AI视频生成:Gemini 4 Argon发布数日后,资料库究竟说明了什么
资料库里最新带日期的条目,是Fulcrum于9月30日发布的写作模型Echo。但本次主题AI视频生成,在原始材料中找不到任何带日期的发布记录,只有围绕9月30日前后、未注明日期的标题片段,其中提到谷歌的Gemini 4 Argon。
交到编辑部的资料库里,没有任何一条有出处、带日期的AI视频生成模型发布记录。读者首先该知道这一点。选题要求提供这样一条记录,材料里却没有一条符合本刊对信息来源的要求。
材料给的是一组近期标题,标为背景信息,并明确注明不可当作事实引用。其中有TechCrunch 9月30日的“Google releases Gemini 4 Argon, called its most powerful model yet”,还有blog.google同日发布的“Gemini 4 Argon: our next era of frontier intelligence”。两条都没进带网址的编号来源清单。按规则,两条都不能用。
其余背景标题指向同一方向。Kling 4.0、BytePlus Seedance 2.5、MiniMax H3、快手AI视频分拆业务,以及据报道估值54亿美元的Higgsfield。这些都只有标题没有正文,多数发布于10月或更晚,远在9月30日那批之后。它们撑不起任何数字、引语或说法。
资料库为何回答不了这个问题
把28个编号来源按主题分一分,缺口就露出来了。里面确有模型发布,但没有一个能生成视频。Liquid AI于9月30日发布了D1决策模型的文档,讲的是一类模型:在固定结果上返回校准后的概率,单次调用,零生成token。Fermion Research的Phonon-2是同日发布的164 MB语音识别模型。Cohere的Embed 5是一个嵌入模型系列。NVIDIA的Kumo Tabular处理表格。
NVIDIA倒有一篇跟视频沾边的论文DreamZero,发布于9月30日。它是World Action Model,建在预训练视频扩散主干上,联合预测未来世界状态与动作,用于机器人控制。作者报告了一个140亿参数的自回归视频扩散模型,以7Hz实时跑闭环控制,平均任务进度62.2%,最好的预训练视觉语言动作基线是27.4%。这是机器人领域的结果,不是视频产品,资料库也没把它当视频产品来呈现。
“We introduce DreamZero, a World Action Model (WAM) built upon a pretrained video diffusion backbone.” 项目页面,2026年9月30日。
最接近视频工具的,是一个叫qc的GitHub项目,发布于9月30日。它做视频质量控制和H.264、HEVC、AV1阶梯优化,带VMAF评分和置信区间。它测量视频,不制作视频。
资料库中真正有据可查的视频工具
资料库里有一种真正有文档记录的制作视频方式,而且完全不用视频模型。Vincent Schmalbach在9月30日写到,他用Claude Code做讲解视频:让智能体写一个HTML加JavaScript的canvas页面,在无头Chrome里逐帧走完,再把帧交给ffmpeg。他为此搭了个框架叫explainroo,MIT许可,语音模型、字词时间对齐和音乐生成都在本地跑,需要约400 MB的模型,不用任何API密钥。
他对自己方案的局限说得很坦白。他写道,Claude Code不能直接生成视频,也不是Veo或Sora那样的视频模型。他说,成品看起来比幻灯片好得多。在他的机器上,一段15秒的视频渲染用时16秒,环境是Linux,macOS和Windows测试较少。
拿这些去对照行业标题里描述的东西,30秒单镜头生成、4K输出,差距一目了然。资料库能记录逐帧渲染这条路,记录不了前沿模型。
周边发布透露了什么
如果这批材料里有一个关于模型发布走向的故事,那就是更便宜、更小,而不是更像电影。Fulcrum在9月30日表示,其写作模型Echo训练成本不到5000美元,在自家风格计量Elo指标上于风格模仿方面胜过前沿模型,不过这个指标是Fulcrum自己定义的。Liquid AI的D1系列包含开放权重模型,参数量为19亿、22亿和58700万,只按输入token计费,因为不产生输出token。
Bespoke Labs的Nimble是一个90亿参数的决策模型,从Qwen3.5-9B微调而来,现已进入Ollama。Bespoke的仓库写明,Nimble-v4-max在公开的Decision Index测试集上得分68.46,Nimble-v4得分63.70,两项都是Bespoke自己在10月12日的运行中测得,尚未出现在该指数的看板上。志愿者正通过拉取请求和GitHub Actions定时任务预训练一个约14500万参数的模型,名叫Coop,没有服务器,也没有经费。
这些都不是视频。它提醒人们,这个资料库里的发布节奏由小型、专用、训练便宜的模型主导,而最响亮的视频说法都是以没有正文的标题形式出现的。
遇到没有来源的选题该怎么办
诱惑是按标题和博客题目把Gemini 4 Argon那篇写出来。那会两次违反来源规则:标题不是来源,背景清单也明确标为不可用于事实。Kling 4.0和Seedance那几条同样如此,它们的日期在10月和11月,比资料库中最新的材料晚了好几周。
还有第二个谨慎的理由。这一时期的视频生成发布,都是通过新闻稿和聚合站转载报道出来的。资料库自己的标题清单里,同一个故事就以不同域名出现了两次:福布斯经由news.google.com,以及福布斯直达。把这两条算作两家媒体,只会虚增来源数量,却不会多出一个事实。
所以诚实的稿子就是这一篇:说明资料库支撑不了一则视频模型发布的报道,再交代它到底能支撑什么。DreamZero的机器人结果、qc这个测量工具、explainroo的逐帧流水线,以及9月30日一批小模型的发布。
如果编辑部想要Gemini 4 Argon那篇,就需要把谷歌的博客文章和TechCrunch的报道放进来源清单,附上网址和提取的正文。到那时,数字、基准和引语才能核对。在那之前,导语就停在这里。
资料来源
11- 01Echo – A SOTA writing model for style imitation | FulcrumEN
- 02Liquid AI decision models D1 documentationEN
- 03Phonon-2: most accurate open speech recognition model in a 164 MB downloadEN
- 04DreamZero: World Action Models Are Zero-Shot PoliciesEN
- 05Qc: Video quality check and h264/HEVC/av1 ladder optimizationEN
- 06How to Make Videos with Claude Code - Vincent SchmalbachEN
- 07Nimble: Data, Model, Recipe for an Open Jev (From Bespoke Labs)EN
- 08Ollama now supports Jev-like decision models all locally in 0.35EN
- 09Coop: A small language model pretrained by volunteersEN
- 10Cohere: Embed 5 – A New Family of Frontier Embedding ModelsEN
- 11Nvidia Kumo Tabular: Open Foundation Model for Tabular PredictionEN
本文所有数字与引语均来自下列来源,未添加来源之外的内容。
本内容由编辑部在人工智能辅助下制作完成。
评论
0- 还没有评论——来说两句吧。