Google Research 推进 AMIE 向专家级视听临床咨询发展
Google Research 推出的 AMIE (Video) 在真实视频临床咨询中展现出专家级表现，通过多代理架构和视听感知，实现了对非言语临床线索的感知、虚拟体格检查的引导和实时诊断推理。
推荐理由：AMIE (Video) 在真实视频临床咨询中展现出专家级表现，为医疗AI向视听临床AI的转变提供了重要里程碑。
AI 视频
全部主题AI 视频生成与理解：文生视频模型、视频编辑工具与影视创作变革的追踪。
最新精选
第 1–9 条 · 共 9 条Google Research精选AI 评分8585
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、创意与控制力
Google DeepMind 发布 Veo 3.1 Ingredients to Video 更新，提升了基于参考图像生成视频的角色与背景一致性，并支持原生 9:16 垂直视频输出及 1080p/4K 分辨率升级。
推荐理由：官方详细说明了 Veo 3.1 在角色一致性、垂直原生输出及高分辨率升级上的具体改进，并明确了各平台入口。
Hugging Face Blog精选AI 评分7070 TimeScope：评估视频大模型理解长视频的能力
TimeScope 是一个开源的评测基准，用于衡量视觉-语言模型理解长视频的能力。通过在视频中插入短视频片段，评估模型在局部检索、信息综合和细粒度时间感知方面的能力。
推荐理由：TimeScope 评测基准揭示了当前视频大模型在理解长视频方面的不足，为模型训练和评估提供了新的视角。
Hugging Face Blog精选AI 评分8585 视觉语言模型（VLM）2025年最新进展
本文全面概述了视觉语言模型（VLM）的最新进展，包括新模型趋势、推理模型、小型模型、混合专家解码器、视觉语言动作模型、专用能力、多模态安全模型、多模态RAG、多模态智能体、视频语言模型、新的对齐技术和新的基准，为读者提供了深入了解VLM领域的窗口。
推荐理由：本文全面概述了视觉语言模型（VLM）的最新进展，包括新模型趋势、推理模型、小型模型、混合专家解码器、视觉语言动作模型、专用能力、多模态安全模型、多模态RAG、多模态智能体、视频语言模型、新的对齐技术和新的基准，为读者提供了深入了解VLM领域的窗口。
Hugging Face Blog精选AI 评分8585 Google 发布 SigLIP 2 多语言视觉语言编码器
Google 发布了 SigLIP 2，这是一种改进的多语言视觉语言编码器，具有更好的语义理解、定位和密集特征。SigLIP 2 模型在所有模型规模的核心能力方面优于旧的 SigLIP 模型，包括零样本分类、图像-文本检索和提取视觉表示时的迁移性能。
推荐理由：SigLIP 2 模型在多语言视觉语言编码方面取得了显著进步，读者可以了解其新功能和性能提升。
Hugging Face Blog精选AI 评分6565 AI艺术工具新闻简报 - 第1期
Hugging Face发布了AI艺术工具新闻简报第1期，回顾了2024年AI在艺术领域的里程碑和突破，并展望了2025年的发展趋势，包括开源模型、图像生成、视频生成、音频生成和文本生成等领域的进展。
推荐理由：本文回顾了2024年AI在艺术领域的里程碑和突破，并展望了2025年的发展趋势，读者可以了解AI艺术领域的最新动态和未来方向。
OpenAI News精选AI 评分8686 OpenAI 视频生成模型 Sora 正式上线 sora.com
OpenAI 宣布其视频生成模型 Sora 现已在 sora.com 上线供用户使用。该模型支持生成最高 1080p 分辨率、最长 20 秒的视频，并涵盖宽屏、竖屏和方形三种宽高比。用户既可以上传现有素材进行扩展、混剪或融合，也可以完全通过文本提示词生成全新内容。
推荐理由：官方宣布 Sora 开放使用，明确了分辨率、时长及多比例生成能力，为创作者提供了具体的技术规格参考。
OpenAI News精选AI 评分9292 OpenAI 发布 Sora：将视频生成模型视为世界模拟器
OpenAI 发布名为 Sora 的视频生成模型，该模型基于文本条件扩散架构，能够生成长达一分钟的高保真视频。研究指出，通过在可变时长、分辨率和宽高比的视频及图像数据上联合训练 Transformer 架构，扩大视频生成模型规模是构建通用物理世界模拟器的可行路径。
推荐理由：原文阐述了Sora作为世界模拟器的技术路径，读者可据此理解大规模视频生成模型在物理世界模拟上的潜力。
Hugging Face Blog精选AI 评分6565 文本到视频模型研究进展
本文深入探讨了文本到视频模型的研究进展，包括挑战、方法和最新成果，如Phenaki、Make-A-Video、NUWA、VideoGPT、CogVideo、Video Diffusion Models (VDM)、MagicVideo、Tune-a-Video、Video LDM、Text2Video-Zero、Runway Gen1和Gen2、NUWA-XL等。
推荐理由：本文深入探讨了文本到视频模型的研究进展，包括挑战、方法和最新成果，对了解该领域的发展具有重要意义。