Google 发布 Gemini 3.8 Flash 与 Flash-Lite TTS 语音生成模型
Google 推出 Gemini 3.8 Flash TTS 和 Flash-Lite TTS 两款语音生成模型,即日起在 Gemini API、Google AI Studio 及多款产品上线。
推荐理由:Gemini 3.8 Flash TTS 在 Hume AI 基准中拿下第一,结合自然语言声音设计与多语支持,为音频生成提供了可落地的参考维度。
Google 推出 Gemini 3.8 Flash TTS 和 Flash-Lite TTS 两款语音生成模型,即日起在 Gemini API、Google AI Studio 及多款产品上线。
推荐理由:Gemini 3.8 Flash TTS 在 Hume AI 基准中拿下第一,结合自然语言声音设计与多语支持,为音频生成提供了可落地的参考维度。
科大讯飞正式发布新一代语音识别大模型 Spark-ASR-2.0。该模型通过非自回归与 LLM 增强自回归协同等技术创新,整体推理成本仅相对 Spark-ASR-1.0 增加 10%,并在中英混合、方言及复杂声学场景的识别效果上实现大幅提升。Spark-ASR-2.0 将逐步上线讯飞输入法,并通过讯飞开放平台提供 API 服务。
Qwen-Audio-3.1 系列正式发布,包含 ASR、TTS、ASR-Next、TTS-Next 和 Realtime 五款模型,API 已上线千问 AI 平台,全线价格大幅下调,其中 TTS 降价约 70%,Realtime 降幅约 85%,ASR 降幅达 95%。
推荐理由:该发布通过覆盖语音识别、合成与创作的完整模型矩阵与显著降价,为实时交互和音频内容生产提供了新的工程基线。
千问发布 Qwen-Audio-3.1 系列,包含 ASR、TTS、Realtime 及 ASR-Next、TTS-Next 五款模型。全线 API 已上架千问 AI 平台,价格大幅下调,其中 TTS 降价约 70%,Realtime 降幅约 85%,ASR 降幅达 95%。
推荐理由:官方一次性给出五款模型的能力边界、价格降幅与接入地址,可据此评估语音工作流的落地成本。
蚂蚁开源 Ming-Image-0.1-Design 系列,包含 6B 参数的设计生成模型和图层拆解模型,并同步开源 Design Skill 和 PPT Skill。
推荐理由:开源两个 6B 模型覆盖设计生成与图层拆解,并同步提供前端与 PPT 工作流 Skill,展示小参数模型进入设计交付环节的完整路径。
爱诗科技正式发布具备 Scaling 能力的通用实时世界模型 PixVerse R2,开放游戏、互动影视及数字人等体验。模型基于 Omni Causal AR 与 Real-Time Acceleration 双引擎架构,将模型能力扩展与实时推理加速解耦,在生成质量、长程一致性和多模态控制方面实现提升。用户可通过 Prompt 和键盘操作实时生成并交互,PixVerse R2 已开放使用。
推荐理由:实时与通用解耦的双引擎架构,为持续扩展的实时世界模型提供了可验证路径。
百灵大模型开源Ming-Image-0.1-Design系列,包含6B参数的Design和Layer模型,支持从文字生成UI及将设计图拆成可编辑透明图层。该模型在Artificial Analysis UI/UX Design榜单位列开源第1,Layer在Crello-Test 12项指标中全部排名第一。
推荐理由:6B模型将设计生成与图层编辑打通,读者可评估其在UI、海报等场景替代高参数量模型的可行性。
OpenAI 发布 GPT-6 Sol 和 Luna 模型,表示其在智能、对齐、工作输出、编码和计算机使用等方面显著优于 5.6 系列前代模型。同时,新模型每 token 价格减半,单任务成本更低。
推荐理由:原文给出了能力变化和开放入口,读者可以据此判断它会怎样改变现有工作流。
OpenAI 发布 GPT-6 Sol 和 GPT-6 Luna 模型,作为 GPT-6 Astra 的进阶版本,主打速度更快、价格更低,以支持大规模工作场景。新模型优化了缓存与推理效率,API 价格比 GPT-5.6 促销价低 50%。
Claude Opus 5.5 今日上线,作为 Claude 5.5 家族首个模型,其在多数任务上的表现达到 Claude Fable 5.1 水平,运行成本比 Opus 5 低 40%。
推荐理由:介绍了 Opus 5.5 的定位与成本变化,读者可以判断它与 Fable 5.1 及 Opus 5 的性价比关系。
阿里巴巴集团CEO吴泳铭在2026云栖大会演讲中提出机器思考总量未来将超过人类1000倍,并公布Qwen3.8-Max模型与真武V900 AI芯片。Qwen3.8-Max通过自主迭代完成33轮训练优化,在未知GPU上实现推理吞吐量提升96%;真武V900性能为前代3倍,支持扩展至50万卡的集群规模。
推荐理由:吴泳铭提出机器思考总量将达人类1000倍,并同步发布Qwen3.8-Max与真武V900芯片,展示阿里在模型、芯片及云侧的全栈布局。
Qwen 团队开展两项生产级实验:Qwen3.8-Max 自主完成 NoC 模块的 RTL 编码与物理实现,并独立将 Qwen3.8-Flash-Next 适配至真武 M890 芯片。芯片设计中,模型运行超 60 小时完成全流程,使模块面积降低 42%、功耗降低 59.5%。推理适配中,模型 56 小时完成优化,长文本 TTFT 降低 47%,单实例吞吐提升 96%。
推荐理由:展示了 Qwen 在芯片设计端侧与推理端侧双向闭环中自主调用工具完成 RTL 优化及推理栈调优的工程路径。
腾讯正式发布混元图像3.5预览版(Hy Image3.5 preview),该模型在数百名内部专业设计师GSB盲测中较Hy Image3.0能力提升约30%,支持文生图、图生图及多轮对话创作,最高输出2K分辨率。腾讯云API定价为0.15元/张,已上线元宝、WorkRally、OnSolo、Miora、WorkBuddy及ima等产品,灰度测试期间生图请求量提升超50%。
推荐理由:腾讯官方发布Hy Image3.5 preview,提供内部盲测对比数据与0.15元/张的API定价,展示其在专业创作场景的性价比与能力提升。
小米正式发布并开源 MiMo-V2.6 系列,包含 Pro 和 Flash 两个原生全模态模型,通过规模化扩展强化学习算力探索递归自我改进路径。
推荐理由:官方披露了 MiMo-V2.6 扩展强化学习算力的训练细节与开源资源,读者可据此判断规模化 RL 对模型自我改进的实际贡献。
商汤科技推出 SenseNova U1 Pro,已正式上线商汤小浣熊及日日新 API 服务。该模型构建了从需求理解、搜索补全到设计生成与修正的完整智能创作管线,支持精确局部修正与多图融合。它面向长程任务,旨在一次性交付信息图、品牌广告及电商物料等多模态设计成果。
硅基流动上线中电信最新开源的 Xing4.0-29B-A4B 模型,该模型基于国产算力与框架训练,29B 总参数、4B 激活参数,原生支持 256K 上下文,SWE-bench Verified 得分 75.0。针对 OpenCode、Claude Code 等智能体工具做了定向适配,现已在硅基流动平台免费开放调用,可服务于复杂工程任务与自动化流程。
千问大模型团队开源发布 Qwen-Image-2.1,该模型视觉生成部分参数量为 7B,将文生图与图像编辑整合在同一架构中。模型支持最多 10 张参考图输入,并原生支持透明图像的生成与编辑,同时通过混合粒度注意力结构和 KV Cache 复用机制优化了推理效率与显存开销。
推荐理由:原文详细展示了该轻量模型在透明图像生成与编辑、多图融合及推理效率优化等方面的具体能力与技术细节。
阶跃发布面向 Agentic 任务的旗舰基座模型 Step 5 Preview,采用稀疏 MoE 架构,总参数量 600B、激活参数 27B,支持 100 万 Token 上下文窗口。
推荐理由:介绍了该模型在能效比上的量化优势,包括单任务成本更低及在复杂场景下的表现,便于判断其落地价值。
千问正式发布基于 Interleave 架构的同声传译大模型 Qwen3.8-LiveTranslate,支持 60 种语言,新增实时说话人分离、双语同屏及长上下文消歧能力。模型字均延迟(LAAL)从上一代的 2.8 秒降至 2.3 秒,在相关多语言评测中翻译质量与语音合成效果领先于上一代及当前主流系统。模型 API 已上线千问 AI 平台,并提供在线尝鲜体验入口。
推荐理由:原文给出了 Interleave 架构和降低延迟的关键数据,读者可据此判断实时同传体验的实质变化。
HappyOyster 1.0 系列模型正式上架阿里云百炼,开发者可直接调用 API 接入实时生成与持续演化的开放世界能力。该系列包含 Adventure 和 Directing 两个模型,其中 Adventure 支持基于文本或图像输入生成自由探索的世界,用户可实时控制镜头并与场景交互,目前 Directing 模型仅支持新加坡和美国弗吉尼亚地域。
推荐理由:阿里云百炼上线 HappyOyster 1.0 模型,支持通过 API 实时生成可交互的开放世界,文中给出了具体场景示例与计费标准。
阿里云百炼正式上线新一代原生全模态模型 Qwen3.8-Omni-Flash,该模型输入不再区分模态,全模态统一售价为 0.8 元/百万 Token。官方数据显示,新模型在 29 项音视频与 Agent 评测中平均性能较上一代提升超过 25%,并具备从音视频素材中主动定位关键片段、执行工具调用及沉淀可复用 Agent Skill 等完整任务流能力。
推荐理由:原文明确列出全模态同价 0.8 元/百万 Token 的成本优势及主动取证和工具执行的 Agent 能力变化。
科大讯飞上线基于全国产算力训练的语音基座大模型 Spark-Audio-1.0-Preview,采用 0.65B 音频编码器搭配 30B-A3B 语言模型,支持 99 种语言和 202 种方言识别,并在高噪声等复杂场景下表现领先。体验链接为 https://iflytekresearch.iflytek.com/experience/spark-audio,API 后续将上线讯飞开放平台。
推荐理由:原文给出了全国产算力训练的首个语音基座模型参数和跨语言识别成绩,读者可据此评估其在复杂场景下的可用性。
Jev 作为 System One 模型发布,提供比 LLM 快两个数量级的结构化输出,且无模型幻觉,现提供早期访问。Periodic Neon 在低成本下超越 GPT-6 Astra 和 Claude Fable 5.1,用于科学分析。Google 推出 Gemini 3.8 Live 和 3.5 Transcribe,用于实时语音应用。
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。