MoCha 是一個專注於視頻角色替換的開源框架，旨在只需要單一參考即可完成角色替換，且不依賴任何結構化指導（如骨骼、深度圖或逐幀分割）。傳統的重建式方法往往必須提供完整的逐幀遮罩與額外的結構資訊，面對遮擋、複雜姿態或多角色互動時容易產生視覺雜訊與時間不穩定，而 MoCha 的設計則把這些限制全部排除，取而代之的是把不同條件統一為單一的 token 流，並通過條件感知的 RoPE（Rotary Positional Embedding）結合多參考圖像，支撐可變長度的影片生成。
DeekSeek mHC 改寫 AI 訓練及推理架構
DeepSeek 再起革命：mHC 改寫 AI 訓練及推理架構
3AM 分割影片中具有幾何的內容
3AM 是一種結合了 2D 即時分割模型 SAM2 與 3D 幾何資訊的方法，目的是在影片或任意多視角圖像集合中，對同一物體保持一致的分割 mask。傳統的 2D 追蹤模型（如 SAM2）在觀點大幅變化時會因為只能依賴外觀特徵而失去目標，而早期的 3D 方法則需要提供相機位姿、深度圖或複雜的前處理，才能保證跨視角的一致性。
3AM 的創新在於在模型訓練階段，透過輕量的特徵合併模組把從 MUSt3R（一個多視角重建模型）學到的隱式幾何特徵與 SAM2 的外觀特徵結合，形成既能捕捉空間位置又能反映視覺相似度的表示。這樣的融合讓模型在推論時只需要原始 RGB 影像和使用者提供的提示（點、框、mask 等），就能在不同觀點之間追蹤物體，且不需要額外的相機資訊或前處理步驟。文章指出，這種做法在包含大量視角變化的基準測試集（如 ScanNet++、Replica）上，IoU 數值提升顯著，例如在 ScanNet++ 的 Selected Subset 上比 SAM2Long 高出約 15.9 個百分點。整體而言，3AM 在保持即時、可提示化的特性同時提升了跨視角的一致性，為後續的 3D 實例分割與多視角物體追蹤提供了一個更簡單、更有效的解方案。
Ministral 3 小模型家族
Ministral 3 是 Mistral AI 推出的模型系列，這是一系列參數高效的小型語言模型，專為計算和記憶體受限的應用而設計，提供三種模型規模：3B、8B 和 14B 參數。對於每種模型規模，我們都發布了三個變體：用於通用用途的預訓練基礎模型、指令微調模型以及用於解決複雜問題的推理模型。此外，我們還介紹了透過級聯蒸餾（Cascade Distillation）來產生 Ministral 3 模型的方法，這是一種迭代剪枝和持續訓練的蒸餾技術。每個模型都具備影像(OCR)理解功能，所有內容均遵循 Apache 2.0 授權。
NVidia Motive 影片動態框架
Motive 是個專門針對「動作/時間動態」的標記框架，用梯度 + motion 加權 mask，微調 clip 對生成影片 motion 的影響量化，拿來做 dataset curation，顯著提升 T2V 模型的時間一致性與物理合理性。據我們所知，這是第一個在影片生成模型中對運動而非視覺外觀進行歸因，並將其用於微調資料整理的框架。
這視覺模型能幫影片找出「哪個參考影片，真正決定它的動作怎麼動」，然後用這些資訊來挑更好的訓練素材，讓生成影片的動作更順、更合理。
Apple 與 Google 化敵為友，宣布達成為期多年的 AI 合作
Apple 和 Google 達成一項為期多年的合作。未來一代的 Apple Foundation Models（蘋果自家基礎模型）將建立在 Google 的 Gemini 模型與雲端技術之上。
這些模型將用來支援未來的 Apple Intelligence 功能，包括今年會上線的更個人化版 Siri。
AI 已經深度進入影視產業
Will AI Replace Filmmakers?
AI 已經深度進入影視產業，包括腳本輔助、分鏡、配樂、剪接、去噪、Roto、魔術遮罩、背景生成、群眾演員替代、配音克隆與去老化特效等。
導演主張未來是「AI 和創作者」的混合模式，而不是二選一：AI 強化視覺與流程，人類負責情感、品味與敘事判斷。
真正的風險在於資方把 AI 當成「捷徑」來節省人力成本，壓縮藝術與勞動，而不是把它當作創作工具。
(more…)
Categories: 新聞
AlphaEvolve 無限智慧 – Google Deepmind
AlphaEvolve 無限智慧 – 讓 AI 自己做科學研究與演算法設計的系統 – Google Deepmind A.I.
AlphaEvolve 無限智慧 - Google Deepmind A.I.
NexaSDK 全模型支持，全硬件兼容
NexaSDK 是一個高性能的本地推理框架，可以在 NPU、GPU 和 CPU 上運行最新的多模態 AI 模型，支持 Android、Windows、Linux、macOS 和 iOS 設備。它只需幾行代碼，就能在設備上搭建最智能、最快的 AI 應用。NexaSDK 支持最新的模型，比如 Qwen3-VL、DeepSeek-OCR、Gemma3n 等，且比其他框架提前幾周或幾個月支持。。
使用 NexaSDK 建立真正的裝置端 AI 應用，將有獲得獎勵。（詳情)
另外，NexaSDK 還提供了一個簡單易用的命令列介面（CLI），讓使用者可以快速測試不同的模型。例如，你可以用一行指令就開始與 Qwen3 模型聊天，或者進行多模態任務，比如拖曳圖片到 CLI 裡進行處理。
VINO 多模態模型對齊提示生成圖像與影片
VINO 是個統一的視覺生成工具，能同時處理圖像和影片的創作與編輯，無需針對每種任務去找不同的模型。它的核心架構是把視覺語言模型和多模態擴散轉換器（MMDiT）結合起來，讓文字、參考圖片或影片都能以同一套條件流動的方式被傳遞給擴散過程。
這裡的「可學習查詢 token」扮演的角色是把使用者的簡短指令轉化成模型能理解的細節向量，並在訓練時一起調整，讓指令更精確、模型更穩定。另一個關鍵在於把參考影像或影片所產生的特徵與它在 latent 空間的對應向量用同樣的開始與結束標記包起來，這樣模型就能在語意層面和潛在層面都把同一個參考資源針對地辨識出來，減少身份混淆或屬性遺漏的問題。