本文探讨了通过学习长期运动嵌入来高效生成运动的技术。研究表明，利用大规模轨迹获得的运动嵌入，可以更有效地生成长时间的真实运动，以满足文本提示或空间指令的目标。通过压缩运动嵌入并训练条件流匹配模型，生成的运动分布优于现有视频模型和特定任务方法。

国产视频模型SkyReels-V4近期在全球视频大模型排行榜中跃升至第二位，展现出强大的多模态生成能力，支持文本、图像、视频和音频的组合输入，实现精准控制和专业级视频修复，推动视频创作全流程一体化。

Kling 3.0视频模型已在AI Gateway上线，支持从文本和图像生成高质量视频，具备多场景叙事和音频生成等功能，适合专业用户，提供无代码实验平台。

Midjourney推出首个视频模型，用户可将图像转换为视频，支持手动和自动模式。视频保持超现实美学，但功能尚显粗糙，分辨率仅为480p，缺乏音效和时间轴编辑。未来将继续开发3D模型和实时系统，旨在构建完整的内容生产体系。

Meta推出V-JEPA 2，这是一种新型视频世界模型，旨在提升机器对物理环境的理解和预测能力。该模型经过两阶段训练，首先自监督预训练超过一百万小时的视频，然后在62小时的机器人数据上微调。V-JEPA 2在机器人操作任务中表现优异，成功率达65%至80%。

AI初创公司Runway推出了Gen-4视频模型，能够在多个镜头中生成一致的场景和人物。该模型允许用户通过单一参考图像生成角色和物体，提供更好的故事连贯性和控制力。用户只需描述构图，模型便能从多个角度生成一致的输出。

Luma AI 的 Ray2 视频模型已在 Amazon Bedrock 上推出，能够通过文本生成高质量视频，支持多种应用场景，如内容创作和广告。用户可通过 API 轻松生成不同角度和风格的视频。

爱诗科技的PixVerse V3.5视频模型实现接近实时的生成速度，显著提升运动控制和画质，支持多种动画风格，降低影视制作门槛，提供流畅的内容创作体验。

谷歌推出了新生成式AI视频模型Veo，目前处于私密预览阶段，允许企业将其应用于内容创作。Veo能够根据文本或图像提示生成高质量的1080p视频，并且风格多样。同时，谷歌还向所有Google Cloud客户提供更新的Imagen 3图像生成器。Veo和Imagen 3内置保护措施，防止生成有害内容，并嵌入数字水印以减少错误信息。与OpenAI的Sora相比，谷歌在市场上处于领先地位。

复旦大学研究者提出了一种名为ReToMe-VA的新型面向视频模型的对抗攻击方法。该方法通过逐时间步对抗隐变量优化策略，实现生成对抗样本的空间不可感知性，并引入递归token合并策略，提升对抗视频的迁移性和时序一致性。实验结果显示，ReToMe-VA在多种视频模型上实现了高攻击成功率，并在对抗防御方法中保持较高的鲁棒性。