#视频

谷歌 YouTube、Chrome 推进 AV2 支持，压缩效率较 AV1 提升近 30%

谷歌已展示 Chrome 浏览器播放 AV2 视频的能力，并确认 YouTube 网页版计划最早于 2027 年初开始提供 AV2 视频。AV2 标准于 2026 年 6 月正式发布，在压缩效率方面较 AV1 提升约 30%，能够在相同码率下提供更高画质，或在维持相近画质的情况下减少带宽占用。

Higgsfield 获英伟达投资

AI视频初创公司 Higgsfield 获英伟达和 TCV 投资，此轮融资为 8 月 B 轮的后续扩展，当时由 DST Global 领投 4 亿美元，公司估值达 54 亿美元。

AnyGameRenderer: 跨游戏实体一致生成渲染器及实体级评测基准

AnyGameRenderer 将 AI 编码 agent 生成的低质量游戏视频转换为高质量视觉内容，保持实体位置、时序和布局不变。该模型基于 MiniMax-H3 ref2va（33B 参数）通过 LoRA 微调训练，使用约 1 万对样本数据，在实体级评测基准中实体时序匹配率从 50.9% 提升至 62.9%，漏检率从 34.7% 降至 21.3%。

《三星堆：未来往事》首部AI院线电影票房遇冷，字节、快手仍冲击大银幕

国内首部AI院线电影《三星堆：未来往事》上映，猫眼淘票票预售票房仅14.4万元，灯塔预测总票房216.9万。尽管资本追捧，但观众付费意愿仍存疑，字节、快手等正通过4K模型、IP合作提升电影级制作能力。

视频：通过阅读、写作、共享与交互理解世界

这篇综述以世界建模为统一框架，分析视频基础模型与视频世界模型的关系，提出四种互补操作：从视频中推断世界属性、根据世界条件合成视频、通过共享建模机制整合理解与生成、在动作与观测下预测和更新世界状态。研究强调从片段级识别向持久状态、可控演化及物理因果有效性的转变，并指出当前面临的开放挑战。

OmniDR-Bench：视频中心深度研究智能体评测基准

研究者提出视频中心深度研究报告生成任务及 OmniDR-Bench 评测基准，包含 50 个中英文任务和 6,414 条评测标准。评测显示最佳系统得分为 63.3 分，当前智能体需提升内容覆盖、跨模态因果分析及引用准确性。代码与数据已开源。

Factor-Aware Predictive Learning for Cinematic Video Generation

研究提出 Factor-Aware Predictive Learning (FAPL)，提升多模态大语言模型在电影视频生成中的特征利用与时间推理能力。该方法通过三阶段训练，在稀疏输入转视频、因子感知编辑和多镜头生成任务上超越基线模型。实验验证了 FAPL 对 MLLM 特征使用、时间控制和因子协调的改进效果。

字节跳动构建完整AI视频工具生态

字节跳动在AI视频工具领域密集布局，已构建包含即梦、小云雀、漫剧创作工具、Dramagic和剪映Hub在内的AI视频工具矩阵，覆盖从影视级创作到UGC内容生产的全场景。即梦AI主打影视级创作，小云雀专注短剧和营销Agent，漫剧创作工具和Dramagic针对漫剧赛道，剪映Hub则打通AI生成和剪辑流程。

字节火山引擎启动 Seedance 2.5 4K 企业试用

字节跳动火山引擎启动 Seedance 2.5 4K 模型的第一批企业用户试用，定向供应给全球20家工作室和导演。该模型主打人物表演更细腻自然、参考生成和编辑的一致性更精细，是Seedance 2.5这一代中的最强模型，目前已有20部作品使用，最早下个月就有卫视S级IP播出。

ALLOT：基于输出测试的视频扩散模型块稀疏注意力训练-free分配方法

ALLOT 通过单元探测和轨迹校准优化视频扩散模型的块稀疏注意力分配，在相同或更短 wall-clock 时间下，于 HunyuanVideo 上实现 11.8 dB PSNR 提升，并在九种设置中优于或持平默认策略。

自回归视频生成模型中的未来块预测方法

研究提出未来块预测（FCP）辅助目标，通过预测时间分离的视频块来提升视觉演化建模能力。FCP 在无需额外预训练视觉编码器的情况下，以更低训练计算成本实现更优物理合理性。该方法可能促进更结构化的表示空间构建，对自回归世界模型开发有潜在价值。

Joints, Camera, Action! 协同生成任意骨骼结构的3D运动与视频

研究人员提出了一种新模型，能够直接协同生成任意骨骼结构的3D运动和视频，同时定位关节位置并恢复相机姿态。该模型通过分离运动模型与视频模型，使用交叉注意力层连接，支持从文本生成多样化骨骼动画，并能将视频转换为骨骼运动，实现关键帧控制。研究团队使用生成式视频编辑器创建了近20万训练对，评估显示该方法比视频优先管道更忠实于原始动作。

Matrix-Game 4.0：利用视频模型实现实时可玩游戏世界

Matrix-Game 4.0通过分离游戏执行与视觉生成，实现了480p分辨率、60FPS的实时游戏体验，在NVIDIA RTX5090上按键到显示延迟为112ms。该系统使用轻量级游戏引擎维护世界状态，多模态编码代理将玩家想法转化为游戏代码，基于自回归视频模型的渲染器将引擎渲染的低多边形代理转换为详细视觉效果。

同一件事，精选收录的是《昆仑万维发布Matrix-Game 4.0视频大模型游戏》

DeOverlay: 视频叠加层移除基准与源锚定流程

DeOverlay 提出源锚定流程模型，通过区域加权流匹配和可见性归一化时间聚合重建视频，在 DVTE-Bench 上超越四个基线，Mask LPIPS 和 Mask VFID 分别降低 58.3% 和 70.3%。该基准包含 1,631 对视频，覆盖八类文本叠加层。

智象元一押注模型与工作流协同提升AI视频生成交付能力

智象元一在云栖大会表示，AI视频生成已进入从'能用'到'好用'的拐点，公司通过HiDream-O1-Video-1.0模型和帧赞智能体，解决物理一致性与工作流协同问题，提高交付成功率。

AI漫剧概念震荡走高 粤传媒、城市传媒双双涨停

早盘AI漫剧概念震荡走高，粤传媒、城市传媒涨停，德才股份、博纳影业等涨幅靠前。腾讯近期上线微信生态“绿泡泡短剧”小程序，对标字节跳动红果短剧，引发行业关注。

StreamEval: 评估交互式流式视频生成模型

StreamEval 是一个统一的交互式流式视频生成基准，涵盖五个任务：头像对话、头像表演、世界生成、指令编辑和参考编辑。该基准包含300个测试用例，通过四个维度评估模型性能：任务执行、状态一致性、视觉保真度和视听协调。评估37个模型后发现，高视觉质量和身份保留并不一定可靠的任务执行或持续的状态一致性。

Code2Video-Compass: 通用代码生成视频评测基准

Code2Video-Compass 发布，涵盖 T2V/I2V/V2V 三类视频生成，包含 2,104 项任务和 17 项评测指标。评测显示 15 个 MLLM 在高复杂度任务中表现下降，需提升视频质量与指令对齐能力。

Kling AI发布4.0版本，增加立体声音频和多语言口型同步

Kling AI发布4.0版本，支持30秒单次视频生成、10关键帧控制和8000 token提示理解。新增立体声音频、多语言口型同步功能，并推出轻量级Flash变体。与竞品对比显示逻辑镜头序列、物理效果和对话自然度仍有提升空间。

TwelveLabs Pegasus 1.5 现已在 Amazon Bedrock 上线

TwelveLabs Pegasus 1.5 视频语言模型现已登陆 Amazon Bedrock，可将长视频转化为带时间戳的结构化元数据。新版本支持基于时间的元数据生成、多模态提示（结合文本和参考图像）以及即时处理，无需预索引即可分析长达两小时的视频。用户可直接从 Amazon S3 URI 或 base64 字符串发送视频，数据保持在 AWS 数据边界内。

NVIDIA 推进媒体领域智能安全框架，联合 EBU 扩展欧洲公共广播主权方案

NVIDIA 与欧洲广播联盟（EBU）扩展主权媒体框架，整合云服务商、开源模型和集成商，保障广播机构数据主权与安全；Adobe Frame.io 借助 NVIDIA GPU 加速视频搜索，实现 5 倍嵌入生成速度提升，支持 UFA 快速定位历史素材。

视频生成AI公司争抢'第一股'

可灵AI上半年收入突破15亿元，估值达1228亿元；爱诗、生数、演语等多家公司传出上市消息，争抢'视频生成第一股'。AI短剧市场规模预计全年突破400亿元，但行业面临算力成本高、盈利难、监管趋严三重挑战，万播收益近一年跌幅达90%。

Arena 公布 2026 年第 42 周 AI 大模型周榜：国产模型多领域站稳中上游，kimi-k3-max 杀入代码榜前十

Arena 发布 2026 年第 42 周 AI 大模型盲测排名，kimi-k3-max 首次稳定在代码榜前十，mimo-v2.6-pro 首次进入前端开发榜前 20。国产模型在综合榜、代码榜和前端开发榜多个细分榜单保持中上游位置，gemini-4-argon-high 以 1562 分蝉联代码榜榜首。

豆包发言人辟谣：字节跳动仅10%算力用于视频生成模型

字节跳动算力中仅约10%用于视频生成模型训练和推理，此前“国内超一半算力在造爽剧”的数据被指不靠谱。

VideoMaMa++: 通过保留和精炼实现时间一致视频抠图

VideoMaMa++ 提出基于扩散模型的视频抠图框架，通过保留和精炼 token 实现跨块边界的时间一致性，在长视频中优于现有方法。该框架采用双流 token 交互和滑动窗口推理，在标准基准和真实长片段中均提升细节准确性和时间一致性。

PVBench：通过物体级物理测量量化视频生成中的物理合理性

研究团队发布PVBench基准，通过46个维度评估视频生成的物理合理性，涵盖几何、动力学、守恒定律等七个领域，包含600个提示词，30%涉及物理智能体。该基准结合专业视觉模型进行可验证的物理测量，并验证了自动指标与人类判断的一致性。

StreamingSwap：基于身份感知监督与上下文高效生成的实时视频换脸框架

StreamingSwap 实现单卡 RTX 4090 上 20 FPS 的实时视频换脸，支持长达 10 分钟的稳定生成。该方法通过联合身份监督损失和短上下文训练优化身份转移与视觉质量，并发布包含 1000 小时训练数据的 HumanFaceVid 数据集。

腾讯推出绿泡泡短剧小程序，布局AI内容生态

腾讯在微信生态内上线绿泡泡短剧小程序，主打免费好剧。此举被视为腾讯在AI战略下的防守与进攻，旨在守住用户注意力总时长，同时为混元视频生成模型提供技术验证和商业化场景。绿泡泡短剧采用社交推荐模式，与微信生态深度融合，为腾讯AI视频生成模型提供落地应用和变现渠道。

视频推理分割中的时空链式视频原语方法

研究提出 TCoVP 方法，通过时空链式视频原语解决视频推理分割中的视觉参考缺口，在五个 VRS 基准测试中验证性能，模型与代码将开源。

可灵AI发布Kling 4.0视频生成模型

可灵AI于10月15日发布Kling 4.0视频生成模型，支持4K、1080p的10-bit HDR格式输出，单次生成视频最长可达30秒，支持长镜头与连续叙事。该模型已在韩国釜山电影节上用于制作AI短片《虫族列车》，并计划应用于105分钟动画长片《疍家风云》。Kling 4.0全量上线后能力接入MCP/CLI，可被集成到AI编剧Agent、剪辑流水线等专业场景。

字节整合AI视频生态，独立创业公司面临挑战

字节通过剪映Hub整合AI视频创作能力，生数科技、演语科技等独立AI视频平台面临巨头生态挤压。生数科技发布Vidu Q4 Preview模型，价格降至0.09元/秒，而字节通过剪映会员体系和抖音流量扶持，正在重构AI视频创作产业链。

TVB 与红果合作竖屏剧《金枝欲孽之宫墙折柳》在横店开机

TVB 与红果短剧合作推出《金枝欲孽之宫墙折柳》，10月16日在横店开机。该剧为经典IP《金枝欲孽》番外篇，采用竖屏短剧形式，以传统大剧规格制作。TVB借此进军竖屏剧赛道，目标为年轻市场提供精品微短剧。

昆仑万维发布Matrix-Game 4.0消费级显卡视频大模型游戏并开源

昆仑万维发布Matrix-Game 4.0，这是世界上第一款运行在单张消费级显卡上的视频大模型游戏，可在480p、60 FPS下实时运行，端到端延迟低于150毫秒，项目已同步开源。

快手可灵 AI 模型 Kling 4.0 全量上线，单次生成视频最长可达 30 秒

快手可灵 AI 宣布 Kling 4.0 正式全量上线，画面真实感、创意可控性和叙事完整度大幅提升，支持单次生成最长 30 秒视频，4K、1080p 的 10-bit HDR 格式输出即将上线。

NVIDIA Broadcast 2.3.0 发布：兼容 RTX Spark，实验性支持视频超分与帧生成

NVIDIA Broadcast 2.3.0 新增对 RTX Spark 设备支持，测试版引入视频超分辨率与帧生成 AI 效果。支持将效果应用到本体媒体文件，可通过 MCP Server 接入 AI 智能体，并提供四种专业调校麦克风配置文件。

ArtCraft 全系如意玲珑版上架商店

ArtCraft 全系十三款应用完成玲珑格式打包，上架如意玲珑应用商店，提供 Adobe 全家桶的 Linux 原生替代方案。

AI视频行业进入价格战阶段，中国厂商推动模型进入工业化生产时代

快手可灵AI发布Kling 4.0和轻量版Flash，生数科技推出Vidu Q4 Preview，AI视频模型价格从'元'时代进入'分'时代。中国模型在性能、价格和效率上形成竞争优势，推动AI视频从可生成转向可交付，进入工业化生产阶段。