Video Agent

小宇宙

小宇宙1:29:05

#569. 深入 xAI：三个月打造 Grok Imagine、视频生成与世界模型之争，以及视频智能体

跨国串门儿计划翻译整理的 Latent Space 访谈，嘉宾 Ethan He 从 Nvidia Cosmos 走到 xAI，复盘团队如何在三个月内从零做出 Grok Imagine。节目把视频模型训练链路讲得很清楚：数据与 caption、VAE、diffusion transformer、蒸馏加速，以及音视频联合生成的时间对齐难点。更有判断力的部分是：他认为视觉智能很大程度来自语言模型与 prompt rewriter；world model 可理解为实时、可交互、长时程的视频；Video Agent 会像创作者一样调用生成模型与确定性工具，做成可用的生产级视频。适合想理解视频生成技术路线与 Agent 化创作趋势的人。