计算机视觉

Gemini代表了Google在AI领域的最新突破，通过其多模式处理和高级推理能力，为用户和开发者提供了强大的工具和平台，以实现创新和效率的提升。

AI在线视频创作与编辑平台。

Seedream 5.0 是字节跳动推出的下一代 AI 图像生成与编辑模型，具备深层语义理解、原生 4K 输出、高精度文本渲染、参考图像融合与智能逻辑推理能力，支持复杂场景创作和商业级视觉资产生产。

Seedance 2.0 是基于先进 AI 视频生成模型的工具，支持从文本或静态图像生成多镜头叙事视频。该工具可自动维护视觉一致性、理解复杂场景并输出高质量 1080p 视频，适用于营销、教育、社交媒体内容、叙事片段和影视预可视化等多种场景。

Grok Imagine 1.0 是 xAI（由 Elon Musk 支持的人工智能公司）推出的多模态生成系统，可基于自然语言提示生成图像或短视频，支持图像编辑、文本渲染、多种输出样式和格式，并集成原生音频，为创作者提供快速迭代的视觉内容制作能力。

Vidu Q3 是由生数科技（Shengshu Technology）推出的新一代 AI 视频生成模型，可直接生成最高 16 秒、1080p 分辨率、音视频同步的视觉内容，结合文本或图像提示实现多镜头叙事、音频配合与语言文字渲染，适用于短剧、广告、自媒体等多种视觉内容创作场景。

Vidu Q2参考生Pro 是 Vidu 平台推出的参考生视频生成模型，支持多模态输入（视频与图片），用于生成高一致性、精细化的视频内容，涵盖人物、场景、动作与特效等创作需求。

FLUX.2 [klein] 是 Black Forest Labs 发布的紧凑型实时图像生成与编辑 AI 模型家族，支持子秒级图像生成、统一的生成与编辑流程、文本到图像、多参考图像编辑等功能，适用于研究、开发和交互式视觉智能应用。

UI-TARS Desktop 是由字节跳动开源的桌面端 GUI Agent 工具，基于 UI-TARS 视觉语言模型（VLM），可通过自然语言控制计算机界面，实现图形界面识别与操作。

Vidu 团队推出的 AI 视频创作智能体平台，通过“一键成片”技术与自动分镜编排，实现从视觉输入到成品输出的全流程视频生成，适用于广告、产品展示、短片与创意视频等多种场景。

一个全新的视觉-动作基础模型（Vision-Action Foundation Model），由 NVIDIA 等机构联合研发并开源，专注于通用游戏智能体的学习与控制。

MovieFlow 是一款基于人工智能的 全自动视频创作与影片生成平台，它能够将用户的故事描述、剧本或简单提示转化为完整的高质量视频作品。

由 Qwen 团队开发的 图像分层 AI 模型，可以将单张图像自动分解成多个可独立可编辑的 RGBA 图层，实现类似专业图像编辑软件的分层操作。

一个基于先进人工智能的 多模态内容生成平台。

MiniMax-AI 海螺视频团队开源的 Visual Tokenizer Pre-training 视觉生成模型预训练框架。

大晓机器人推出的 开源世界模型，专为具身智能、机器人环境理解与动态预测设计。

苹果推出的开源单目视图 3D 场景合成模型。

OpenAI 发布的最新图像生成与编辑 AI 模型，作为 ChatGPT Images 的核心引擎，它以 最高达 4× 更快的生成速度、更强的指令执行力、精细细节保留与创意转换能力 为特性，支持创意图像生成、照片编辑与视觉工作流自动化。

一个面向 AI 工具使用者的先进 实时音频驱动交互式头像生成系统。

字节跳动 Seed 团队最新发布的 音视频联合生成 AI 模型。该模型具备专业级音画同步、高质量视频生成、复杂叙事理解与多模态输入支持，为内容创作者及 AI 工具使用者提供强大的短片和影视级视频创作能力。

阿里通义万相最新发布的视频生成 AI 模型，支持文本/图像/参考视频多模态生成、多镜头叙事、角色扮演和原生音画同步，为 AI 工具使用者实现专业级短片创作与影视级内容自动化提供强大支持。

一个轻量级、高性能的视频生成推理框架。

一个基于 nano banana pro 强大模型的开源 AI PPT 生成工具，它如何通过自然语言驱动、文件解析与素材上传等机制实现高质量、定制化的演示文稿自动生成，适用于个人用户与开发者场景。本文系统梳理核心功能、技术架构、使用方法与常见问题。

一款基于 AI 的创新视频创作平台，包括其核心功能、产品优势、使用指南与用户常见问题解答。

PosterCopilot 是由南京大学、LibLib.ai 与中国科学院自动化所联合推出的 AI 海报设计框架，通过布局推理、审美强化学习与分层可控编辑，为专业海报布局和设计流程提供自动化与迭代式编辑能力，适合设计师、营销人员与创意团队使用。

Questas 是一款 AI 驱动的互动故事与多媒体内容生成平台，允许用户通过文字提示快速生成图像与视频，并构建“分支／选择你的冒险 (choose-your-own-adventure)”式的互动故事。适合创作者、教育者、游戏设计师、小团队与内容运营者，无需编程或美术基础，即可打造沉浸式故事体验。

Vora 是一个由 Fineshare 提供的 AI 视频生成与编辑平台，支持将文本提示或图片转换为高清、无水印、带配音的视频，也支持提示词生成、视频增强与水印移除，是内容创作者、电商卖家、营销人员、社交媒体运营者制作短视频与广告视频的便捷工具。

可灵O1 是由 可灵AI 发布的全球首款统一多模态视频生成大模型，支持图片、视频与文字混合输入，实现从文生图／文生视频／图生视频到视频编辑的一站式创作流程，适合内容创作者、电商、广告商与自媒体用户快速生成短视频与营销内容。

Vidi2 是由 ByteDance 发布的 12 B 多模态视频理解与创作模型，支持长视频解析、精确时空定位 (Spatio-Temporal Grounding)、自动剪辑与脚本生成，是内容创作、短视频制作、影视剪辑与视频理解研究的新利器。

Temvideo.ai 是一款面向电商、内容创作者与品牌商的 AI 视频生成 /编辑平台，通过 AI-agent 和模板机制，将图片、脚本或产品素材自动生成广告视频、产品展示、社交媒体短视频等，大幅节省剪辑与制作时间，适合电商卖家、内容创作者、跨境品牌快速输出优质视频。

Depth Anything 3 (DA3) 是 ByteDance-Seed 团队开源的下一代通用 3D 视觉重建模型，可从任意数量与任意视角的图像／视频输入中恢复空间一致的 3D 几何结构，包括深度图、相机位姿、三维点云与新视图合成，非常适合视觉创作者、3D 艺术师、研究者与开发者进行几何估计、3D 重建与视觉内容创作。

Z-Image 是阿里通义 (Tongyi MAI) 发布的高效 6 B 图像生成与编辑基础模型，支持高逼真度渲染、中英双语文本、低资源运行与快速推理，为创作者、设计师和开发者提供了兼顾质量与效率的开放图像生成方案。

FLUX.2 是 Black Forest Labs 推出的新一代 AI 图像生成与编辑模型，支持最多 10 张参考图、多参考融合、高达 4MP 的高精度输出、复杂文本渲染和品牌级一致性，适合设计师、营销、产品可视化和创意团队进行专业级图像创作。

Lumine 是一个面向 3D 开放世界游戏的通用智能体 (generalist agent)，由字节跳动（Bytedance）Seed 团队提出。它基于视觉-语言模型 (VLM)，能实时感知、推理与执行复杂任务，并在多款游戏中展示强大的跨游戏泛化能力。

OiiOii 是一款面向创作者与普通用户的 AI 动画代理工具，旨在将你的想象通过图像、文字提示快速生成动画或短片。

LONGLIVE 是由 NVlabs 推出的创新型 AI 技术项目，旨在通过先进的深度学习与生成算法，为长视频生成、内容复原与高质量视频处理提供强大支持。

Sora 2 是一款由 OpenAI 推出的全新 AI 工具，支持文本生成视频、实时交互、可编排场景等强大功能。

让 AI 驱动视频制作更高效——探索 Keevx 的 AI 化身技术、脚本自动生成与多语言支持，助力内容创作者、教育者和市场营销者轻松制作专业视频。

Clueso 是一款面向屏幕录制者的 AI 平台，可将录制内容自动转换为高质量产品视频与操作文档，支持多语言、本地协作与品牌定制，适合 AI 工具使用者快速生产培训与演示内容。

Memories.ai 是首个面向长时段视频记忆的 AI 平台，支持对视频内容进行语义检索、视频对话、剪辑创作与趋势分析，适合 AI 工具使用者管理与分析海量视频内容。

OpenCreator 是一款为内容创作者打造的统一 Gen‑AI 工作平台，集成多种生成模型与工作流模板，支持从剧本生成视频、图像、歌词 MV 和视觉特效等 AI 内容创作任务，适合 AI 工具使用者提高创作效率。

Pic Answer 是一款 AI 驱动的图像问答助学工具，支持拍照识题、对话式解析和多学科覆盖，适合 AI 工具使用者轻松获取问题解答与思路解析。

CatchMe 是一款 AI 内容鉴别平台，支持在线检测图像、视频和音频是否由 AI 生成，有效应对换脸、换声诈骗和深伪内容风险，适合 AI 工具使用者保障内容真伪安全。

MirageLSD 是 Decart 推出的首个实时流式扩散 AI 视频模型，支持无延迟、实时且可无限生成的视频流变形，适用于直播、视频通话和游戏等场景。

BytePlus是字节跳动旗下 AI 平台，为开发者和企业提供图像生成、语音识别、推荐系统、增强现实等一站式 AI 能力，适合 AI 工具使用者构建复杂智能应用。

SendShort 是一款面向 AI 工具使用者的短视频自动化生成平台，通过一键剪辑、配字幕、配音、音轨、B-roll 和多语言翻译，助力内容创作者高效制作并发布视频短片。

RoboBrain 2.0 是北京智源研究院推出的开源多模态机器人“大脑”，融合视觉、语言与交互推理，支持 7B/32B 模型，对各种实体任务进行空间、时间规划与闭环反馈，适合 AI 工具使用者快速集成机器人认知能力。

万象驭影 是北京矩阵像素科技推出的多模态 AI 视频创作平台，整合多智能体与跨模态技术，支持批量剪辑、精细剪辑与一站式投放，面向企业营销与内容创作者优化视频产能与成本。

Hunyuan3D‑PolyGen 是腾讯混元3D系列的最新旗舰级模型，以生产级“Art‑Grade”网格拓扑为目标，支持三角/四边形网格、高压缩编码与自动重拓扑，能减少 70% 制作时间、提升 35% 拓扑整洁度，是游戏开发者与 3D 艺术师的创作助力。