A xAI atualizou seu modelo Imagine Video 1.5 para suportar referências de texto, imagem e voz, permitindo que os usuários gerem vídeos com resolução de até 1080p. A atualização permite consistência de personagens ao travar rostos e vozes entre cenas, com suporte para até sete referências por geração.
A Google lançou duas novas atualizações para o Google Vids: a integração do Gemini Omni para geração e edição de vídeos baseados em texto, e um recurso que permite aos usuários criar avatares digitais pessoais. Essas ferramentas visam simplificar a criação de vídeos, permitindo que os usuários gerem clipes a partir de prompts de linguagem natural e referências de imagens, além de atuarem em vídeos sem necessidade de gravação física.
Os pesquisadores abordam descontinuidades temporais no relighting de vídeos de longo prazo reformulando a tarefa como tradução de domínio latente condicionado temporalmente. A estrutura impõe continuidade entre blocos propagando os latentes do domínio-alvo através dos limites e utiliza autocondicionamento mascarado do domínio-alvo para tornar esse comportamento aprendível.
A LTX lançou o LTX-2.5, um modelo de mundo com pesos abertos para geração de vídeo, aplicações em tempo real e IA física, otimizado para inferência local em GPUs NVIDIA RTX e hardware DGX Spark. O lançamento visa deslocar a produção de vídeo da infraestrutura em nuvem para desktops locais, reduzindo os requisitos de VRAM e eliminando taxas por geração.
A MiniMax lançou o MiniMax H3, um modelo multimodal de geração de vídeo com pesos abertos capaz de processar texto, imagens, vídeo e áudio. O modelo gera conjuntamente visuais e áudio estéreo sincronizado, incluindo diálogos, efeitos sonoros, ambiente e música, em vez de adicionar o áudio como uma etapa de pós-processamento.
A MiniMax lançou o modelo omnimodal de geração de vídeo H3 com pesos abertos no Hugging Face, apresentando áudio estéreo nativo que pode impulsionar o vídeo em uma única passagem direta. O modelo suporta resolução 2K a 24fps para clipes de 5 a 15 segundos e aceita até nove imagens de referência, três vídeos e três clipes de áudio por geração.
Este resumo de notícias de IA para 3-4 de agosto de 2026 cobre lançamentos significativos de modelos da Alibaba Qwen, NVIDIA, Mistral AI e Black Forest Labs, além de desenvolvimentos em roteamento de agentes, infraestrutura e cibersegurança.
A MiniMax lançou o MiniMax H3, um modelo multimodal de propósito geral que unifica texto, imagem, vídeo e áudio em um único contexto para produzir clipes de vídeo em 2K com até 15 segundos de duração e som estéreo nativo. Diferente das pilhas anteriores que dependem de modelos especialistas separados para tarefas específicas, o H3 permite que os usuários expressem relações de referência e edição por meio de prompts em linguagem natural.
A MiniMax lançou o MiniMax H3, um modelo de geração multimodal de propósito geral que compreende o contexto unificado entre texto, imagens, vídeo e áudio. O modelo gera vídeo com som estéreo nativo de até 15 segundos de duração e resolução 2K.
A NVIDIA apresentou o Cosmos-H-Dreams, um simulador generativo em tempo real e condicionado a ações para robótica cirúrgica que destila as capacidades de seu Cosmos-H-Surgical-Simulator em um modelo estudante causal. Atendido por meio da biblioteca FlashDreams da NVIDIA, otimizada para streaming-inference acelerado, o sistema permite controle interativo por uma pessoa ou política aprendida em loop fechado.
A Black Forest Labs lançou o FLUX 3, um modelo de fundação multimodal que aprende a partir de imagens, vídeos e áudio em uma única arquitetura. É o primeiro modelo FLUX a disponibilizar previsão de vídeo, áudio e ação a partir de um único conjunto de pesos.
A Black Forest Labs lançou o FLUX 3, uma família de modelos de fluxo multimodal que inclui capacidades de geração de vídeo com áudio nativo. O lançamento também apresenta o FLUX-mimic, uma variante projetada para aplicações de robótica de ação em vídeo.
A NVIDIA e a Hugging Face integraram o NVIDIA NeMo Automodel à biblioteca 🤗 Diffusers para fornecer treinamento distribuído de nível de produção para modelos de difusão de código aberto. Essa colaboração permite que os usuários ajustem qualquer modelo no formato Diffusers do Hugging Face Hub sem exigir conversão de checkpoints ou reescrita do código do modelo.
Um vídeo viral gerado usando o Kimi K3 como provedor do modelo foi compartilhado, mostrando suas capacidades em tarefas criativas. O criador observa que a qualidade da saída parece significativamente melhor do que os exemplos anteriores com GLM 5.2.
Um agente de IA de análise de vídeo capaz de perceber, raciocinar e agir sobre grandes quantidades de material de vídeo deve ser integrado aos fluxos de trabalho existentes para ser útil. Esses fluxos de trabalho incluem sistemas de gerenciamento de conteúdo, plataformas de mensagens, bancos de dados, filas de tickets e caminhos de escalonamento.