Google 推出 Gemini Omni 1.2 Flash:原生 15 秒影片生成、多輪對話編輯、價格下調 30%
Google DeepMind 於 11 月 5 日將 Gemini Omni 1.2 Flash 正式上線(GA),支援長達 15 秒的原生影片生成與多輪對話式編輯,720p 定價降至每秒 0.07 美元(降幅 30%),並首次在 Google Cloud 全面供應,將影片生成模型推向企業級生產環境。
Google DeepMind 於 11 月 5 日將 Gemini Omni 1.2 Flash 正式上線(GA),支援長達 15 秒的原生影片生成與多輪對話式編輯,720p 定價降至每秒 0.07 美元(降幅 30%),並首次在 Google Cloud 全面供應,將影片生成模型推向企業級生產環境。
Mira Murati 創辦的 Thinking Machines Lab 於 11 月 5 日發布第二代模型 Inkling 2 Small(594B 總參數、17B 活躍參數),於 Artificial Analysis Intelligence Index 取得 31 分、較前代躍升 18 分;官方計劃在外部安全測試完成後以 Apache 2.0 釋出權重——若成事,將成為中國以外得分最高的開放權重模型。
騰訊於 11 月 4 日發布新一代大語言模型 Hy4,定位為全球頂尖開放權重模型之一,首次加入視覺理解與電腦操作(computer-use)能力,並計劃近日釋出權重與系統卡;定價維持前代水準,象徵中國開放模型陣營正式進入前緣競爭梯隊。
騰訊微信視覺團隊發布開放權重視覺語言模型 WeVisOne-VL(2B/4B 兩尺寸),用一個模型統一偵測、指稱、計數、OCR、分割與 alpha matting,並以 960 萬參數的像素解碼器直接輸出像素級結果、無需外掛 SAM。團隊自我評測於 30+ 基準多數超越同規模模型,亮點如 Dense200 密集偵測 F1 達 71.3。
微軟於 10 月 11 日在 Hugging Face 發布 AesCode-32B:以 Qwen3-VL-32B-Instruct 為基座的 32B 多模態代碼生成模型,能將提示詞與參考圖轉為結構化、可編輯、可驗證的 HTML/CSS 幻燈片、海報與儀表盤。透過圖結構監督與解耦跨模態獎勵,其視覺品質較基座提升 22.4 分,逼近 GPT-5.5 與 Claude Opus 4.8 等封閉前緣模型,代表多模態生成正從「像素輸出」轉向「代碼輸出」。
Reka 於 10 月 5 日發布 Rho-1 研究預覽——一款從零訓練的 19B 全知推理模型(omni-reasoning model),在單一神經網路中統一文字理解、影像生成、影片動畫與機器人動作,無需任何外部工具或專用模型協作。此架構代表 AI 從「多模型流水線」邁向「統一世界模型」的重要方向轉折。
雲端平台持續把影片生成模型產品化,並推出更偏向普及與成本敏感的版本,讓開發者更容易把「文字到影片」或多模態內容生成接入既有工作流。
Google 發布 Gemma 4,除支援多語言與多步規劃外,也強調在低記憶體終端設備上的可部署性,為開放模型研究帶來新的落地指標。
第一季度 AI 研究格局呈現三大主軸:以 DeepSeek-R2 和 OpenAI o4 為代表的推理模型全面普及、多模態模型在視覺理解上實現重大突破,以及 AI Agent 架構在實際業務部署中逐步走向成熟。
Lightricks 發布 LTX 2.3,一款 22B 參數的擴散 Transformer 模型,能在單次前向傳遞中同時生成原生 4K 解析度、50 FPS 影片與同步音訊。這是目前最高效能的開源影片生成模型,支援最長 20 秒片段,並配備可在消費級硬體上運行的桌面編輯器。
Gemini 2.0 Flash 採用原生多模態架構,拋棄了傳統 CLIP 式視覺編碼器,改以統一的 token 空間處理影像與文本。本文深度分析其技術創新、視覺問答基準表現及在醫療影像和科學圖表理解領域的突破。
阿里巴巴正式發布 Qwen 3.5 多模態大型語言模型,在文本、影像、程式碼、數學等多項基準測試中展現出前沿級別的能力。此次發布標誌著中國 AI 產業在前沿模型研發上的重要突破,Qwen 3.5 在多項評測中與 GPT-5、Claude Opus 4 等國際頂尖模型形成正面競爭。