知记忆的视频世界模型图 1。WorldCrafter 实现了稳定且由相机控制的探索体验。如重建的点云所示，该工具可在静态场景 (a) 与动态场景 (b) 中保持场景外观与结构的连贯性；受试者在离开并重新进入视野后仍能保持行为一致性 ©；用户还可仅凭文字描述生成并探索场景 (d)。

I Am a robert girl

从最后一帧反推世界：LIFT 如何用布局控制视频生成从今天觉醒,技术赋予每一个人数字生命可控视频生成这两年进步很快，但有一个问题始终没被真正解决：给定一张初始图，如果相机大幅移动，新出现的区域应该长什么样？

对比一下hunyuanvideo，wan2.2, minimax h3的性能这三个都是 2025–2026 年比较主流的国产视频生成模型，定位差别挺明显：H3 更偏“全模态音视频一体 + 多参考编辑”，Wan2.2 更偏“电影级画面 + MoE 开源生态”，HunyuanVideo 1.5 更偏“轻量、稳定、低门槛文生/图生视频”。

漂着的圆木

AI视频模型路由怎么选？Runway新评测里的成本与可用率陷阱同一批 AI 视频任务交给不同模型，最便宜的一次生成不一定得到较低的交付成本。Runway 9 月 24 日公布 Model Router 的 250 条图生视频提示词评测：不同路由配置的单条成本与“可用于生产”的比例明显分叉。团队要先定义自己的合格标准，再算每条合格片段实际花了多少，而不是只按调用价选择模型。

I Am a robert girl

PhysStream 源码级拆解：流式视频生成如何做到“边生成边控制“从今天觉醒,技术赋予每一个人数字生命如果你最近在追视频生成，会发现一个尴尬的现实：模型能生成惊艳的画面，但你几乎无法在生成过程中"伸手进去"改变物体的运动。要么在开始前把整段控制信号一次性喂进去，要么用像素级的轨迹点去"拽"物体——前者不够灵活，后者控制的是位置而不是物理。PhysStream 试图回答的核心问题是：能不能让模型在生成过程中接受稀疏的物理控制信号，并保持场景的物理一致性？

Kling 4.0（可灵 4.0）怎么用？上线时间、Flash 版、价格与提示词全攻略（2026 最新）更新说明：本文写于 2026 年 10 月 6 日（北京时间）。此时 Kling 4.0 完整版还没有正式上线，只有轻量版 Kling 4.0 Flash 对少部分付费会员开放了抢先体验。文中凡是标“官方暂未公布”的内容，都会在正式上线后补上。建议先收藏。

MiniMax H3 和 Wan2.2的对比MiniMax H3 和 Wan2.2 都是当前顶尖的开源/可本地化视频生成模型，但它们的底层定位、优势赛道以及生成逻辑完全不同。

这张生成的图像能检测吗

（论文速读）AdaCluster：让视频 DiT 的稀疏注意力学会“区别对待”Q 和 K论文题目： AdaCluster: Adaptive Query-Key Clustering for Sparse Attention in Video Generation 中文翻译： AdaCluster：面向视频生成稀疏注意力的自适应 Query-Key 聚类会议： CVPR 2026 源码： https://github.com/USTC-MLSys-Team/Adacluster

I Am a robert girl

从一张图到碎裂瞬间：FracGen 如何用物理信号“导演“物体撕裂从今天觉醒,技术赋予每一个人数字生命过去两年，视频生成模型在画质上突飞猛进——Sora、可灵、Veo 系列已经能生成肉眼难辨真假的连续画面。但如果你让它们生成"玻璃杯从桌上摔下、裂纹从杯底蔓延到杯口"这类内容，结果往往令人失望：裂纹会凭空出现、传播方向诡异、材质表现和塑料没区别。问题不在于像素不够真，而在于模型根本没学会"物理状态"是什么。

敲代码的小霖

NovaNova Studio开源免费漫剧短剧生成平台GitHub - Swayingleaves/novanova-studio: NovaNova Studio 是一个 Agent 驱动的 AI 创作工作台，集图片生成、视频生成、无限画布与多模型 API 、漫剧短剧生成于一体，为独立创作者和视觉团队打造更智能、更高效的创作体验。 · GitHub

语音抢着实时，视频也抢着实时：两条赛道同时冲刺，交汇点却还差一步过去24小时，AI行业上演了一场少见的"实时竞赛"。9月15日凌晨，谷歌发布Gemini 3.8 Live与Gemini 3.8 Live Extended Thinking两款实时对话模型，官方称这是其迄今最先进的对话式AI，能够在对话不中断的情况下调用工具、处理视觉信息、执行复杂任务；同一天，国内的阶跃星辰一口气放出StepAudio 3系列五款语音模型，其中Realtime版本在Artificial Analysis对话动态榜单以98.9%的综合得分排名全球第一；还是同一天，生数科技发布实时视频模型

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。