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

北京智源人工智能研究院（BAAI）近日宣布推出一款创新的3D生成模型See3D，该模型能够利用大规模无标注的互联网视频进行学习。这一技术突破标志着向“See Video， Get3D”的理念迈进了重要一步。See3D模型不依赖于传统的相机参数，而是采用视觉条件技术，仅通过视频中的视觉线索生成相机方向可控且几何一致的多视角图像。这种方法避免了昂贵的3D或相机标注的需求，能够高效地从互联网视频中学习3D先验。

OpenAI在今日的直播中发布了备受期待的产品——Sora Turbo，标志着2024年生成式AI领域的一大突破。Sora Turbo的生成效率显著提升，能够通过文本直接生成最多20秒的1080P视频，成为目前全球生成时长最高的视频模型之一。该模型支持文本加图片或视频的输入，生成特定视频内容，使生成效果更加可控。

近日，谷歌云部门宣布，其最新的视频和图像生成模型——Veo和Imagen3，现已在Vertex AI平台上线，进一步推动了AI在营销与广告领域的应用。Veo模型首次亮相于Google I/O开发者大会，是谷歌DeepMind对竞争对手如Runway的Gen-3和OpenAI的Sora等产品的回应。该模型能够将文本或图像提示转化为长达60秒的高清电影风格视频，具备出色的帧级一致性，确保主体在镜头内流畅移动。Imagen3则专注于图像生成，能够根据文本生成照片级逼真的视觉效果，并在细节、照明和伪影减少方面超越前代产品。此外，Image

在周二的re:Invent大会上，亚马逊网络服务（AWS）宣布推出其新型多模式生成AI模型系列——Nova。此次发布的Nova系列包括四种文本生成模型:Micro、Lite、Pro和Premier，此外还推出了图像生成模型Nova Canvas和视频生成模型Nova Reel。亚马逊首席执行官Andy Jassy表示，Micro、Lite和Pro模型将在当天开始向AWS客户推出，而Premier模型预计将在2025年初发布。Nova系列专为处理多种输入形式（包括文本、图像、视频）而设计，其中文本生成模型特别优化了15种语言，主要支持英语。Nova文本生成模型Nova文本生成模型

可口可乐最近发布了三则用人工智能制作的圣诞广告，结果却引来了不少嘲讽和质疑。尽管广告的构思可能挺不错，但实际效果却令人失望:那些画面扭曲、面部表情怪异、动作不自然、比例失调的广告让观众们哭笑不得。显然，AI 技术在这次尝试中并没有发挥应有的作用。这三则广告分别由三个 AI 工作室制作，分别是 Secret Level、Silverside AI 和 Wild Card。它们使用了几种生成模型，包括 Leonardo、Luma、Runway，以及在最后阶段引入的新模型 Kling。最受关注的那一则广告是致敬1995年经典可口可乐