MemEvo：流式视频记忆机制的自动发现
研究人员提出 MemEvo 框架，利用预训练 LLM 迭代生成与优化候选记忆程序，实现流式视频记忆机制的自动发现。该方案基于定义了表征、保留、整合等原语的轻量级领域特定语言，在底层视觉语言模型全程冻结下产出无需训练的有界记忆机制。在 StreamingBench 与 OVO-Bench 评测中，其流式视频理解性能突出且兼具极高的上下文与推理效率。
#视频
#视频
今日 0 条arXiv cs.AIAI 评分4343 arXiv cs.AIAI 评分4040 AVIO：学习在音视频场景中添加与移除发声物体
研究人员提出音视频编辑框架 AVIO 与数据集 AVIOBench，以联合学习在音视频场景中添加与移除发声物体。AVIOBench 包含涵盖 1,878 个目标物体名称的 37.9 小时配对音视频样本，关联各物体的视觉呈现与声音贡献。AVIO 通过特征调制与参考帧课程训练，使单个模型既能执行纯指令编辑，也支持通过可选视觉引导控制物体的外观与位置。
arXiv cs.AIAI 评分3737 CoRe：通过协同演化奖励模型缓解视频扩散模型潜在奖励黑客问题
研究人员提出协同演化奖励框架 CoRe，通过重拟合奖励模型并锚定真实视频偏好，解决视频扩散模型对齐中的潜在奖励黑客问题。针对生成器在数百次更新后脱离分布导致画质崩溃的缺陷，CoRe 将潜在空间对齐转化为生成器与奖励模型的持续动态交互。在 Wan2.1-T2V-1.3B 上的实验显示，CoRe 生成质量持续超越预训练模型和既有对齐方法。
AWS Machine Learning BlogAI 评分4444 在 SageMaker AI 上使用 vLLM-Omni 生成图像与视频（第 2 部分）
AWS 推出基于 vLLM-Omni 深度学习容器在 SageMaker AI 上实现图像与视频生成的工作流方案。该方案通过实时端点运行 FLUX.2-klein-4B 生成图像，再将其输入异步端点由 Wan2.1-VACE-1.3B 生成 MP4 视频并保存至 Amazon S3。
Google AI BlogAI 评分2323 观看 Future Vision XPRIZE 获奖预告片《The Gifted》
Future Vision XPRIZE 获奖预告片《The Gifted》现已公布并开放观看。该视频为 Future Vision XPRIZE 竞赛的最终获奖作品预告。
Latent SpaceAI 评分6969 Runway 解析 WorldPrompt 机制与实时交互世界模型的工程实现
Runway 核心团队受访详解其实时世界模型 GWM Worlds 2 与控制层 WorldPrompt，该模型支持以 720p 24fps 视频和 48,000 Hz 音频流式生成交互式环境。
OpenAI NewsAI 评分2424 invideo 如何借助 GPT-6 Astra 将调色效率提升 3 倍
invideo 借助 GPT-6 Astra 将色彩校正与调色效率提升至 3 倍。通过该模型，invideo 能够以更高精度规划视频剪辑，并支持在一天内制作出 50 种自定义特效。
OpenAI NewsAI 评分2222 Higgsfield AI 借助 GPT-6 Astra 在一天内推出新视频功能
Higgsfield AI 借助 GPT-6 Astra 在一天内上线了全新视频功能。这项更新降低了小型企业制作视频广告的难度，并推动新的创意工具更快推向市场。
Google AI BlogAI 评分4545 Google DeepMind 用 AI 逐帧重现 70 年爱情故事
Google DeepMind 与电影人合作推出纪录短片《Love, Rendered》，利用 AI 逐帧重现了一对相伴 70 余年夫妇未被影像记录的相遇场景，以应对认知衰退。团队通过生成式模型修复青年时期的黑白照片，并借助动作捕捉模型将两人当下的微动作与神态映射至年轻面貌。普通用户亦可在 Gemini 应用中上传并修复老照片。
Google DeepMind精选AI 评分8181 Google DeepMind 推出 Gemini 智能体视频理解功能
Google DeepMind 在 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 中推出智能体视频理解功能，支持模型通过工具动态搜索、缩放和检查目标视频片段。
推荐理由：官方给出了动态检索视频帧与音频的新机制，展示了长视频分析在大幅降低成本的同时提升定位精度的具体路径。
Google DeepMind精选AI 评分7575 Google DeepMind 推出 Gemini Omni 1.1 Flash 增强视频生成控制能力
Google DeepMind 正式推出 Gemini Omni 1.1 Flash，为开发者带来更强可控性的视频生成与编辑能力。新版本支持分析前 10 秒上下文进行最高 40 秒的场景延展，新增首尾关键帧平滑过渡、参考视频输入以及最高 4K 分辨率放大功能。
推荐理由：模型支持分析前十秒上下文并将单次视频延长至四十秒，有助于开发者构建更可控的影视级生成工作流。
Google DeepMind精选AI 评分7878 Google DeepMind 推出 Nano Banana 2 Lite 图像模型与 Gemini Omni Flash 视频模型
Google DeepMind 推出图像生成模型 Nano Banana 2 Lite 与视频生成编辑模型 Gemini Omni Flash，现已在 Google AI Studio 和 Gemini API 上线。
推荐理由：两款模型分别针对低延迟图像生成与对话式视频编辑，开发者可通过串联工作流实现快速出图并转为视频。
Google DeepMind精选AI 评分8787 Google DeepMind 发布多模态模型 Gemini Omni
Google DeepMind 推出新一代多模态生成模型 Gemini Omni，并发布该系列的首个模型 Gemini Omni Flash。该模型支持组合图像、音频、视频和文本作为输入来生成视频，并允许用户通过多轮自然语言对话连续编辑动作、角色和场景细节，同时生成内容均嵌入 SynthID 数字水印。
推荐理由：模型结合原生多模态与物理常识推理，支持通过自然语言对话多轮编辑视频，展示了基于世界知识生成连贯动态内容的新路径。
Together AI Blog精选AI 评分6060 Together AI 开源视频翻译工具 Violin
Together AI 推出全开源视频翻译工具 Violin，基于 Together API 整合语音识别、大语言模型翻译与语音合成来实现端到端视频翻译。系统默认结合 Whisper V3 large 转录、DeepSeek-V4 Pro 翻译以及 Cartesia Sonic 3 语音合成，并借助视觉语言模型支持基于视频音画内容的交互问答。
推荐理由：项目将语音识别、模型翻译与语音合成串联并封装为智能体技能，开发者可参考其多模态管线搭建视频本地化工具。
Together AI BlogAI 评分5353 Together AI 推出 Dedicated Container Inference 服务，加速自定义模型推理最高达 2.6 倍
Together AI 推出专用于自定义生成式媒体模型的 Dedicated Container Inference 托管服务，支持开发者自带 Docker 容器部署视频生成、数字人合成等非纯文本模型，客户实测获得 1.4 至 2.6 倍的推理加速。