Google 正将其 Veo 2 视频生成 AI 模型引入 Gemini Advanced 付费用户,这是该公司推出的高级 AI 服务计划。
此次扩展正值 Google 寻求推出 OpenAI 的 Sora 视频生成平台的对标产品之际,同时这一领域的竞争也日益激烈。两周前,一家颇具实力的合成媒体公司 Runway 发布了其第四代视频生成器,并筹集了超过 3 亿美元的新资金。
从本周二开始,Gemini Advanced 订阅用户可在 Google 的 Gemini 应用中从模型下拉菜单选择 Veo 2。用户可以生成 16:9 画幅、720p 分辨率的 8 秒视频剪辑,并通过 Gemini 的 “share” 按钮将这些剪辑上传至 TikTok、YouTube 等平台。由 Veo 2 生成的视频还可下载为 MP4 文件,并附加有 Google SynthID 技术的水印。
Google 表示,每月用户可生成的视频数量存在限制,而且目前 Google Workspace 商务和教育计划尚不支持该功能。
Google 还将 Veo 2 与 Whisk 集成,Whisk 是 Google Labs 中一项实验性功能,允许用户将图像作为提示,通过 Gemini 创造出新图像。新功能 Whisk Animate 使用户能够将生成的图像转换成 8 秒的 Veo 2 生成视频。(Google Labs 是 Google 为早期 AI 产品提供的平台,该平台通过公司每月 20 美元的 Google One AI Premium 订阅进行授权。)
目前来看,Google 对 Veo 2 的应用显得相对基础。不过,Google DeepMind 首席执行官 Demis Hassabis 最近表示,公司计划最终将 Gemini AI 模型与 Veo 相结合,以提升前者对物理世界的理解能力。
与此同时,许多艺术家和创作者对 Veo 2 这类视频生成器持谨慎态度,因为它可能颠覆整个创意产业。由好莱坞动画师与卡通画家工会 Animation Guild 委托的一项 2024 年研究估计,到 2026 年,基于美国的电影、电视和动画工作岗位中将有超过 10 万个因 AI 的应用而受到冲击。
好文章,需要你的鼓励
这项研究提出了R1-Searcher++框架,通过两阶段训练策略使大语言模型能像人类一样灵活利用内部知识和外部信息。该方法创新性地采用强化学习激励模型优先使用内部知识,并引入记忆机制将检索到的信息转化为内部知识,实现动态知识获取。实验表明,R1-Searcher++不仅在多步问答任务上表现优异,还大幅减少了检索次数,显著提高了推理效率。
这项研究提出了AutoRefine,一种革新性的强化学习框架,为大语言模型引入了"边思考边搜索和完善"的全新范式。与传统方法不同,AutoRefine在连续搜索调用之间添加知识完善步骤,让模型能够有效过滤和组织信息。通过结合答案正确性和检索质量双重奖励,该方法在七项问答基准测试中平均提升6.9%的准确率,特别在复杂多跳推理场景中表现突出,解决了现有检索增强推理的核心局限性。
这项研究揭示了一种新型网络安全威胁:利用普通网络广告攻击AI网页代理。中科院研究团队开发的AdInject攻击无需特殊权限,仅通过精心设计的广告内容就能误导AI代理点击恶意链接,成功率高达90%以上。研究使用严格的黑盒模型,更符合现实场景,暴露了当前AI代理面临的实际安全漏洞。实验还表明,即使添加专门的防御提示,这类攻击仍能成功率超过50%,凸显了设计更强大防御机制的紧迫性。
东北大学与快手科技联合研发的UNITE系统为多模态信息检索带来突破性进展。这项发表于2025年5月的研究首次系统分析了模态特定数据如何影响检索性能,并提出创新的模态感知掩码对比学习技术,有效解决不同模态间的竞争关系。UNITE能同时处理文本、图像、视频及其组合,在40多项测试中超越现有方法,即使与参数规模更大的模型相比也表现出色。研究发现视频-文本对在通用检索中表现优异,而文本-文本和文本-图像对对指令遵循任务至关重要,为未来多模态系统研究提供了宝贵指南。