Gemini Omni 1.2 Flash更新：视频生成更稳，价格降三成

Gemini Omni 1.2 Flash：视频生成更稳，价格更低

Google 这次给 Gemini Omni 1.2 Flash 做更新，没堆那些云里雾里的概念，直接冲着两件事去：视频能生成多长、做视频得掏多少钱。

过去拿 AI 做视频，最让人头疼的就是画面不牢靠——人物走两步脸就换了，背景也可能突然歪掉。Omni 1.2 Flash 这回主要加强了多轮对话编辑时的稳定性：先让它出一段视频，再说“把左边那棵树去掉”或者“让主角笑一下”，它会记住前面的上下文，改完的画面不会散架。对想做短视频、广告素材的人来说，这种一致性比单纯拉高分辨率更管用。时长上，现在能生成和编辑最长 15 秒的视频；跟电影级长片比自然还差得远，但社交媒体短片、动态表情包、产品演示这些场景，15 秒基本够用。更关键的是 Google 把价格砍了 30%。在云服务商那儿，降价往往说明底层推理效率做了优化，或者想用低价抢市场。不管出于哪种原因，开发者都受益。

该模型现已在 Google Cloud 上全面可用。企业用户能直接调 API 接进工作流，个人订阅用户则可以在 Gemini App 里体验。云端能用、应用端也能试，技术落地因此快了不少。

NVIDIA Cosmos 3：给机器人一个可交互的世界

NVIDIA 发布 Cosmos 3，这是一个开放权重的世界模拟模型。名字听着学术，目标却很实在：让机器人和具身智能（Embodied AI）在虚拟世界里“练级”。

训练机器人，难的不是写代码，是攒数据。总不能弄成千上万个机器人在现实里撞墙、摔跤去学平衡，成本太高，风险也太大。于是就得在逼真的虚拟环境里模拟物理规则、光照变化和物体交互，Cosmos 3 干的正是这件事。它能生成高保真的交互式世界，机器人可以在里面测试各种极端情况，比如地面湿滑、光线昏暗或者突发障碍物。

NVIDIA 这次把模型权重开放出来，这一步走得聪明。此前不少世界模型都是闭源的，研究者只能黑盒调用；权重开放后，社区可以基于 Cosmos 3 做微调，适配特定的机器人形态或场景。Hugging Face 上相关资源已经上线，开发者能直接下载试用。这会影响自动驾驶、工业机器人乃至游戏开发。比如百度之前提过的无人车世界模型，思路类似：在虚拟空间里推演交通参与者的行为，效率比实车测试高得多。Cosmos 3 的开放，可能会让这类仿真平台更快走向标准化。

Devin Review 2.0：代码审查不再烧钱

Cognition 公司把 Devin Review 更新到了 2.0。这次亮出的核心指标很吸引人：审查速度提升 1.5 倍，成本最高降低 5 倍。

代码审查（Code Review）是软件开发里最耗时间、最枯燥的环节之一。资深工程师每天要花大量时间读别人的代码、找 bug、提建议。Devin Review 想用 AI 代理（Agent）分担这部分活：它不光能读懂代码逻辑，还能指出潜在问题，甚至直接给出修复建议。新版本带来的 Autofix 功能，可以直接处理审查中发现的问题——AI 要是发现一个简单的变量命名错误或者空指针风险，它能自动生成补丁，开发者确认一下就行。从发现到修复这条链打通后，人就能从琐碎检查里腾出手，去管更复杂的架构设计。

成本降低 5 倍是个关键信号。以前大家不用 AI 做审查，很大程度是因为 API 调用太贵：每次提交代码都要花几美元，那还不如人工看。如今成本下来了，规模化应用才有可能。对中小团队来说，这或许是一条提升代码质量的低成本路子。

Vercel安全智能体：一天抓出6817个漏洞

Vercel 公布了一组自家安全审查智能体（Security Review Agent）的实测数据，结果有点吓人：24 小时内，这个智能体扫描代码库，发现了 6817 个漏洞，其中 580 个被标为高危或严重级别。更厉害的是，有 1411 个漏洞已经被 Agent 自动修复。这些数字不是实验室里的模拟，而是真实生产环境跑出来的。

这说明了两个情况。其一，现代软件系统的漏洞密度比想象中高，靠人工很难全覆盖。其二，AI 在安全领域的应用已经从“辅助建议”转向“自动执行”——过去安全工具只管报警，修不修看程序员心情；现在 Agent 能直接动手修，而且速度极快。

Vercel 这个工具在每次代码提交时运行，漏洞在进入主分支之前就被拦下。这种“左移”（Shift Left）的安全策略，加上 AI 的自动化能力，可能会成为未来 DevSecOps 的标配。当然，自动修复也有风险，比如误判或者引入新 bug，所以目前还得人工复核。不过随着模型能力提升，复核的工作量会越来越小。

NVIDIA的内存优化技巧：榨干每一字节

除了发大模型，NVIDIA 还分享了一些实用的系统优化技巧，主要面向 AI 推理基础设施。模型越做越大，显存（Memory）成了瓶颈。NVIDIA 给出两条路：一是压缩模型权重，比如用量化技术把 FP16 精度降到 INT8，精度会损失一点，但内存占用能大幅减少；二是跨服务器复用上下文（Context）。多轮对话或长文本处理中，上下文信息往往反复出现，如果能在服务器之间共享这些缓存，就不必每次重新计算，显存和算力都省下来了。

这些技巧听着不性感，但对真正部署 AI 应用的公司来说，恰恰是省钱的关键。买 GPU 的钱是一次性的，电费和维护费却是持续的。把内存利用率提上去，运营成本就直接降下来。

结语：AI正从“玩具”走向“工具”

回看这几天的消息，一个趋势很清楚：围绕AI的炒作热度正在退去，行业重新回到工程落地这件事上。

Gemini价格下调、Devin压低成本、NVIDIA开放模型、Vercel拿出实测数据，这些动作指向的是同一个结果——AI要更好用、更便宜、更可靠。开发者不必再为生成一次视频付出高昂费用，也不用担心代码审查拖慢迭代节奏。

不过难题还在。AI修复代码的安全性怎么保证？世界模拟的物理真实性能不能完全替代实车测试？这些问题眼下没有标准答案，只能交给时间去检验。至少工具链已经摆在那里。接下来的较量，比的不是谁的模型参数更大，而是谁能把这些模型更妥帖地嵌进实际工作流，把具体问题解决掉。

对普通用户和开发者而言，眼下正是上手这些新工具的时机。价格降下来、门槛低下去的时候，创新往往最容易冒出来。