XGEN 实验室的第一人称交互体验模型，用输入信号实时驱动视角与画面，面向沉浸式内容与仿真。

蚂蚁灵波为消费级单卡设计的 1.3B 实时世界模型，让个人开发者也能在本地跑起实时交互视频生成。

Viggle 开源的角色替换模型，只要重画一帧就能把整段视频里的人物换成新角色，身份与时序都保得住。

蚂蚁开源的 4D 人物重建模型，用一段普通手机视频生成多视角视频，接上 4DGS 就能重建可动的三维人物。

Lightricks 最新的开源音视频世界模型，原生多镜头一次成片并支持 4K HDR，是当前开源视频模型的头部选手。

万相的角色动画第二代，取消中间动作提取器实现端到端驱动，还能用文本解耦出想要的镜头视角。

京东的指令式视频编辑模型，用自然语言改视频内容并保持时序一致，Apache-2.0 可商用。

Sand.ai 开源的千亿级 MoE 视频模型，114B 总参数单次只激活 6B，把超大模型的推理成本压了下来。

MiniMax 开源的全模态音视频生成模型，最高 2K、15 秒、原生立体声，是国产开源视频模型的性能标杆。

Sber 的世界模型新作，2B 权重以 MIT 开放，主打物理一致的短视频世界推演。

阿里万相的分钟级音乐驱动舞蹈视频模型，用全局关键帧加局部精修实现长程动作连贯。

面向单张桌面显卡的无限交互世界模型，把「实时可玩」的世界生成压到消费级硬件上。

蚂蚁灵波面向具身智能的 MoE 视频模型，用 7 万小时具身数据训练，30B 总参只激活 3B，推理效率提升约三倍。

蚂蚁灵波的小时级实时交互世界模型，720p/60fps 稳定输出，并首次把 Agent 机制引入世界模型。

智谱开源的角色动画模型，用端到端驱动替代骨骼等中间表示，换了角色或换成动物也能驱动。

京东的长时音视频生成模型，面向连续故事与可交互世界，一次能续出带同步音频的长视频。

字节的视频生成渲染器，先用语义规划把「要发生什么」排好再交给扩散渲染，复杂多主体场景更稳。

百度 6.3B 的音视频生成模型，把口型、音效与画面同步做进同一套权重，音画对齐是它的核心卖点。

美团开源的商用级音频驱动数字人视频模型，支持单人多人对话与长视频续写，MIT 许可可直接商用。

Cosmos 3 世界模型平台的图生视频入口，64.6B 参数面向机器人、自动驾驶这类物理 AI 场景。

NVIDIA 的分钟级世界模型，单卡就能生成 60 秒 720p 视频并支持 6 自由度相机轨迹控制。

NVIDIA 的多镜头长视频生成模型，在 Wan2.2 基础上解决长时序一致性，面向长叙事视频。

腾讯混元把 MLLM 接进视频生成，支持多图组合、参考图与视频编辑等自由形态输入，还带了一套智能视频生成基准。

Netflix 开源的视频物体擦除模型，连物体删掉后引发的物理连锁变化一起重绘，是目前最会「擦」的开源视频模型。

Matrix-Game 的 3.0 版，交互世界模型的稳定性与长时一致性继续提升，许可也换成了更干净的 Apache-2.0。

SII-GAIR 与 Sand.ai 合作的开源音视频基础模型，用单流架构换速度，说话人视频一次成片。

Lightricks 的 20.9B 多模态视频模型，主打消费级显卡本地推理与 4K 输出，把开源视频生成推向商用可用。

蚂蚁灵波首个开源实时交互世界模型，可稳定生成长达分钟级的高保真视频，是国产开源世界模型的代表。

昆仑万维的多模态上下文视频模型，一个框架同时覆盖参考图生视频、视频续写与音频驱动数字人。

Lightricks 首个开源音视频联合生成基础模型，一次生成自带同步音频的视频，是 2026 年开源视频模型的序章。

美团开源的长视频数字人模型，支持单人、多人对话与长视频续写，MIT 许可下可直接商用。

上海 AI Lab 的超长视频世界模型，靠深度与点图控制信号在分钟尺度上维持几何与时序一致。

腾讯混元的世界模型新作，把动作控制与场景一致性结合，做可交互的连续世界探索。

把 SANA-Video 与 LongLive 的长上下文扩展拼起来，单卡能做到 27FPS 生成分钟级连续视频。

智谱的角色动画预览版，用 3D 一致姿态做上下文学习，大幅动作与风格化角色下结构都还稳。

混元视频的 1.5 版，把参数量压到 8.3B 却把画质与运动做上去，单卡可跑，是 2025 年底最强的一档开源视频模型。

Kandinsky 5.0 的 19B 旗舰版本，文生视频与图生视频同时开放，曾在 LMArena 开源文生视频榜登顶。

Sber 的轻量图生视频权重，MIT 许可，俄语与英语提示都能用，是俄语区开源视频方案的代表。

让多个主体在复杂空间关系与时间逻辑下保持一致，明显缓解多主体视频里的语义漂移。

智谱的多主体参考图生视频框架，多张参考图条件下同时保持主体一致并把背景解耦开。

NVIDIA 把 SANA 的高效路线搬到视频上，2B 权重就能出 720P 视频，对消费级显卡很友好。

美团开源的 13.6B 视频模型，一套权重覆盖文生、图生与视频续写，MIT 许可可直接商用。

把一段参考视频当成「提示词」来做统一语义控制，不用按任务重训就能迁移运动、风格与主体语义。

统一 Text2World / Image2World / Video2World 的世界基础模型，为机器人与自动驾驶预测物理合理的未来画面。

把画面与声音放进同一次生成过程的双塔模型，音效、音乐与口型天然同步，不用再事后对齐。

只有 2B 的轻量文生视频模型，预训练、SFT、CFG 蒸馏与少步蒸馏权重一次放齐。

字节从单张人像生成个性化视频的方案，用轻量身份适配器守住人脸一致性，另配 24fps 的 Lite 版本。

万相的角色动画模型，把参考视频里的动作迁移到任意角色并替换场景，是开源角色动画的分水岭。

Decart 开源的实时视频编辑模型，换衣服、改场景这类指令在单卡上就能做到接近实时。

字节的人本视频模型，同时吃文本、参考图和音频，音画同步与主体身份保持是它的重点。

腾讯开源的世界模型，用「边走边生成」的方式做可探索的 3D 场景视频，面向游戏与仿真。

万相的语音驱动视频模型，音频加一张图就能生成分钟级的说话视频，长时序稳定性是重点。

腾讯开源的游戏世界模型，用动作信号驱动可控游戏画面生成，面向「边玩边生成」的互动内容。

Matrix-Game 的 2.0 版，把实时流式交互做到 25fps 级别，开源世界模型第一次逼近「可玩」体验。

Wan2.2 的图生视频版本，延续 MoE 设计，在保持首帧一致的同时把运动幅度做上去。

Wan2.2 的文生视频版本，用 MoE 把「高画质」和「低显存」拆成两个专家，电影感美学是它的招牌。

Wan2.2 里最轻的一档，5B 权重在单张消费级显卡上跑 720P，把这一代的可用门槛压到最低。

LTX-Video 的 0.9.8 版，画质与运动稳定性继续提升，蒸馏版几步就能出片。

字节把 Phantom 的主体一致性框架移植到 Wan2.1 上，单张或多张参考图就能生成主体一致的视频。

腾讯开源的音频驱动数字人模型，一张图加一段音频就能出口型同步的说话视频，支持多角色对话。

VACE 的 14B 正式版本，把参考、遮罩与控制信号统一到 Wan2.1 上，是当时最通用的开源视频编辑底座。

腾讯混元的定制化视频模型，支持主体保持、身份参考与音频驱动，把「让指定的人或物动起来」做成开源能力。

昆仑万维开源的交互式世界模型，用键盘鼠标信号实时驱动画面，是「可玩的开源世界模型」第一批尝试。

Cosmos 的第二代预测模型，2B 与 14B 两档同时覆盖视频生成与世界状态预测。

Sand.ai 的 24B 视频模型，用自回归分块生成做到「边生成边播放」，把可控性与长视频续写带进开源方案。

昆仑万维的开源视频模型，用扩散强迫把长视频的一致性做上去，540P / 720P 与 1.3B / 14B 一并放出。

Wan2.1 的首尾帧生视频模型，给定首帧与尾帧就能补出连贯过渡，中文提示词场景优化得比较到位。

阿里 VACE 把参考图、遮罩、姿态、深度等控制信号统一成一套视频编辑接口，先放 1.3B 预览权重试水。

Step-Video 的图生视频版本，30B 权重继续以 MIT 开放，镜头运动与物理一致性在当时属第一梯队。

Lightricks 的 LTX-Video 首版实时模型，30FPS 下生成速度快于播放速度，2B 权重配 Open RAIL-M 可直接商用。

腾讯把 HunyuanVideo 补上图生视频能力，同时给出角色参考与镜头控制示例，是当时中文场景最好用的开源视频模型。

以约 20 万美元成本训练出的 11B 开源视频模型，一套权重同时覆盖文生与图生视频，把 Sora 级效果的成本门槛压了下来。

字节开源的身份保持人像视频模型，一张照片加文本就能生成人物视频，重点解决语义冲突与生硬贴脸。

Wan2.1 的图生视频版本，720P 权重让「一张照片动起来」第一次有了可商用的开源方案。

同批放出的 1.3B 小模型，8G 显存的消费级显卡就能出 480P 视频，把视频生成的门槛真正拉了下来。

阿里万相的 14B 文生视频模型，用 Apache-2.0 开放权重，是 2025 年开源视频生态里被复用最多的一套底座。

阶跃星辰开源的 30B 文生视频模型，发布时是参数规模最大的开源视频模型，MIT 许可让商用没有后顾之忧。

NVIDIA 世界基础模型平台的第一代扩散模型，把「按文字生成可交互世界」做成了开放权重的一整套工具链。