[閒聊] Gemini3 Flash,單圖生3D模型..本周AI新聞

[error405 (流河=L)]

https://www.youtube.com/watch?v=JxrVtFER1Q8



這部影片介紹了許多本週（2025年12月21日左右）發布的 AI 新技術與模型，內容相當豐
富。以下是各項新東西的詳細簡介：

 核心大模型與開源模型

    Xiaomi MiMo V2 Flash (小米)：

        被稱為目前最強的開源模型，在 Agentic Coding（代理編碼）和推理任務上表
現超越了 DeepSeek 和 Kimi k2 Thinking。

        這是一個混合專家模型 (MoE)，總參數 309B，但在運行時僅激活 15B，因此效
率極高。

        在多個基準測試（如 SWE-bench Verified）中表現接近 GPT-5 和 Claude 4.5
等閉源模型。

    Gemini 3 Flash (Google)：

        Google 發布的高效率模型，是目前性價比最高的選擇。

        速度比 Gemini 2.5 Pro 快 3 倍，成本僅為 Gemini 3 Pro 的四分之一，但性
能依然強大，在 Artificial Analysis 排行榜上名列第二（僅次於 GPT-5.2 和 Gemini
3 Pro）。

        具備 100 萬 token 的上下文窗口，並在多模態（影像、音訊理解）表現出色。

 影片生成與編輯工具

    Hunyuan World 1.5 (Tencent)：

        一個即時 (Real-time) 3D 世界生成器。

        不像傳統遊戲是預先設計好的，它是隨著你的移動（使用 WASD 鍵）即時生成場
景。

        支援透過提示詞即時改變環境（例如「木頭冒煙」、「城堡失火」、「遠處爆炸
」）。

        已開源，且硬體需求相對較低（只需 14GB VRAM）。

    SeaDance 1.5 Pro (ByteDance)：

        字節跳動推出的影片生成模型，被評價為比 Alibaba 的 Wan 2.6 更強。

        在影片一致性、美學和動作流暢度上表現優異，且支援生成帶有音訊的影片。

    Wan 2.6 (Alibaba)：

        Wan 2.5 的小幅升級版，新增了 Reference to Video 功能（可上傳參考影片來
生成新影片）。

        雖然支援音訊生成，但在整體表現上被評價為不如 SeaDance 1.5 Pro，且目前
似乎是閉源的。

    RealVideo (Zhipu AI / GLM Team)：

        即時人物說話影片生成器。

        能根據輸入的文字和一張照片，即時生成說話的 Avatar 影片，延遲僅約 2 秒
。

        已開源，基於 CogVideoX 模型架構。

    Long V2：

        專門解決 AI 影片長度限制的問題，能生成長達 5 分鐘 的超長影片，且保持場
景連貫性（大多現有模型僅能生成 10 秒左右）。

        已開源，支援在消費級 GPU 上運行（需 14GB VRAM）。

    Turbo Diffusion：

        一個加速工具，能將本地影片生成速度提升 100 到 200 倍。

        例如生成 5 秒影片僅需 2 秒（原先可能需數分鐘），且幾乎不犧牲畫質。

        已開源，適用於 Wan 2.1/2.2 等模型。

    Ray 3 Modify (Luma Labs)：

        強大的影片重繪/修改工具。

        能將現有影片轉換風格（如夜間模式、冬季），或無縫替換影片中的角色（
Character Swap），甚至能將你自己演出的影片轉換為電影場景。

    EgoX：

        能將第三人稱視角的影片轉換為第一人稱視角 (Egocentric) 的 AI。

        例如將一段踢球的影片，轉換成「你自己正在踢球」的主觀鏡頭。

 圖像與 3D 生成

    Trellis 2 (Microsoft)：

        強大的開源 3D 模型生成器，從單張圖片即可生成極高品質、細節豐富的 3D 模
型（包括毛髮、複雜結構）。

        採用了獨特的 "Oxels" 技術（結合幾何與材質的 3D 像素）。

    Stereo Space：

        能將普通 2D 照片轉換為 3D 立體照片（需配戴紅藍 3D 眼鏡觀看，或使用交叉
眼觀看法）。

        能生成具有深度感的立體場景。

    Qwen Image Layered (Alibaba)：

        能將一張圖片拆解為多個透明圖層（類似 Photoshop 的圖層）。

        允許你單獨編輯背景、角色或文字，而不影響其他部分。

    SVG Text-to-Image (Kling)：

        一種不使用 VAE (變分自編碼器) 的新型圖像生成架構，直接在視覺空間生成圖
像。

        雖然目前是實驗性質，但證明了不依賴 Latent Space 也能生成不錯的圖像。

    Flux 2 Max (Black Forest Labs)：

        Flux 系列最強模型，但在發布當天剛好撞上 OpenAI 的 GPT Image 1.5，且在
評測中略遜於 GPT Image 1.5 和 Nano Banana Pro (Google Imagen 3)。

 角色動畫與 Avatar

    Scale：

        目前最強的開源角色動畫工具。

        能將參考影片中的動作（甚至複雜的迴旋踢、跳舞）完美遷移到任何角色（包括
動物、動漫人物）身上，且支援多角色同時動畫化。

        透過提取 3D 姿勢 (3D Pose) 而非僅 2D 姿勢來提高準確度。

    LongCat Video Avatar (Meituan)：

        開源的照片轉說話/唱歌影片工具。

        只需一張照片 + 音訊，就能生成極其自然、表情豐富（甚至能大笑、呼吸）的
影片，被認為是目前該領域最強的開源工具。

其他工具

    VRBGX (Adobe)：

        影片材質編輯工具。能將影片分解為 Albedo（顏色）、Normal（表面紋理）、
Material（材質）和 Irradiance（光照）四個屬性，並允許你單獨修改它們（例如把沙
發改成金屬材質，或改變影片的光照環境）。

這週的 AI 進展涵蓋了從基礎模型、3D 生成、即時互動世界到影片編輯的全方位突破，
且許多強大的工具（如 Xiaomi MiMo, Trellis 2, Scale）都是開源的。

--
Gemini整理
一直進步一直爽

--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 220.136.198.21 (臺灣)
※ 文章網址: https://www.ptt.cc/bbs/AI_Art/M.1766289972.A.71B.html
→ error405: 嗯 他說讓wan2.2快一百倍?
推 Supasizeit: 那是沒開任何加速下比
→ necrophagist: 覺得吹太大
推 patvessel: 看了一下 應該是self forcing機制
→ patvessel: 說不犧牲畫質..對但是也不對 因為會變成別的東西
→ patvessel: 而不是降低畫質
推 patvessel: 從範例影片就能看的出來試用後的結果和原本的影片幾乎
→ patvessel: 完全不同 而且運鏡和動態範圍縮減
→ patvessel: 這就是Self-forcing的特點之一 可能還他配蒸餾和其他
→ patvessel: 注意力加速或量化手段