跳到正文
10月28日周三
  1. IT之家77

    谷歌 DeepMind 推出 Genie 4 世界模型,支持实时自然语言操控与原生音频生成

    谷歌 DeepMind 昨日发布 Genie 4 世界模型,定位为一项重大研究里程碑,核心突破包括原生音频、实时自然语言改写和更真实的物理模拟。与主流 AI 重新生成视频不同,Genie 4 可结合当前场景上下文执行动态变化,被描述为“可交互的虚拟沙盒”或“AI 导演系统”,用户能用文本指令改变天气、移动镜头、加入新角色。

    同一新闻,精选展示《Google DeepMind 发布世界模型 Genie 4》

  2. 量子位65

    国产AI 3D大模型Hi3D V1.0开源,推出Hi3D Agent与V3.0高保真模型

    国产AI 3D团队Hi3D正式发布可商用的V3.0模型,将几何分辨率提升至2048³,并面向3D创作者推出整合意图理解与多步修改的Hi3D Agent。同时,团队开源了基于Sparc3D架构的Hi3D V1.0模型,通过将训练数据扩充至约200万个资产,实现了在切片成功率达90%的生产级3D打印应用表现,相关代码与权重已在GitHub和Hugging Face全面开放。

    推荐理由:Hi3D V1.0 模型及 Hi3D Agent 面向3D创作者开放,为开发者、企业和个人提供可商用的国产高精度AI 3D生成及修改工具。

  3. 量子位77

    百度开源文心Unlimited OCR 2:峰值KV缓存占用降至1.77GB,识别《指环王》884页仅需43分钟

    百度正式发布并开源文心Unlimited OCR 2。该模型峰值KV缓存占用从47GB降至1.77GB,减少约96%,单步解码速度达到Full Attention的7.0倍。实测在884页英文版《指环王》上,耗时约42分56秒完成解析,在MarathonDocBench和MPDocBench均取得最高分,项目已在GitHub和Hugging Face开放。

    推荐理由:原文通过实测《指环王》和引用技术报告,展示了该模型在超长文档处理中如何将显存占用降低至常规方案极小比例的工程细节。

  4. Hugging Face Blog77

    Liquid AI 发布开源多模态模型族 LFM3

    Liquid AI 发布新一代开源 Liquid Foundation Model(LFM3),将文本、视觉、音频、omni 和决策任务放入同一 2B 级底座,所有模型都可在单卡上微调并部署到边缘设备。

    推荐理由:Liquid AI把六种模态压进2B级开源权重,并用同一底座和单卡微调路径解释它如何落到边缘部署。

  5. TechCrunch · AI85

    Google DeepMind 发布 Genie 4 世界模型,支持实时交互与音频生成

    Google DeepMind 发布 Genie 4 世界模型研究预览,能够生成更逼真的交互式世界并同步生成实时音频。该模型允许用户在模拟过程中输入提示词以实时改变场景,如改变天气或相机角度,支持长达两分钟的场景一致性,并具备更真实的物理效果和类人角色。

    同一新闻,精选展示《Google DeepMind 发布世界模型 Genie 4》

  6. TechCrunch · AI89

    OpenAI 与 Anthropic 宣称模型推翻指数时间假设

    OpenAI 发布三项数学突破,其中包含对指数时间假设 ETH 的反驳,Anthropic 随后也发布了独立的 ETH 反驳。MIT 教授 Ryan Williams 与两位 ETH 原始提出者组成工作组,正通过公开信和会议评估该结果,若算法有效将影响依赖该假设的众多论文及密码学安全边界。

    同一新闻,精选展示《OpenAI 宣布数学与物理科学突破》

  7. Google DeepMind81

    Google DeepMind 发布世界模型 Genie 4

    Google DeepMind 发布新一代世界模型 Genie 4,这是首个能实时生成原生音频和交互式对话的世界模型,支持用户通过自然语言实时调整场景。Genie 4 依托 Gemini 模型家族实现物理规律仿真和复杂事件推理,目前作为研究预览版本向可信测试者开放,未来将面向 Project Genie 用户和 Gemini API 合作伙伴推出。

    推荐理由:原文展示了Genie 4如何将Gemini的推理能力与实时音视频生成结合,帮助读者理解世界模型在机器人训练和交互体验中的具体落点。

  8. 智东西62

    科大讯飞发布全国产算力训练的语音基座大模型SparkAudio 1.0

    科大讯飞发布依托全国产算力训练的星火语音基座大模型SparkAudio 1.0。该模型支持文本、语音双模态输入,可完成语音转写、多方言识别及复杂音频问答等任务。基于该基座,讯飞孵化出Spark-ASR-2.0、Spark-LiveTranslation等专用任务大模型,已落地讯飞输入法、AI眼镜等软硬件产品。

10月27日周二
  1. 腾讯混元85

    腾讯混元开源 Hy-SimulMT 同声传译大模型

    腾讯混元发布并开源了低时延、高准确率的 Hy-SimulMT 同声传译大模型,支持中英语音实时互译及音色克隆,实测响应时间约 3 秒。在 RealSI 评测集上,该模型在最低延迟情况下实现了最佳翻译效果,超越了主流开源模型和大部分商用 API。

    推荐理由:开源了低时延语音到语音实时翻译模型,实测效果超过主流商用API且达到人类同传专家水平。

  2. 智东西80

    OpenAI 发布 GPT-6.1 Terra 模型

    OpenAI 发布 GPT-6.1 Terra 模型,主打视觉推理、电脑操作与写作,输入和输出价格较前代降低50%,单任务成本约为 GPT-6 Astra 的十分之一。该模型在 Computer Use 任务中表现接近 GPT-6 Astra,在 Terminal-Bench 4.0 上的编程任务解决率达 50.3%,最高推理强度下的事实错误率降至 4.3%。

    同一新闻,精选展示《Sam Altman 宣布 GPT-6.1 Terra 开启计算机使用新纪元》

  3. Simon Willison78

    GPT-6.1 Terra 发布:聚焦视觉推理与 Computer Use 的中端模型

    OpenAI 发布新模型 GPT-6.1 Terra,官方定位为快速且高效的模型,主打视觉推理(visual reasoning)、Computer Use 和自然书写,在起草提案、解读技术图纸、填写表格和视频编辑等日常任务上优于 GPT-5.6 Terra。

    同一新闻,精选展示《Sam Altman 宣布 GPT-6.1 Terra 开启计算机使用新纪元》

  4. Sam Altman (X)92

    Sam Altman 宣布 GPT-6.1 Terra 开启计算机使用新纪元

    Sam Altman 发布推文宣布 GPT-6.1 Terra 上线,特别强调其开启了计算机使用的新纪元。引用的 OpenAI 说明称,该模型能以更低价格提供快速且有能力的计算机使用,可理解屏幕内容、跨应用执行操作并自然写作,成为更高效的工作日模型。

    推荐理由:OpenAI 负责人强调 GPT-6.1 Terra 开启计算机使用新纪元,为理解该模型在跨应用操作与日常工作流定位提供第一手视角。

10月26日周一
  1. 机器之心63

    可可矩阵发布机器人模型 CO01:支持经验提示实现即时适应

    可可矩阵(COCO Matrix)发布机器人模型 CO01,提出「经验提示」机制,使机器人无需微调即可利用示范、失败记录和即时指导适应新任务。在未见任务测试中,单段示范配合约 1 分钟准备时间可使平均成功率达到 52%,而微调达到相近水平需约 180 条示范及 9 小时;保留自身历史尝试时,真机累计成功率从首次的 33% 提升至五次内的 84%。

  2. IT之家76

    腾讯混元同声传译大模型 Hy-SimulMT 开源,响应时间仅 3 秒超人类译员

    腾讯混元同声传译大模型 Hy-SimulMT 发布并开源,支持中英文语音实时互译,实测响应时间 3 秒左右,优于人类专业译员 4-5 秒的平均水平。该模型具备实时音色克隆功能,支持中英语言间的音频输入与实时译文及语音生成。

    同一新闻,精选展示《腾讯混元开源 Hy-SimulMT 同声传译大模型》

  3. 量子位68

    讯飞Spark-X2.6实测:全国产算力与端云协同能力验证

    讯飞Spark-X2.6上线星辰MaaS平台,采用MoE架构总参数293B,支持1M上下文。实测中Spark-X2.6-4B离线完成经营复盘与合同脱敏,云端处理复杂审查,路由准确率提升至96.1%。

    推荐理由:实测展示了Spark-X2.6在纯CPU离线场景下的Agent任务完成度及端云脱敏协同流程,提供了国产算力落地的具体参考。

  4. 机器之心69

    数美万物 Hi3D V1.0 开源,支持最高 1536³ 几何分辨率

    数美万物开源经过生产环境验证的 Hi3D V1.0 模型,支持最高 1536³ 有效稀疏表面提取网格分辨率。该模型在九种方法对比中取得了最高的多视角几何一致性和几何细节丰富度得分,综合人类偏好得分达 85.9%。

    推荐理由:原文展示了Hi3D V1.0开源的技术指标和验证细节,说明了高精度三维模型走向实际开发流程的可行性。

  5. 36氪67

    Vivix 创始人刘宇:不卷世界模型,押注实时交互内容

    Vivix 创始人刘宇明确公司核心并非通用世界模型,而是构建理解、交互与生成一体化的底层实时交互引擎。目前 V1 的推理成本已降至每小时 0.2 美金,逼近 YouTube CDN 带宽成本,支持 300 毫秒到 600 毫秒首帧生成。公司计划 Q4 上线 W2 并开放模型 API,将游戏和直播作为高价值交互场景,通过实时生成创造新内容品类。

    推荐理由:创始人刘宇首次阐述 Vivix 实时交互模型路线,展示了 300-600ms 响应成本对标 YouTube 带宽的底层逻辑。

10月25日周日
  1. IT之家54

    Block 推出全双工 AI 语音模型 Dessa

    Jack Dorsey 旗下的 Block 推出全新全双工语音模型 Dessa,该模型支持在 M4 Max 及更高配置的 MacBook 本地运行。Dessa 原生内置情绪表达,能模拟笑声、停顿等人类特征,且无需依赖大语言模型调取知识。目前该模型暂不对外开放,正邀请安全研究者重点测试语音智能体欺骗人类的风险场景。