

> 针对 AI 视频生成中常见的“角色崩坏”与“环境闪烁”痛点，字节跳动联合南洋理工大学推出了 StoryMem 系统。该方案通过模拟人类记忆机制，构建混合记忆库，成功实现了跨场景的长视频内容一致性，且训练成本极低。

## 记忆引擎 混合记忆库锁定视觉核心

在 Sora、Kling 等现有模型中，随着视频时长的增加，多镜头叙事往往会导致角色长相突变或背景细节丢失。StoryMem 的核心突破在于引入了独特的“混合记忆库”（Hybrid Memory Bank）设计。

系统摒弃了将所有历史帧强行塞入模型的低效做法，转而采用双重过滤器机制：首先通过语义分析挑选出最具代表性的视觉核心帧，随后利用质量检测剔除模糊图像。这种选择性记忆策略，既保留了关键叙事线索，又避免了计算成本的指数级增长，从根本上保证了角色形象在不同场景间的稳定性。

![Google_AI_Studio_2026-01-04T06_29_41.534Z.png](https://static.downly.cn/images/02309cc955cff3a08d11a1dc9a082f5a.png)
 <center>图源备注：图片由AI生成</center>

## 算法创新 负时间索引重塑时空逻辑

StoryMem 的另一大创新是引入了 RoPE（旋转位置嵌入）技术，并创造性地赋予记忆帧“负时间索引”。这一操作引导 AI 模型将参考帧识别为“已经发生的过去”，从而在生成新场景时，能够基于“记忆”进行连贯推演，而非凭空捏造。

该系统基于阿里巴巴开源的 Wan2.2-I2V 模型构建，在140亿参数的基础模型上仅增加了约7亿参数的 LoRa 权重，展现了极高的训练效率。在 ST-Bench 基准测试中，StoryMem 的跨场景一致性提升了28.7%，在美学得分与用户偏好上全面超越了 HoloCine 等竞品。目前，该项目已在 Hugging Face 开放权重，为开发者探索长视频叙事提供了强有力的工具。

字节跳动发布 StoryMem：引入记忆机制 解决 AI 视频角色走样难题



> 导语
> Meta 在首席人工智能官 Alexandr Wang 的带领下，计划于 2026 年上半年发布代号为 Mango 的多模态模型及 Avocado 代码模型。公司通过挖角 OpenAI 核心人才并联合 Midjourney，意图在图像、视频及编码能力上实现代际跃升，全面反击谷歌与 OpenAI。

## AI 领域的全线反攻

根据 AIbase 报道，Meta 正在人工智能领域发起一场规模空前的“全线反攻”。前 Scale AI 创始人、现领导 Meta 超级智能实验室的 Alexandr Wang 正带领团队，计划发布一系列代号极具“热带感”的下一代智能模型。

![Google_AI_Studio_2025-12-19T03_09_25.272Z.png](https://static.downly.cn/images/65bda65e98136ae2e914b0157c460d7f.png)<center>图源备注：图片由AI生成</center>

## 热带水果系列模型揭秘

此次发布的焦点包括名为 **Mango** 的多模态模型，该模型旨在统一图像与视频的生成及理解，打破单一模态的界限。

同时，Meta 还在秘密开发下一代大型语言模型 **Avocado（牛油果）**。据知情人士透露，Avocado 的核心目标是实现编码能力的代际跃升，并尝试探索“世界模型”，即通过视觉信息让 AI 建立对现实物理环境的深刻认知。

## 激烈的人才与市场争夺战

为了重夺技术高地，Meta 首席执行官马克·扎克伯格亲自发动了人才“抢夺战”，从 OpenAI 挖走了 20 多名核心研究人员。这一举动正是为了应对日益激烈的多模态竞争格局。

目前，谷歌凭借 Nano Banana 图像制作工具实现了用户量的爆发式增长，月活用户已突破 6.5 亿；OpenAI 则在 Gemini3 发布后通过 Sora 和升级版的 ChatGPT Images 严防死守。Meta 此前已与 Midjourney 合作推出 Vibes 视频生成器，而即将到来的 2026 年新品系列，被视为其实现“个人超级智能”愿景的关键一步。

Meta 吹响 2026 反攻号角 多模态 Mango 与代码模型 Avocado 蓄势待发，抢夺 AI 霸主地位





> 导语
> OpenAI 正谋划一场史无前例的千亿美元融资行动，若按上限完成，其估值将飙升至 8300 亿美元，仅次于微软与苹果。这笔资金将用于支撑其“星际之门”算力建设、GPT-6 等模型迭代及全球生态扩张，标志着 AI 领域的竞争已正式进入“万亿美元前夜”的赢家通吃阶段。

## 史无前例的资本扩张

据知情人士透露，OpenAI 计划筹集最多 1000 亿美元，目标是在 2025 年第一季度末前完成。如此庞大的金额在全球资本市场实属罕见，即便按较低估值达成部分融资，也将创下私营科技公司单轮融资的历史纪录。

值得注意的是，8300 亿美元的估值已超过特斯拉和谷歌母公司 Alphabet。若 OpenAI 成功上市，极有可能成为全球市值最高的 AI 原生企业。

## 军备压力下的资金需求

此轮融资的背后，是 OpenAI 在 AI 竞赛中日益加剧的“军备压力”。

**算力建设** 其“星际之门”计划需在全球部署超大规模 AI 数据中心，单项目投资或达数千亿美元。

**模型迭代** GPT-5、GPT-6 及多模态、世界模型、智能体系统的研发成本呈指数级上升。

**生态扩张** 从 Sora 视频生成、App Directory 应用平台到硬件与主权 AI 合作，业务边界正在急速扩张。

**人才争夺** 顶尖 AI 研究员的年薪已突破数亿美元，且团队规模在持续膨胀。



![Google_AI_Studio_2025-12-19T03_08_45.140Z.png](https://static.downly.cn/images/4d4d964302a9adff2c306a7c57249122.png)
 <center>图源备注：图片由AI生成</center>

## 走向独立的超级 AI 公司

此前，OpenAI 已与微软、软银、沙特主权基金等建立深度资本合作。但此次千亿美元级融资或将引入更多主权财富基金、养老金和大型机构投资者。这一举措可能进一步稀释微软的相对影响力，推动 OpenAI 向“独立超级 AI 公司”演进。

## 赢家通吃的终极体现

高估值也意味着高预期，投资者将要求其证明 AI 不仅能改变技术，更能持续创造可规模化、可盈利的商业价值。在这场通往通用人工智能（AGI）的征途中，资金已不仅是燃料，更是定义未来格局的武器。OpenAI 的千亿美元赌局，或许正是 AI 时代“赢家通吃”逻辑的终极体现 要么成为下一个万亿美元巨头，要么在算力与人才的消耗战中掉队。

OpenAI 豪赌万亿美元未来 拟融资千亿估值冲破 8300 亿，AI 军备竞赛进入终极对决



> 导语：OpenAI 发布的 Sora 安卓版不仅在上线首日创下百万视频生成的纪录，更披露了其惊人的开发内幕，整个项目仅由 4 名工程师辅助，高达 85% 的代码由 GPT-5.1-Codex 生成，展示了 AI 辅助开发的巨大潜力。

## 惊人的开发效率

OpenAI 于11月正式推出的 Sora 安卓版本，一经上线便展现出统治级的表现。在短短24小时内，用户利用该应用创造了超过100万条视频，同时应用保持了极高的稳定性，崩溃率低至0.1%。

然而，比应用本身更令人震惊的是其背后的开发故事。OpenAI 官网披露，这款备受瞩目的应用，从原型设计到全球发布，仅仅耗时28天。整个开发团队极为精简，仅有4位工程师参与辅助。这打破了传统软件开发动辄数月甚至数年的周期认知。

![Google_AI_Studio_2025-12-15T02_25_00.499Z.png](https://static.downly.cn/images/bef2164934fe8b89de60a522fc0fec95.png)

<center>图源备注：图片由AI生成</center>

## 人机协作的新模式

这一奇迹的核心在于 GPT-5.1-Codex 的深度参与，它生成了项目中85%的代码。但开发团队并非完全“甩手掌柜”。为了确保代码质量，团队首先手动定义了应用的基础架构、模块化设计以及认证网络请求等核心部分。

他们编写了详细的示例模板，并通过 AGENT.md 文档统一规范。这种“先规划后编码”的流程，有效避免了 AI 生成冗余或不规范的代码，确保了项目方向的正确性。这证明了 AI 虽然强大，但在系统架构和用户体验的顶层判断上，人类的智慧依然不可或缺。

## 跨平台与架构规划

在开发过程中，Codex 展现了卓越的跨平台能力。它成功地将 iOS 版本的 Swift 代码高效转化为安卓端的 Kotlin 代码，极大地减少了重复造轮子的成本。

这次开发实践不仅是一次产品的胜利，更是 AI 辅助开发行业价值的有力证明。它向业界展示了，通过合理的流程引导，AI 能够显著减轻工程师的负担，让他们从繁琐的编码中解放出来，专注于功能设计和性能优化等更具创造性的工作。

**封面图提示词：** 巨大的安卓机器人Logo，身体由复杂的发光电路板组成，几名微小的工程师正在对其进行调试，背景是快速流动的代码瀑布，象征AI构建的核心驱动力，震撼，高科技。

4 人团队 28 天上线：Sora 安卓版揭秘，85% 代码竟由 AI 生成



> 导语 迪士尼与 OpenAI 达成三年深度合作协议，不仅豪掷 10 亿美元入股，更授权 OpenAI 使用漫威、星战等 200 多个经典 IP 用于视频生成。此举旨在解决 Sora 的版权争议，同时也显示了迪士尼在 IP 保护上的强硬双标。

## 强强联手 IP 巨库接入 AI

近日，迪士尼与 OpenAI 宣布达成为期三年的合作协议，允许 OpenAI 使用超过 200 个迪士尼、皮克斯、漫威和星球大战的角色进行创作。双方在新闻稿中表示，这一合作将主要用于 Sora 视频生成和 ChatGPT 图像生成，推动授权短视频和艺术作品在 Disney + 平台上与观众见面。

根据协议，虽然 OpenAI 可以使用这些著名角色，但参与者无需担心演员权益受损。协议明确排除了真人角色的肖像和声音，这意味着钢铁侠或卢克·天行者等角色将仅以经典的动画或插画形式出现。

![image.png](https://static.downly.cn/images/6e4fba4ad25994654f4637288ef6b312.png)

## 10 亿投资与版权护城河

作为协议的一部分，迪士尼将对 OpenAI 进行 10 亿美元的股权投资，成为其重要客户。迪士尼 CEO 鲍勃・艾戈尔表示，这将帮助他们在尊重创作者的基础上拓展故事叙述的边界。

此次合作是 OpenAI 在推出 Sora 2 后，应对好莱坞版权压力的关键举措。此前 Sora 因素材版权问题饱受批评，与迪士尼的结盟为其合法性提供了背书。

## 迪士尼的“双标”维权

在与 OpenAI 牵手的同时，迪士尼对其他科技巨头展现了强硬态度。公司已向谷歌发出警告，要求其立即停止基于迪士尼作品生成内容的行为，并对 Character.ai 和 Meta 等公司发出了类似警告。这显示出迪士尼在知识产权保护方面“顺我者昌，逆我者亡”的坚定立场。

迪士尼 10 亿美元入股 OpenAI 漫威星战 IP 将接入 Sora 创作




> OpenAI提档发布GPT-5.2正面硬刚谷歌Gemini 3，苹果推出STARFlow-V以归一化流技术挑战视频生成领域，腾讯混元2.0与美团LongCat-Image相继开源展示国产AI硬实力，微软与Perplexity则在语音交互与浏览安全上再进一步。



## OpenAI亮剑 GPT-5.2火线提档硬刚Gemini 3

OpenAI CEO山姆·奥特曼做出了一个激进的决定，将备受瞩目的GPT-5.2发布时间提前至12月9日。这一举动被广泛视为对谷歌Gemini 3强势崛起的直接回应，旨在重新夺回市场关注度的制高点。

此次更新并非简单的版本迭代，新模型在多项关键指标上实现了显著突破。推理速度提升了18%，这意味着用户将获得更流畅的交互体验；多模态效率提高了23%，处理图像与复杂任务的能力更强。此外，上下文长度扩展至32,768 tokens，能够处理更长篇幅的文档与对话，OpenAI此举无疑在年底的AI大战中投下了一枚重磅炸弹。

![image.png](https://static.downly.cn/images/f0f27796a29e941c2017399322033dc3.png)
<center>图源备注：图片由AI生成</center>

## 苹果视频生成黑科技 STARFlow-V打破扩散模型垄断

苹果公司正式入局视频生成赛道，推出了名为STARFlow-V的全新模型。与目前市面上主流的Sora等基于扩散模型的技术路线不同，苹果独辟蹊径采用了归一化流技术。

这一技术路线的核心优势在于直接学习数据分布，从而大幅提升了长视频生成的稳定性，并有效减少了画面错误的累积。STARFlow-V目前支持输出640×480像素、每秒16帧的视频，最长可达30秒。其视觉质量和生成速度不仅可与扩散模型媲美，更在画面连贯性上展现出了独特的竞争优势，为视频生成领域带来了全新的技术解题思路。

![image.png](https://static.downly.cn/images/ab041a42b719373c671de96f2df1a7e5.png)
<center>图源备注：图片由AI生成</center>

## 腾讯混元2.0炸场 406B参数巨无霸开启内测

国产大模型领域迎来重量级选手，腾讯正式发布混元2.0大模型。该模型采用先进的MoE（混合专家）架构，总参数量高达406B，展现了强大的算力储备与技术积累。

混元2.0包含推理增强版和指令遵循版，支持长达256K的上下文窗口，专注于解决复杂的推理任务。腾讯方面自信地宣称其推理性能已跻身国内第一梯队。目前，该模型已在腾讯云API上线并开启应用测试，为开发者和企业用户提供了更强大的本土化AI解决方案。

![image.png](https://static.downly.cn/images/7c53330f2f24c432cd1bb98f09b61afc.png)
<center>图源备注：图片由AI生成</center>

## 美团开源LongCat-Image 中文生图与编辑能力封神

美团LongCat团队为开源社区带来了一份厚礼，正式开源拥有6B参数的LongCat-Image图像生成模型。这款模型在文生图和图像编辑领域表现出色，尤其在处理中文文字生成这一长期困扰业界的难题上，达到了SOTA水平。

LongCat-Image的设计初衷在于平衡高性能与低门槛，它成功填补了顶级闭源模型与现有开源模型之间的技术空白，让更多个人开发者和中小企业能够以较低的成本使用高质量的图像生成技术。

![image.png](https://static.downly.cn/images/65cb37a4336255d63db0aacfac350c78.png)
<center>图源备注：图片由AI生成</center>

## 微软VibeVoice-Realtime 毫秒级响应重塑语音交互

微软在语音技术领域再进一步，推出了名为VibeVoice-Realtime-0.5B的轻量级实时文本转语音模型。该模型专为互动式应用打造，支持流式输入和长篇输出。

凭借连续语音标记和扩散模型的结合，VibeVoice能在约300毫秒内迅速开始语音生成，几乎实现了人类对话般的即时响应。这一特性使其极其适合各类AI代理应用和实时数据播报场景，为用户带来无缝衔接的听觉体验。

## Perplexity推出BrowseSafe 给AI浏览器穿上防弹衣

随着AI代理在互联网上的活动日益频繁，安全问题日益凸显。Perplexity AI适时推出了BrowseSafe新功能，旨在为AI浏览器代理提供一层坚固的安全保障。

该功能专注于确保用户在使用AI工具浏览互联网时的安全性，能够有效识别并拦截潜在的网络威胁，让AI代理在执行任务时更加可靠，为自动化浏览时代构建了必要的安全基础设施。

## 谷歌生态连发 Colab无缝衔接Kaggle与Gemini换新颜

谷歌近期对旗下两大核心产品进行了联动更新与优化。首先，Colab与KaggleHub实现了深度整合，推出了全新的数据探索器功能。用户现在可以在Colab笔记本中直接搜索并调用Kaggle的海量数据集、模型和竞赛资源，无需在不同网页间反复切换，极大地简化了科研与开发流程。

与此同时，Gemini网页版也迎来了界面升级。新增的“我的”文件夹功能方便用户管理内容，同时提供了浅蓝灰和全黑两种主题模式。全新设计的界面更加简约大气，显著提升了文本的可读性与用户的整体操作体验。

![image.png](https://static.downly.cn/images/706bff57362ffe3249ead062cdfe78bc.png)
<center>图源备注：图片由AI生成</center>

每日AI资讯1208：巨头混战升级！GPT-5.2突袭，苹果入局视频生成，腾讯美团开源新模型


> 今日AI圈迎来多维度爆发，视频生成领域战况升级，Runway与国产PixVerse竞相推出“导演级”更新，力求在叙事与画质上实现突破；模型层面，谷歌Gemini 3、DeepSeek V3.2与Liquid AI的新动作显示出从端侧到云端的全面内卷；英伟达则在自动驾驶与Agent调度上展现硬核实力，而OpenAI正探索“技术入股”的新商业模式。


---

## Runway Gen-4.5盲测夺冠 120人团队硬刚科技巨头

Runway再次证明了小团队的惊人爆发力。其最新发布的Gen-4.5视频生成模型，凭借自研的时空混合Transformer架构，在第三方盲测中一举超越了谷歌Veo3和OpenAI Sora2Pro。这一战绩不仅是技术上的胜利，更打破了“大厂垄断”的迷信，展示了专注研究与快速迭代的巨大价值。

新模型在视觉准确性与创意控制力上实现了显著飞跃。创作者现在仅需简短的文本提示，即可生成高清、场景复杂且角色生动的动态视频。基于Nvidia GPU的深度优化，Gen-4.5在处理光影变化和物体物理运动时显得尤为细腻，标志着AI视频生成正从“尝鲜”走向“专业创作”的深水区。

![image.png](https://static.downly.cn/images/9d2859df58601645903701e2d8d8a352.png)
<center>图源备注：图片由AI生成</center>

## 国产爱诗科技PixVerse V5.5 开启AI视频多镜头叙事时代

国内AI视频领域同样传来捷报。爱诗科技发布的PixVerse V5.5（拍我AI V5.5）被业界视为国内首个落地“导演级”能力的多镜头叙事视频大模型。基于自研的MVL架构，该模型彻底改变了以往AI视频“单镜头拼凑”的尴尬局面。

此次更新的核心亮点在于“多镜头+音画同步一键直出”。用户输入一句话，模型不仅能生成画面，还能自动完成脚本编写、分镜设计以及音效匹配。特别是其智能多镜头切换功能，支持在5至10秒内自然过渡远、中、近景，运镜流畅度大幅提升，让普通用户也能轻松制作出具有完整叙事逻辑的短片。

## 谷歌搜索大变革 Gemini 3携手Nano Banana Pro登陆全球

谷歌在搜索与多模态领域的反击势头迅猛。原生多模态大模型Gemini 3正式登场，涵盖Pro和Ultra版本，目前已向全球近120个国家地区的订阅用户开放。这不仅是一次模型升级，更是谷歌搜索体验的一次AI革命。

与此同时，谷歌还推出了专注于图像处理的Nano Banana Pro模型。该模型主打高分辨率输出与专业级控制，旨在满足设计与创意领域的精细化需求。这一系列动作表明，谷歌正加速将顶尖AI能力整合进其庞大的生态系统，试图在多模态竞争中重新确立领军地位。

![image.png](https://static.downly.cn/images/9ab3e1a0f2dccc98c373f6e27f8f9e76.png)
<center>图源备注：图片由AI生成</center>

## 深度求索DeepSeek-V3.2发布 性能比肩顶尖闭源模型

中国AI公司深度求索（DeepSeek）继续在开源领域刷新纪录。新发布的DeepSeek-V3.2系列模型引入了创新的稀疏注意力机制，这一架构上的优化直接击中了当前大模型应用的最大痛点——成本。

在大幅降低长文本处理计算成本的同时，V3.2版本的性能并未缩水，反而增强了Agent（智能体）的执行能力。官方数据显示，其综合能力已具备与GPT-5和Gemini 3.0 Pro等国际顶级闭源模型同台竞技的实力，为开发者提供了极具性价比的高性能替代方案。

## 英伟达自动驾驶新突破 让汽车拥有人类常识

英伟达在NeurIPS 2025上扔下了一枚重磅炸弹：L4级自动驾驶推理模型Alpamayo-R1。不同于传统的规则驱动或单一感知模型，Alpamayo-R1基于Cosmos-Reason系列，采用视觉、语言、动作三模态端到端统一架构。

该模型最大的特点是让车辆学会了“先思考，再行动”。它能够同步处理摄像头画面、激光雷达点云数据以及文本指令，通过多模态融合理解复杂的交通场景。这种具备“人类常识”的决策能力，有望解决自动驾驶在极端或长尾场景下的失效问题，让车辆的驾驶行为更加拟人和安全。

![image.png](https://static.downly.cn/images/a82a1ae940dea54a2d95b1ff65acc8ef.png)
<center>图源备注：图片由AI生成</center>

## Liquid AI推出LFM2 让端侧小模型拥有云端战力

MIT创企Liquid AI正在重塑“小模型”的定义。其发布的第二代设备端基础模型LFM2，采用了创新的“liquid”架构。这一架构在训练和推理效率上表现惊人，使得仅有350M、700M和1.2B参数的小模型，也能展现出媲美云端大模型的性能。LFM2的出现，为手机、IoT设备等边缘计算场景的智能化提供了强有力的技术支撑。

## NVIDIA发布Orchestrator-8B 打造AI系统的智能大脑

为了解决AI系统依赖单一模型可能产生的决策偏差，英伟达推出了一种名为ToolOrchestra的新方法。该方法的核心是一个基于强化学习训练的小型语言模型——Orchestrator-8B。

这个8B参数的模型就像AI系统的“指挥官”或“大脑”，能够智能地评估任务需求，从工具库中选择并组合最合适的工具或子模型来执行任务。这种灵活的调度机制，显著提升了复杂任务的处理效率和准确性。

## OpenAI开启技术换股权模式 联手Thrive Holdings布局商业闭环

OpenAI正在探索一种全新的商业合作范式。在与Thrive Holdings的最新交易中，OpenAI并未直接支付现金，而是通过提供技术资源和开放接口来换取对方的股权及投资收益。双方将聚焦于会计与IT服务领域的AI闭环改造，这表明OpenAI正试图将自身的底层技术优势转化为更深度的行业绑定，锁定长期商业价值。

## 自然语言编程成风潮 灵光App两周涌现330万应用

通用AI助手“灵光”App上线仅两周，便交出了一份惊人的成绩单：用户创建了超过330万个“闪应用”。这一现象级的数据揭示了大众对于AI工具的极度渴求。用户通过简单的自然语言描述，就能快速构建出满足互动娱乐、日常工具等碎片化需求的应用，预示着“人人都是开发者”的时代正在加速到来。

每日AI资讯1202：视频模型全面进化，英伟达谷歌OpenAI硬核混战





> 导语：本期资讯我们要点聚焦：OpenAI发布针对软件工程优化的GPT-5.1新模型并与富士康达成硬件制造合作；谷歌阵营同样动作频频，不仅推出了基于Gemini 3技术的Nano Banana Pro图像模型，还在地图、反诈及内容识别领域全面植入AI能力。此外，Sora陷入商标侵权官司，复旦MOSS团队开源端到端语音模型也引发了业界的广泛关注。

## 谷歌Gemini 3首秀 Nano Banana Pro重新定义4K图像生成

谷歌正式发布了基于最新Gemini 3技术的图像生成模型——Nano Banana Pro。这款新工具在技术规格上实现了质的飞跃，不仅原生支持4K超高分辨率输出，还在保持人物与物体身份一致性方面取得了显著进步。

功能方面，Nano Banana Pro新增了实时联网搜索能力，允许模型在生成过程中获取最新信息辅助创作。同时，为了应对版权和伦理挑战，模型内置了双重水印技术及C2PA验证标准。不过，性能的提升也带来了成本的增加，其定价相较于前代产品大幅上涨了3至6倍。

![image.png](https://static.downly.cn/images/9862480574ef097830a87e4019a1f336.png)

## 编程能力天花板 GPT-5.1-Codex-Max强势登场

OpenAI再次刷新了AI编程辅助的高度，推出了专为复杂软件工程设计的GPT-5.1-Codex-Max模型。该模型最大的亮点在于引入了全新的“上下文压缩机制”，有效解决了长会话中信息丢失的痛点，同时大幅降低了令牌消耗。

在权威的SWE-bench测试中，GPT-5.1-Codex-Max的准确率飙升至77.9%，展现了其在处理超大代码上下文生成任务时的卓越能力。这标志着AI在辅助大型项目开发和复杂逻辑编写方面迈出了关键一步。

## Sora商标撞车 数字图书馆OverDrive正式起诉OpenAI

备受瞩目的视频生成工具Sora近期惹上了法律麻烦。知名数字图书馆OverDrive向法院提起诉讼，指控OpenAI的“Sora”在名称使用、图标设计以及配色方案上，与其2018年推出的同名学生阅读App存在极高的相似度。

OverDrive方面认为，OpenAI的行为已经涉嫌商标侵权及不正当竞争，目前已正式递交了索赔要求并申请了相关禁令。这一案件也再次引发了科技圈对于品牌命名与知识产权保护的讨论。

![image.png](https://static.downly.cn/images/d189d9f490c8d81fd768aacbd7622e33.png)
<center>图源备注：图片由AI生成</center>

## 谷歌Pixel 9化身反诈卫士 实时监测通话与屏幕共享风险

为了应对日益猖獗的金融诈骗，谷歌在印度市场率先推出了两项基于AI的防御功能。依托于Gemini Nano的端侧处理能力，Pixel 9及以上机型现已支持通话实时诈骗语音检测，能够在通话过程中识别潜在的诈骗话术。

此外，针对Android 11及以上版本的设备，谷歌还推出了屏幕共享联合警报功能。该技术旨在通过技术手段拦截如OTP（一次性密码）泄露等风险行为，为用户的财产安全构建起一道AI防火墙。

## 填空也能做设计 前谷歌团队打造Mixup创意修图应用

由前谷歌团队创立的Things公司发布了一款充满趣味的iOS端AI照片编辑器——Mixup。该应用目前采用限量邀请码制度，一经推出便引发关注。

Mixup的核心玩法在于其独特的“Recipe”（配方）功能，采用填空式的提示词引导。用户只需上传简单的照片或涂鸦，即可通过预设配方快速生成如“文艺复兴自画像”等风格独特的二次创作。同时，用户还可以将自己的创意配方分享至社区，形成互动循环。

![image.png](https://static.downly.cn/images/a35c38aa50aea2085a6a47527478fc45.png)
<center>图源备注：图片由AI生成</center>

## 算力基建再升级 OpenAI携手富士康打造美国AI制造中心

OpenAI正在进一步强化其供应链的自主可控能力，正式与制造巨头富士康达成战略合作。双方将共同在美国多地建立研发与制造中心，专注于生产高性能AI服务器机架以及配套的供电冷却系统。

根据协议，富士康将负责具体的生产制造环节，而OpenAI则提供关键的需求洞察并保留优先选购权。值得注意的是，此次合作中OpenAI并未做出强制采购承诺，显示出其在硬件布局上的灵活策略。

## 搜索体验大革新 Perplexity Comet浏览器登陆安卓平台

Perplexity公司宣布其备受好评的AI浏览器Comet正式推出Android版本。安卓版Comet完美继承了桌面端的核心优势，支持用户将其设置为系统默认搜索引擎，并能利用标签功能快速调用AI助手。

此次更新最大的亮点在于新增的语音模式。用户现在可以针对当前浏览的网页内容，直接通过语音发起交互式提问，无论是查询页面细节还是总结长文，都能获得即时响应，极大地提升了移动端的搜索效率。

![image.png](https://static.downly.cn/images/5eaa001ab129c1c052449661fb952bc7.png)
<center>图源备注：图片由AI生成</center>

## 告别文本中介 复旦MOSS团队开源端到端语音大模型

复旦大学MOSS团队在开源领域再下一城，正式开源了其端到端语音对话模型MOSS-Speech。该模型采用创新的“层拆分”架构，通过冻结文本模型参数并新增语音专用层的方式，成功打破了传统语音交互需要“语音转文本再转语音”的桎梏。

测试显示，MOSS-Speech在语音问答、情绪精准模仿以及自然笑声生成等方面表现优异，在特定任务评测中实现了极低的词错率和极高的情感识别准确率，为未来的人机交互提供了新的范式。

## 一眼识破AI造假 Gemini新增图片来源快速验证功能

面对网络上泛滥的AI生成内容，Google为Gemini用户增添了一双“火眼金睛”。新推出的图片识别功能允许用户直接向Gemini提问，以快速判断眼前的图片是否由Google自家的AI工具生成或编辑。

这项功能旨在提高数字内容的透明度。谷歌还透露，未来计划将这一验证能力扩展至视频和音频领域，并将其整合到更多的谷歌服务生态中，帮助用户在真假难辨的信息流中保持清醒。

## 谷歌地图注入Gemini灵魂 沉浸式导航与地标指引上线

谷歌地图迎来了Gemini模型的深度整合，旨在打造更直观的出行体验。新版本不仅能自动汇总目的地的评论和预订信息，为用户提供详尽的“行前须知”，还引入了更加智能的导航方式。

在AI的加持下，导航系统现在能够利用清晰可见的物理地标作为指引参照物，而非枯燥的街道名称。同时，针对电动车主，新功能还提供了更精准的充电桩预测服务，让行程规划变得更加轻松无忧。

每日AI资讯1121：GPT-5.1-Codex-Max震撼发布，谷歌Gemini 3与Nano Banana Pro强势回击

Sora

Google Veo 3 / 3.1 是 Google DeepMind 推出的最新一代生成式视频模型。

搜索结果: Sora