12月19日，上海交通大学科研团队在新一代光计算芯片领域取得突破，首次实现支持大规模语义媒体生成模型的全光计算芯片LightGen，成果发表于《科学》杂志。该芯片利用光场传播完成计算，具备高速和并行优势，可解决传统芯片算力与能耗瓶颈问题。实验表明，即便使用性能滞后的输入设备，LightGen仍比顶尖数字芯片提升2个数量级的算力和能效。其突破了三大关键技术瓶颈：单片上百万级光学神经元集成、全光维度转换及无需真值的光学生成模型训练算法，实现高分辨率图像、3D、视频生成等复杂任务。这一研究为光计算芯片助力人工智能开辟新路径，推动更高效智能计算发展。

12月18日，美团LongCat团队正式发布并开源虚拟人视频生成模型LongCat-Video-Avatar。该模型基于LongCat-Video基座开发，支持Audio-Text-to-Video、Audio-Text-Image-to-Video及视频续写功能，在动作拟真度、长视频稳定性与身份一致性上实现突破。其技术亮点包括同步指挥嘴型、眼神、表情和肢体动作，以及在‘静音’状态下自然表现眨眼、调整坐姿等行为，赋予虚拟人更真实的生命力。据官方介绍，这是首个同时支持文字、图片、视频三种生成模式的全能模型，并在多个权威数据集评测中达到SOTA领先水平。项目已开源，可通过GitHub、Hugging Face及官方项目页面获取。

12月18日，微软开源全新AI工具TRELLIS.2，这是一款专为高保真图像到3D生成设计的大型模型，具备40亿参数。它基于原生3D VAE构建，可生成高达1536³ PBR纹理资产，支持16倍空间压缩，实现高效、高分辨率3D资产生成。该工具采用创新的O-Voxel稀疏体素结构，能处理复杂拓扑和锐利特征，并支持完整PBR材质建模（如颜色、粗糙度、金属度等），带来照片级真实感渲染。在英伟达H100 GPU上，生成512³分辨率模型仅需约3秒。此外，TRELLIS.2简化了数据处理流程，无需额外渲染或优化，极大提升了转换效率。项目已上线GitHub和Hugging Face，供开发者体验。

11月26日，Black Forest Labs发布新一代图像生成模型FLUX.2，专为实际创意工作流程设计。该模型可同时参考最多10张图像，支持高精度细节和照片级真实感，文本渲染更成熟，能准确遵循用户提示，对现实世界的理解显著提升，并支持4MP图像编辑。FLUX.2系列包含多种版本，部分以开放权重形式提供，为创作者提供更多灵活性。这一发布标志着AI图像生成技术在实用性和性能上的进一步突破。

11月21日，腾讯混元大模型团队宣布开源最新视频生成模型HunyuanVideo 1.5。该模型基于Diffusion Transformer（DiT）架构，参数量为8.3B，是一款轻量级工具，可生成5-10秒高清视频。据悉，这一模型已在“腾讯元宝”平台上线，进一步提升了视频生成的效率与质量。此次开源将为开发者和研究者提供更强大的技术支持，推动视频生成领域的发展。（记者 李佳怡）

北京时间11月21日，谷歌发布Nano Banana Pro图像生成模型，基于Gemini 3 Pro打造。新模型在细节表现、分辨率、文本渲染及多语言支持上显著提升，并新增编辑功能与互联网搜索能力，可生成清晰文字、调整图像角度和焦点，最高支持4K分辨率。Nano Banana Pro适合制作PPT、信息图表等，最多处理14张图像或5个角色，保持一致性。该工具已在Gemini应用上线，免费用户可试用但有配额限制，订阅用户享有更高权限，未来将率先向Ultra用户开放Flow工具中的功能。

10月24日，火山引擎正式上线豆包视频生成模型1.0profast。新模型在继承Seedance1.0pro核心优势基础上，生成速度提升约3倍，720P的5秒视频仅需10秒完成，价格直降72%。官方数据显示，制作一条5秒1080P视频成本为1.03元，万元预算可生成9709条视频，效能较pro版提升3.56倍，较lite版提升2.38倍。此外，模型强化了指令遵循、多镜头叙事和细节表现力，在图生视频方向效果优于全球主流模型Veo 3.0 Fast，实现高效降本的同时保持高质量内容产出。

美团最新开源的视频生成模型LongCat-Video，以13.6B参数量成为当前开源领域的SOTA（最佳性能）模型。这款模型支持文生视频、图生视频以及视频延长功能，能够生成长达数分钟的高质量视频，画质清晰且物理逻辑逼真。 官方演示中，无论是空中滑板、特效变身，还是第一视角骑行视频，LongCat-V...

10月27日，美团LongCat团队发布并开源LongCat-Video视频生成模型。该模型在文生、图生视频任务上达到开源SOTA水平，支持分钟级长视频连贯生成，保障跨帧时序一致性与物理运动合理性。基于Diffusion Transformer架构，模型通过“条件帧数量”区分任务，原生支持文生、图生及视频续写三大核心功能，形成完整任务闭环。其文生视频可生成720p、30fps高清内容，精准解析文本细节；图生视频严格保留图像属性与风格；视频续写是其核心能力，支持多帧续接长视频内容。依托创新机制，模型可稳定输出5分钟级长视频，无质量损失。项目已开源，详见GitHub与Hugging Face链接。

10月27日，美团LongCat团队正式发布并开源视频生成模型LongCat-Video。该模型针对高分辨率、高帧率视频生成的计算瓶颈，采用“二阶段粗到精生成（C2F）+ 块稀疏注意力（BSA）+ 模型蒸馏”三重优化技术，将视频推理速度提升至10.1倍。这一创新显著提高了视频生成效率，为行业带来突破性进展。