阿里云Wan 3.0视频模型已上线AI网关，支持文生视频、图生视频、首尾帧及参考生成，输出最长30秒、30fps、最高1080p并含音频。提供轮询、异步任务及Webhook三种生成方式，支持图像、视频、音频参考，简化了多模型流程。

秘塔AI上线MiniMax H3视频模型，用户无需部署或配置环境，打开网页即可使用。生成视频价格低至0.09元/秒，5秒视频不到五毛钱，2K版本也仅0.15元/秒。该模型支持文生视频、图生视频等功能，大幅降低了创作门槛和试错成本，让普通创作者能轻松将创意转化为视频。

视频模型通过观察人类视频，不仅学习动作，还吸收了人类的“下意识选择”和偏见，形成一套“潜规则决策系统”。在电车难题测试中，模型倾向于逃避选择，如预测火车故障而非撞人，反映出“决策规避”和统计平均行为。这种偏见若用于行动模型，可能导致AI过度保守或行为偏差，需正视其放大效应，避免自动化灾难。

本文调研实时多模态视频模型，提出L0-L3能力分级，区分“支持视频”的四种层次。核心在于“可流式性”插入的层级：客户端采帧、分块编码、共享时间轴、显式触发、异步思考、模态专家或原生AV2AV。文章分析Qwen3.5-Omni、MiniCPM-o、ROMA、DuplexOmni、ELLSA、Wan-Streamer等方案，强调真正的实时取决于状态增量更新、说话时机可学习及音视频因果生成，并给出选型建议。

MiniMax发布开源视频模型H3，支持端到端生成带特效、字幕、转场的完整视频，默认2K分辨率，文字渲染和音频驱动表现优秀，价格低于主流模型。模型采用全模态输入和Omni架构，提升可控性，并开源以支持私有部署，被视为视频生成进入商用阶段的标志。

Xmax AI发布了实时交互视频模型X2.0，具备实时换装和角色变换功能，用户可与虚拟角色深度互动。该模型通过毫秒级响应和多种交互方式提升用户体验，适用于电商和直播等领域。X2.0的API将推动视频行业变革，降低创作门槛，重塑人机交互方式。

本文介绍了如何在Gemini CLI中接入Seedance MCP，使用11个视频模型生成短视频。用户需注册AceData Cloud并获取API Token，通过命令行或手动配置即可使用，示例包括生成舞蹈和美食制作视频。

Gemini CLI 现已支持 Seedance MCP，用户可通过 API Token 调用 11 个视频模型生成短视频，配置简单，支持竖屏 9:16 格式，适合舞蹈和美食制作等场景。

美团开源了LongCat-Video-Avatar 1.5数字人视频模型，提升了唇形同步、稳定性和多人互动能力。通过优化音频特征提取和数据处理，该模型在复杂场景中表现优异，生成效率提高15倍，适用于电商直播和教学等多种场景，推动数字人视频的实际应用。

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。