今日，阶跃星辰与吉利汽车集团宣布，联合开源两款阶跃Step系列多模态大模型——Step-Video-T2V视频生成模型和Step-Audio语音模型。其中，阶跃Step-Video-T2V视频生成模型在参数量和性能上均处于全球领先水平。该模型拥有300亿参数量，能够直接生成204帧、540P分辨率的高质量视频，确保生成内容信息密度高、一致性强。评测结果显示，Step-Video-T2V在指令遵循、运动平滑性、物理合理性、美感度等方面均表现出色，显著超越市面上既有的最佳开源视频模型。

近日，Meta Reality Labs 的研究团队联合高效发布了一项名为 “Pippo” 的创新性生成模型，能够从一张随意拍摄的照片中，生成一段高达1K 分辨率的密集周转视频。这一突破性技术，标志着计算机视觉和图像生成领域的又一重要进展。Pippo 模型的核心在于其多视图扩散转换器的设计。与传统的生成模型不同，Pippo 不需要任何额外的输入，例如拟合的参数模型或拍摄该图像的相机参数。用户只需提供一张普通的照片，系统就能自动生成多视角的视频效果，为用户呈现出更加生动和立体的人物形象

近日，香港大学与字节跳动合作研发的基于流动的视频生成模型 Goku 正式发布。该模型利用先进的生成算法，可以根据文本提示生成高质量的视频内容，极大地丰富了数字艺术的表现形式。为了展示 Goku 模型的强大功能，研究团队制作了一系列精彩的视频示例，这些示例不仅展示了模型的技术能力，也展现了其在创意表现上的无限潜力。Goku 模型的特点在于其高效的生成速度和图像质量。通过使用大量的数据训练，Goku 可以生成包括动画、自然风光、动物行为等多种场景。研究人员使用了原

据豆包大模型团队官方公众号消息，在北京交通大学和中国科学技术大学的联合研究下，由豆包大模型团队提出的 “VideoWorld” 视频生成实验模型近日正式开源。这个模型的最大亮点在于，它不再依赖传统的语言模型，而是仅凭视觉信息就能认知和理解世界。这一突破性的研究灵感来源于李飞飞教授在 TED 演讲中提到的 “幼儿可以不依靠语言理解真实世界” 的理念。“VideoWorld” 通过分析和处理大量视频数据，实现了复杂的推理、规划和决策能力。研究团队的实验显示，模型在仅有300M 参

近日，谷歌正式推出其最新的图像生成模型 ——Imagen3，现已在 Gemini API 上可供开发者使用。该模型在视觉效果上表现出色，能够生成各种风格的高质量图像，包括超现实主义作品、印象派风景、抽象作品以及动漫角色。Imagen3不仅提升了图像的清晰度和构图能力，还通过简化的文本提示，帮助用户更轻松地将创意转化为图像。初期，Imagen3将只对付费用户开放，预计不久后将向免费用户逐步推出。根据官方介绍，用户只需支付每幅图像0.03美元，就可以享受 Imagen3的强大功能。同时，用户在生

2025年1月22日，上海阶跃星辰智能科技有限公司宣布其视频生成模型 Step-Video 正式升级至 V2版本。此次升级带来了显著的技术突破和功能提升，使其在真实世界模拟方面更加强大。

来自纽约大学、麻省理工学院和谷歌的研究团队近日提出了一个创新框架，旨在解决扩散模型在推理时间扩展方面的瓶颈问题。这一突破性研究超越了传统简单增加去噪步骤的方法，为提升生成模型性能开辟了新途径。该框架主要从两个维度展开:一是利用验证器提供反馈，二是实施算法以发现更优的噪声候选。研究团队以256×256分辨率的预训练SiT-XL模型为基础，在保持250个固定去噪步骤的同时，创新性地引入了专用于搜索操作的额外计算资源。在验证系统方面，研究采用了两个Oracle Verifie

Luma AI 近日在其 Dream Machine 生成 AI 视频创作平台上推出了最新的视频生成模型 Ray2，这一创新在业内引起了广泛关注。自去年夏天 Dream Machine 发布以来，短短七个月内，AI 视频领域发生了迅速的变化，许多新模型相继问世，包括 Runway、Kling、OpenAI 的 Sora 和 Google 的 Veo2等。Ray2的推出标志着 Luma AI 在视频生成技术上的又一突破。Luma AI 联合创始人兼首席执行官阿米特・简（Amit Jain）表示，Ray2经过十倍于前代模型 Ray1的计算训练，具备 “快速、自然、一致的运动和物理特性”。这一进步显著提

Mistral 公司近日宣布升级其开源代码生成模型 Codestral，推出了全新版本 Codestral25.01。此次更新使得该模型在编程领域的竞争力显著增强，目标是为开发者提供更高效的代码生成体验。根据 Mistral 的博客文章，Codestral25.01的架构经过优化，承诺在同类模型中成为 “绝对领军者”，其代码生成速度是之前版本的两倍。这一新版本依旧保持了原有模型的优势，专注于低延迟和高频操作，支持代码纠正、测试生成及代码填充等任务。Mistral 表示，这对于拥有大量数据的企业和模型驻留使用场景尤为

近日，英伟达开源了一款名为 Sana 的图像生成模型，这一模型仅有0.6亿个参数，极大降低了运行门槛。据了解，Sana 能够生成4096×4096分辨率的图像，并且可以在16GB 的显卡上运行，不到1秒的时间内生成1024×1024分辨率的高质量图片，这一速度在同类模型中表现突出。Sana 的工作原理是依靠 DC-AE（双通道自编码器）技术，使用32倍的潜在空间进行图像生成。该工具配备了8个 GPU 进行处理，其中包括性能强大的 GTX3090显卡，使其在处理复杂图像时速度更快、效果更佳。据称，Sana0.6B性能上和Flux-12B

在人工智能领域，文本音频生成技术正逐渐成为研究的热点。最近，研究者们推出了一款名为 TANGOFLUX 的全新模型，该模型在性能和效率上均表现出色。TANGOFLUX 是一种高效的文本到音频生成模型，拥有515百万个参数，能够在短短3.7秒内生成最长可达30秒的44.1kHz 音频，这一速度让其在单个 A40GPU 上的表现非常出色。TANGOFLUX主要是特色是可以生成各种音效，例如鸟叫、口哨、爆炸等声音，另外也支持生成音乐不过效果就不那么理想了。文本音频生成模型的一个主要挑战在于如何创建偏好配对。

OpenAI的AI服务在北京时间12月27日凌晨遭遇中断，影响了ChatGPT聊天机器人、Sora视频生成模型以及部分API调用。到了早上6点05分，OpenAI宣布ChatGPT已部分恢复服务，但聊天历史记录加载功能依旧受限，且完全恢复的时间尚未确定。

​上海阶跃星辰智能科技有限公司近日宣布，其图像生成模型Step-1X系列迎来了重大升级，推出了性能更优的Step-1X-Medium版本。这一升级版本在多个方面实现了显著提升:基于MMDit架构，生成速度提高了30%以上;经过针对性训练，新版本在理解能力和图文一致性方面更强，生成的画面细节质感更加自然。

文本驱动的风格转换是图像合成领域的一项重要任务，旨在将参考图像的风格与文本提示所描述的内容相融合。 近期，文本到图像生成模型取得了显著进展，能够实现更精细的风格转换，同时保持内容的高保真度。这项技术在数字绘画、广告和游戏设计等领域具有巨大的实用价值。然而，现有的风格转换技术仍存在一些不足之处，主要挑战包括:风格过拟合:现有模型倾向于复制参考图像的所有元素，导致生成图像过于贴近参考风格图像的特征，限制了生成图像的审美灵活性和适应性。文本

OpenAI近日表示，目前暂无发布其AI视频生成模型Sora API的计划。Sora模型能够根据文本描述或参考图像生成相当逼真的视频。在OpenAI开发者团队的一次AMA（Ask Me Anything）活动中，OpenAI开发者体验主管罗曼·休特(Romain Huet)明确表示，目前Sora API不在计划之内。“我们目前还没有Sora API的计划，”他写道。这一决策的原因可能是产能问题。在推出由Sora驱动的视频创作和编辑套件后不久，OpenAI就因流量超出预期而被迫关闭了申请通道。OpenAI首席执行官山姆·奥特曼（Sam Altman）在X上为此道歉。奥特曼

在2024火山引擎FORCE原动力大会·冬上，火山引擎宣布了豆包大模型家族的全新升级，展示了其在人工智能领域的最新进展。豆包大模型的日均tokens使用量已超过4万亿，较5月发布时期增长超过33倍，显示出其在行业中的广泛应用和快速增长。

谷歌正式发布了其新一代视频生成模型 Veo2，旨在与 OpenAI 的 Sora 展开竞争。谷歌表示，Veo2在生成视频时表现出更高的真实感和细腻度。此次更新不仅提升了视频质量，还加强了对现实物理和人类运动与表情细微差别的理解。Veo2的强大功能谷歌表示，Veo2“对现实世界的物理学以及人类运动和表情的细微差别有更好的理解”。它可以在 Google Labs 的 VideoFX 平台上使用，但仅限于候补名单。用户需要通过 Google 表单注册，并等待 Google 在其选择的时间临时授予访问权限。谷歌介绍称，用户可以根

OpenAI 最近推出了其视频生成模型 Sora，但该模型的训练数据可能包含了许多版权游戏内容，这引发了法律问题的担忧。Sora 可以根据用户的文字提示或图片生成最长20秒的视频，支持多种画幅和分辨率。在发布之初，OpenAI 就提到 Sora 的训练数据包括 Minecraft 视频，这引发了人们对其他可能被使用的游戏内容的好奇。在实际测试中，Sora 能够生成与多个知名游戏相似的视频，包括看起来像是《超级马里奥兄弟》的克隆版、受到《使命召唤》和《反恐精英》启发的第一人称射击游戏，以及风格类

Shakker AI 今天宣布推出了其最新的高级图像生成模型——Zeno-1。这一模型不仅继承了前身 FLUX.1的卓越美学和艺术性，还通过内部推荐系统实现了风格多样性的飞跃。Zeno-1的推出标志着数字艺术创作工具的一个新时代。它提供了一系列控制工具，使用户能够以前所未有的方式塑造和细化他们的数字艺术作品。以下是 Zeno-1模型的主要特点:调色板控制:用户可以依据特定的调色板来控制生成图像的视觉色调，并通过不同的控制强度来满足个性化需求。实体控制:给定一个角色或主题，Zeno-1能够生成

还记得那些年，我们苦苦等待视频生成模型渲染每一帧的漫长时光吗?现在，告别龟速，迎接光速!Adobe和MIT强强联手，推出一款名为CausVid的“因果”视频生成模型，它能以每秒9.4帧的速度实时生成高质量视频，首帧延迟仅需1.3秒!这项突破性技术将彻底改变视频内容创作方式，为游戏、虚拟现实和流媒体等领域带来无限可能!传统的视频生成模型，就好比一位慢工出细活的“老工匠”，他们需要仔细分析整个视频序列，才能生成每一帧画面，因此生成速度非常慢。用户必须耐心等待数分钟甚至