AI 编程实时动态与要闻

2026-10-23（UTC 15:31，SGT 23:31），字节跳动旗下企业云 BytePlus 官方账号 @BytePlusGlobal 发布 Seedance 2.5 4K，称其为 Seedance 2.5 这一代中能力最强的模型：面部表情和动作更细腻，纹理、轮廓和细节更完整，并支持 10-bit 色深，色彩过渡更平滑，更适合大银幕。新增 Draft 模式：先用成本更低的 480p 预览测试分镜、打磨镜头，满意后再生成 4K 成片。目前只向部分企业客户开放，API 开放时间官方称「敬请关注」；官方同时放出用它制作的短片《Otter is Nobody 2》。

查看大图

研究团队在 arXiv:2610.27999 中正式发布第四代交互式游戏世界模型系统 Matrix-Game 4.0。针对当前基于视频扩散模型的生成式世界普遍停留在“仅视觉受控”、缺乏持久游戏状态（World State）、无法严密执行游戏规则（如碰撞检测、计分、死亡判定）以及超高交互延迟的根本缺陷，Matrix-Game 4.0 提出了“游戏执行与视觉生成彻底解耦”的创新架构。通过轻量级可执行游戏脚手架维护物理与规则，驱动高帧率自回归视频生成骨干网络，在 100% 保障游戏可玩性与状态持久一致的同时，实现了真正实时的沉浸式游戏世界交互体验。

查看大图

生成兼具电影级画面质感与高保真音效的音画同步视频，是多模态生成式 AI 的终极前沿之一。以往行业方案往往采用分离流水线——先由视频模型生成无声画面，再由外部音频模型进行后处理打轴配音，导致动作节奏脱节、环境音失真以及嘴型对齐（Lip-Sync）完全失效。Kandinsky 团队在最新成果（arXiv:2610.05608）中正式发布并开源了重磅视频基座大模型 Kandinsky 6.0 Video（开源仓库：github.com/kandinskylab/kandinsky-6，Diffusers 集合已上线）。Kandinsky 6.0 Video 采用全新的双流 CrossDiT（Dual-Stream CrossDiT）扩散变换器架构，将预训练视频流与高保真音频流通过双向交叉注意力层紧密耦合，原生支持文本生音视频（T2AV）与图片生音视频（I2AV）。模型包含 3B 参数的轻量版 Lite 与 29B 参数的旗舰版 Pro，原生输出 5 秒长的高清动态画面与 44 kHz 广播级立体声音频，完美支持面部嘴型同步，并内置专属超分辨率模型直升 Full-HD（1920×1080）全高清画质。全套代码、检查点权重与 Diffusers 生态均已在 MIT 协议下完全开源。

查看大图

Reka Labs 于 10 月 5 日发布 Rho-1 研究预览：19B 参数、从零训练，在单一网络、单一 KV Cache 里统一文本、图像、视频与机器人动作 token，不依赖工具调用或第二个模型。每个 Transformer 块拆成「理解流」与「生成流」两路专家权重并共享注意力，联合优化 next-token 与 flow matching。官方称基础版视频生成约 0.79× 实时（中位），蒸馏版把去噪从 99 步压到 8 步，5.3 秒视频约 1 秒返回；全部结果来自 320 张 H100 训练三个月的检查点。目前仅为研究预览，无公开权重，需邮件合作。

查看大图

视频生成扩散后训练前沿研究团队（东北大学与联合实验室）在 Hugging Face 与 GitHub 正式开源了《ViRDM: Taming Representation Distribution Matching for Few-Step Causal Video Generation》（arXiv: 2609.28923，项目主页: neu-vi.github.io/ViRDM/）。针对传统少步自回归因果视频扩散蒸馏（如 DMD）必须同时常驻庞大的预训练教师模型与在线判别器（Critic）导致三网联合训练显存爆炸、训练极其昂贵缓慢的痛点，ViRDM 首次将单步图像的表征分布匹配（RDM）成功推广至因果视频领域，实现了彻底摆脱教师网络与判别器的“纯生成器后训练（Generator-Only Post-Training）”。仅需 20 次生成器参数迭代（16 个 A100 卡时），即可在权威 VBench 评测中达到 84.87 分，超越此前最佳基线。

查看大图

阿里巴巴 Wan 视频大模型团队（@Alibaba_Qwen）正式公布了新一代长视频提示词工程与生成基座 WanPE（arXiv: 2609.30221，项目主页: wan-pe.github.io），并预告了下一代视频生成大模型 Wan3.0。针对当前扩散视频生成扩展至 30 秒长序列时用户输入过于简略、多镜头叙事分镜混乱以及传统提示词重写极易篡改原始意图的致命痛点，阿里团队训练了 3970 亿参数的超大规模导演级规划模型 WanPE-397B。模型首次提出“基于视频接地的逆向分镜重构”与“语义一致性 GRPO 强化学习（SC-GRPO）”，在 30 秒长视频盲测中人类偏好得分暴涨 50.86 分。

查看大图

上海人工智能实验室（Shanghai AI Laboratory，@huggingface）联合高校正式开源了面向音视频联合生成的多模态强化学习框架 AV-GRPO（arXiv: 2609.29816，GitHub: zhiyuxu03/AV-GRPO）。针对当前主流多模态生成模型在声画同步、跨模态因果对齐上的严重脱节，以及音视频双塔模型直接联合训练时算力开销激增、奖励信用分配模糊等瓶颈，AV-GRPO 首创了“模态锚定采样（Modality-Anchored Rollouts）”与“轨迹锁定冻结塔优化机制”，将复杂的跨模态偏好对齐转化为单模态解耦子问题，并在多项权威音视频生成基准上全面击败 LTX-2.3 达到业界 SOTA。

查看大图