xAI ha actualizado su modelo Imagine Video 1.5 para admitir referencias de texto, imagen y voz, permitiendo a los usuarios generar videos hasta una resolución de 1080p. La actualización permite la consistencia de personajes al fijar rostros y voces entre escenas, con soporte para hasta siete referencias por generación.
Google ha lanzado dos nuevas actualizaciones para Google Vids: la integración de Gemini Omni para la generación y edición de videos basados en texto, y una función que permite a los usuarios crear avatares digitales personales. Estas herramientas tienen como objetivo simplificar la creación de videos al permitir a los usuarios generar clips a partir de indicaciones en lenguaje natural y referencias de imágenes, así como protagonizar videos sin necesidad de grabación física.
MiniMax lanzó el modelo omnimodal de generación de video H3 con pesos abiertos en Hugging Face, que cuenta con audio estéreo nativo capaz de impulsar el video en un solo paso hacia adelante. El modelo admite resolución 2K a 24 fps para clips de 5 a 15 segundos y acepta hasta nueve imágenes de referencia, tres videos y tres clips de audio por generación.
Este resumen de noticias de IA para el 3-4 de agosto de 2026 cubre lanzamientos significativos de modelos de Alibaba Qwen, NVIDIA, Mistral AI y Black Forest Labs, junto con desarrollos en enrutamiento de agentes, infraestructura y ciberseguridad.
MiniMax ha lanzado MiniMax H3, un modelo de generación multimodales de propósito general que unifica texto, imagen, video y audio en un solo contexto para producir clips de video en 2K de hasta 15 segundos con sonido estéreo nativo. A diferencia de las pilas anteriores que dependen de modelos expertos separados para tareas específicas, H3 permite a los usuarios expresar relaciones de referencia y edición mediante prompts en lenguaje natural.
MiniMax ha lanzado MiniMax H3, un modelo de generación multimodal de propósito general que comprende el contexto unificado entre texto, imágenes, video y audio. El modelo genera video con sonido estéreo nativo de hasta 15 segundos de duración y resolución 2K.
NVIDIA ha presentado Cosmos-H-Dreams, un simulador generativo en tiempo real y condicionado por acciones para robótica quirúrgica que destila las capacidades de su Cosmos-H-Surgical-Simulator en un modelo estudiante causal. Servido a través de la biblioteca FlashDreams de NVIDIA para inferencia acelerada con streaming, el sistema permite el control interactivo por una persona o una política aprendida en un bucle cerrado.
Black Forest Labs ha lanzado FLUX 3, un modelo base multimodal que aprende a partir de imágenes, videos y audio dentro de una única arquitectura. Es el primer modelo FLUX en ofrecer predicción de video, audio y acción desde un solo conjunto de pesos.
Black Forest Labs ha lanzado FLUX 3, una familia de modelos de flujo multimodal que incluye capacidades de generación de video con audio nativo. El lanzamiento también presenta FLUX-mimic, una variante diseñada para aplicaciones de robótica de acción en video.
NVIDIA y Hugging Face han integrado NVIDIA NeMo Automodel con la biblioteca 🤗 Diffusers para proporcionar entrenamiento distribuido de nivel de producción para modelos de difusión de código abierto. Esta colaboración permite a los usuarios ajustar cualquier modelo en formato Diffusers en el Hub de Hugging Face sin requerir conversión de puntos de control ni reescritura del código del modelo.
Se ha compartido un video viral generado utilizando Kimi K3 como proveedor del modelo, mostrando sus capacidades en tareas creativas. El creador señala que la calidad de salida se siente significativamente mejor que los ejemplos anteriores con GLM 5.2.
Los investigadores han presentado Wan-Dancer, un marco jerárquico que genera videos de baile de larga duración y alta definición sincronizados con música. El sistema supera la limitación típica de 20 segundos de los modelos de difusión al desacoplar la generación en planificación global de fotogramas clave y refinamiento temporal local.
Los investigadores presentan un marco consciente de la estructura para la generación de baile impulsada por música que modela la coreografía como una secuencia de movimientos atómicos en lugar de señales continuas.
Un agente de IA de análisis de video capaz de percibir, razonar y actuar sobre grandes cantidades de material de video debe integrarse con los flujos de trabajo existentes para ser útil. Estos flujos de trabajo incluyen sistemas de gestión de contenido, plataformas de mensajería, bases de datos, colas de tickets y rutas de escalamiento.
Los investigadores presentan Text2Sign, un modelo de difusión condicionado por texto diseñado para generar clips cortos de lenguaje de signos en una única GPU NVIDIA L4, abordando los altos costos asociados con el entrenamiento y la evaluación de modelos de difusión de vídeo. El sistema combina un codificador de texto visión-lenguaje congelado con un codificador-decodificador 3D y atención espacial-temporal factorizada para reducir los requisitos computacionales mientras se preserva la coherencia del movimiento.
Los desarrolladores que crean aplicaciones de análisis de video en grandes espacios deben rastrear el mismo objeto mientras se mueve entre las vistas de la cámara. El seguimiento 2D de una sola cámara carece de información confiable de profundidad y generalmente pierde el objeto cuando sale del marco, lo que limita aplicaciones como la seguridad en almacenes, análisis minoristas y monitoreo de edificios inteligentes.
Los investigadores identifican la "brecha de serialidad" en los modelos de difusión de video, donde el rendimiento se degrada a medida que las cadenas causales se alargan durante las simulaciones de dinámica de esferas duras con múltiples bolas. Los experimentos controlados muestran que esta degradación es causada por estructuras de eventos dependientes en lugar de la longitud del video, ya que desaparece en los controles de una sola bola sin interacciones.
NVIDIA demuestra que usar agentes de IA autónomos para codificación en el post-entrenamiento del modelo de razonamiento visual Cosmos 3 puede elevar la precisión por encima del 90% con un esfuerzo manual mínimo.