xAI 为 Imagine Video 1.5 添加图像和语音引用功能
xAI 已更新其 Imagine Video 1.5 模型，支持文本、图像和语音引用，使用户能够生成分辨率高达 1080p 的视频。此次更新通过锁定跨场景的面部和声音来实现角色一致性，并支持每次生成最多七个引用。
Google 在 Google Vids 中新增 Gemini Omni 与个人数字分身
Google 为 Google Vids 推出了两项新更新：集成用于文本视频生成和编辑的 Gemini Omni，以及允许用户创建个人数字分身的功能。这些工具旨在通过让用户从自然语言提示和图像参考中生成片段，并无需实际拍摄即可出演视频，从而简化视频制作流程。
HorizonRelight 使用掩码自条件实现长时视频重光照的一致性
研究人员通过将任务重新定义为时间条件的潜在域转换，解决了长时视频重光照中的时间不连续性问题。该框架通过跨边界传播目标域潜在变量来强制分块间的连续性，并利用掩码目标域自条件使这种行为可学习。
LTX发布LTX-2.5，一款用于本地视频生成的开源权重世界模型
LTX发布了LTX-2.5，这是一款面向视频生成、实时应用和物理AI的开源权重世界模型，针对NVIDIA RTX GPU和DGX Spark硬件上的本地推理进行了优化。此次发布旨在通过降低VRAM需求和消除按次生成费用，将视频制作从云端基础设施转移到本地桌面。
MiniMax发布带有同步音频的开源权重H3视频模型
MiniMax发布了MiniMax H3，这是一个开放权重的多模态视频生成模型，能够处理文本、图像、视频和音频。该模型联合生成视觉内容和同步立体声音频，包括对话、音效、环境音和音乐，而不是将音频作为后处理步骤添加。
MiniMax发布开源权重H3视频生成模型，支持原生立体声
MiniMax在Hugging Face上发布了开源权重的H3全模态视频生成模型，该模型具备原生立体声功能，可通过单次前向传递驱动视频。该模型支持2K分辨率、24fps的 clips，时长为5到15秒，并允许每次生成最多接受9张参考图像、3个视频和3段音频。
Qwen、NVIDIA、Mistral 和 Black Forest Labs 发布新模型；路由与安全成为关注焦点
2026年8月3日至4日的AI新闻汇总涵盖了阿里巴巴 Qwen、NVIDIA、Mistral AI 和 Black Forest Labs 的重要模型发布，以及代理路由、基础设施和网络安全的最新进展。
MiniMax发布MiniMax H3，一款能生成带原生立体声音频的2K视频的多模态模型
MiniMax发布了MiniMax H3，这是一款通用的多模态生成模型，将文本、图像、视频和音频统一到一个上下文中，以生成长达15秒、带有原生立体声音效的2K视频片段。与依赖特定任务专用专家模型的先前架构不同，H3允许用户通过自然语言提示来表达参考和编辑关系。
MiniMax 发布 MiniMax H3 视频模型，开源权重即将推出
MiniMax 推出了 MiniMax H3，这是一款通用的多模态生成模型，能够理解文本、图像、视频和音频的统一上下文。该模型可生成带有原生立体声的视频，时长长达 15 秒，分辨率为 2K。
NVIDIA推出Cosmos-H-Dreams，一款用于手术机器人的实时生成式模拟器
NVIDIA推出了Cosmos-H-Dreams，这是一款面向手术机器人的实时、动作条件生成式模拟器，它将Cosmos-H-Surgical-Simulator的能力蒸馏到一个因果学生模型中。该系统通过NVIDIA的FlashDreams加速流式推理库提供服务，支持在闭环中由人员或学习到的策略进行交互控制。
Black Forest Labs 发布 FLUX 3，一种用于图像、视频、音频和机器人动作预测的多模态流模型
Black Forest Labs 发布了 FLUX 3，这是一种多模态基础模型，能够在单一架构中从图像、视频和音频中学习。它是首款通过一组权重提供视频、音频和动作预测的 FLUX 模型。
Black Forest Labs 发布 FLUX 3 多模态流模型及 FLUX-mimic 机器人模型
Black Forest Labs 推出了 FLUX 3，这是一个包含原生音频视频生成能力的多模态流模型家族。此次发布还引入了 FLUX-mimic，一个专为视频动作机器人应用设计的变体。
NVIDIA NeMo Automodel 借助 Hugging Face Diffusers 实现分布式扩散模型微调
NVIDIA 与 Hugging Face 已将 NVIDIA NeMo Automodel 集成至 🤗 Diffusers 库，为开源扩散模型提供生产级分布式训练。此次合作使用户能够在 Hugging Face Hub 上微调任何 Diffusers 格式模型，无需进行检查点转换或重写模型代码。
Kimi K3发布视频展示了改进的创意任务
一段使用 Kimi K3 作为模型提供商生成的病毒式视频已被分享，展示了其在创意任务中的能力。创作者指出，输出质量感觉比之前使用 GLM 5.2 的例子显著更好。
NVIDIA 讨论将上下文感知的视频 AI 代理集成到企业工作流中
能够感知、推理并对海量视频素材采取行动的视频分析 AI 代理必须与现有工作流程集成才能发挥作用。这些工作流程包括内容管理系统、消息传递平台、数据库、工单队列和升级路径。
NVIDIA DeepStream 9.1 支持多摄像头 3D 追踪
在大型空间中构建视频分析应用的开发人员必须追踪同一对象在摄像头视角之间的移动。单摄像头 2D 追踪缺乏可靠的深度信息，通常在对象离开画面时丢失目标，限制了其在仓库安全、零售分析和智能建筑监控等应用中的使用。