Being-VL的视觉BPE路线：把「看」和「说」真正统一起来

北大、UC San Diego 和 BeingBeyond 联合提出 Being-VL 的视觉 BPE 路线，先将图像离散化并「分词」，再与文本统一建模，能缩短跨模态链路、保留视觉结构先验，还介绍了实现步骤、训练方式等。

2025年4月17日消息，OpenAI 连发o3和o4 mini，o3为强大推理模型，o4-mini专为高效推理优化。它们能调用ChatGPT工具，可基于图像思考。OpenAI还开源本地代码智能体Codex CLI，兼容所有模型。

龙虾开始自己拍电影了：我在 LibTV 里看着它从一句话做到成片

作者试用 AI 视频产品 LibTV，仅给 Claude Code 发一句话“「黑神话哪吒」视频制作”，约 10 分钟就得到视频初稿。LibTV 能搭好 0 到 60 的地基，留下可继续创作的画布，成本低还能多尝试，最后仍需人把关。

每帧Sora级震撼！Midjourney首个视频模型登场，超逼真大片首测来袭

Midjourney首个AI视频模型V1上线，每月10美金可体验20秒。其视觉效果惊艳，能媲美Sora等，还能一键让图像动起来。成本低，提供多种模式与设置，有技术愿景，未来将完善模块。

谢赛宁团队用RAE实现从8%到84%的飞跃，宣告VAE时代结束

谢赛宁团队用RAE新架构将ImageNet图像生成FID刷到1.13，宣告VAE组件过时。RAE结合先进表征学习成果与强大生成模型框架，解决诸多问题，还为其高维潜空间定制DiTDH架构，性能优异。

长视频AI数字人来了！字节×浙大推出商用级音频驱动数字人模型InfinityHuman

随着内容创作智能化需求爆发，长时长、高质量数字人视频生成是痛点。字节跳动联合浙大推出商用级模型InfinityHuman，打破传统技术局限，解决身份漂移和细节失真难题，已实现多场景商用。

突破视频时长限制！Manus上架视频生成功能，网友：比Sora更好

Manus上架视频生成功能，可通过连续拼接突破时长限制。它按“拍电影”方式，根据提示词生成片段再合成故事。网友评价是新创作方式，但效果有提升空间，部分人认为比Sora好。

离谱！一句话+百元预算，这只龙虾就给我搓出了一支百万级广告片？

广告片创作成本高、耗时长，生数科技的Vidu Claw能一句话完成创意到成片全流程，同步发布的Video Plan将成本可控化。实测它能胜任多种广告场景，还把工期从N天压缩到1天。

GitHub 1.3k 一款能“填色回忆”的神器：DDColor 让老照片鲜活又逼真

DDColor是阿里达摩院团队提出的新一代图像自动着色模型，基于双重设计，能实现高保真、真实感强的黑白图转彩色图。它兼容多种类型图片，有诸多核心功能，相比传统模型优势明显，应用场景广泛。

ViT一作盛赞：这个中国开源“PS模型”强过Nano Banana

ViT核心作者Lucas Beyer连发三条帖子怒赞通义千问发布的开源模型Qwen—Image—Layered，认为这是图像生成的正确打开方式。该模型可实现PS级拆图自由，支持精细化修改图片元素，核心技术是端到端的扩散模型。