今日凌晨，Xmax AI全球首发实时交互视频模型X2.0，带来全球首个“可玩”的实时交互体验。模型主打实时渲染、次元交互、触屏交互及Free模式，用户可通过摄像头实时换人换装、在现实中召唤互动虚拟角色，或触控唤醒静态图像。技术上，X2.0采用流式生成实现毫秒级响应，单张消费级显卡即可满血运行，更是全球首个支持iPhone本地运行的同类模型。目前Xmax已开放API，成本仅为海外头部模型的十分之一，未来将深度赋能电商试穿、虚拟陪伴、直播互动等千行百业，全面重构视频交互范式。

7月9日，蚂蚁灵波正式开源全球首个面向具身智能的大规模MoE视频基础模型及物理引擎LingBot-Video。与侧重画质的通用模型不同，它专为机器人打造，核心聚焦物理规律。其采用MoE架构，30B参数推理仅激活3B，大幅降低成本；引入超7万小时具身视频数据，并加入多维强化学习奖励系统，确保生成内容符合物理逻辑。目前，该模型已在RBench评测中超越业内通用标杆。LingBot-Video不仅能生成视频，更可作为机器人的数据引擎、策略评估器与动作规划器，标志着AI视频模型正从内容创作工具向物理世界模拟器迈进，为下一代机器人大脑奠定基础。

近日，短视频中频繁出现同一张“AI标准美女脸”，引发网友审美疲劳与集体吐槽，直呼“快看吐了”。这张五官精致的脸跨越年龄与性别，充斥各类角色。其背后原因有二：一是平台为追求生成稳定，默认开启“提示词优化”，将简单指令自动扩充为包含固定外貌特征的长句，形成流水线作业；二是AI模型存在审美偏见，训练数据将“网红脸”固化为美女标准，且为维持视频帧间一致性，模型更偏爱五官对称、不易崩坏的“平均脸”。平台、用户与模型的三方妥协造就了同质化AI脸。这不仅引发恐怖谷效应，更折射出大众对审美被AI压迫及信息流同质化的本能抗拒，毕竟没有灵魂的假脸难以让人喜爱。

标题：CVPR 2026 视频模型趋势：从生成到理解动态世界 视频智能正从画面生成迈向运动控制、动态建模和信号理解。过去，视频生成主要关注“像不像”，如人物清晰度、画面流畅性和风格统一性。然而，随着技术发展，研究者发现视频不仅是连续帧的播放，而是一个由时间、空间、运动、光照和物理规律构成的复杂系...

2026年1月，Runway发布全新视频生成模型Gen 4.5，其逼真效果引发热议。该模型在镜头控制、叙事连贯性及角色一致性上表现突出，能生成包含近景、中景和远景的多镜头视频，细节处理接近真实摄影水准。调查显示，在1000名参与者中，仅57.1%的人能分辨AI生成视频与真实视频的区别。此外，当前视频生成技术正快速升级，行业趋势包括提升真实度、声画同步能力以及支持更长视频生成时间。Runway的更新标志着AI视频生成进入更高水平，商业化应用前景可期。

12月16日，阿里发布新一代万相2.6系列模型，面向专业影视制作与图像创作场景升级，是国内首个支持角色扮演功能的视频模型。该模型具备音画同步、多镜头生成及声音驱动等能力，被称为全球功能最全的视频生成模型。目前，万相2.6已同步上线阿里云百炼平台及万相官网，为用户提供更高效的创作工具。（记者 黄心怡）

Midjourney发布首个视频模型V1，虽不卷分辨率和长镜头，但凭借精准调色和高辨识度风格收获好评。用户可通过“Animate”按钮将图像转为视频，默认生成4段5秒视频，最长可达21秒。视频功能已纳入现有订阅体系（10美元/月），但存在功能限制，如无音效、时间轴编辑及API接入支持，且分辨率仅480p。尽管如此，其独特的氛围感和流畅动态受到认可，从日式电车站到极光雪地场景均展现高质量生成效果。Midjourney目标是构建“世界模型”，视频模型为其重要阶段性成果，未来还将推出3D模型与实时系统。

标题：不是视频模型“学习”慢，而是LLM走捷径｜18万引大牛Sergey Levine 闻乐 发自 凹非寺 量子位 | 公众号 QbitAI 为什么语言模型能从预测下一个词中学到很多，而视频模型却从预测下一帧中学到很少？UC伯克利大学计算机副教授Sergey Levine提出了这一疑问。他曾...

过去一个月，随着Sora正式开放，视频模型赛道进入新一轮竞争。谷歌推出Veo 2，国内的可灵、Minimax也更新。Sora虽曾惊艳，但在正式发布后遭吐槽，表现不如新发布的视频模型。 笔者选取了腾讯元宝、字节即梦AI、快手可灵AI、生数科技Vidu 1.5、Pixverse、海螺AI（MiniMax...

把Runway、Luma们一锅端了！这款视频模型上“杀手级”功能：一致性魔咒终于打破 三张图攒一个毫无违和感的视频！ 视频模型领域再掀波澜，国产视频模型Vidu凭借其新功能“多主体一致性”打破了业界难题。 多主体一致性功能 Vidu的新功能支持上传1～3张参照图，以实现对多主体的精准控制。例如，上传...