AI 世界，正在发生

适合关注的人：使用图像、视频或语音工具的创作者

• 第三代图像生成：约4.5k token长提示、10px小字与12种语言渲染。
• 未公开权重、基准与技术报告。

导读建议的练习：用报纸、试卷等密集版式提示词测试文字渲染，并保留失败样例做对比

适合关注的人：使用图像、视频或语音工具的创作者

• 强化信息图与密集文字排版、点选/套索/图层分离等交互编辑与人像质感，支持十余种语言。
• 日期依据：官方公告日期；2026-10-09 编辑核对官方来源，能力描述为厂商自述，本站未复测。

导读建议的练习：用一份学习笔记生成信息图，再逐项核对数据与文字有没有被准确保留

适合关注的人：使用图像、视频或语音工具的创作者

• NEO-unify原生统一架构，去掉视觉编码器与VAE，一个模型同时做图像理解、推理与生成。
• 开源8B与A3B。

导读建议的练习：画出传统“编码器+扩散”流水线与统一架构的数据流对比图

适合关注的人：使用图像、视频或语音工具的创作者

• 新一代图像生成与编辑模型，支持灵活尺寸和高保真输入，改为按 token 计费，Batch API 享五折。
• 日期依据：官方更新日志；2026-10-09 编辑核对官方来源，能力描述为厂商自述，本站未复测。

导读建议的练习：学习按 token 估算图像生成成本，并比较批处理与实时调用各自适合的场景。

适合关注的人：使用图像、视频或语音工具的创作者

• 社区 Alpha 版：厂商称生成约快 5 倍，细节提示遵循与引号内文字渲染改进。
• 新增原生 2K 的 --hd 与 --q 4，测试期部分功能按 4 倍计费。

导读建议的练习：按官方建议试用 --raw 与新的提示写法，记录同一提示在 V7 与 V8 下的差异。

适合关注的人：使用图像、视频或语音工具的创作者

• 统一音视频联合生成，支持文本/图像/音频/视频输入，单次可用9图3视频3音频参考，最长15秒双声道。
• 日期依据：官方公告日期；2026-10-09 编辑核对官方来源，能力描述为厂商自述，本站未复测。

导读建议的练习：对照官方技术报告的局限说明，设计一组检验镜头一致性的测试提示

适合关注的人：使用图像、视频或语音工具的创作者

• 把图像生成与编辑合并为一个模型，可用约1k token长指令直出信息图、海报，原生2K且推理更快。
• 日期依据：官方公告日期；2026-10-09 编辑核对官方来源，能力描述为厂商自述，本站未复测。

导读建议的练习：同一张图分别用生成和编辑指令处理，观察统一模型的前后一致性

适合关注的人：使用图像、视频或语音工具的创作者

• Video/Image 3.0及Omni系列，视频最长15秒并原生生成多语言与方言音频。
• Omni可从参考视频复刻角色。

导读建议的练习：练习用时长、景别、运镜等分镜参数写提示，并比较有无参考视频的差别

适合关注的人：使用图像、视频或语音工具的创作者

• 9B 全模态开源模型，支持实时全双工音视频交互。
• 厂商称视觉与语音能力接近 Gemini 2.5 Flash。

导读建议的练习：按仓库说明在本地跑实时演示，理解全双工“边听边说”与轮流对话的区别

适合关注的人：使用图像、视频或语音工具的创作者

• 面向影视短剧的音画同出视频模型，单次最长16秒、1080P，支持多语言文字。
• 后续增加参考生视频等变体。

导读建议的练习：对比pro、turbo、drama等变体的定位，练习按场景选模型而不只看排行榜

适合关注的人：使用图像、视频或语音工具的创作者

• 文本生成视频新旗舰，厂商称运动质量、提示遵循与画面细节提升。
• 官方也坦承仍有因果顺序、物体恒存和“动作总是成功”等局限。

导读建议的练习：专门设计测试提示检验因果与物体恒存问题，学习如何客观评估视频生成模型。

适合关注的人：使用图像、视频或语音工具的创作者

• 论文首次公开日期：2025/06/11；来源核对日期：2026-10-19。
• 历史节点回溯；当时的预览、接口与产品状态不代表目前仍可用。

导读建议的练习：论文首次公开日期：2025/06/11；来源核对日期：2026-10-19。