#多模态

JackAI 为 iPhone 和 iPad 带来本地模型聊天、照片和音频 AI

JackAI 是一款面向 iPhone 和 iPad 的设备端 AI 助手，可运行受支持的本地模型，用于聊天、照片问答、音频转写和笔记摘要，并将提示词和文件保存在本地应用存储中。它需要 iOS 或 iPadOS 26 或更高版本，下载模型需要联网并占用数 GB 存储空间。在启用 Apple Intelligence 的兼容设备上，它还可以使用 Apple 的设备端 Foundation Model。

Apple 发布搭载 Siri AI 的 HomeView，售价 299 美元

Apple 发布了 HomeView，一款售价 299 美元的家庭设备，可通过人脸识别最多六个人，并在 Messages、FaceTime、Calendar、Reminders 和 Find My 中显示他们的个人内容。HomeView 上的 Siri AI 增加了屏幕感知能力，并可借助配对的、支持 Apple Intelligence 的 iPhone 或 iPad 获取个人上下文，在美国、澳大利亚、加拿大、印度、新西兰、新加坡、南非和英国支持英语。今日在澳大利亚、加拿大、印度、新西兰、新加坡、英国和美国开放订购，而该设备不在欧盟销售，因为 Siri AI 在当地的 iOS 上不可用。

一个公开的AI制作角色：Claudia，十支Claude音乐视频的演唱者

一个名为Claudia的公开角色——一位留着黑色波波头、带黏土橙色挑染的AI流行歌手——在2026年9月至11月间出演了十支用Claude制作的音乐视频。此次发布公开了她的每一张图像、这些影片，以及你自己复现她所需的一切。这些视频使用Midjourney提示词、Seedance 2.5片段和Suno v6歌曲制作。

Show HN: MuzeGen AI – 生成带分轨和 MIDI 导出的 AI 音乐

MuzeGen AI 是一个 Show HN 项目，可根据描述的情绪、选定的风格或粘贴的歌词生成原创、免版税的歌曲。它还为生成的曲目提供分轨和 MIDI 导出。

inclusionAI 发布 Duo-1.0-distill-quant FP8 权重，用于全双工交互

inclusionAI 发布了 Duo-1.0-distill-quant，这是 Duo 1.0 全双工多模态世界模型的 FP8 量化四步蒸馏 Realization 权重。该权重叠加在 inclusionAI/Duo-1.0-causal-base 包之上，后者提供共享的 Intent、编解码器、语音模型和 Realization 主干，并需要支持打包的 ModelOpt FP8 格式的运行时。该权重从 MiniMax H3 初始化，随后由 Duo 团队训练。

inclusionAI 发布 Duo-1.0-distill：Duo 1.0 的四步蒸馏权重

inclusionAI 已发布 Duo-1.0-distill，这是 Duo 1.0 的四步蒸馏 Realization 权重；Duo 1.0 是一个用于实时视听交互的全双工多模态世界模型。该权重以 PyTorch Distributed Checkpoint 覆盖层的形式发布在 inclusionAI/Duo-1.0-causal-base 包上，使用 Euler 采样器、4 步和 flow shift 5.0。该权重从 MiniMax H3 初始化，随后由 Duo 团队训练。

Show HN：由开发者打造的 Rick and Morty 解说视频生成器

一位开发者发布了一款 Show HN 工具，可将任意网站、文章或脚本转换成 Rick and Morty 风格的解说视频，包含对话、场景和动作。用户点击生成，将脚本转换为可审阅的分镜脚本，然后再次生成最终视频；由于底层使用 AI 视频，最终视频需付费。

Zipzi 发布开源 Live2D Cubism Editor 替代品，支持 AI 智能体协同编辑

Zipzi 发布了一款 alpha 阶段的开源 2D 建模与动画编辑器，定位为 Live2D Cubism Editor 的替代品，使用 Rust 和 GPUI 构建，支持 macOS 和 Windows。一个 Python SDK（CPython 3.14）允许编码智能体检查网格、渲染线框叠加，并在与用户相同的文档中应用编辑，且共享撤销历史。该项目处于早期开发阶段，尚无稳定版本；SDK 采用 MIT 许可证，编辑器组件使用 GPL-3.0-only 许可证。

SingVL-4B GGUF 发布：基于 Qwen3.5 的 Sing VL S1 4B 多模态决策模型推出 GGUF 版本

Sing VL S1 是一个基于 Qwen3.5 构建的 4B 参数多模态决策模型，现已发布 GGUF 版本，可用于 llama.cpp 的 CPU 推理。它提供 BF16（8.42 GB）、Q8_0（4.48 GB）和 Q4_K_M（2.71 GB）三种解码器，外加一个共享的 F16 视觉投影器，默认上下文长度为 4096 token。GGUF 验证覆盖 9 个示例和 11 个问题；GGUF 各变体的完整公开评分仍待公布。

AI实验室尚未联系的那位世界构建者

文章探讨为何前沿AI实验室在构建世界模型时尚未咨询《海贼王》创作者尾田荣一郎。文章认为，他在空间一致性和内部逻辑连续性方面的专长可能有助于生成式媒体、游戏和模拟风格设计，尽管底层物理和几何仍属于World Labs的Marble等训练模型的领域。

Google 发布 Gemini 4 Hydrogen，一款面向编程和智能体工作流的快速执行模型

Google 推出 Gemini 4 Hydrogen，这是一款为日常编程和智能体工作流中的快速执行而构建的模型，已在 Gemini API、AI Studio、Gemini for business、Gemini 应用、Google 搜索和 Google Antigravity 上全球上线。

同一件事，精选收录的是《Google DeepMind releases Gemini 4 Hydrogen, a faster Gemini 4 model for coding and agentic workflows》

World Labs向所有人开放Atlas世界模型

World Labs已向所有人开放其新一代世界模型Atlas，让用户能够生成并重建可探索的3D世界。Atlas Build从照片或生成的图像出发，由Viewfinder重建场景并允许相机移动，而Chisel则勾勒出场景结构并更新每个相机视图。世界可从splats转换为具有真实几何结构的网格，用于游戏、仿真、Blender及其他3D工具，Atlas的能力也可通过开发者API获取。

AxiomStory：一个让角色和世界在文本、图像和视频中保持一致的 AI 故事工作室

AxiomStory 是一个新的 AI 故事工作室，它会阅读手稿的每一章并标记连续性问题，例如角色的眼睛颜色在不同章节之间发生变化。它为每个角色和地点建立维基页面，并在生成的图片和视频中为每个角色复用一套已获批准的造型和声音。免费计划提供约 30,000 字的 AI 帮助；付费套餐从每月 16 美元到 160 美元不等。

Google发布Gemini 4 Hydrogen，在Argon发布四周后得分超过更大的Argon

Google发布了Gemini 4 Hydrogen，这是一款面向开发者和日常用户的快速通用模型，定价为每百万输入token 1.50美元、每百万输出token 7.50美元，上下文窗口为一百万token。Google称，Hydrogen在默认高思考级别下于Artificial Analysis Intelligence Index上得分为51，在新的xhigh级别下为54，而更大的Gemini 4 Argon为50。Artificial Analysis的独立测试显示，Hydrogen在最高思考水平下大致与Claude Sonnet 5.5持平，但在智能体终端任务上较弱，在Terminal-Bench 4.0上得分为54%，而Claude Sonnet 5.5为64%。

同一件事，精选收录的是《Google DeepMind releases Gemini 4 Hydrogen, a faster Gemini 4 model for coding and agentic workflows》

Google DeepMind 发布 Gemini 4 Hydrogen，一款面向编程和智能体工作流的更快的 Gemini 4 模型

Google DeepMind 推出了 Gemini 4 Hydrogen，这是一款 Gemini 4 模型，专为快速的日常编程和智能体执行而构建，而非 Gemini 4 Carbon 和 Argon 那种长程推理。在其默认的高思考级别下，它在 Artificial Analysis Intelligence Index 上得分为 51，而 Argon 为 50；在新的 xhigh 设置下达到 54；其定价在其 100 万 token 上下文窗口内统一为每百万输入 token 1.50 美元和每百万输出 token 7.50 美元。Google 还在 Google Antigravity 中推出了 Orchestrator，它可以在会话内在 Carbon 和 Hydrogen 等模型之间切换，并在 Terminal-Bench 4.0 上达到接近 Carbon 的任务成功率，同时使用的配额减少 24%，完成速度快 19%。

Google 联手 Gentle Monster 和 Warby Parker 推出 Gemini 智能眼镜，起售价 395 美元

Google 的 Gemini 智能眼镜现已在 Gentle Monster 和 Warby Parker 开启预售，Warby Parker 镜框起售价 395 美元，Gentle Monster 款式起售价 449 美元。该设备由三星提供镜框内的计算硬件、Google 提供软件，是双方合作的产品；在 Google Glass 时代之后重返智能眼镜领域之际，Google 强调隐私保护。Warby Parker 的三款镜框 Alden、Reid 和 Wren 提供 Pine、Saddle 和 Jet Black 配色，可选标准光学镜片或太阳镜片，仅在美国销售；Gentle Monster 则提供六款样式，配色为深红、粉色、灰色和黄色，可选透明、有色、蓝色或棕色镜片，在美国和韩国销售。

游戏的下一个起源故事：AI如何加速独立开发者、工具制造商和世界构建工作室的发展

a16z的Anish、Jon和作者认为，AI可以加速游戏三大核心原型——独立开发者、先知型工具制造商和世界构建工作室——而不是取代它们。编码智能体现已帮助独立开发者弥合技能差距：一个智能体在Blender和一个引擎中搭建了一家受Habbo Hotel启发的唱片店，随后加入了宠物领养机制，并保持代码库向后兼容。Jon使用ChatGPT和Codex为他八岁的儿子制作了一个受《Ghost of Tsushima》启发的Minecraft模组。

森万里子使用 Claude 为“All That Shines”回顾展编写动画代码

艺术家森万里子使用 Claude 编写代码，制作了一段计算机生成动画，作为其回顾展“森万里子：All That Shines”中全新视频装置作品展出。该作品在最后一个展厅的七米宽屏幕上播放，画面中一条地平线裂开，展现出一个光芒四射的世界。展览于 2026 年 10 月 31 日至 2027 年 3 月 28 日在东京森美术馆举行。

vLLM 为 Thinking Machines 的 Inkling 2 Small 提供 day-0 支持

vLLM 在 day 0 支持 Thinking Machines 的 Inkling 2 Small，这是一个多模态文本与视觉 MoE，总参数 594B、激活参数 17B，上下文最高可达 1M token。该集成加入了带 PDL 的内核融合、用于 prefill 的序列并行（在 TP4 下将 8K token 的 prefill 步骤缩短 22%，TP8 下缩短 26%），以及一个 Gluon 相对注意力解码内核，将 100K 上下文下 batch-1 的解码步骤从 15.1 ms 降至 4.8 ms。vLLM 报告在 GB200 上 TP4 时每用户最高 630 TPS，接受长度为 3.5，并且还通过 SkyRL 支持 LoRA 和 RL。

vLLM-Omni 在 Vera Rubin 上对 MiniMax H3-Image 进行基准测试：0.87 秒生成 4K 图像，每小时 6,115 张

vLLM-Omni 将 MiniMax H3-Image 引入 NVIDIA Vera Rubin，在四块 GPU 上测得原生 4096×4096 文本到图像的中位延迟为 0.87 秒，并在另一吞吐配置下达到每小时 6,115 张图像。H3-Image 是一个开放权重的文本到图像与编辑模型，将 Qwen3-VL 编码器与 33.1B 稠密 DiT 及图像 VAE 相结合，在六步采样内处理两项任务，最多支持 16 张参考图像。团队报告了 MXFP8 DiT GEMM、Ulysses SP4、AdaLN 缓存以及一项将解码时间从 2.635 秒缩短至 0.213 秒的 VAE 解码改动，并列出了面向 AMD、Intel、华为昇腾和摩尔线程硬件的配置方案。

Google 发布 Gemini Decision 1 决策模型 API，支持多模态输入

Google 发布了 Gemini Decision 1，这是一个决策模型 API，支持是/否、选择和评分标准打分类问题，与 Jev 和 OpenAI 一同进入决策模型类别。其定价为每百万输入 token 10 美分，输出免费；与 Jev 仅支持纯文本输入不同，它接受文本、图像、音频、视频和 PDF。在一段机器人视频的测试中，Gemini 返回的概率如 robot 为 0.9234、dragon 为 0.0498，而非 Jev 和 OpenAI 返回的 1.0 或 0.0。

Google 发布 Gemini Decisions API，搭载 Gemini Decision 1，每 100 万 token 收费 0.10 美元

Google 发布了 Gemini Decisions API，由名为 Gemini Decision 1（gemini-decision-1）的新模型驱动。该模型不生成文本，而是针对一个共享输入对最多 1,000 个带类型的问题进行打分，并返回校准后的概率。它在单次预填充中读取文本、图像、音频、视频和 PDF，支持是/否、选择和评分三种问题类型，定价为每 100 万输入 token 0.10 美元，输出 token 不计费。Google 报告称其上下文长度为 262,144 token，端到端延迟为 150-250 毫秒，top-1 ECE 为 0.0250，约为 TypeSafe Jev 1.14 的一半，但在 When2Call 基准上落后于 Jev（79.9% 对 82.0%），且每 token 成本更高（0.10 美元对 0.042 美元）。

Google DeepMind 发布 Gemini Decisions API 和 Gemini Decision 1 模型

Google DeepMind 推出了 Gemini Decisions API，专为封闭式决策而构建，例如是/否问题、多项选择和基于量表的评分，其底层的 Gemini Decision 1 模型可在单次处理中跨文本、图像、音频、视频和 PDF 处理多达 1,000 个独立问题。它以 150 至 250 毫秒的速度返回带有置信度值的概率，每百万输入 token 收费 0.10 美元，且不收取输出 token 费用，Google 称这比 Gemini 3.5 Flash-Lite 便宜约五倍。该 API 现已通过 Google AI Studio 提供，OpenRouter、LangChain 和 Vercel 的集成正在陆续推出，Google 表示其内部已将其用于 Gemini Notebook 中的模型路由、Stitch 中的设计原型制作以及 Google 搜索中的安全检查。

同一件事，精选收录的是《Google launches Gemini Decisions API and Gemini Decision 1 model for fast closed-set decisions》

Google 发布 Gemini Decisions API 和 Gemini Decision 1 模型，用于快速闭集决策

Google 推出了 Gemini Decisions API，由新的 Gemini Decision 1 模型（gemini-decision-1）驱动，可通过 Google AI Studio 中的 Gemini API 使用。单次多模态输入最多 256K token，可在一次前向传递中对照最多 1,000 个是/否、多项选择和评分标准打分问题进行检查，返回概率和置信度分数，端到端延迟为 150-250 毫秒，每 100 万输入 token 收费 0.10 美元，不收取输出 token 费用。Google 表示，该模型在其基准测试套件中领先，校准误差最低，并且比使用 Interactions API 的 Gemini 3.5 Flash-Lite 便宜近 5 倍；内部用途包括 Gemini Notebook 中的模型路由、Stitch 中的线框图生成，以及 Search 中 MCP 工具的对抗性内容检查。

3D 变换与 Figma 智能体如何让一支发布视频活起来

Figma 已开放 3D 变换功能的公测，让设计师可以在空间中倾斜、旋转和排列文本、图像、矢量与画框，并在父级画框上应用透视效果，以构建共享的空间构图。这些非破坏性效果保持可编辑，可与着色器组合、用 Figma Motion 制作动画，或通过 Figma 智能体进行探索。Figma 的品牌工作室使用了这些工具（包括一个由智能体构建的生成式插件）来制作该功能的发布视频。

Adobe发布AI实验：将照片转为3D场景，还能采访角色

Adobe在其年度Max大会上宣布了多项实验性AI工具，包括通过对话指导AI角色的Project Screen Test、将平面图像转换为可导航3D场景的Project Sight Span，以及在方形声音画布上混合音效的Project Sound Bender。Project Rinse Repeat使用原生Photoshop工具复制编辑操作，并将其应用到同一照片中的其他对象上。这些“sneaks”属于技术预览，最终可能进入Creative Cloud或Firefly，但不保证一定发布。

Google Arts & Culture 推出 Esther Mahlangu 博士在线回顾展

Google Arts & Culture 发布了南非艺术家 Esther Mahlangu 博士的首个在线回顾展，恰逢其 91 岁生日，包含 45 篇以上精选故事以及关于她的艺术、生平和遗产的丰富档案。由于档案中没有 1980 年之前的任何资料，团队利用 AI 视觉化重现了她未被记录的记忆，先生成静态图像，然后使用 Veo 将其转化为视频。该展览是与大英博物馆、南非 Iziko 博物馆和蛇形画廊等机构共同策划的。

MBZUAI 的 IFM 发布 PAN 2，一个面向物理 AI 的开放 29B 世界模型

MBZUAI 的基础模型研究所发布了 PAN 2，这是一个 29B 参数的开源世界模型，输入一个场景加一段文本动作，并以视频形式模拟结果，权重、训练代码和推理代码均以 Apache 2.0 许可开放。它将一个编写结构化 JSON 世界状态的 LLM 规划器，与一个由冻结的 Qwen3.5-9B 编码器条件化的 29B MMDiT 扩散 Transformer 配对；IFM 报告称，在 100 个多步任务上完整计划完成率为 34.0%，领先于 MiniMax-H3 的 32.50%，但在单动作和人类偏好（Elo 1595 对 1620）上落后于 MiniMax-H3。IFM 的消融实验显示，移除 LLM 规划器会使完整计划完成率降至 0.0%，步骤完成率从 75.1% 降至 8.7%。

vLLM 为多模态服务新增基于 EPD 的编码器解耦

vLLM 扩展了面向多模态服务的编码器/预填充/解码（EPD）解耦，新增仅元数据请求、专用编码器执行路径、通过 NIXL 和 Mooncake 的远程嵌入传输、跨编码器输出复用，以及通过 vLLM Router、SMG 和 llm-d 进行编排。包括 MiMo 和 XPU 支持在内的核心能力随 vLLM v0.32.0 发布，而对 DeepSeek V4.1 Flash 的仅元数据支持已通过 #62802 在 main 上提供。在 GB200 上对 DeepSeek V4.1 Flash 的测试中，在并发 64–128 时，EPD 相比八 GPU PD 基线实现了每 GPU 吞吐量高 6.6–9.5%、P90 TTFT 低 44–47%，但在并发 16 时每 GPU 吞吐量更低。

inclusionAI 发布 ZoomGain-9B 和 ZoomGain-4B 模型，附带 ZoomGainBench 与 RL 训练数据

inclusionAI 发布了 ZoomGain-9B 和 ZoomGain-4B 视觉语言模型检查点，以及 ZoomGainBench 评估基准和 ZoomGain RL 训练数据。ZoomGain 挖掘从全局到放大的感知差距，以构建细粒度视觉监督，ZoomGain-9B 在多个细粒度和通用感知基准上取得了更优表现。ZoomGainBench 包含覆盖 941 张图像的 1,000 个问题，而 RL 数据集包含 9,000 条训练记录和 7,713 张源图像。

inclusionAI 发布 ZoomGain-4B 和 ZoomGain-9B，并附带 ZoomGainBench 与 RL 训练数据

inclusionAI 发布了 arXiv 论文、ZoomGainBench 评估基准、RL 训练数据集以及 ZoomGain-4B/ZoomGain-9B 模型检查点。28 个模型中表现最佳者在 ZoomGainBench 上得分 61.08，而 ZoomGain-9B 在多个细粒度和通用感知基准上达到了更优性能。ZoomGain 挖掘从全局到放大的感知差距，为视觉语言模型构建细粒度视觉监督。

inclusionAI 在 Qwen3.5 上发布 SingVL S1 4B 多模态决策模型

inclusionAI 发布了 SingVL S1，这是一个基于 Qwen3.5 构建的 4B 多模态决策模型，可在单次 Transformers 前向传播中对文本或 JSON 以及最多四张图像回答指定问题。它支持选择、是/否（noul）和 2–10 级评分问题，在 Public Vision Index 上得分 73.94，在 Public Text Index 上得分 69.76。该模型附带 Python 推理代码和 FastAPI HTTP 服务器。

Simon Willison 在 Antigravity IDE 中测试 Gemini 4 Carbon，谷歌向所有用户开放访问

两周前面向部分网络安全防御者发布的 Gemini 4 Carbon 现已向所有人开放，输入价格为每百万 token 2 美元，输出价格为每百万 token 10 美元，价格定于 12 月 1 日翻倍至 4/20 美元。Simon Willison 在谷歌的 Antigravity IDE 中进行了测试，使用 OpenStreetMap 数据生成了一个机甲踩踏纽约市的 Three.js 动画，并指出谷歌 CEO Sundar Pichai 重点介绍了 Antigravity 的 /swarm 功能，该功能利用 Blender 资产、WebGL 着色器和 Lyria 音乐构建了一个开放世界 3D 游戏。

同一件事，精选收录的是《Google DeepMind releases Gemini 4 Carbon for agentic coding, cybersecurity and scientific reasoning》

inclusionAI 发布 ZoomGain-9B 的 GGUF 权重

inclusionAI 已发布 ZoomGain-9B 的 GGUF 格式权重，使用 llama.cpp 转换，涵盖语言模型以及视觉编码器/投影器（mmproj），提供 FP16、Q8_0 和 Q4_K_M 版本。图像输入需要将语言模型与匹配的 mmproj 文件配对使用，仓库中记录了通过 llama-mtmd-cli 进行 CLI 推理以及通过 llama-server 搭建网页聊天环境的方法。需要支持 Qwen3.5 多模态的 llama.cpp 构建，量化可能影响准确率。

Google 与 Adobe 扩大合作，将 Acrobat 和创意工具引入 Gmail、Drive、Gemini 和搜索

Google 与 Adobe 正在扩大合作，将 Adobe 的创意与生产力工具直接嵌入日常使用的 Google 应用中，同时把 Google 的前沿 AI 模型引入 Adobe 的应用。Google Drive 和 Gmail 很快将在文件预览中以“Edit with”入口将 Adobe Acrobat 作为推荐应用呈现；Adobe 则正在为 Gemini 和 Gemini Enterprise 添加 Acrobat 与创意工具连接器，并将创意工具引入 Google 搜索的 AI Mode。企业可以在 Gemini Enterprise 中使用 Adobe 的 CX Enterprise Coworker 智能体，Adobe 还将与 Google DeepMind 探索一款用于 Photoshop 的图像模型，有望实现近乎实时的编辑。

OpenRouter 对 15 个视觉模型和 Mistral OCR 在扫描文档上进行基准测试

OpenRouter 在八份自制的退化扫描件上测试了 15 个视觉模型、Mistral OCR 和 Tesseract，Claude Opus 5.5 最准确，264 个关键值中答对 262 个，每 1,000 页成本 16.42 美元；Mistral OCR 性价比最高，264 个中答对 258 个，成本 2.02 美元。在一张褪色收据上，GPT-6 Luna 和 GPT-6.1 Sol 编造了卡号数字、一个服务器名称和 wifi 密码，这些错误是字符错误率无法揭示的。文章附有代码，可转录扫描件、关闭推理、交叉核对来自不同实验室的两个模型，并通过 file-parser 插件运行 Mistral OCR。

谷歌语言探索器将世界语言多样性可视化

谷歌推出了语言探索器（Language Explorer），这是一个交互式网络平台，让研究人员、教育工作者和语言爱好者能够发现并可视化数千种语言的多样性。该平台是谷歌“1000种语言计划”的一部分，基于开源数据集 LinguaMeta 构建，并在本周于柏林通信博物馆开幕的新展览中展出。谷歌翻译目前支持近250种语言，而 Gboard 覆盖900多种语言变体。

Anthropic 发布 Claude Fable 5.2，面向高难度技术工作

Anthropic 发布了 Claude Fable 5.2，这是一款为最艰巨的技术挑战和雄心勃勃的开放式项目而设计的模型，在编码、推理和视觉方面均有提升。公司建议大多数编码和知识任务从 Opus 5.5 开始使用；Fable 5.2 即日起在 Pro、Max、Team 和 Enterprise 套餐中提供。

Google DeepMind 与 Artificial Analysis 推出 MKA 基准，用于评估复杂视觉文件上的智能体知识工作

Google DeepMind 与 Artificial Analysis 合作推出多模态知识智能体（MKA）基准，该基准要求智能体审阅建筑图纸、工程示意图和临床扫描等密集视觉项目文件，并产出幻灯片、电子表格、PDF、Word 文档和标注图像。

Gemini Omni Flash 1.2 登陆 Recraft Studio，角色更稳定、口型同步更清晰

Google 最新的视频模型 Gemini Omni Flash 1.2 现已在 Recraft Studio 上线，可生成最长 10 秒、带原生音频的片段。与 1.1 相比，它在单个片段中能更稳定地保持人物、产品和场景的一致性，更准确地遵循镜头指令、减少不必要的剪辑，并能生成更清晰的口型同步对话，包括多人对话场景。Google 于 2026 年 11 月 5 日发布该模型，并指出它在快速体育动作、快速脚本变化和复杂物理效果方面仍存在不足。