> 本期AI资讯涵盖了业界的多个热点：从OpenAI考虑进行可能创纪录的IPO，到马斯克旗下xAI再次拥抱开源；从大模型价格战的意外反转，到Meta因训练数据来源陷入法律纠纷；同时，苹果和OpenAI在长视频理解与蛋白质科学领域也取得了显著的技术突破。

## 月耗35万惹官方限速，中国AI“榜一大哥”已年入千万

一位中国用户因每月消耗高达35万元人民币的Token，导致Claude官方不得不对其进行限速。这位被戏称为“榜一大哥”的用户，尽管因其巨大的使用量引发了广泛讨论乃至一些负面吐槽，但据报道，他已经成功利用AI技术实现了年收入超过千万。该用户甚至认为，他的高额使用行为为平台带来了广告效应，官方应向其支付相应的广告费用。

![image.png](https://static.downly.cn/images/bd52f75e05bca1f20ec1565ee34ebd39.png)

## AI巨头或将上市，OpenAI高管首次明确提及IPO计划

OpenAI的首席财务官Sarah Friar在一次公开活动中明确表示，公司正在考虑未来的某个时间点进行首次公开募股（IPO）。这是OpenAI高层首次就IPO计划发表明确言论。尽管具体的上市时间表尚未透露，但考虑到公司最近一次员工股票出售时的估值已高达5000亿美元，若成功上市，OpenAI的IPO有望成为全球科技领域有史以来规模最大的一次。

![image.png](https://static.downly.cn/images/3a431f6222030135f2b05d5cbdb074d2.png)

## 价格战急刹车？超七成大模型厂商被曝悄然涨价

曾被认为会持续下去的大模型“价格战”似乎出现了逆转迹象。根据最新的市场调查，超过七成的大模型厂商在近期调整了其定价策略，选择了涨价而非降价。业界对此看法不一，有专家认为技术进步和算力成本下降长期来看仍会推动价格降低，但也有观点指出，高昂的研发投入、模型优化成本以及复杂的市场竞争格局，共同导致了当前价格不降反升的局面。

![image.png](https://static.downly.cn/images/336106f882468bce175bba7fb51f32f1.png)

## 马斯克再投开源“炸弹”，xAI宣布开源Grok 2.5

埃隆·马斯克旗下的AI公司xAI再次向开源社区贡献重磅成果，正式宣布开源Grok 2.5模型。马斯克还预告，功能更强大的Grok 3模型也计划在未来半年内开源。与此同时，Grok App也迎来了更新，优化了其图像生成（Imagine）功能，增强了AI伴侣（Companions）的趣味性，并全面开放了视觉（Vision）模式，这标志着xAI在推动AI技术开放性和功能迭代上又迈出了重要一步。

![image.png](https://static.downly.cn/images/6ab7b1a21b25045bc060411495c297b2.png)

## 苹果AI发力，新型长视频理解模型刷新多项纪录

苹果公司的研究团队近期开源了一款名为SlowFast-LLaVA-1.5的多模态大语言模型，该模型在长视频理解领域取得了突破性进展。无论是在1B、3B还是7B的参数规模下，该模型均在LongVideoBench、MLVU等多项行业基准测试中创造了新的最高纪录。这一成果充分展示了苹果在处理和理解复杂长视频内容方面的强大技术实力。

![image.png](https://static.downly.cn/images/9a29d07f2b63a6e013c6af193d7e1a28.png)

## 深入生命科学，OpenAI发布首个蛋白质专用模型

OpenAI将其强大的AI技术拓展到了生命科学领域，并披露了其首个蛋白质专用模型的更多细节。这款被称为“GPT-4o蛋白质专用版”的模型，对诺贝尔奖级别的研究成果进行了改进，能够高效处理复杂的蛋白质序列和结构数据。据称，其在特定任务中的表达量提升了高达50倍，有望在药物发现、疾病诊断等生物技术领域极大地加速科研进程。

![image.png](https://static.downly.cn/images/ad74cdede125983998f80127849e91c8.png)

每日AI资讯0824：OpenAI考虑IPO、大模型价格战反转




# AI资讯周报：国产模型突破极限，AI浏览器开启新一轮入口争夺战

> AI界风起云涌，从国产多智能体系统在“人类最后考试”中取得历史性突破，到开源模型在跨模态推理上比肩人类专家，技术竞赛持续升温。与此同时，AI应用正加速渗透，OpenAI与Perplexity纷纷布局AI浏览器，意图抢占下一代互联网入口；行业巨头则通过巨额融资和开源新工具，积极构筑未来生态壁垒。

## 国产AI再创佳绩 X-Masters攻克“人类最后考试”

上海交通大学与深势科技团队合作开发的X-Masters多智能体工作流系统，在极具挑战性的“人类最后的考试”（AIBench-Eval）中取得了32.1分的成绩，首次突破30分大关。该系统通过模拟人类研究者的动态解题过程，并利用创新的“分散-堆叠式”智能体工作流，显著提升了AI在生物、医学等复杂领域的推理与解决问题的能力，标志着通用人工智能发展的重要一步。

![image.png](https://static.downly.cn/images/d803d07940df547259207170e2ce319e.png)

## 昆仑万维Skywork-R1V 3.0发布 跨模态能力媲美人类专家

昆仑万维最新推出的开源模型Skywork-R1V 3.0，在多模态推理能力上实现了巨大飞跃，其表现可与初级人类专家相媲美。该模型通过高质量的蒸馏数据与强化学习进行训练，在MMMU、物理、逻辑和数学等多个权威评测中，其性能超越了包括Claude-3.7-Sonnet和GPT-4.5在内的顶尖闭源模型，展示了强大的跨模态理解与推理实力。

![image.png](https://static.downly.cn/images/4ca7ea45f38d5b159a181ea2bdb97ad1.png)

## 法国AI新星Mistral寻求10亿美元融资 剑指欧洲AI霸主

法国AI初创公司Mistral正在寻求高达10亿美元的股权融资及数亿欧元的债务融资，以巩固其在欧洲市场的领导地位。此轮融资将用于加速其前沿模型的研发与市场拓展。同时，Mistral计划与MGX及英伟达合作，共同建设欧洲最大的AI数据中心园区，旨在提升欧洲AI产业的基础设施水平，确保其在全球AI竞赛中的战略主权。

![image.png](https://static.downly.cn/images/806e680175b9bed4f1fcf8948789a80b.png)

## Hugging Face推出3B参数小模型SmolLM3 高效AI新选择

Hugging Face最新发布了仅有3B参数的开源语言模型SmolLM3。尽管模型小巧，但其性能卓越，在多项基准测试中超越了同级别甚至4B参数的模型。SmolLM3支持双模式推理、长达128K的上下文窗口，并覆盖六种语言，专为边缘计算设备优化，为开发者和企业提供了一个高性价比的AI解决方案。

![image.png](https://static.downly.cn/images/ed639120f5ffdef16b1bfe4253ffd84b.png)

## Vidu Q1功能震撼升级 AI视频生成迈入多参考图时代
<video src="https://static.downly.cn/images/779d5a1303e08f57f65df80145429cda.mp4"  title="30948198649-1-16.mp4"></video>
生数科技旗下的视频生成模型Vidu Q1迎来重大更新，推出“参考转视频”功能。新功能允许用户上传最多七张参考图像，并结合文本提示，生成视觉风格高度一致的1080p高清视频。这一突破有效解决了多场景和多主体连贯性的行业难题，极大地提升了内容创作者在复杂叙事和细节呈现上的创作自由度。

![image.png](https://static.downly.cn/images/565461c3ed685e8d8e89fd04aa40dfaa.png)

## NovelAI开放经典动漫模型权重 仅限非商业研究

知名AI内容创作平台NovelAI宣布，即将开放其已停用的Stable Diffusion 1.5动漫模型权重。该模型被命名为NovelAI Diffusion V2，虽然是旧版本，但其在动漫风格生成上仍有很高的参考价值。此次开放主要面向研究人员和爱好者，并规定仅可用于非商业目的。

![image.png](https://static.downly.cn/images/a83a9d01bdf573f1648822e039478611.png)

## AI开发者新宠 Hugging Face开源桌面机器人Reachy Mini

Hugging Face与Pollen Robotics合作，推出了一款面向AI开发者的开源桌面人形机器人Reachy Mini。这款机器人是进行人机交互、编程学习和AI实验的理想工具。它提供了299美元的Lite版和449美元的Wireless版，尽管功能仅限于旋转和头部移动，其在预售阶段仍获得了超过13万欧元的资金支持，显示出开发者社区的巨大热情。

![image.png](https://static.downly.cn/images/5cfa29b44dfc14f44bbc061c50db8c1c.png)

## 谷歌开源MCP数据库工具箱 赋能AI Agent数据操作能力

为了增强AI Agent的数据处理能力，谷歌最新开源了名为MCP Toolbox for Databases的工具集。该工具箱旨在帮助AI Agent轻松连接并操作各类数据库，它支持广泛的数据库类型和客户端接入方式，极大地扩展了AI在数据管理和分析领域的应用潜力，让AI能更深入地参与到企业的数据工作流中。

![image.png](https://static.downly.cn/images/a02429e55ac6b33d5ec1801feaf99832.png)

## AI浏览器争霸战打响 OpenAI与Perplexity入局

AI搜索领域的竞争正从聊天框延伸至浏览器本身。据报道，OpenAI计划在未来几周内发布一款AI浏览器，旨在通过深度集成AI功能重塑用户的网页浏览体验，将部分交互保留在ChatGPT生态内。与此同时，其竞争对手Perplexity也已正式推出AI驱动的网页浏览器Comet，初期面向月费200美元的Max计划订阅用户开放，意图通过提供更智能、更高效的信息获取方式，抢占下一代流量入口。

![image.png](https://static.downly.cn/images/9389050cfda508026cbea75d1f5cbde9.png)

## YouTube加强内容审核 打击AI生成的低质视频

随着AI生成内容的普及，对“AI垃圾内容”的担忧日益加剧。为此，YouTube正准备更新其平台政策，以打击那些“批量生产”和“重复性高”的视频。YouTube的创作者联络人表示，这次调整是现有政策的延续和强化，旨在维护平台内容的质量和原创性，确保观众获得有价值的观看体验。

![image.png](https://static.downly.cn/images/367f9f2f36a0fbf8bd2713f737883aac.png)





AI每日资讯0710

> 本期AI快讯为您带来最前沿的技术突破与应用创新。 焦点包括中科院推出的Stream-Omni全能交互模型，能同时处理文本、视觉与语音；Anthropic正在测试数学能力超群的Claude Neptune v3新模型；智元机器人发布了可自如切换轮式与足式形态的“哪吒”机器人；一款名为Glass的开源AI桌面助手也因其高效的隐形辅助功能而备受关注。 此外，业界还在探索比Prompt更高效的Context Engineering交互方案，同时飞渡科技、腾讯混元和ChatGPT也分别在数字孪生、3D建模和教育功能上带来最新动态，共同描绘了AI技术加速融入生产与生活的全新图景。



## 飞渡“峥嵘”出鞘，数字孪生迈入AI驱动新纪元

飞渡科技最新发布的“峥嵘大模型”在数字孪生领域取得了显著突破。该模型凭借其卓越的建模精度和语义理解能力，已在国际评测中斩获领先地位。它的出现有望为灾害模拟、文化遗产保护等复杂场景提供强大的技术支持，推动行业的智能化进程。飞渡科技表示，将逐步开放模型的API与Demo，赋能更多开发者，共同探索数字孪生技术的广阔前景。

![image.png](https://static.downly.cn/images/585fff30d43c5d291364945be36464e3.png)

## 打破模态壁垒，中科院Stream-Omni实现全能人机交互

中国科学院计算所自然语言处理团队推出了名为Stream-Omni的多模态大模型，该模型基于GPT-4o架构，实现了文本、视觉、语音三种模态的同步交互。 Stream-Omni的创新之处在于通过更精细的模态关系建模，减少了对大规模三模态训练数据的依赖，实现了高效的模态对齐。 其独特的语音建模方式，可以在语音交互中实时输出中间文本，带来了“边看边听”的自然体验，在多项评测中，其语音交互能力显著优于现有技术。

![插图：一个科技感十足的界面中央，一个AI助手图标同时连接着声波、图像和文本符号，三者和谐地融合成一个整体，代表着无缝的多模态交互。](https://static.downly.cn/images/301c83d0702db98302886daedb029948.png)


## 你的AI桌面搭档，开源助手Glass让工作与学习隐形增效

近期，一款名为Glass的开源AI桌面助手在开发者社区迅速走红。 它以独特的“隐形”设计著称，能在后台静默运行，不干扰用户正常操作，同时捕捉屏幕活动与音频信息，将零散内容转化为结构化知识。 无论是在线会议的实时纪要、学习资料的自动整理，还是编程时的代码建议，Glass都能提供强大的上下文理解与支持，显著提升工作与学习效率。 由于其完全开源和免费，Glass在社区中获得了广泛的支持与关注，展示了AI工具在个性化与透明化方向的巨大潜力。

![插图：一个整洁的电脑桌面上方，悬浮着一个由半透明线条构成的AI大脑，它正在悄无声息地处理着屏幕上的会议视频、代码和文档，并将信息整理成有序的节点。](https://static.downly.cn/images/523f22543dd561d381ad8e23ade5a142.png)


## 数学天才还是安全卫士？Claude Neptune v3引发AI社区热议

Anthropic公司正在内部测试一款代号为“Claude Neptune v3”的全新AI模型。 据悉，该模型目前正处于严格的内部安全测试阶段，以确保其系统的稳健性。 尽管官方尚未公布具体性能，但社交媒体上的早期反馈显示，其在数学推理方面表现极为突出，性能或可媲美业界顶尖模型。 社区猜测，Neptune v3可能是Claude 4.5的预演，也可能是一次重大的技术飞跃，旨在全面增强代码生成、复杂推理及多模态处理能力，以应对日益激烈的市场竞争。

![插图：一个充满神秘感的AI形象，一半是复杂的数学公式和几何图形，另一半是坚固的数字盾牌，背景是代码和数据流，象征着其兼具强大的推理能力和安全性。](https://static.downly.cn/images/06684437de5caf68895578bb5d82480e.png)


## “哪吒”机器人再进化，智元灵犀X2-N实现轮足切换自如

智元公司最新发布的“哪吒机器人灵犀X2-N”展示了其在机器人领域的创新实力。 该机器人最大的亮点是其独特的轮足一体化双形态设计，可以根据地形需求在轮式和足式之间自由切换。 在足式状态下，它能轻松攀爬台阶，即使负重近12斤也能保持稳定；切换为轮式后，则能高效移动，轻松应对斜坡、单边桥等复杂路况，并展现出强大的抗冲击能力。 这种设计极大地增强了机器人在现实世界中的灵活性和适应性。

![插图：一个“哪吒”机器人正从足式形态流畅地变为轮式形态，一半身体是迈步的姿态，另一半身体是滚动的车轮，背景是复杂的工业环境，凸显其适应性。](https://static.downly.cn/images/2655fd8f441dca7c5ed969e81f3f8766.png)


## 告别低效Prompt，Context Engineering定义AI交互新范式

一种名为“Context Engineering”的AI交互新方法正受到关注，它被认为是比传统Prompt工程更高效的解决方案。相比反复调试提示词，[Context Engineering](https://github.com/coleam00/context-engineering-intro)通过构建和管理AI的上下文环境，能有效降低AI任务的失败率、确保输出的高度一致性，并支持更复杂功能的实现。此外，该方法还具备一定的自我纠错能力，进一步提升了AI系统的可靠性。

![插图：一张对比图，左边是一个用户对着AI输入框苦恼地修改着冗长的Prompt，右边是一个清晰的、结构化的上下文模块被轻松地插入AI系统中，系统随即产出精准结果。](https://static.downly.cn/images/92bd2a5a8a3337dc489c6d8d276ba450.png)


## 腾讯混元新突破，Hunyuan3D-PolyGen让高质量3D建模一键生成
<video src="https://static.downly.cn/images/d0a427bfa4c5c43f3de0d89d68ed32f6.mp4"  title="30910646677-1-16.mp4"></video>
腾讯混元团队发布了具备智能重拓扑功能的Hunyuan3D-PolyGen模型，旨在解决3D内容创作中的一大难题。该模型能够生成高质量且几何形状复杂的3D模型，并且支持多种专业的网格格式，使其产出物可直接应用于游戏开发、动画制作等专业场景。这一进展将大幅降低3D建模的技术门槛和时间成本，推动相关产业的创作效率。[官方体验地址](https://3d.hunyuan.tencent.com/login?redirect_url=https://3d.hunyuan.tencent.com/)

![插图：一只手点击屏幕上的“生成”按钮，一个复杂的、低多边形的游戏角色模型瞬间被优化成一个高质量、高细节的平滑模型，周围环绕着3D网格线。](https://static.downly.cn/images/34ba46706ab0ff8b18d6d644b20ebb4b.png)


## ChatGPT变身学习导师，全新“一起学习”功能引导式探索知识

ChatGPT正在测试一项名为“一起学习”（Study Together）的神秘新功能。据部分用户反馈，在该模式下，ChatGPT不再像以往那样直接给出问题答案，而是转变为一名学习导师，通过不断提问来引导用户独立思考、自主探索并最终找到答案。此举旨在强化ChatGPT的教育工具属性，使其成为一个更能激发用户学习潜能的智能助手。

![插图：一个学生坐在书桌前，与屏幕上的ChatGPT对话，对话框中ChatGPT不是给出答案，而是显示着启发性的问题和思维导图，引导学生进行思考。](https://static.downly.cn/images/c95ce2889be8749f9b9b4c9ceac2c975.png)

AI每日资讯0708

> 科技巨头的AI竞赛愈演愈烈，本日焦点无疑是谷歌。从开源手机端多模态模型Gemma3n，到用Gemini全面取代谷歌助手，再到推出Offerwall工具应对AI搜索冲击，谷歌正以前所未有的力度将其AI能力渗透到从底层技术到上层应用的每一个角落。与此同时，AI在内容创作领域的革命也在加速，HeyGen的一键视频生成工具和Suno对音乐编辑软件的收购，预示着一个普通人也能轻松创作专业级内容的时代正在到来。而在这场变革的背后，Meta与OpenAI的人才争夺战，则揭示了驱动这一切的核心——顶尖智慧的激烈角逐。

## 手机也能跑云端AI 谷歌开源多模态模型Gemma3n

谷歌近日投下一枚重磅炸弹，正式开源了其全新的端侧多模态大模型[Gemma3n](https://huggingface.co/collections/google/gemma-3n-685065323f5984ef315c93f4)。该系列模型旨在将以往依赖云端服务器的强大AI能力，直接带入用户的个人设备中。Gemma3n提供了E2B和E4B两个版本，以其惊人的小体积和高内存效率，实现了在手机等移动设备上进行复杂的图像、音频、视频及文本处理。


![image.png](https://static.downly.cn/images/6510a108a2a3ef47c21d515ab39ec1b2.png)


得益于MatFormer、PLE、KV Cache共享等一系列创新技术，Gemma3n不仅在多语言理解、数学、编码方面表现出色，其推理能力也获得了显著提升。此举无疑将极大地推动移动应用和智能硬件的创新，让AI真正无缝融入我们的日常生活。

## 再见Google助手 Gemini全面接管安卓智能体验

谷歌正式宣布，其强大的AI助手Gemini将全面整合进Android手机系统，并于7月7日起逐步上线。这意味着，经典的Google Assistant将逐渐退出历史舞台。更新后，用户无需打开特定应用，即可通过Gemini执行拨打电话、发送消息等日常操作，实现更深层次的系统级智能交互。
![image.png](https://static.downly.cn/images/e5b9fae8f48fca6eeeec8419ca4c560f.png)


针对用户普遍关心的隐私问题，谷歌也给出了解决方案。用户可以随时在设置中禁用“应用活动”选项，从而阻止自己的聊天记录被用于AI模型的训练，确保个人数据的安全。Gemini的全面上位，标志着Android设备将迎来一个更便捷、更智能也更注重隐私的AI新时代。

## 谷歌推新利器Offerwall 力挽AI搜索狂澜助出版商增收

随着AI驱动的搜索（如SGE）逐渐改变用户获取信息的方式，传统网站和内容出版商面临着流量下滑的巨大挑战。为此，谷歌在Ad Manager中免费推出了名为Offerwall的全新工具，旨在帮助出版商开辟新的变现途径。Offerwall允许读者通过多种方式灵活地访问付费内容，例如完成一次小额支付、观看一段广告视频，或是参与一项简短的调查。


![image.png](https://static.downly.cn/images/f7ce2b0b795478a996a134f834ac0bca.png)


在一千家出版商参与的前期测试中，该工具取得了显著成效，平均为他们带来了9%的收入提升。这对于在AI浪潮中寻求生存与发展的数字内容创作者而言，无疑是一个积极的信号。

## 一键生成爆款视频 HeyGen推出AI视频代理颠覆内容创作

视频创作的门槛正在被AI彻底打破。知名AI视频公司HeyGen最近推出了一款革命性的“AI视频Agent”，它能够将视频制作流程完全自动化。用户只需上传图片、视频片段或简单的文本描述，这个AI代理就能自动完成从故事构思、脚本撰写到镜头选择、剪辑合成的全过程。


![image.png](https://static.downly.cn/images/663d105e0649f0eada2cbe256056d471.png)


在短短几分钟内，即便是毫无经验的普通人也能生成一部专业水准的视频。这项技术为广告营销、短视频内容生产等领域提供了前所未有的高效解决方案，让内容创作者能以更低的成本和更高的效率，将创意变为现实。

## AI人才争夺白热化 Meta从OpenAI挖走顶尖研究员

AI领域的竞争，归根结底是顶尖人才的竞争。近日，Meta公司成功从其主要竞争对手OpenAI挖角，引进了强化学习和AI推理领域的顶尖研究员Trapit Bansal。他将加入Meta内部一个星光熠熠的“AI超级智能部门”，该部门由前Scale AI首席执行官领导，并已吸引了多位来自Open-AI和Google DeepMind的核心人才。

![image.png](https://static.downly.cn/images/b324fceda98a6e05ef43faaa071fc2ef.png)

此次挖角被视为Meta在AI模型竞赛中为取得领先优势而采取的关键一步。尽管此前Meta尝试收购AI初创公司的计划未能成功，但通过精准引进顶尖人才，Meta正不断加强其研发实力，以应对日益激烈的行业挑战。

## AI应用与工具速览

### YouTube测试AI摘要与对话式搜索

YouTube正在测试两项新的AI功能以提升用户体验：在搜索结果中直接显示由AI生成的视频内容摘要，以及扩展其对话式AI工具。然而，这一举措引发了内容创作者的担忧，他们害怕AI摘要会减少用户的实际视频观看量，从而影响其广告收入。

### 谷歌发布虚拟试衣应用Doppl

谷歌推出了一款名为Doppl的AI虚拟试衣应用（目前仅限美国）。用户只需上传一张自己的全身照，就能将网上的任意服装图片“穿”在自己身上，甚至可以生成动态的试穿效果视频，为线上购物提供了极具未来感的体验。
<video src="https://static.downly.cn/images/61db2b003feb947f62e7df849ffad7f9.mp4"  title="doppl1 - Compressed with FlexClip.mp4"></video>
### 黑森林团队开源最强图像编辑模型FLUX.1

Black Forest Labs（黑森林团队）开源了其强大的图像编辑模型FLUX.1 Kontext [dev]。开发者现在可以在ComfyUI等工作流平台中结合LoRA使用该模型，实现更高自由度和更精细的图像编辑效果。
![image.png](https://static.downly.cn/images/a944c19d1d7bb088aee047be0e02a56a.png)

### Anthropic推出Claude Artifacts Space

AI公司Anthropic为其大模型产品Claude推出了名为“Artifacts Space”的新功能。它允许用户将自己基于Claude创建的各种AI应用工具发布到一个共享空间，供其他人浏览和使用，极大地促进了AI应用的共享和创新。
<video src="https://static.downly.cn/images/a7669a676e786af417176f1d1751de1c.mp4"  title="30716920954-1-16.mp4"></video>

### Suno收购WavTool强化AI音乐创作

AI音乐生成领域的明星公司Suno，近日收购了基于浏览器的AI音乐制作软件WavTool。此举旨在为其用户提供更强大的后期编辑能力，让音乐人不仅能用AI生成音乐，还能像在专业工作站中一样对AI生成的音轨进行精细的调整和修改。
![image.png](https://static.downly.cn/images/39578c84acf5e8765f93dc85738c4bc9.png)

AI每日资讯0627

> 今天的AI前沿资讯。从Adobe的实时视频生成，到NVIDIA的光影魔法，再到Hugging Face的亲民微调教程，今天的科技界可谓是精彩纷呈。无论是专业开发者还是普通爱好者，都能在今天的快讯中找到属于自己的惊喜。让我们一起来看看都有哪些不容错过的亮点吧！

---

## Adobe亮剑视频生成！Self Forcing模型实现4090显卡实时出片，人人都是特效师

> Adobe最新发布的Self Forcing模型，标志着实时视频生成技术的新突破。该模型基于Wang 2.1架构，实现了在单张RTX 4090消费级显卡上的流畅运行，并已开放线上试用，让更多创作者能够亲身体验其强大的功能。

### Self Forcing 核心技术解析

Adobe推出的Self Forcing模型，其技术核心是建立在先进的Wang 2.1架构之上。这一架构专为流式视频生成进行了优化，意味着模型能够一边接收输入指令，一边连续不断地生成视频帧，从而达到“实时”的效果。这与传统模型需要等待完整指令后才能开始渲染的方式截然不同，为即时互动和直播等场景提供了可能。

![image.png](https://static.downly.cn/images/047efc3d48e72798bdc15fd5ff06e0ff.png)

### 硬件亲民化的重要一步

以往，高质量的AI视频生成往往需要庞大的计算资源，通常是数据中心级别的服务器集群。而Self Forcing模型最大的亮点之一，就是它对硬件的优化。官方宣称，该模型可以在单张NVIDIA RTX 4090显卡上高效运行。这使得拥有高端PC的个人开发者、设计师和内容创作者，也能够接触并使用前沿的AI视频生成技术，极大地降低了技术门槛。

### 在线试用与未来展望

为了让更多用户感受Self Forcing的魅力，Adobe已经提供了在线试用入口。用户可以通过官方渠道访问并体验这一模型的实时生成能力。这一举措不仅展示了Adobe对自身技术的信心，也预示着AI视频生成工具将加速融入普通人的创作流程中，未来我们可能会看到更多由AI实时生成的短视频、直播背景甚至互动电影。
[试用地址](https://huggingface.co/spaces/multimodalart/self-forcing)

---

## 挑战Whisper霸主地位！Kyutai发布开源极速STT模型，实时语音转写新选择

> 法国AI初创公司Kyutai推出了一款名为Kyutai Speech-To-Text（STT）的开源模型，以其惊人的速度和超越Whisper Large v3的性能，为语音转文本领域带来了新的标杆。该模型特别优化了实时流式处理，并提供了针对不同需求的版本。

### 性能卓越 超越Whisper

Kyutai Speech-To-Text模型在发布之初就将目标对准了行业标杆OpenAI的Whisper。根据官方公布的数据，其纯英语的2.6B参数版本，在多项评测基准上表现优于Whisper Large v3。这不仅体现在转写的准确率上，更体现在其“极速”的特性上，无论是处理已有的音频文件（批量推理），还是进行实时的语音流转写（流式推理），都展现出了顶级的性能。

![image.png](https://static.downly.cn/images/99f96be5cb2ecec3b5f806a8ddda16bc.png)


### 两种模型版本 各有侧重

为了满足不同场景的需求，Kyutai贴心地推出了两个版本：
*   **2.6B参数模型** 这是一个纯英语模型，性能强劲，是追求最高转写质量和速度的用户的首选。
*   **1B参数模型** 这是一个更轻量级的双语模型，专为英语和法语的实时语音聊天场景优化。它在保持较低延迟的同时，实现了高效的双语识别，非常适合跨语言交流工具的开发。

### 开源精神与应用前景

Kyutai STT模型选择完全开源，开发者可以在其官方渠道（如Hugging Face）轻松获取模型和相关代码。这意味着任何开发者都可以自由地使用、修改和集成这个强大的工具。尽管目前模型暂不支持中文，但其出色的架构和性能为多语言语音识别领域注入了新的活力，未来有望通过社区的力量扩展到更多语种。

[官方链接](https://kyutai.org/next/stt)

---

## 后期制作的魔法！NVIDIA UniRelight一键重塑视频光影，废片变大片

> NVIDIA AI团队再次展示其技术实力，推出名为UniRelight的通用视频重照明技术。这项基于扩散模型的技术，能够仅凭单张参考图或一段视频，就对目标视频实现逼真、高质量的动态光影重塑，为影视后期和内容创作带来了革命性的工具。

### UniRelight 是什么

UniRelight是一项创新的“通用重照明”技术。简单来说，它允许创作者在视频拍摄完成之后，像编辑照片一样，任意改变视频中的光照效果。无论是想把白天变成黑夜，还是为场景添加一盏虚拟的、动态移动的灯光，UniRelight都能通过AI计算，生成符合物理规律的、自然的光影变化，极大地丰富了后期创作的可能性。



### 扩散模型的魔力

这项技术的核心驱动力是扩散模型（Diffusion Model）。模型通过学习海量数据，理解了光线与物体表面材质、场景深度之间的复杂关系。当用户提供一张参考图片（例如一张日落的照片）时，UniRelight就能“理解”其中的光照风格，并将其应用到目标视频的每一帧中，同时确保光影的连续性和真实感。

### 应用场景与开源计划

UniRelight的应用前景极为广阔。对于电影制作，它可以大幅降低现场布光的成本和难度；对于短视频创作者，它可以轻松为普通视频增添“电影感”；对于游戏开发，它可以用于生成更真实的环境光照。NVIDIA已经表示，该技术的代码即将开源，这意味着它将很快成为广大开发者和创作者可以使用的强大工具。目前，官方网站已展示了大量惊艳的效果案例供业界参考。

[官方链接](https://research.nvidia.com/labs/toronto-ai/UniRelight/)

---

## 一张图、一段话，AI帮你拍广告！HeyGen新功能让产品视频制作进入“傻瓜”模式

> AI视频生成平台HeyGen再次降低内容创作门槛，推出了全新的AI广告生成工具。现在，用户仅需三步——上传产品图、选择虚拟形象、输入文案，即可快速生成一段专业的带货或产品介绍视频，彻底改变了传统营销视频的制作模式。

### 三步搞定产品视频

HeyGen新推出的产品植入功能，主打的就是极致的简洁与高效。整个创作流程被简化为三个核心步骤：
1.  **提供产品照片** 用户上传自己需要推广的产品的清晰图片。
2.  **选择人物形象** 在HeyGen提供的多种虚拟形象中，选择一个符合品牌调性的“代言人”。
3.  **输入文字脚本** 将产品介绍、广告语等文案输入系统。

完成这三步后，AI会自动将产品照片与虚拟形象融合，并根据脚本生成一段口型精准、动作自然的介绍视频。



### AI如何简化营销流程

这项功能背后，是成熟的AI虚拟人技术和图像处理技术的结合。AI不仅能让虚拟人自然地“说话”，还能智能地将静态的产品图片融入到动态的视频场景中，仿佛虚拟人真的手持产品在进行介绍。对于中小型企业、电商卖家或个人品牌来说，这意味着无需昂贵的拍摄团队、演员和场地，就能快速、低成本地批量生产高质量的营销视频。

### 为谁而生

这个工具的主要受益者是那些需要大量视频内容但预算有限的营销人员和商家。它极大地缩短了从创意到成品的周期，使得测试不同的广告文案、产品卖点和视觉风格变得轻而易举。可以说，HeyGen正在让专业的视频广告制作，变得像制作PPT一样简单。

<video src="https://static.downly.cn/images/d7f27be5bce5805ea5d8006fbee8299a.mp4"  title="30591878914-1-16.mp4"></video>

---

## 10GB显存就能“炼丹”！Hugging Face发布FLUX.1-dev平民级微调教程

> 人人都能微调大模型不再是梦想。Hugging Face近日发布官方教程，手把手教你如何利用QLoRA技术，在仅有10GB显存的消费级显卡上，对强大的文生图模型FLUX.1-dev进行高效微调，极大地降低了AI模型定制化的门槛。

### 主角 FLUX.1-dev模型

FLUX.1-dev 是一个新兴的、强大的文本到图像生成模型。与之前的扩散模型不同，它采用了新的架构，旨在更深刻地理解文本提示的复杂性和细微差别，从而生成更贴合描述的图像。能够对这样的前沿模型进行微调，意味着用户可以训练出具有自己独特风格的“专属AI画家”。

### 核心技术 QLoRA

实现低门槛微调的关键在于QLoRA（Quantized Low-Rank Adaptation）技术。简单来说，它是一种“四两拨千斤”的训练方法。它通过量化和低秩适配技术，在不牺牲太多性能的前提下，大幅减少了模型微调过程中所需要的显存。Hugging Face的教程正是利用了QLoRA，将原本需要专业级硬件才能进行的任务，成功地运行在了仅有10GB显存的消费级显卡上，如RTX 3060 (12GB) 或 RTX 4060 Ti等。
![image.png](https://static.downly.cn/images/94de23f39bcfcf327cc018f38cf20cad.png)


### 教程详解与实践意义

Hugging Face发布的这篇[官方教程](https://huggingface.co/blog/flux-qlora)，详细介绍了整个微调过程的每一步，包括环境配置、加载模型、准备数据集，以及如何使用`diffusers`库来应用QLoRA进行训练。这篇教程的意义非凡，它为广大的AI爱好者、艺术家和独立开发者打开了一扇大门，让他们能够用得起的硬件，去定制和探索最先进的AI模型，从而催生出更多个性化、多样化的AI艺术作品和应用。

AI每日资讯0620

国内领先的AI图像生成平台，基于Stable Diffusion技术

搜索结果: 每日更新