Google DeepMind 发布 Gemini 3.8 Live 与 3.8 Live Extended Thinking 两款实时语音模型
Google DeepMind 发布两款最先进实时对话模型 Gemini 3.8 Live 与 3.8 Live Extended Thinking,分别面向规模化高性价比场景和高复杂任务。
Google DeepMind 发布两款最先进实时对话模型 Gemini 3.8 Live 与 3.8 Live Extended Thinking,分别面向规模化高性价比场景和高复杂任务。
阶跃星辰正式发布 StepAudio 3 系列模型,包含 Realtime、ASR、TTS、Gen 和 Music 五款产品。Realtime 模型在 Artificial Analysis 榜单实现 98.9% 综合得分和 99.7% 语音推理准确率,ASR 模型词错误率达 1.7%,并上线阶跃开放平台支持多模态音频创作。
推荐理由:系列模型在实时交互、语音识别和音频生成的榜单成绩具体,展示了语音模型从转写理解向全链路创作演进的能力。
智象未来发布首个原生全模态视频生成模型 HiDream-O1-Video-1.0,支持文本、图片、视频多模态输入,可直出 5–20 秒 1080p 视频。该模型在 Artificial Analysis 图生视频榜单中位列全球第四,在 Arena.ai 盲测榜中位列第八。
蚂蚁灵波科技开源 LingBot-World 2.0 三款模型,包括可在消费级单卡 GPU 上实时生成的 1.3B 小模型、用于蒸馏的 Bidirectional Teacher 模型,以及提供因果预训练底座的 Causal Pretrain 模型。
推荐理由:面向开发者的低成本入口被明确补全,可以据此判断该模型在消费级硬件上的实际可运行边界。
蚂蚁集团正式开源 ArmorOCR,一套面向“对抗 OCR”的多模态感知模型、训练方案与评测集,旨在识别黑灰产隐藏在图片中的违规文本。ArmorOCR 采用 OPSD 与多任务 GRPO 两阶段训练,在 8B 规模下于 AdvSpot 基准测试中整体最优,相对开源基座准确率提升 24.5 个百分点;在最强对抗类型如 AIGC 光影融合字上,准确率较最强对比模型领先约 65%。
推荐理由:ArmorOCR 8B 模型在对抗 OCR 上反超 GPT-5 等闭源模型,并开源了首个 grounded 对抗 OCR 评测集 AdvSpot。
面壁智能发布 MiniCPM5-2B,在 AA Intelligence Index V4.1.1 评测中平均得分 53.9,位居全球 4B 以下开源基座模型首位。模型支持工具调用、深度搜索和代码生成等 Agent 能力,完成英特尔、瑞芯微、Arm 等平台 Day 0 适配,并同步开放模型权重、Agent SFT 数据、RL 框架 Meshy 与 UltraX 数据精炼框架。
推荐理由:2B 模型在 34 项基准中平均得分 53.9,同步开放 RL 与数据精炼框架,并已完成多平台 Day 0 适配。
DeepSeek 正式发布 V4.1 Flash 模型,该模型为 552B 参数的 MoE 架构,具备原生多模态视觉理解能力。
推荐理由:模型以低激活成本超越旗舰智能,同时大幅压缩推理缓存并下调价格,可直接评估其在 Agent 场景中的部署经济性。
阿里语音 AI 团队在 ModelScope 开源 FLASepformer 与 JAEC 模型,分别实现高效语音分离和可解释回声消除。FLASepformer 采用 Gated Focused Linear Attention 将长序列注意力复杂度降至 O(N),在 30 秒混合音频设置下推理速度达 SepReformer 基线的 1.49 至 2.29 倍。
inclusionAI正式开源百灵系列首个原生多模态大模型Ling-3.0-flash-VL,基于MoE架构,总参数量124B,单次推理激活5.5B,支持256K Token上下文。模型通过视觉反馈机制实现观察、行动、验证、修正闭环,在医疗报告解读、前端开发、GUI自动化等场景具备较高可靠性,并已在Ling Studio提供免费体验。
推荐理由:原生多模态训练提升了纯文本基准得分,视觉反馈机制为工程落地提供了新思路。
百灵开源首个原生多模态大模型 Ling-3.0-flash-VL,基于 Ling-3.0-flash 的 MoE 架构,总参数量 124B,单次推理激活 5.5B 参数,原生支持图像、文本与视频输入,上下文窗口达 256K Token。
推荐理由:开源原生多模态模型 Ling-3.0-flash-VL 在视觉反馈闭环下提升文本智能,为专业场景任务提供了可复用的低成本高效方案。
Xiaomi MiMo Desktop 携 MiMo-X-Pro-Preview 与 MiMo-X-Flash-Preview 两款新模型开放邀测。
推荐理由:MiMo Desktop 展示多素材输入、局部编辑与 Smart 调度机制,可作为评估桌面智能体工作流与成本控制的参考。
9月8日,面壁智能联合 OpenBMB 开源 2B 参数端侧基座模型 MiniCPM5-2B,支持工具调用、深度搜索、代码生成,初步具备端侧通用 Agent 能力。
推荐理由:开源2B端侧基座模型在4B以下榜单中综合得分第一,附带自研强化学习框架和数据集,展示高密度端侧Agent落地路径。
蚂蚁开源 LLaDA-Image,6B 参数 DiT 模型,90% 纯图片预训练配合自条件学习,实现统一文生图与编辑,TwinFlow 蒸馏支持 2-4 步推理。Qwen-Image-Bench 中英文总分 53.53 和 53.38,位列开源模型双第一;SGLang 提供 Day-0 适配,开放完整权重、训练代码与蒸馏配方。
推荐理由:LLaDA-Image 采用 90% 纯图片预训练路线,展示了不同于传统图文对绑定的生成范式,在 Qwen-Image-Bench 上取得开源模型中英双第一。
智象未来发布具身世界模型 HiDream-O1-Embodied,在 RoboColiseum 评测平台的扰动适应子榜以 0.692 分登顶。模型通过语言理解、多视角视觉感知和高容错机制提升非理想环境下的稳定性,结合真实数据与生成增强形成数据生产范式,补齐了图像、视频、3D 和动作的全模态矩阵。
推荐理由:具身模型登顶扰动适应榜单,展示了从模拟走向真实物理交互的技术闭环。
Anthropic 宣布 Claude 完成了费马大定理的首个形式化证明,这是有史以来最大的 Lean 证明,代码总量超过 1300 万行。该证明不仅验证了费马大定理本身,还确立了 29000 多个此前未被形式化的相关定理。完整证明已开源至 GitHub。
推荐理由:原文宣布 Claude 完成了费马大定理的首个形式化证明,并给出代码行数等关键数据,展示了 AI 在数学验证领域的前沿应用。
蚂蚁集团正式开源首个金融增强模型 Ling-3.0-flash-Fin 及金融搜索评测基准 FinFIRST。Ling-3.0-flash-Fin 采用 MoE 架构,模型规模为 124B 总参数与 5.1B 激活参数,支持最长 256K 上下文,可部署于本地或私有云,并接入网页搜索、Python、数据库等工具。
蚂蚁集团正式开源金融增强模型 Ling-3.0-flash-Fin 及评测基准 FinFIRST。Ling-3.0-flash-Fin 采用混合专家架构,支持 256K 上下文,可部署于本地或私有云,支持工具调用。FinFIRST 基准包含 123 道由金融专家编写的任务,通过原子化评分核验信源与推导过程。
推荐理由:提供了面向机构的本地化部署方案,以及可诊断推导过程的可追溯评测方法。
Google DeepMind 发布 WeatherNext 3 模型,实现每小时更新、5 公里分辨率的全球天气预报。模型直接使用实时卫星数据,降水预报准确率提升最高 60%,并全面接入 Google Search、Gemini、Maps 及 Cloud 平台。
推荐理由:模型在独立评测中显著提升了降水预报精度,并接入 Google 核心产品,提供高时空分辨率的每小时刷新数据。
Qwen3.8-Max升级至0902版本,通过围绕编程(Coding)和专业办公(Cowork)的后训练,提升了在长周期任务及科研场景的性能。在CodeArena前端编程总榜中,该模型提升22分至1691分夺得冠军,刷新了多步推理和端到端应用生成的能力上限。
推荐理由:Qwen3.8-Max更新至0902版本,前端编程榜首得分提升至1691分,且百万Tokens平均成本显著低于同类高分模型。
腾讯混元团队发布 Hy4 preview 轻量版,通过 Sherry 稀疏量化和 MIX-STQ1_0 混合精度策略将模型权重从 1.5 TB 压缩至 214 GB,降低硬件门槛。
推荐理由:原文展示了如何通过稀疏量化与混合精度策略将模型权重压缩至214GB,并验证了异构设备联合推理的可行性。
Microsoft Research 发布 GigaPath-Flash 与 GigaTIME-Flash,通过蒸馏技术将计算成本降低约 50 倍,性能保持在与原版 GigaPath 3% 以内,并采用 Apache 2.0 协议开源。
蚂蚁百灵发布首个金融增强模型 Ling-3.0-flash-Fin,该模型基于 Ling-3.0-flash 架构,保持 124B 总参数和 5.1B 激活参数,通过金融语料预训练及领域后训练强化投研核心能力。
推荐理由:原文披露了面向金融投研工作流的模型配置与多基准评测结果,读者可据此判断其在真实金融场景中的能力边界与可用性。
智谱今日上线并开源 GLM-5.3-Flash (320B-A18B),这是 GLM-5 系列首个原生多模态模型,在 AA 综合智能指数中取得 57 分,性能与 Claude Opus 4.8 持平,定价仅为后者的 1/40。
推荐理由:GLM-5.3-Flash 以1/40的价格提供与前沿模型持平的智能,且全程跑在国产芯片集群上,展示了低成本推理的可行性。
千问团队正式发布多模态 MoE 模型 Qwen3.8-Flash,主模型参数量 125B,支持 262k 至 1M token 上下文,其训练成本仅为 Qwen3.7-Plus 的 1/9 且已上线 API 服务。
推荐理由:千问团队发布 Qwen3.8-Flash 模型及开源 Next 版本,通过架构创新显著降低训练成本并优化长上下文效率。
腾讯混元将 Hy-MT2-1.8B 翻译模型通过 2-bit 和 1.25-bit 方案压缩至几百 MB,翻译质量几乎无损,并联合英特尔完成 x86 适配、联合哔哩哔哩在直播弹幕实时翻译中落地。1.25-bit 模型基于 Sherry 技术,体积从 3.3GB 压至 440MB,B 站演示中单条弹幕翻译耗时 500~800ms,内存占用 500~700MB。
推荐理由:混元将翻译模型量化至1.25-bit并落地B站直播,展示了极低比特压缩在端侧高并发场景的可用性。
硅基流动上线 DeepSeek-V4-Flash-0731,作为 V4 系列效率型版本,在维持推理速度和调用成本基础上系统升级 Agent 能力。该模型仅做后训练,结构不变,在官方 9 项 Agent 基准评测中超过此前 Preview 版本,并原生支持 OpenAI Responses API、三档 reasoning effort 与 Codex 适配。
推荐理由:模型在速度成本不变前提下完成 Agent 能力升级,并补齐工程适配环节。
Wan3.0首发上线RunningHub,单次生成时长增至30秒,首次支持doc、xls、ppt、pdf、md等文档格式输入,上传的产品说明或数据报表(≤100MB,≤50页)可自动生成带动态图表、字幕和配音的成片。
推荐理由:Wan3.0原生支持文档输入和30秒长视频生成,平台给出了各档位的每秒计费标准。
LibTV与通义万相联合首发视频生成模型Wan 3.0,该模型支持原生30秒视频生成,并可根据内容自动匹配合适时长。支持单次输入10张图片、5段视频、5段音频以及PPT、PDF、Word、Excel、Markdown等文档和网页链接作为创作参考,并能像素级还原参考细节。
推荐理由:介绍了原生时长与多模态参考能力,并给出限时价格信息。
Microsoft Research 发布 Skala 1.1 深度学习 DFT 泛函,其训练数据量较前代增加 2.5 倍,在 GMTKN55 基准测试中实现加权平均误差 2.8 kcal/mol,精度超越顶级全局杂化泛函且保持 meta-GGA 计算成本。
百灵大模型正式开源 Ling-3.0-tiny-base 和 Ling-3.0-flash-base 预训练模型,并同步提供六个关键阶段权重。其中 tiny-base 拥有 7.9B 总参数和 1.3B 激活参数,适合代码场景持续预训练及低预算强化学习探索。
推荐理由:官方开源了 Ling-3.0-tiny-base 和 flash-base 预训练底座,提供六个不同阶段权重供后续定制。
GLM-5.3 API 正式上线,在 AA 综合智能指数取得 60 分,与 Claude Fable 5、GPT-5.6 Sol 等处于同一水平,并与 Kimi K3 并列开源模型第一。模型以更低成本推进智能-成本帕累托前沿,已接入 ZCode 等编码平台并纳入 GLM Coding Plan,权重将于下周五开源。
推荐理由:原文给出了AA指数排名、成本区间与开源时间,读者可以据此判断前沿模型能力与使用门槛的最新变化。
智谱发布GLM-5.3,基座未变但通过极致后训练Scaling显著提升编程与网络安全能力:内部编程体感较GLM-5.2提升50%,Terminal-Bench 3.0从4.6升至28.3;网络安全上CyberGym达84.5%,ExploitBench 54.4%,ExploitGym两小时完成105项漏洞利用任务。
推荐理由:后训练Scaling带来更强编程与网络安全防御能力,开源与“开源的盾”计划让前沿安全能力不再只属于少数闭源机构。
DeepSeek V4 Pro 正式版上线,同步开放 APP、网页端与 API。Agent 能力显著提升,生产环境表现尤为突出。API 新增原生支持 OpenAI Responses API 并适配 Codex;V4-Pro 与 V4-Flash 支持 low、high、max 三档思考强度。
推荐理由:正式版的Agent能力增强和三档思考强度控制,让开发者在简单日常和高复杂度任务间有了更细的切换空间。
百灵大模型团队正式开源 Ling-3.0-tiny,该模型总参数量 7.9B,推理时激活参数量仅 1.3B,并同步提供 BF16、FP8 和 INT4 三个版本。
推荐理由:展示了 1.3B 激活参数在端侧设备与多精度部署下的实际落地效果与基准表现。
Meta 发布开源多模态模型 Muse Glimmer,模型为 30B 参数,基于 Muse 蒸馏而来,采用 Apache 2.0 许可,专为本地智能体应用场景设计。
推荐理由:文章展示了Muse Glimmer在本地部署场景下的自优化演示,为隐私敏感应用提供了低成本运行方案。
腾讯混元正式发布新一代语音识别模型 Hy ASR 3.0 preview,基于 Hy3 大语言模型融合高精度识别与深度语义理解。在开源评测集中,中文普通话 WER 为 3.34%,英语 WER 为 2.62%,粤语 WER 为 3.12%;模型重点提升了通用识别准确性、上下文意图理解、专业场景热词注入及复杂声学环境稳定性。
推荐理由:原文给出了多语种WER数据和上下文纠错能力,读者可据此评估其在复杂场景下的语音识别表现。
MiniMax 正式开源新一代通用视频模型 H3,支持 4 至 15 秒、2K 分辨率及立体声音频生成。H3-Base 权重已同步至 Hugging Face,支持本地部署;完整 2K 工作流需结合官方 API 调用 H3-Context-IR 与 H3-Regenerate-2K。
推荐理由:官方发布文档详细拆解了 H3 在 Hugging Face 的开源组件、支持的 2K 生成规格以及本地部署与 API 验证的完整工作流。
MiniMax 正式发布 H3,这是一款通用全模态生成模型,支持文本、图像、视频和声音的统一理解,可输出原生双声道音视频,最高支持 15s 2K 分辨率。官方称 H3 在指令遵循、文字与品牌信息呈现及 V2V Motion Transfer 方面表现出色,适用于广告、电商等商业场景。2K 分辨率下每秒价格不到主流模型的 1/3,未来几天将开放模型权重并适配国产芯片。
推荐理由:官方公布全模态生成能力、成本对比及开源计划,帮助用户判断其商业化与工程落地潜力。
LibTV 与 MiniMax 联合首发多模态视频模型 H3,支持 5 到 15 秒视频生成、24 FPS 输出与原生双声道声音,单次最多输入 12 个混合参考文件,分辨率可由 768p 升级至 1440p。活动期间 768p 低至 0.1 元/秒,2K 低至 0.2 元/秒,可结合 Skill 实现约 10 元制作一支广告视频或约 20 元完成一集短剧。
推荐理由:联合首发给出了具体能力边界和试用入口,读者可据此判断它能否进入日常视频生产。
Kimi K3开放日同步发布了模型权重、技术报告及MoonEP、FlashKDA、AgentEnv三项关键Infra技术。Kimi K3是拥有2.8万亿参数的混合专家模型,支持100万token上下文窗口及原生视觉理解,参数规模是Kimi K2.5的3倍左右。通过技术创新,其规模化效率提升2.5倍,用户可自由下载部署用于内部研发或终端产品。
推荐理由:Kimi K3开放了2.8万亿参数的混合专家模型权重、技术报告及MoonEP等关键基础设施,支持自由下载部署,为前沿模型普及提供完整技术包。