xAI a mis à jour son modèle Imagine Video 1.5 pour prendre en charge les références textuelles, image et voix, permettant aux utilisateurs de générer des vidéos jusqu'à une résolution de 1080p. La mise à jour permet la cohérence des personnages en verrouillant les visages et les voix entre les scènes, avec prise en charge de jusqu'à sept références par génération.
Google a déployé deux nouvelles mises à jour pour Google Vids : l'intégration de Gemini Omni pour la génération et l'édition de vidéos basées sur du texte, ainsi qu'une fonctionnalité permettant aux utilisateurs de créer des avatars numériques personnels. Ces outils visent à simplifier la création vidéo en permettant aux utilisateurs de générer des extraits à partir de prompts en langage naturel et de références image, tout en apparaissant dans des vidéos sans enregistrement physique.
Les chercheurs abordent les discontinuités temporelles dans le relighting vidéo de longue durée en reformulant la tâche comme une traduction de domaine latent conditionnée temporellement. Le cadre impose une continuité inter-blocs en propageant les latents du domaine cible à travers les frontières et utilise l'auto-conditionnement masqué du domaine cible pour rendre ce comportement apprenable.
LTX a publié LTX-2.5, un modèle du monde à poids ouverts pour la génération vidéo, les applications en temps réel et l'IA physique, optimisé pour l'inférence locale sur les GPU NVIDIA RTX et le matériel DGX Spark. Cette publication vise à déplacer la production vidéo de l'infrastructure cloud vers les bureaux locaux en réduisant les exigences VRAM et en éliminant les frais par génération.
MiniMax a lancé MiniMax H3, un modèle multimodal de génération vidéo à poids ouverts capable de traiter du texte, des images, de la vidéo et de l'audio. Le modèle génère conjointement des visuels et de l'audio stéréo synchronisé, incluant des dialogues, des effets sonores, une ambiance et de la musique, au lieu d'ajouter l'audio comme une étape de post-traitement.
MiniMax a publié sur Hugging Face le modèle omnimodal de génération vidéo H3 à poids ouverts, doté d'un audio stéréo natif capable de piloter la vidéo en un seul passage avant. Le modèle prend en charge une résolution 2K à 24 fps pour des clips de 5 à 15 secondes et accepte jusqu'à neuf images de référence, trois vidéos et trois extraits audio par génération.
Ce résumé des actualités IA pour les 3 et 4 août 2026 couvre les sorties majeures de modèles d'Alibaba Qwen, NVIDIA, Mistral AI et Black Forest Labs, ainsi que des avancées dans le routage des agents, l'infrastructure et la cybersécurité.
MiniMax a publié MiniMax H3, un modèle de génération multimodale polyvalent qui unifie le texte, l'image, la vidéo et l'audio dans un seul contexte pour produire des clips vidéo 2K d'une durée maximale de 15 secondes avec du son stéréo natif. Contrairement aux précédentes architectures reposant sur des modèles experts distincts pour des tâches spécifiques, H3 permet aux utilisateurs d'exprimer des relations de référence et d'édition via des invites en langage naturel.
MiniMax a lancé MiniMax H3, un modèle de génération multimodale à usage général qui comprend le contexte unifié entre le texte, les images, la vidéo et l'audio. Le modèle génère de la vidéo avec du son stéréo natif d'une durée allant jusqu'à 15 secondes et une résolution 2K.
NVIDIA a présenté Cosmos-H-Dreams, un simulateur génératif conditionné par l'action et en temps réel pour la robotique chirurgicale, qui condense les capacités de son Cosmos-H-Surgical-Simulator dans un modèle étudiant causal. Pris en charge par la bibliothèque FlashDreams de NVIDIA dédiée au streaming accéléré d'inférence, le système permet un contrôle interactif par une personne ou une politique apprise en boucle fermée.
Black Forest Labs a publié FLUX 3, un modèle fondamental multimodal qui apprend à partir d'images, de vidéos et d'audio au sein d'une seule architecture. C'est le premier modèle FLUX à proposer la prédiction de vidéos, d'audio et d'actions à partir d'un seul ensemble de poids.
Black Forest Labs a lancé FLUX 3, une famille de modèles de flux multimodal incluant des capacités de génération vidéo avec audio natif. Le lancement présente également FLUX-mimic, une variante conçue pour les applications de robotique d'action vidéo.
NVIDIA et Hugging Face ont intégré NVIDIA NeMo Automodel à la bibliothèque 🤗 Diffusers pour fournir un entraînement distribué de qualité production pour les modèles de diffusion open-source. Cette collaboration permet aux utilisateurs de fine-tuner n'importe quel modèle au format Diffusers sur le Hub Hugging Face sans nécessiter de conversion de checkpoints ni de réécriture du code du modèle.
Une vidéo virale générée en utilisant Kimi K3 comme fournisseur de modèle a été partagée, mettant en évidence ses capacités dans les tâches créatives. Le créateur note que la qualité de sortie semble nettement meilleure que les exemples précédents utilisant GLM 5.2.
Un agent IA d'analyse vidéo capable de percevoir, de raisonner et d'agir sur d'énormes quantités d'images doit être intégré aux flux de travail existants pour être utile. Ces flux de travail incluent les systèmes de gestion de contenu, les plateformes de messagerie, les bases de données, les files d'attente de tickets et les chemins d'escalade.