


> 导语 今日的AI领域精彩纷呈，从能够自主思考并执行复杂任务的ChatGPT Agent，到实时转换视频流的扩散模型MirageLSD，再到专为能源领域打造的朗新九功大模型，AI技术正以前所未有的速度渗透到各行各业。此外，Mistral AI与谷歌Veo3的更新也分别在聊天机器人和视频生成领域展现了新的可能性，共同描绘了一幅AI技术加速改变世界的画卷。

---

## OpenAI重磅出击 ChatGPT Agent将“思考”化为“行动”

OpenAI最新发布的ChatGPT Agent，标志着AI技术从被动的对话助手向能够主动执行复杂任务的智能体实现了重要跨越。这款Agent能够像人类一样，通过虚拟浏览器、代码终端和API接口进行网页浏览、在线购物、执行代码乃至制作PPT。用户仅需下达一次指令，Agent便能自主规划并完成一系列复杂步骤，极大地提升了工作效率。在多项基准测试中，ChatGPT Agent的性能已超越现有模型。OpenAI在强调其强大功能的同时，也注重安全性设计，确保用户拥有最终控制权。目前，该功能已向部分订阅用户开放，并计划逐步推广，它被视为通往更强大通用人工智能的关键基石。

![image.png](https://static.downly.cn/images/ccac3fcaf078a86d2291961eb9235eb3.png)

---

## 朗新科技发布AI能源大模型 电力交易迈入智能时代

朗新科技集团在第三届链博会上正式推出了其自主研发的“朗新九功AI能源大模型”。该模型创新性地结合了千亿级规模、预测准确率超过90%的“时序预测”引擎与具备动态数据融合、秒级响应能力的“AI智能体”引擎。目前，这一先进技术已在广东、山东、浙江等地的电力现货市场得到广泛应用。它的核心目标是显著提升电力交易的智能化水平和决策效率，为复杂的能源管理提供科学依据，有力推动电力市场的技术革创新发展。

![image.png](https://static.downly.cn/images/fcea672956f6a0d53b3e31ce9943bae0.png)

---

## 直播革命 MirageLSD模型实现实时视频场景变换

全球首个直播流扩散模型MirageLSD震撼发布，它凭借低于40毫秒的超低延迟，能够实时将任何视频流无缝转换为用户指定的场景。无论是改变直播背景、重塑游戏画面，还是实现虚拟换装，用户都能轻松操作。该技术甚至支持在30分钟内快速开发一款新游戏，为直播、游戏制作、动画创作等领域带来了颠覆性的变革，开启了实时内容创作的无限可能。

![image.png](https://static.downly.cn/images/824f6a8bf987d9333b62a3b13eaae6e1.png)

---

## Mistral AI Le Chat全面升级 语音交互与高级图像编辑成亮点

Mistral AI旗下的聊天机器人Le Chat迎来重磅更新，新增了五大核心功能，包括深度研究模式、语音输入、通过文本指令编辑图像以及项目管理工具。新版本整合了Voxtral和Magistral等先进模型，旨在全方位提升用户体验。此次更新使得Le Chat在信息整合、语音交互、图像处理和团队协作方面变得更加强大和高效，现已全面向用户开放，展现了其在多模态交互领域的雄心。

![image.png](https://static.downly.cn/images/81a1807a79f0af4b91bb6b1ba7e463d5.png)

---

## 谷歌开放旗舰视频模型Veo3 高成本下的专业级创作方案

谷歌现已通过Gemini API向开发者开放其顶级的视频生成模型Veo3。开发者可以通过简单的文本提示，即可创建高分辨率的视频，并能同步生成匹配的音频。尽管使用成本相对较高，但Veo3为视频制作、动画设计等专业领域提供了一个前所未有的高效解决方案。目前，已有Cartwheel和Volley等公司率先采用该模型，成功将其应用于2D动画到3D动画的转换以及游戏过场动画的制作中，展示了其巨大的商业应用潜力。

![image.png](https://static.downly.cn/images/2e2749ee98d91c6a439a163a7d2ab8c1.png)

---


每日AI资讯0718：自主智能体与实时视频生成引领AI新浪潮




> 谷歌最新发布的Veo 3迎来逆天升级，其核心功能已能将普通的静态照片直接转化成能开口讲话的“活人”视频，栩栩如生。这一突破性技术正迅速冲击广告和动漫制作行业，预示着一个全新的内容创作时代即将来临。

## Veo 3“活化”照片惊艳亮相

谷歌最新一代视频生成模型Veo 3近日迎来了一次颠覆性的功能升级，其核心亮点在于能够将一张普通的静态照片，通过AI技术瞬间“活化”成一段流畅、自然的视频，其中人物不仅能动起来，甚至能模拟开口讲话的动作和面部表情，达到以假乱真的效果。
<video src="https://static.downly.cn/images/0337ce2ce8c2af06e84359dec44e48eb.mp4"  title="New Veo 3 Update ｜ Audio + Video from an Image.mp4"></video>
这项技术的强大之处在于，它超越了传统的图片动画或简单的面部表情合成，能够生成更具连贯性和真实感的动态视频内容，仿佛让照片中的人物真的“活了过来”。这一能力的展示，迅速在科技界和内容创作领域引起了广泛关注和热议。


## 技术突破：从静态到“开口说话”的质变

Veo 3能够实现“照片秒变活人开口讲话”的关键，在于其在深度学习和生成对抗网络（GAN）或扩散模型等技术上的显著进步。模型不仅能够精准地捕捉并理解人脸的细微特征和表情，还能根据预设的语音或文本，智能地生成与声音同步的嘴型、面部肌肉运动以及头部姿态。

这一技术不再局限于简单的2D平面动画，而是能够模拟3D空间中的运动和光影变化，使得生成的视频在视觉上更加自然流畅，避免了以往AI生成视频中常见的“僵硬感”或“恐怖谷效应”。这种质的飞跃，将极大地降低视频内容创作的门槛和成本。
![image.png](https://static.downly.cn/images/6325f8bc7237bc49cf3db57660dbb11c.png)

## 广告与动漫圈的“一夜沦陷”

Veo 3的这项能力，对广告和动漫行业而言，无异于一场革命。

在**广告行业**：
*   **成本骤降**：企业无需再投入巨资聘请真人模特、拍摄团队、租用场地，甚至可以“复活”已故名人或创造虚拟代言人，极大降低广告制作成本。
*   **效率提升**：从创意到产出视频广告的时间将大幅缩短，加速营销活动的迭代。
*   **个性化定制**：可以根据不同的受众群体，快速生成定制化的广告视频，实现精准营销。想象一下，一个代言人可以用几十种不同的语言，以完全逼真的口型对着不同的消费者讲话。

在**动漫及虚拟人行业**：
*   **角色活化**：可以直接将静态的动漫角色图片或虚拟人形象，赋予其说话、表达情感的能力，省去了大量的手绘动画和面部骨骼绑定工作。
*   **内容生产加速**：动画师可以将更多精力投入到创意和故事叙述上，而非繁琐的动画制作细节。
*   **虚拟偶像新纪元**：进一步推动虚拟偶像和数字分身的发展，让虚拟形象的互动性和表现力达到前所未有的高度。

业界普遍认为，Veo 3的出现，将彻底改变这两个行业的生产流程和商业模式，引发一轮全新的内容创作高潮。

![image.png](https://static.downly.cn/images/4772a84a47d7e6416fd024a8892e5147.png)

## 挑战与未来展望

尽管Veo 3展现出惊人的潜力，但其普及和应用仍面临一些挑战。例如，技术成熟度、伦理问题（如深度伪造）、以及如何平衡自动化与人类创意等。如何确保生成内容的真实性和可信度，将是未来需要重点关注的问题。

然而，不可否认的是，谷歌Veo 3的升级，为我们描绘了一个充满无限可能的未来。它预示着一个“每个人都能成为视频创作者”的时代即将到来，传统内容制作的壁垒将被打破，创意将成为更核心的竞争力。随着技术的进一步发展，我们有望看到更多颠覆性的应用，彻底改变我们获取和消费信息的方式。

![image.png](https://static.downly.cn/images/3f92522c5dde19229d2843798f784782.png)



谷歌Veo 3震撼升级：静态照片秒变开口说话活人，广告动漫界或被颠覆







> **导语** 本期AI资讯看点纷呈：从Stability AI将音频创作带入移动端，到字节跳动让单目视频秒变4D大片；从DeepSWE刷新AI编程代理新高度，到亚马逊机器人大军突破百万；同时，阿里、NVIDIA等公司在数字人、图像描述及编辑领域也推出了重磅开源模型。此外，我们还将关注谷歌视频模型Veo 3在游戏领域的巨大潜力，以及ChatGPT流量变化对新闻行业带来的深远影响。

---





## 手机秒变作曲家 Stability AI与Arm联手打造掌上音频创作神器

Stability AI 近期与 Arm 合作，开源了一款名为 Stable Audio Open Small 的轻量级文本到音频生成模型。该模型经过专门优化，能够直接在手机等移动设备的 Arm CPU 上本地运行，高效生成长达47秒的高质量立体声音频。这一进展标志着AI音频生成技术正从云端走向边缘计算和移动设备，为用户随时随地进行音乐创作提供了极大的便利。值得一提的是，该模型使用了免版税的数据进行训练，确保了其在商业和个人应用中的合规性。

![image.png](https://static.downly.cn/images/fa4f0ccf02d7644eb3bc9f85f71336bf.png)

---

## 字节跳动开源EX-4D 单视角视频一键生成自由视角4D大片

字节跳动PICO-MR团队近日开源了一项名为EX-4D的创新框架，它能够将单一视角的普通视频，转化为可以自由变换观看角度的高质量4D动态影像。该框架的核心技术是一种创新的动态高斯网格表示法（DW-Mesh），它有效解决了传统方法中因物体遮挡和数据稀疏导致的渲染难题。在多项性能指标测试中，EX-4D全面超越了现有的开源方法，并在用户主观评估中获得了高度评价，为未来沉浸式3D内容创作和复杂世界模型的构建提供了强有力的技术支持。


![image.png](https://static.downly.cn/images/7d80dfd56cf33f1c27c86ce4a739c547.png)


---

## AI程序员新王者诞生 DeepSWE登顶开源榜单

由 Together.ai 和 Agentica 联合发布的 AI Agent 框架 DeepSWE，正迅速成为软件工程领域的焦点。该框架基于阿里巴巴强大的 Qwen3-32B 模型，并通过强化学习进行了深度训练。在衡量AI代码能力的权威测试集 SWE-Bench-Verified 中，DeepSWE 以高达 59% 的准确率，成功登顶开源AI代理排行榜。这一成绩不仅展示了其在处理真实世界软件工程任务时的卓越能力，也预示着AI在自动化编程和软件开发领域巨大的应用潜力。

![image.png](https://static.downly.cn/images/4ffb051e17cf6be10cc0cedd56ea0e83.png)

---

## 亚马逊机器人大军突破百万 Deep Fleet AI模型加持物流新纪元

亚马逊近日宣布，其在全球部署的机器人数量已正式突破一百万大关。为了更高效地管理和调度这支庞大的机器人车队，亚马逊同时发布了一款全新的AI基础大模型 Deep Fleet。该模型旨在通过先进的AI算法，进一步优化包裹的分拣、搬运和配送流程，从而显著提升物流速度并降低整体运营成本。这一里程碑事件标志着亚马逊在其自动化物流网络建设上取得了重大突破。

![image.png](https://static.downly.cn/images/56e071229823efb738d96596c40b4943.png)

---

## 阿里再放大招 OmniAvatar让你的照片开口说话

![image.png](https://static.downly.cn/images/454330caa209ee65cca94f4de764d779.png)
阿里巴巴近日开源了一款名为 [OmniAvatar](https://omni-avatar.github.io/) 的音频驱动数字人模型。该模型基于先进的 Wan 2.1 技术，用户只需上传一张静态照片、一段音频和相应的文字脚本，即可快速生成一个口型精准匹配、动作表情自然的数字人播报视频。官方建议生成30秒以内的视频片段以获得最佳效果。尽管该模型对硬件有一定要求，需要至少36G显存才能流畅运行，但其在现有开源数字人模型中的表现已属顶尖水平，为个人和企业低成本创造虚拟形象提供了新的可能。
<video src="https://static.downly.cn/images/c795cc4b97f7f5b012c0ff72ad4f4bf5.mp4"  title="30819483777-1-16.mp4"></video>


---

## 指哪说哪 NVIDIA发布DAM模型精准描述图像局部细节

![image.png](https://static.downly.cn/images/640f40bcf94b7e3371f29944b364eb90.png)
NVIDIA 最近推出了一款名为“描述一切模型”（Describe Anything Model, DAM）的多模态大语言模型，极大地提升了图像理解的精细度。用户可以通过在图片或视频上进行点击、画框、涂鸦甚至使用遮罩等多种直观方式，来指定自己感兴趣的任何区域，DAM模型便能针对该特定区域生成详尽而准确的文字描述。目前，该模型已经提供了在线演示版本，供用户体验其强大的“指哪说哪”功能。[官网地址](https://describe-anything.github.io/)，[体验地址](https://huggingface.co/spaces/nvidia/describe-anything-model-demo)

<video src="https://static.downly.cn/images/c7b71bb21d04a5515f08aed684cbfbc2.mp4"  title="30819484438-1-16.mp4"></video>

---

## 开口即P图 开源对话式图像编辑器EasyEdit发布
![image.png](https://static.downly.cn/images/739df71a77f1beaa7f58b741c422a4ed.png)
一款名为 [EasyEdit](https://www.easyedit.io/) 的开源图像编辑器为图片修改带来了全新的交互方式。它采用了先进的 Flux KContext 模型，允许用户通过简单的自然语言对话来智能地编辑图片。无论是想“把天空换成蓝色”还是“让这个人笑起来”，都可以通过聊天的方式实现。目前，用户可以在网页端免登录使用其基础模型，而功能更强大的高级模型则需要提供API Key来调用，这为普通用户和开发者都提供了灵活的选择。
<video src="https://static.downly.cn/images/3c26012f9a587f56fbbc736cbffafb15.mp4"  title="30819484073-1-16.mp4"></video>

---

## 游戏世界的下一场革命 谷歌Veo 3或将开启可玩世界模型

谷歌 DeepMind 的首席执行官 Demis Hassabis 近日在一个公开场合暗示，谷歌最新、最强大的视频生成模型 Veo 3，其技术潜力远不止于生成视频片段，未来很有可能被应用于视频游戏领域。这一表态引发了业界的广泛猜测，如果Veo 3的技术能够实时生成和渲染游戏世界，或将催生出真正的“可玩世界模型”，彻底改变现有游戏引擎的开发范式，为玩家带来前所未有的动态和开放世界体验。

![image.png](https://static.downly.cn/images/b6722e0ee4fca884585278d0ecdd1c15.png)

---

## 杯水车薪 ChatGPT推荐流量难解新闻网站搜索量下滑之渴

根据最新数据分析，尽管像ChatGPT这样的人工智能聊天工具为新闻网站带来的推荐流量呈现增长趋势，但这部分增长远不足以弥补因传统搜索引擎流量下滑所造成的巨大缺口。数据显示，自2024年中期达到峰值以来，许多新闻网站的自然搜索流量已大幅下降，总访问量从超过23亿次减少到如今的不足17亿次。这一严峻趋势表明，新闻行业正面临着由AI技术驱动的流量结构性变迁，如何适应新的信息分发渠道已成为一个紧迫的课题。

![image.png](https://static.downly.cn/images/42669ccb9e6199d29f2f3a31592cc967.png)

搜索结果: 谷歌Veo