统一理解与生成，跨图像、视频、音频的模型能力和技术报告。
Soundwich 提出一种无需训练的框架，将冻结的联合音视频 flow-matching 模型转化为可生成多条同步、可独立编辑音频轨道的系统。框架通过共享场景表示传递全局视听上下文，并让每条音频轨道与对应视觉来源进行跨模态交互，以保持声音与视频协调。论文称实验和人工评估显示其在时间控制、来源分离和自然度方面有所改善，生成的音频轨道可独立调整时序、静音、替换或重混。
推荐理由：论文展示了如何在不训练新模型的情况下，把单一混音拆成可独立编辑的同步音频轨道，为音视频生成的后期重混与来源级控制提供参考。
Rui Liu 等提出 Align Then Reason（ATR），用静音视频和候选文本判断配音台词的内容与时序是否匹配。在七语言基准上，ATR 相比对应的 Qwen3.5 SFT 基线，2B、4B 和 9B 推理器的平均 AUC 分别提升 59.4%、50.2% 和 50.8%。
推荐理由：论文把逐帧唇部表征与候选台词的音素单元先做单调对齐，再交给 LLM 联合判断内容和时序，为无配音音频时的配音审片提供了可复用流程。
FutureWorlds 提出一种从替代未来学习机器人世界模型的框架，结合多样化束搜索、候选专属记忆和 MemSPO 优化预测。在 RT-1、BridgeV2 和 RoboCasa 上，32 帧预测的 LPIPS 相比各自最强基线分别降低 14.78%、20.84% 和 9.12%。
推荐理由：论文将候选未来的多样性、历史维护与相对质量学习放进同一训练框架，为机器人视频预测中的时序一致性和动作结果建模提供了可复用思路。
Tavus推出 Griffin，这是一种面向实时面对面交流的 Human Interaction Model；Tavus称其研究中有48%的参与者在一分钟视频通话后相信 Griffin 是真人。
推荐理由：材料提供了 Griffin 与真人及上一代 AI 的对照数据，并交代了研究预览的开放范围和安全前提，便于判断其当前成熟度。
WorldAuditBench提出一个交互式3D世界审计基准，包含基于Unreal Engine 5构建的13个环境和213项异常任务，覆盖五类异常。论文在固定探索预算下评估五个前沿模型，采用VLA探索后由VLM识别异常，以及端到端VLM智能体两种范式，成功率为6.6%至42.3%，低于人类的83.4%。
推荐理由：WorldAuditBench将3D世界审计拆为探索行动与视觉推理，并用统一预算比较两种范式，可用于评估多模态智能体的证据搜集能力。
Multimodal Flow提出一种在嵌入空间统一建模语言与视觉的全连续生成模型，使用共享的chunk-causal flow骨干和有序连续hyperchunks处理文本与图像。
推荐理由：该研究展示了语言与视觉采用统一连续流建模的架构路径，并提供了不同规模和匹配预算下的对比结果，便于评估其研究潜力。
可灵 Kling 4.0 进入早期访问，支持单次生成最长 30 秒视频、最多 15 个参考素材和最多 10 个关键帧。Kling 4.0 Flash 将于 9 月 28 日向 Ultra Yearly 订阅者开放，Kling 4.0 计划在 10 月扩大开放。新版本还加入音画同步、21:9 超宽画幅和更精细的视频编辑，10-bit HDR 输出将在后续提供。
推荐理由：这次更新把长视频生成、多参考控制和时间线工作流放在同一升级中，适合比较连续叙事与商品广告制作的可控性。
该研究提出位置级干扰图，用于定位统一多模态模型中图像理解与自回归图像生成之间的梯度冲突。在 Show-o 和 Janus-Pro 上，视觉 token 位置可解释较大比例的冲突差异，序列前四分之一的平均梯度余弦为 -0.18，末四分之一为 -0.02。
推荐理由：该研究为统一多模态模型理解与生成目标的梯度冲突提供了位置级诊断，并给出无需改架构的调制方法。
SceneJail 提出一种自适应黑盒越狱框架，通过构造兼容场景并搜索场景相关提示词，攻击视频多模态大语言模型。该方法在包含八个 Video-MLLMs 的评测中，SceneJail-F 的平均攻击成功率最高达 91.5%，较最强基线高 29.1 个百分点。将有害查询分布到连续帧的 SceneJail-S 在严格图像过滤下仍达到 72.3% 的攻击成功率。
推荐理由：论文将视频场景从有害查询的载体提升为攻击面，为 Video-MLLM 安全评测和防御设计提供了可复用的测试思路。
Kling 4.0将于2026年10月正式发布，原生视频生成时长从3–15秒扩展至3–30秒，并支持最多10个关键帧。新版本还支持最多15个组合参考资产、10-bit HDR、双声道立体声和定向多模态视频编辑。Kling 4.0 Flash已于9月28日向有限用户开放提前体验。
推荐理由：这篇对比把时长、关键帧、参考资产和视频编辑放在同一框架中，便于按项目复杂度选择 Kling 3.0 或 4.0。
Kling 4.0完整模型计划于2026年10月发布，新创作体验自9月28日起向有限用户逐步开放早期访问。模型支持3至30秒原生视频生成、最多10个关键帧，以及最多15个组合参考素材，并提升运动稳定性、角色与商品一致性、音画同步和视频编辑能力。
推荐理由：文章梳理了从多模态参考、关键帧到时间线审片的完整链路，可用于规划商品广告和短叙事视频的生成与修订流程。
ComfyUI 发布 v0.38.0，新增多项模型支持与 Partner Nodes，并改进 KV cache、Transformer 编译、显存使用和资产扫描。
推荐理由：该版本同时覆盖模型接入、显存与编译优化、资产扫描和 HDR 处理，便于创作者评估升级对现有工作流的影响。
论文提出HelixWorld，使视觉场景与基于相机的空间立体声音在用户交互下共同演化。研究通过6-DoF相机轨迹和用户动作进行训练，并将模型蒸馏为低延迟流式模型，在单GPU上以24 FPS生成无漂移的音视频轨迹。论文还提出空间声学一致性与HelixBench，用于评估声音场是否跟随动态视点变化。
推荐理由：论文将空间立体声纳入实时世界模型，并以24 FPS单GPU交互和HelixBench展示音画协同建模与评测路径。
H Company 发布 NeoMME 多模态多语言编码器，提供 260M 和 800M 两种规模，并以单一双向 Transformer 同时处理文本 token 与原始图像 patch。
推荐理由：NeoMME把多模态编码与视觉文档检索结合，给出模型规模、检索质量、吞吐和索引压缩之间的可复用权衡。
Runway 发布 GWM Worlds 2 研究预览，这是 GWM Worlds 的下一代实时交互世界模型，可实时生成 720p、24 fps 视频与 48,000 Hz 音频，并响应用户输入。
推荐理由：Runway 公开了实时交互世界模型的架构与限制，可据此判断实时生成在游戏和智能体仿真中的可用边界。
World Labs 发布下一代世界模型 Atlas，这是一个从零预训练的多模态自回归扩散 Transformer，原生处理文本、图像、视频和 3D，所有输入被组合进共享的空间上下文。
推荐理由：Atlas 把相机位姿与 3D 深度作为原生输入，读者可据此判断世界模型在可控生成与稀疏重建上的路线差异。
Gemini Omni 1.1 Flash 通过 Partner Nodes 在 ComfyUI 上线，封装在 Gemini Video Omni 节点中，可从模型下拉菜单选择 Omni Flash 1.1，在单个节点内完成文生视频、图生视频、参考生视频、视频编辑和场景延展。
推荐理由：ComfyUI 接入 Gemini Omni 1.1 Flash 的节点参数与提示词写法，可供视频生成与编辑工作流选型参考。
Google DeepMind 发布 Gemini Omni 1.1 Flash，通过 Gemini API 在 Google AI Studio 提供面向开发者的生成视频控制能力。
推荐理由：官方给出场景延展、首尾帧插值与 4K 放大等具体控制项和定价入口，可据此判断生成视频工作流的可控性变化。
Alibaba 的 Wan 3.0 已接入 ComfyUI，支持原生生成最长 30 秒的视频，并提供 Omni-Reference 控制。模型支持 480p、720p 和 1080p，可使用最多 10 张图片、5 个视频和 5 段音频等参考素材，还支持视频编辑与扩展。使用这些功能需将 ComfyUI 更新至 v0.33.4，或访问 Comfy Cloud。
推荐理由：原文同时给出时长、参考素材和分辨率选项，便于评估 Wan 3.0 在长镜头、多素材控制与低成本草稿中的工作流价值。
Google DeepMind 宣布与 EVE 宇宙开发商 Fenris Creations 建立研究合作，把 EVE Online、EVE Vanguard 和 EVE Frontier 作为研究持续学习、记忆、长时程规划和复杂多智能体动态的环境。
推荐理由：DeepMind 公开了游戏智能体从离线沙盒到持久世界的推进路径，可据此判断通用游戏 Agent 的落地节奏与安全边界。