美国 AI 视频公司 Tavus 发布实时交互模型 Griffin，在一项一分钟视频通话测试中，54 名参与者中有 26 人认为自己在和真人聊天。Griffin 采用端到端的全双工视频到视频架构，能实时生成语音、表情和手势，平均反应延迟为 0.43 秒。Tavus 表示该模型目前仅向少数受信任的测试者开放，并正在开发主动披露身份的安全功能。
推荐理由：原文提供了模型的核心能力、技术架构和测试数据，读者可以据此评估其在实时交互领域的突破性。
NVIDIA 发布 PixelUMM，一个无编码器的统一多模态模型，支持文本、图像和视频的联合理解与生成，直接在像素空间处理，参数量 151.99 亿，基于 Qwen3-8B 语言骨干，仅限非商业研究或评估使用。
推荐理由：原文给出了模型架构、参数量和开放入口，读者可以据此判断它在像素空间统一理解与生成的实现路径。
fal 发布了 H3 Max，这是一个基于 MiniMax H3 进行后训练优化的视频生成模型，在人类偏好评估中，其在整体质量、提示词理解和美学三个维度均排名第一。该模型生成 5 秒视频的时间不到 3 秒，吞吐量约为官方 MiniMax H3 端点的 35 倍。H3 Max 现已上线 fal 平台，可通过 Playground、fal Agent 或 API 使用。
推荐理由：原文展示了模型在质量和速度上的双重优势，并提供了与原始模型的对比数据，读者可以据此评估其实际应用潜力。
MiniMax 发布开源多模态视频生成模型 H3，支持文本、图像、视频、音频的统一理解与生成，可输出最高 2K 分辨率、15 秒时长的视频并带有立体声。模型包含 H3-Context-IR、H3-Base 和 H3-Regenerate-2K 三个模块，支持多种输入模式如文本到视频（T2VA）、首尾帧到视频（FL2VA）和参考多模态到视频（Ref2VA）。
推荐理由：原文提供了模型架构、输入输出规范和部署方式，读者可以据此判断其在多模态视频生成中的实际应用潜力。