https://www.youtube.com/watch?v=7r_WJ9xpne0 1. OmniShotCut (0:50) 核心功能：自動化全景影片剪輯 OmniShotCut 是一個針對 360 度全景影片設計的智能剪輯框架。傳統全景影片需要人工 挑選視角，過程極其繁瑣。 技術特點：它能自動識別全景畫面中的感興趣區域（Region of Interest），並根據 電影攝影原則自動產出流暢的透視影片（Perspective Video）。 應用場景：極限運動記錄、虛擬旅遊導覽的快速後製。 2. HappyHorse (2:05) 核心功能：阿里巴巴旗下的頂級影片生成模型 這款由阿里巴巴推出的影片生成模型在發布之初便引起轟動，主要原因在於其數據指標與 實際感官的巨大落差。 數據神話：在 Artificial Analysis 的獨立評測榜單中，HappyHorse 在「文字轉影 片」與「圖像轉影片」兩項指標均位列世界第一，分數甚至超越了傳奇的 SeedDance 2.0 近 100 分。 實測翻車：儘管跑分極高，但在實際測試中，HappyHorse 的表現令人失望。它在處 理複雜的物理規律、長指令的順序邏輯（如動作先後順序）方面明顯力不從心，畫面流暢 度與一致性在側評中皆遜於 SeedDance 2.0。 3. MoCapAnything V2 (5:27) 核心功能：萬物皆可動捕（單目攝影機版） MoCapAnything 的第二代版本大幅提升了從普通 2D 影片中提取 3D 人體動作的精度。 技術優勢：不需要專業的紅外線感應器或穿戴設備，僅憑單一鏡頭拍攝的影片（如 YouTube 或抖音影片），即可將人物動作轉換為 3D 骨架。 改進點：V2 優化了對複雜動作（如翻滾、遮擋）的處理能力，生成的動作數據更加 平滑。 4. Ling-2.6-Flash (7:23) 核心功能：高效能百億級參數大型語言模型 (LLM) 由 Inclusion AI（阿里巴巴另一獨立實驗室）發布，這是一款兼具規模與推理速度的模 型，特別針對長文本處理進行了優化。 模型規模：該模型總參數高達 1,040 億 (104B)，但採用了混合專家架構（MoE）， 在運算時僅有約 7.4B 參數處於活動狀態，這使其具備大型模型的推理深度，同時保有極 快的反應速度。 技術優勢：在 Agentic（智能代理）基準測試中表現優異，且在長上下文（Long Context）情況下的推理效率遠超同類模型，非常適合處理繁瑣的長篇文獻或複雜的對話 任務。 5. Z-Anime (8:33) 核心功能：動漫風格專用生成模型 這是一個在 Hugging Face 上備受關注的特定領域微調模型。 技術特點：對動漫線條、上色風格與二次元構圖有著極深的理解。 用途：能精準還原高品質的日系動畫風格，是創作者進行角色設計或同人創作的強大 工具。 6. Recursive Multi-Agents (9:37) 核心功能：遞迴式多代理人系統 這是一種新型的 AI 協作架構，讓 AI 代理（Agent）能夠像「俄羅斯娃娃」一樣遞迴地 解決問題。 運作機制：當一個主 Agent 遇到複雜任務時，它會自動生成子 Agent 來處理特定環 節，而子 Agent 還可以繼續派生。 價值：這種架構極大地提升了 AI 處理長期、多步驟任務（如撰寫完整軟體專案）的 邏輯能力。 7. Vista4D (12:50) 核心功能：動態 4D 場景重建 Vista4D 專注於將稀疏視角的影片轉換為可從任何角度觀看的動態 4D 場景（3D + 時間 ）。 技術手段：利用 Gaussian Splatting 或類似技術，即便攝像頭捕捉到的資訊有限， 也能補全動態物體背後的細節。 應用：讓觀看者可以在一段動態影片中自由切換視角，彷彿身歷其境。 8. Tuna-2 (15:47) 核心功能：Meta 推出的多模態圖片生成與編輯模型 Tuna-2 是 Meta 最新的圖像生成力作，其定位與 GPT Image 2 或 Nano Banana 類似， 是一款功能強大的多模態創作工具。 多模態生成：除了根據文字生成圖像，它更擅長處理圖片編輯任務。用戶可以透過文 字指令對現有圖片進行風格轉換（例如：將人物轉為樂高風格或梵谷油畫風）。 強大的排版能力：該模型在文字渲染（Text Rendering）上表現出色，能精準地在海 報或示意圖中生成正確的字母與單詞。 發布爭議：儘管技術領先，但 Meta 因內部政策限制，僅釋出了性能受限（Layers 較少）的基礎檢查點（Foundation Checkpoint），而非完整的模型權重。 9. AnyRecon (17:02) 核心功能：通用型 3D 重建 正如其名，AnyRecon 旨在實現「從任何來源進行重建」。 技術突破：它不挑剔輸入源（無論是網路圖片還是手機隨手拍），都能在極短時間內 生成具有高幾何精度的 3D 模型。 優勢：對弱光環境與紋理缺失區域具有較強的補償能力。 10. Merlin AI (19:19) 核心功能：全方位瀏覽器 AI 助手 Merlin 是一款整合了多種底層模型（如 GPT-4、Claude）的生產力工具。 功能涵蓋：網頁內容摘要、YouTube 影片重點提取、電子郵件代寫以及即時搜尋。 定位：它將複雜的 AI 技術包裝成易用的 UI，是目前最受歡迎的個人 AI 效率工具 之一。 (業配) 11. ARA (Agent-native Research Artifacts) [00:21:29] 核心概念：為 AI 時代打造的「原生科研工藝品」 傳統論文（PDF）是給人讀的，往往隱藏了失敗的實驗與細碎的參數。ARA 試圖改變這一 點。 技術特點：它不僅包含論文結論，還結構化地封裝了完整的代碼、配置、實驗路徑（ 包含失敗的嘗試）以及推理鏈條。 價值：透過「Live Research Manager」系統自動捕捉研究過程，解決了科研中的「 工程稅（無法復現）」與「敘事稅（只講好聽的故事）」，讓 AI 代理能更高效地閱讀與 續寫科研工作。 12. KAI (Kinetics AI) [00:24:52] 核心功能：超擬人化具身機器人 KAI 是一款具備極高靈活性與感知能力的通用機器人。 硬體規格：全身上下擁有 115 個自由度（DoF），僅雙手就有 36 個自由度，能執行 拉拉鍊、玩乒乓球等精細動作。 技術亮點：配備「全體觸覺皮膚（Tactile Skin）」，機器人不僅能看到世界，還能 「感覺」到接觸壓力，這使其在處理易碎品（如橘子）或與人互動時更安全。 腦部架構：採用 KAI 世界模型（World Model），具備長序列任務規劃與自我糾錯能 力。 13. Robot Era Factory (L7 機器人) [00:26:33] 應用場景：全自動化物流分揀 展示了數十台 L7 人形機器人在物流中心協同作業的畫面。 技術特點：利用嵌入式視覺與深度感知，機器人能精確識別傳送帶上的包裹並進行分 類。這預示著未來工廠將從「固定機械臂」轉向「流動的人形機器人群」。 14. Neotix Head & TFBOT Ella [00:27:35] 核心功能：生化擬真機器人頭部 這兩款技術致力於解決「恐怖谷效應」，提供極致的人機互動體驗。 Neotix：專注於微表情，能實現極其自然的眨眼、視線轉動與說話口型 TFBOT Ella：明確定位為「伴侶型機器人（Girlfriend Robot）」，外型雖然極其自 然，但在眼神的靈動度上略遜於 Neotix。 15. SenseNova U1 (商湯日日新) [00:28:50] 核心功能：端到端統一多模態模型 這不是單純的圖像生成器，而是一個「全才」模型。 架構創新：採用 Neo Unifi 架構，捨棄了傳統的分離式視覺編碼器，直接將像素與 文字進行端到端連結。 技術優勢：在處理海量文字的海報、長圖、視覺邏輯謎題方面表現極其優異，能理解 複雜的視覺層次感 16. Nemotron 3 Nano Omni (NVIDIA) [00:32:14] 核心功能：高效多模態推理代理 NVIDIA 推出的 30B 混合專家模型（MoE），僅需 3B 活躍參數即可運行。 技術亮點：能同時輸入影音、圖片與文字，並在單一模型內完成推理。 效率：在影片推理能力上提升了 9 倍系統容量，非常適合部署在終端設備上作為即 時 AI 助理。 17. Claude Connectors [00:34:17] 核心功能：AI 接管專業軟體介面 Anthropic 讓 Claude 具備了直接操控第三方軟體的能力。 運作機制：透過「Connector」，Claude 可以直接調用 Adobe Creative Cloud、 Blender 或 Canva 的 API [00:34:38]。 應用場景：你可以直接對 Claude 說「幫我在 Blender 裡調整這個 3D 模型的燈光 」，它會自動生成代碼並執行指令，將 AI 從「聊天視窗」釋放到「生產力工具」中。 18. Moonlake [00:35:34] 核心功能：3D 世界構建代理 (3D World Building Agent) 與傳統生成 3D 模型不同，Moonlake 是像「人類專家」一樣在 Blender 裡操作。 技術特點：它採用「閉環操作（Loop）」，會觀察渲染結果、發現錯誤、進行修正， 直到完成複雜的 3D 場景。這解決了 AI 難以生成結構正確（如合頁可動、物理對齊）模 型的問題 19. Talkie (1930s AI) [00:37:59] 核心實驗：無污染的「復古」語言模型 這是一個極其有趣的學術項目，訓練數據僅限於 1930 年以前的資料。 研究價值：因為該模型「從未見過」現代網路、電腦或 Python 代碼，它是測試 AI 泛化能力的最佳對象。 驚人發現：即便從未見過代碼，在給予少量範例後，該模型竟能理解 Python 函數的 基本概念 [00:39:47]，證明了語言邏輯具備跨領域遷移的可能性。 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，強化了沙盒電腦操作與文件處理能力，雖然進步顯著， 但在綜合排名上仍略遜於 GPT-5.5 [00:42:50]。 Mistral Medium 3.5：歐洲 AI 巨頭的 128B 大模型，主打 256K 超長上下文，但在 第三方獨立評測中表現一般，性價比略低於 DeepSeek 等模型 -- Gemini整理 GPTimage2還沒研究完 又多了幾個生圖AI了(Tuna-2,Z-Anime,SenseNova U1) 另外補充個聽起來很強的語音生成/克隆 叫VoxCPM2 雖然不確定不用Tokenizer是啥意思但大概很猛 https://x.com/Honcia13/status/2050262221226463573 --

※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 114.36.240.115 (臺灣) ※ 文章網址: https://webptt.com/m.aspx?n=bbs/AI_Art/M.1777786371.A.97E.html