Condé Nast 如何利用 Amazon Bedrock 构建多模态视频发现系统
Condé Nast 联合 AWS GenAIIC，基于 Amazon Bedrock 和 TwelveLabs Marengo 模型构建多模态视频发现方案。该方案利用语义搜索处理超14万视频库，将单次内容发现耗时从250分钟降至2分钟内。
#视频
#视频
今日 0 条AWS Machine Learning BlogAI 评分2323
Google Research精选AI 评分6060 Google Research 发布 AI 视频联合导演框架以自动化连贯长视频生成
Google Research 推出名为“AI video co-director”的统一多智能体框架，旨在解决现有扩散模型在生成长篇叙事视频时面临的语义漂移和级联失败挑战。
推荐理由：Google Research 提出基于 Gemini 和 Veo 的多智能体框架，通过全局优化和世界状态跟踪解决长视频生成的语义漂移问题。
Google DeepMind精选AI 评分7373 Google DeepMind 推出 Gemini 3.8 Live with Live Avatar 实时视觉化身功能
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，将低延迟流式视频生成与原生对话模型结合，为企业用户提供具备实时视觉呈现的交互式 AI 体验。
推荐理由：原文详述了实时视觉化身在对话中的同步机制与异步工具调用能力，为评估企业级多模态交互体验提供了具体技术细节。
Google DeepMind精选AI 评分7575 Google DeepMind 发布 Gemini Omni 1.1 Flash 增强视频生成控制力
Google DeepMind 推出 Gemini Omni 1.1 Flash，通过 Gemini API 在 Google AI Studio 中提供工作室级视频生成能力。
推荐理由：原文详述了场景延长、首尾帧插值及4K升频等具体能力参数，为开发者评估生成式视频工作流的可控性与迭代效率提供了直接依据。
Hugging Face Blog精选AI 评分6868 NVIDIA 发布 Cosmos-H-Dreams：面向手术机器人的实时生成式模拟器
NVIDIA 推出 Cosmos-H-Dreams，这是一款用于手术机器人的实时动作条件生成式模拟器。该模型通过自强制蒸馏技术将 Cosmos-H-Surgical-Simulator 转化为因果学生模型，并借助 FlashDreams 推理库在单张 NVIDIA RTX PRO 6000 GPU 上实现约 160 fps 的交互式运行。
推荐理由：原文展示了将手术世界模型蒸馏为实时交互模拟器的技术路径，提供了从离线评估到闭环控制的工程实现细节。
Google DeepMindAI 评分3737 Google DeepMind 与 A24 宣布首个研究合作伙伴关系
Google DeepMind 与电影制作公司 A24 宣布建立首个专注于研究的合作伙伴关系，旨在将前沿技术融入创意流程。Google 同时对 A24 进行了投资，双方将通过协作开发新工作流与技术，以拓展未来娱乐的可能性。
Google DeepMind精选AI 评分8080 Google DeepMind 发布 Nano Banana 2 Lite 与 Gemini Omni Flash 并开放开发者接入
Google DeepMind 正式发布 Nano Banana 2 Lite 和 Gemini Omni Flash，并在 Google AI Studio、Gemini API 及 Gemini Enterprise Agent Platform 向开发者开放。
推荐理由：官方同步开放两款新模型的开发者接口，明确了各自的延迟、成本及能力边界，为构建图文视频混合工作流提供了具体选型依据。
Google DeepMind精选AI 评分8686 Google DeepMind 发布 Gemini Omni Flash 模型
Google DeepMind 推出 Gemini Omni Flash，这是 Omni 系列的首个模型，支持从图像、音频、视频和文本等任意输入生成高质量视频。
推荐理由：原文详细说明了 Gemini Omni Flash 支持自然语言对话式视频编辑及多模态输入生成，并给出了具体的分发渠道和订阅权限。
Hugging Face Blog精选AI 评分6565 Overworld 发布 Waypoint-1.5：面向消费级 GPU 的高保真实时交互世界模型
Overworld 发布新一代实时视频世界模型 Waypoint-1.5，旨在让交互式生成世界能在用户现有的消费级硬件上运行。该模型提供两个版本：720p/60 FPS 版本适用于 RTX 3090 至 5090 等高性能桌面显卡，360p 版本则针对游戏笔记本及即将支持的 Apple Silicon Macs 优化以覆盖更广泛的设备。
推荐理由：原文给出了在消费级硬件上运行实时交互世界模型的具体参数与双版本策略，读者可据此评估本地部署的可行性。
Google DeepMind精选AI 评分6868 Google DeepMind 发布 Veo 3.1 Ingredients to Video 更新：增强一致性并支持原生竖屏
Google DeepMind 发布 Veo 3.1 Ingredients to Video 功能更新，提升了基于参考图像生成视频的创意表现与角色一致性。此次更新首次支持原生 9:16 竖屏视频生成，并引入至 1080p 和 4K 分辨率的尖端升频技术。
推荐理由：原文详述了 Veo 3.1 在角色一致性、原生竖屏输出及高分辨率升级方面的具体改进，为移动端创作和专业工作流提供了新的能力参考。
Hugging Face BlogAI 评分4242 Hugging Face 开源 TimeScope 基准测试长视频多模态模型理解能力
Hugging Face 推出开源基准 TimeScope，通过向1分钟至8小时视频中插入5-10秒“针”片段，评估视觉语言模型的局部检索、信息合成及细粒度时间感知能力。该基准揭示 Gemini 2.5-Pro 等前沿模型在长视频时序理解上仍存在显著短板，暴露了当前模型宣称的长上下文处理能力与实际表现间的差距。
Hugging Face BlogAI 评分4242 Hugging Face 与 Cloudflare 合作为 FastRTC 提供实时音视频基础设施
Hugging Face 与 Cloudflare 达成合作，让 FastRTC 开发者通过 Hugging Face token 直接接入企业级 WebRTC 基础设施。该集成在 FastRTC v0.0.20+ 版本可用，每月免费提供 10GB 数据流量，旨在解决 AI 应用部署中 TURN 服务器维护难题并支持低延迟实时音视频流。