https://www.youtube.com/watch?v=7r_WJ9xpne0 1. OmniShotCut (0:50) 核心功能：自动化全景影片剪辑 OmniShotCut 是一个针对 360 度全景影片设计的智能剪辑框架。传统全景影片需要人工 挑选视角，过程极其繁琐。 技术特点：它能自动识别全景画面中的感兴趣区域（Region of Interest），并根据 电影摄影原则自动产出流畅的透视影片（Perspective Video）。 应用场景：极限运动记录、虚拟旅游导览的快速後制。 2. HappyHorse (2:05) 核心功能：阿里巴巴旗下的顶级影片生成模型 这款由阿里巴巴推出的影片生成模型在发布之初便引起轰动，主要原因在於其数据指标与 实际感官的巨大落差。 数据神话：在 Artificial Analysis 的独立评测榜单中，HappyHorse 在「文字转影 片」与「图像转影片」两项指标均位列世界第一，分数甚至超越了传奇的 SeedDance 2.0 近 100 分。 实测翻车：尽管跑分极高，但在实际测试中，HappyHorse 的表现令人失望。它在处 理复杂的物理规律、长指令的顺序逻辑（如动作先後顺序）方面明显力不从心，画面流畅 度与一致性在侧评中皆逊於 SeedDance 2.0。 3. MoCapAnything V2 (5:27) 核心功能：万物皆可动捕（单目摄影机版） MoCapAnything 的第二代版本大幅提升了从普通 2D 影片中提取 3D 人体动作的精度。 技术优势：不需要专业的红外线感应器或穿戴设备，仅凭单一镜头拍摄的影片（如 YouTube 或抖音影片），即可将人物动作转换为 3D 骨架。 改进点：V2 优化了对复杂动作（如翻滚、遮挡）的处理能力，生成的动作数据更加 平滑。 4. Ling-2.6-Flash (7:23) 核心功能：高效能百亿级参数大型语言模型 (LLM) 由 Inclusion AI（阿里巴巴另一独立实验室）发布，这是一款兼具规模与推理速度的模 型，特别针对长文本处理进行了优化。 模型规模：该模型总参数高达 1,040 亿 (104B)，但采用了混合专家架构（MoE）， 在运算时仅有约 7.4B 参数处於活动状态，这使其具备大型模型的推理深度，同时保有极 快的反应速度。 技术优势：在 Agentic（智能代理）基准测试中表现优异，且在长上下文（Long Context）情况下的推理效率远超同类模型，非常适合处理繁琐的长篇文献或复杂的对话 任务。 5. Z-Anime (8:33) 核心功能：动漫风格专用生成模型 这是一个在 Hugging Face 上备受关注的特定领域微调模型。 技术特点：对动漫线条、上色风格与二次元构图有着极深的理解。 用途：能精准还原高品质的日系动画风格，是创作者进行角色设计或同人创作的强大 工具。 6. Recursive Multi-Agents (9:37) 核心功能：递回式多代理人系统 这是一种新型的 AI 协作架构，让 AI 代理（Agent）能够像「俄罗斯娃娃」一样递回地 解决问题。 运作机制：当一个主 Agent 遇到复杂任务时，它会自动生成子 Agent 来处理特定环 节，而子 Agent 还可以继续派生。 价值：这种架构极大地提升了 AI 处理长期、多步骤任务（如撰写完整软体专案）的 逻辑能力。 7. Vista4D (12:50) 核心功能：动态 4D 场景重建 Vista4D 专注於将稀疏视角的影片转换为可从任何角度观看的动态 4D 场景（3D + 时间 ）。 技术手段：利用 Gaussian Splatting 或类似技术，即便摄像头捕捉到的资讯有限， 也能补全动态物体背後的细节。 应用：让观看者可以在一段动态影片中自由切换视角，彷佛身历其境。 8. Tuna-2 (15:47) 核心功能：Meta 推出的多模态图片生成与编辑模型 Tuna-2 是 Meta 最新的图像生成力作，其定位与 GPT Image 2 或 Nano Banana 类似， 是一款功能强大的多模态创作工具。 多模态生成：除了根据文字生成图像，它更擅长处理图片编辑任务。用户可以透过文 字指令对现有图片进行风格转换（例如：将人物转为乐高风格或梵谷油画风）。 强大的排版能力：该模型在文字渲染（Text Rendering）上表现出色，能精准地在海 报或示意图中生成正确的字母与单词。 发布争议：尽管技术领先，但 Meta 因内部政策限制，仅释出了性能受限（Layers 较少）的基础检查点（Foundation Checkpoint），而非完整的模型权重。 9. AnyRecon (17:02) 核心功能：通用型 3D 重建 正如其名，AnyRecon 旨在实现「从任何来源进行重建」。 技术突破：它不挑剔输入源（无论是网路图片还是手机随手拍），都能在极短时间内 生成具有高几何精度的 3D 模型。 优势：对弱光环境与纹理缺失区域具有较强的补偿能力。 10. Merlin AI (19:19) 核心功能：全方位浏览器 AI 助手 Merlin 是一款整合了多种底层模型（如 GPT-4、Claude）的生产力工具。 功能涵盖：网页内容摘要、YouTube 影片重点提取、电子邮件代写以及即时搜寻。 定位：它将复杂的 AI 技术包装成易用的 UI，是目前最受欢迎的个人 AI 效率工具 之一。 (业配) 11. ARA (Agent-native Research Artifacts) [00:21:29] 核心概念：为 AI 时代打造的「原生科研工艺品」 传统论文（PDF）是给人读的，往往隐藏了失败的实验与细碎的参数。ARA 试图改变这一 点。 技术特点：它不仅包含论文结论，还结构化地封装了完整的代码、配置、实验路径（ 包含失败的尝试）以及推理链条。 价值：透过「Live Research Manager」系统自动捕捉研究过程，解决了科研中的「 工程税（无法复现）」与「叙事税（只讲好听的故事）」，让 AI 代理能更高效地阅读与 续写科研工作。 12. KAI (Kinetics AI) [00:24:52] 核心功能：超拟人化具身机器人 KAI 是一款具备极高灵活性与感知能力的通用机器人。 硬体规格：全身上下拥有 115 个自由度（DoF），仅双手就有 36 个自由度，能执行 拉拉链、玩乒乓球等精细动作。 技术亮点：配备「全体触觉皮肤（Tactile Skin）」，机器人不仅能看到世界，还能 「感觉」到接触压力，这使其在处理易碎品（如橘子）或与人互动时更安全。 脑部架构：采用 KAI 世界模型（World Model），具备长序列任务规划与自我纠错能 力。 13. Robot Era Factory (L7 机器人) [00:26:33] 应用场景：全自动化物流分拣 展示了数十台 L7 人形机器人在物流中心协同作业的画面。 技术特点：利用嵌入式视觉与深度感知，机器人能精确识别传送带上的包裹并进行分 类。这预示着未来工厂将从「固定机械臂」转向「流动的人形机器人群」。 14. Neotix Head & TFBOT Ella [00:27:35] 核心功能：生化拟真机器人头部 这两款技术致力於解决「恐怖谷效应」，提供极致的人机互动体验。 Neotix：专注於微表情，能实现极其自然的眨眼、视线转动与说话口型 TFBOT Ella：明确定位为「伴侣型机器人（Girlfriend Robot）」，外型虽然极其自 然，但在眼神的灵动度上略逊於 Neotix。 15. SenseNova U1 (商汤日日新) [00:28:50] 核心功能：端到端统一多模态模型 这不是单纯的图像生成器，而是一个「全才」模型。 架构创新：采用 Neo Unifi 架构，舍弃了传统的分离式视觉编码器，直接将像素与 文字进行端到端连结。 技术优势：在处理海量文字的海报、长图、视觉逻辑谜题方面表现极其优异，能理解 复杂的视觉层次感 16. Nemotron 3 Nano Omni (NVIDIA) [00:32:14] 核心功能：高效多模态推理代理 NVIDIA 推出的 30B 混合专家模型（MoE），仅需 3B 活跃参数即可运行。 技术亮点：能同时输入影音、图片与文字，并在单一模型内完成推理。 效率：在影片推理能力上提升了 9 倍系统容量，非常适合部署在终端设备上作为即 时 AI 助理。 17. Claude Connectors [00:34:17] 核心功能：AI 接管专业软体介面 Anthropic 让 Claude 具备了直接操控第三方软体的能力。 运作机制：透过「Connector」，Claude 可以直接调用 Adobe Creative Cloud、 Blender 或 Canva 的 API [00:34:38]。 应用场景：你可以直接对 Claude 说「帮我在 Blender 里调整这个 3D 模型的灯光 」，它会自动生成代码并执行指令，将 AI 从「聊天视窗」释放到「生产力工具」中。 18. Moonlake [00:35:34] 核心功能：3D 世界构建代理 (3D World Building Agent) 与传统生成 3D 模型不同，Moonlake 是像「人类专家」一样在 Blender 里操作。 技术特点：它采用「闭环操作（Loop）」，会观察渲染结果、发现错误、进行修正， 直到完成复杂的 3D 场景。这解决了 AI 难以生成结构正确（如合页可动、物理对齐）模 型的问题 19. Talkie (1930s AI) [00:37:59] 核心实验：无污染的「复古」语言模型 这是一个极其有趣的学术项目，训练数据仅限於 1930 年以前的资料。 研究价值：因为该模型「从未见过」现代网路、电脑或 Python 代码，它是测试 AI 泛化能力的最佳对象。 惊人发现：即便从未见过代码，在给予少量范例後，该模型竟能理解 Python 函数的 基本概念 [00:39:47]，证明了语言逻辑具备跨领域迁移的可能性。 20. Grok 4.3 & Mistral 3.5 [00:42:07] 主流模型迭代 Grok 4.3：xAI 的最新力作，强化了沙盒电脑操作与文件处理能力，虽然进步显着， 但在综合排名上仍略逊於 GPT-5.5 [00:42:50]。 Mistral Medium 3.5：欧洲 AI 巨头的 128B 大模型，主打 256K 超长上下文，但在 第三方独立评测中表现一般，性价比略低於 DeepSeek 等模型 -- Gemini整理 GPTimage2还没研究完 又多了几个生图AI了(Tuna-2,Z-Anime,SenseNova U1) 另外补充个听起来很强的语音生成/克隆 叫VoxCPM2 虽然不确定不用Tokenizer是啥意思但大概很猛 https://x.com/Honcia13/status/2050262221226463573 --

※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 114.36.240.115 (台湾) ※ 文章网址: https://webptt.com/cn.aspx?n=bbs/AI_Art/M.1777786371.A.97E.html