跳到正文
11月19日周四
  1. 量子位75

    可灵推出 Kling Image 4.0:支持原生 8K 分辨率、千字排版及组图生成

    可灵推出新版图像模型 Kling Image 4.0,主打原生 8K 高清输出,单图支持 2000 字文本生成及 70 款预设字体,并新增最多 10 张连贯组图与长图生成能力。模型采用原生理解生成大一统架构,具备原生 Agentic 能力,支持 15K Token 指令处理;第三方 Artificial Analysis 文生图榜单显示其位列全球第七、国产模型第一。

    推荐理由:通过12张实测图与多轮生图演示,展示了Kling Image 4.0在原生8K清晰度、超长文字排版及组图连贯性上的具体表现,适合评估其在电商设计与影视分镜场景下的可用性。

  2. IT之家76

    火山引擎上线豆包 SeedRealtime 1.0 API,实现全模态实时交互

    火山引擎正式全量上线豆包实时音视频通话模型 SeedRealtime 1.0 API 服务。该模型将声音、画面、时序与表达统一到端到端架构中,替代了传统的 ASR、VLM、TTS 级联系统,降低了交互延迟与信息损耗。

    推荐理由:火山引擎上线豆包 SeedRealtime 1.0 API,该模型将音视频流统一至端到端体系,实现了主动交互与实时判断。

  3. IT之家48

    地平线发布 LoFT 原生视频几何基础模型,多项指标达到 SoTA

    地平线机器人实验室发布原生视频几何基础模型 LoFT,在 SpatialBench 等多套评测中多项深度估计指标达到 SoTA。 该模型采用双循环 Transformer 架构,联合预测相机位姿、内参及逐帧深度,恢复场景三维结构。其训练基于 297 万条有效序列及 9.62 亿帧图像记录。 LoFT 覆盖机器人空间感知、具身学习及自动驾驶等场景,提供几何基础。

  4. Hacker News AI79

    Higurashi 开源全双工语音基础模型 Haru-4B

    Higurashi 发布并开源全双工语音基础模型 Haru-4B,支持同步听与说,在 MacBook 上端到端延迟约 65 毫秒。模型基于 4000 万小时真实语音预训练,避免使用合成对话,权重与代码分别在 Hugging Face 和 GitHub 开放。

    推荐理由:模型在 Apple Silicon 上实现 65 毫秒端到端延迟,且完全基于真实对话数据训练。

11月18日周三
  1. IT之家80

    腾讯混元 Hy4 flash 模型开源

    腾讯混元 Hy4 flash 模型已正式开源,开发者可在 GitHub、Hugging Face、ModelScope 和 GitCode 下载部署。该模型总参数量为 224B,每个 token 激活 12B 参数,支持多模态输入与 100 万 token 上下文,目前已在腾讯云 TokenHub、元宝、企业微信等产品上线。

    推荐理由:明确了腾讯混元Hy4 flash的开源地址、224B总参数、12B激活参数、多模态与100万上下文长度。

11月17日周二
11月16日周一
  1. R/ArtificialInteligence90

    Qwen4-Max发布,采用MoE架构与1M上下文窗口

    阿里发布Qwen4-Max,基于新MoE架构并原生支持视觉,拥有1M上下文窗口。该模型在内部评测中比Qwen3.8-Max性能更强且token消耗少约50%,单任务成本降低60%以上。输入价格$1.5/M,输出$4.5/M,隐式缓存$0.075/M,API已在QwenCloud上线,可用于3D建模、软件开发及金融等实际任务。

  2. IT之家36

    华为麒麟 9050 系列芯片智能音视频处理情报公开:低延迟 AI 异构协同计算、率先支持 H.266 解码

    华为麒麟 9050 系列芯片搭载新一代音视频处理器,音频性能提升 30%,支持新一代音频 DSP、H.266 视频硬解码和低延迟 AI 异构协同计算。 通过 DSP+NPU 异构协同实现 AI 静谧通话功能;率先支持 H.266 硬解码,相比 H.265,弱网直播卡顿降低 50-70%,同网速下分辨率提升一档,同分辨率下播放时长提升 2-3 小时。

  3. IT之家82

    Claude Fable 5.2 通过 Python 代码模拟画笔完成绘画,展示自主规划与纠错能力

    Anthropic 的 Claude Fable 5.2 不依赖外部图像模型,而是通过编写 Python 代码模拟画笔、颜料和画布物理特性,将绘画过程拆解为独立笔触指令。

    推荐理由:Claude Fable 5.2 展示了通过代码模拟物理画笔逐笔作画的过程,而非调用图像生成模型,其纠错机制和笔触规划能力与机器人控制任务具有直接关联。

11月15日周日
  1. The Decoder89

    美团 LongCat 团队发布 1.6 万亿参数智能体模型 LongCat-2.5,全程未使用英伟达 GPU

    美团 LongCat 团队发布 1.6 万亿参数模型 LongCat-2.5,这是专为处理长步骤自主任务的智能体(Agent)及编码工作设计的大型混合专家(MoE)模型。

    同一新闻,精选展示《美团正式开源 1.6 万亿参数 LongCat-2.5:多模态模型在国产算力上实现高效推理》

11月14日周六
  1. The Decoder70

    Runway 开源具身智能模型 Praxis-1,将视频 AI 转化为机器人控制器

    Runway 以 Apache 2.0 协议开源具身智能模型 Praxis-1,利用视频生成模型学到的世界动态预测环境变化并生成机器人动作。该模型在 Nvidia RoboLab-120 评测中以 46.2% 成功率位居 World Action Model 类别榜首,且仅需约 95 小时数据即可微调未见过的移动机器人,成功率达 80%。

  2. 36氪67

    MiniMax H3-Image实测:狂卷字节、OpenAI,生图速度最快但复杂任务仍翻车

    MiniMax于11月10日开放H3-Image模型权重,主打10秒出图且价格仅为同档主流工具的50%-70%,与同期发布的OpenAI GPT Image 2.6和字节Seedream 5.5展开竞争。

    推荐理由:文章通过实测对比三家生图模型的速度与画质,指出MiniMax在低价开源策略上寻找突破,但能否解决复杂任务一次改对仍是关键。

11月13日周五
  1. 量子位85

    无界前沿开源生物信息大模型 Fx-Bio-1031

    无界前沿正式开源生物信息大模型 Fx-Bio-1031,该模型在 Anthropic BioMysteryBench 困难子集上取得 70.59% 的 Pass@5,领先 GPT-6-Astra 和 Claude Opus-5。模型采用 125B 总参数量的 MoE 架构,支持 512K 上下文窗口,允许本地私有化部署以满足数据安全需求。

    推荐理由:原文详细展示了开源模型在高难基准上的具体性能对比及五个实际落地场景,为评估私有化部署可行性提供了量化依据。

  2. IT之家35

    语飞国际中文教育垂直大模型亮相

    2026 世界中文大会在北京开幕,会上发布语飞国际中文教育垂直大模型,为全球中文学习者、教师和教育机构提供智能化服务。 该模型面向学习者提供即时反馈评测与个性化辅导,面向教师生成涵盖课前、课中、课后环节的教学素材,并面向教育机构提供标准化接口。 这一发布将人工智能技术与国际中文教育实际需求结合,助力该领域数智化发展。

11月12日周四
  1. 量子位88

    MiniMax 开源 SOTA 图像生成模型 H3-Image,支持原生 4K 与复杂逻辑推理

    MiniMax 开源 SOTA 图像生成模型 H3-Image,支持 16MP 原生 4K 分辨率及最多 16 张参考图输入。该模型具备显著的逻辑推理能力,可自动生成 CAD 三视图、机械爆炸图以及正确解答微积分试卷。官方 API 定价约为主流竞品的 50% 到 70%,首周 16MP 请求享五折优惠。

    推荐理由:实测显示该模型能精准生成CAD图纸与解题步骤,且支持原生4K分辨率,展示了其在逻辑推理与细节还原上的双重突破。

  2. IT之家79

    Runway 发布机器人模型 Praxis-1,速度与成本表现超 GPT-6 Astra

    Runway 宣布推出开放权重机器人模型 Praxis-1,采用 Apache 2.0 许可证,可在自有硬件上运行和微调。该模型基于 270 亿参数的视频基础模型构建,在 RoboLab-120 基准的 1200 个场景中完成 555 个,成功率约 46.2%。官方称其完成速度比由 GPT-6 Astra 驱动的机械臂快 15.6 倍,完成每个任务的成本是其 51 分之一。

    推荐理由:原文给出了 Praxis-1 的基准测试数字及与 GPT-6 Astra 驱动的机械臂在速度和成本上的对比,读者可以据此判断其可用性。

  3. 36氪86

    谷歌发布 Gemini Decision 1:9 项测试拿下 7 项第一,单次处理 1000 个决策问题

    谷歌正式发布 Gemini Decision 1,同时推出由该模型驱动的 Gemini Decisions API。与传统逐 Token 生成不同,该模型通过单次前向传播对最多 1000 个预设候选问题进行评分,支持文本、图像、音频、视频和 PDF 等多模态输入,覆盖二元判断、多项选择和有序标准评分三类决策任务。

    推荐理由:谷歌给出 Gemini Decision 1 的基准与校准对比,并说明它如何通过模型路由和工具选择缩短 Agent 决策链路。

  4. Simon Willison57

    Google 发布 Gemini Decision 1 多模态决策模型 API

    Google 发布了 Gemini Decision 1 决策模型 API,支持文本、图像、音频、视频和 PDF 等多模态输入。该模型定价为每百万输入 token 10 美分,输出免费,比 OpenAI 的 GPT-6 Luna 贵但功能更全面。Simon Willison 实测显示,该模型对二元问题返回概率值而非 0/1,例如识别视频中 robot 的概率为 0.923。

11月11日周三
  1. Google DeepMind75

    Google DeepMind 发布 AlphaGenome 2,提升细胞类型特异性基因变异预测

    Google DeepMind 发布下一代 DNA 序列模型 AlphaGenome 2,该模型通过条件化架构实现了对数百种人体细胞类型的基因表达预测。AlphaGenome 2 在识别改变基因表达的变异方面性能显著提升,在 TenK10K 数据集上发现的因果变异比例从 16% 提升至 30%。

    推荐理由:新架构将基因变异预测从组织平均扩展到单个细胞类型,为定位复杂疾病关键变异提供更高精度工具。