Google DeepMind 为 Gemini 推出智能体视频理解功能
Google DeepMind 在 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 上推出智能体视频理解功能，通过动态检索帧、音频和转录文本，将 token 消耗降低最多 88%、分析成本降低最多 66%、准确率提升最多 7%。
推荐理由：Gemini 新功能给出 token 与成本下降幅度及启用方式，读者可据此评估长视频分析流程的改动空间。
#视频
#视频
今日 2 条Google DeepMind精选AI 评分7878
Google DeepMind精选AI 评分7373 Google DeepMind 发布 Gemini Omni 1.1 Flash，增强生成视频控制能力
Google DeepMind 发布 Gemini Omni 1.1 Flash，面向开发者提供更可控的生成视频能力，通过 Gemini API 在 Google AI Studio 等平台开放。
推荐理由：原文列出场景延展、首尾帧指定、4K 放大等具体能力与开放入口，可据此评估生成视频在开发流程中的可控性。
Hugging Face BlogAI 评分4646 NVIDIA Cosmos-H-Dreams：为手术机器人带来实时生成式仿真
NVIDIA 推出 Cosmos-H-Dreams，一个面向手术机器人的实时、动作条件生成式仿真器，将 Cosmos-H-Surgical-Simulator 蒸馏为因果少步学生模型，并通过 FlashDreams 推理库在单张 NVIDIA RTX PRO 6000 GPU 上运行。
Google DeepMindAI 评分2727 Google DeepMind 与 A24 宣布首个研究型合作伙伴关系
Google DeepMind 与 A24 宣布达成首个研究型合作伙伴关系，双方将围绕多个项目展开深度研发协作，让 A24 及旗下电影人参与塑造新技术。Google 同时对 A24 进行了投资。
Google DeepMind精选AI 评分7878 Google DeepMind 发布 Nano Banana 2 Lite 与 Gemini Omni Flash
Google DeepMind 发布 Nano Banana 2 Lite（gemini-3.1-flash-lite-image）和 Gemini Omni Flash（gemini-omni-flash-preview）两款模型。
推荐理由：两款模型给出明确的延迟、单价与可用入口，读者可据此判断图像与视频生成流水线的成本变化。
Google DeepMind精选AI 评分8080 Google DeepMind 发布 Gemini Omni 系列首个模型 Gemini Omni Flash
Google DeepMind 发布 Gemini Omni 系列首个模型 Gemini Omni Flash，可组合图像、音频、视频和文本输入生成高质量视频，并通过自然语言对话编辑视频。
推荐理由：Gemini 首个 Omni 系列模型发布，多模态输入加对话式视频编辑的入口值得关注。
Hugging Face Blog精选AI 评分6262 Overworld 发布实时视频世界模型 Waypoint-1.5
Overworld 发布新一代实时视频世界模型 Waypoint-1.5，在 RTX 3090 至 5090 等桌面硬件上可生成最高 720p、60 FPS 的实时环境，并新增面向更广泛消费级硬件的 360p 档位。
推荐理由：Waypoint-1.5 用 720p/360p 双档位和消费级硬件本地运行把实时世界模型从演示推向可用。
Google DeepMind精选AI 评分6464 Gemini 应用上线 Lyria 3，可用文字或图片生成 30 秒音乐
Google DeepMind 最新生成音乐模型 Lyria 3 以 beta 形式在 Gemini 应用上线，用户输入文字或上传图片、视频即可生成 30 秒带歌词或纯器乐的曲目，并配 Nano Banana 生成的封面图。
推荐理由：官方披露 Lyria 3 在 Gemini 中的三项能力改进与 SynthID 音频核验入口，可据此判断生成音乐的可用边界。
Hugging Face Blog精选AI 评分7474 Overworld 发布实时交互视频扩散模型 Waypoint-1
Overworld 发布实时交互视频扩散模型 Waypoint-1，可通过文本、鼠标和键盘控制，权重已在 Hugging Face Hub 上线，Waypoint-1-Small 可用，Medium 版即将推出。
推荐理由：Waypoint-1 把交互式世界模型的训练重点放在零延迟控制上，并公布推理库与运行性能数据，可据此判断实时视频生成的落地条件。
Google DeepMind精选AI 评分6060 Google DeepMind 发布 D4RT 统一 4D 场景重建与追踪模型
Google DeepMind 发布 D4RT（Dynamic 4D Reconstruction and Tracking），用统一的编码器-解码器 Transformer 加查询机制，把点追踪、点云重建和相机位姿估计等 4D 任务收敛到单一框架。
推荐理由：官方给出的效率数据与统一查询架构，可用来对照此前需要多模型拼凑的 4D 重建流程。
Google DeepMind精选AI 评分7171 Google DeepMind 更新 Veo 3.1 Ingredients to Video，新增竖屏输出与 1080p/4K 升采样
Google DeepMind 更新 Veo 3.1 Ingredients to Video，即使提示词简短也能生成更生动、有对白和叙事的视频，并改善角色身份、背景与物体跨场景一致性。
推荐理由：官方披露 Veo 3.1 Ingredients to Video 的一致性、竖屏与 1080p/4K 升级及上线渠道，便于判断视频工作流怎么变。
Hugging Face BlogAI 评分2828 Hugging Face 用 Gradio 一条命令为 AI 生成图像、视频和文本添加可见水印
Hugging Face 让 Gradio 应用添加可见水印只需一条命令：图像和视频传入 watermark 参数，文本则在 gr.Chatbot 中设置 watermark，用户复制 AI 回复时自动附加署名。水印支持文件名，图像还支持开放图片和 numpy 数组，并可用 QR 水印承载更多信息、匹配画面风格。官方提供了图像/视频与聊天机器人两个示例 Space 供试用。
Hugging Face BlogAI 评分4646 Hugging Face 发布 TimeScope：视频大模型能处理多长视频？
Hugging Face 开源基准 TimeScope，通过在 1 分钟至 8 小时的长视频中插入 5-10 秒"针"片段，评测视频大模型的定位检索、信息综合与细粒度时序感知三项能力。测试显示，即便 Gemini 2.5-Pro 等领先模型在真正的长视频时序理解上仍显吃力，且视频越长性能下滑越明显。
Hugging Face BlogAI 评分4646 Hugging Face 推出 Remote VAE：用 Inference Endpoints 远程解码扩散模型潜空间
Hugging Face Diffusers 团队试点 Remote VAE，将扩散模型的 VAE 解码交给远程 Inference Endpoints，缓解高分辨率图像和视频生成中解码器显存占用过高的问题，避免 offloading 的设备传输延迟和 tiling 的画质损失。
Hugging Face Blog精选AI 评分6767 Hugging Face 发布 SmolVLM2：256M 到 2.2B 的视频理解模型
Hugging Face 发布 SmolVLM2 系列视频理解模型，包含 2.2B、500M 和 256M 三种参数规模，并同步支持 Transformers 与 MLX。
推荐理由：Hugging Face 发布三档小参数视频理解模型，并给出 iPhone、VLC 等端侧落地方式，可对照其内存与性能取舍。
Hugging Face BlogAI 评分1515 Hugging Face 发布首期 AI 艺术工具通讯，回顾 2024 并预告 2025
Hugging Face 推出首期 AI 艺术工具通讯《The AI tools for Art Newsletter》，回顾 2024 年创意 AI 的关键进展，并预告 2025 年新动向及将启动月度汇总。
Hugging Face BlogAI 评分4848 Diffusers 中的开源视频生成模型现状
Hugging Face 发布 Diffusers 开源视频生成模型现状综述，梳理了 CogVideoX、Mochi-1、Hunyuan Video、Allegro、LTX Video 等模型，并对比 Meta MovieGen、OpenAI Sora、Google Veo 2 等闭源方案。
Hugging Face BlogAI 评分4242 Hugging Face 用 Zeroscope 与 MusicGen 搭建 AI WebTV 实验直播
Hugging Face 推出 AI WebTV 实验性 Demo，用开源文生视频模型 Zeroscope 和音乐生成模型 MusicGen 合成内容并以直播形式播放。
Hugging Face BlogAI 评分3333 深入解析文本到视频模型：从 GAN 到扩散模型的发展与挑战
文本到视频模型正沿文本到图像的技术路径演进：早期用 GAN 与 VAE 自回归生成帧，第二代转向 Phenaki、Make-A-Video、NUWA、VideoGPT、CogVideo 等 Transformer 架构，当前第三代则以扩散模型为主。