跳到正文
10月28日周三
  1. TechCrunch · AI75

    Nvidia 发布开源转录模型 Nemotron 3.5 及数据集 Granary 2

    Nvidia 发布了免费开放权重的转录模型 Nemotron 3.5,能够转写 40 种语言的音频,处理长达 1 小时的录音,并区分多达 8 个说话者。该模型参数量为 30B,可部署在 Jetson AGX Thor、DGX Spark 或 Blackwell 数据中心芯片等单芯片上,但仅支持预录音频,不支持实时流处理。Nvidia 同时发布了开源语音数据集 Granary 2。

  2. Hugging Face Blog87

    NVIDIA 开源 Nemotron 3.5 Transcribe 与 Granary v2,支持提示词驱动的多语言语音转录与微调

    NVIDIA 在 Hugging Face 与 ModelScope 开源 Nemotron 3.5 Transcribe 模型及 Granary v2 数据处理管线,将多语言语音转录、说话人归属与音频问答功能整合在同一权重中。

    推荐理由:模型集成转录、说话人归属与音频问答,配套开源数据管线,读者可据此判断如何将其适配到特定领域场景。

  3. IT之家47

    摩尔线程2026年前三季度营收32.89亿元,归母净利润3769.73万元实现扭亏

    摩尔线程发布2026年前三季度财报,实现营业总收入32.89亿元,同比增长319.15%;归母净利润3769.73万元,同比扭亏为盈。 单季度来看,三季度营收达15.52亿元,同比增长1773.92%,归母净利润为4926.04万元。公司研发投入13.4亿元,占营收比例40.75%。 机构普遍看好国产GPU替代窗口,估值有望从市销率向盈利指标切换。

  4. IT之家42

    DeepSeek-V5 占位符现身 Harness 代码库

    开发者在 DeepSeek Harness 仓库的 provider.spec.ts 中发现 deepseek-v5 等三个未公开标识符。 代码显示 v5-open 无版本门槛,v5-next 要求客户端升级,表明已预备两种发布方案。 官方尚未发布公告或说明,占位符出现不代表发布临近。

  5. IT之家22

    前英特尔 CEO 基辛格押注新 AI 内存:Z2RAM 拟绕开 EUV 光刻,4 年内送样

    前英特尔 CEO 基辛格通过风投机构支持初创公司 Nagare Labs,资助其开发 AI 内存技术 Z2RAM。 Nagare Labs 刚完成 500 万美元种子轮,该技术用氧化物半导体和 3D 混合键合,靠标准 BEOL 单次曝光实现多层存储,无需 EUV 光刻,初期目标密度超 SRAM 5 倍。 技术目前还是实验室原型,计划 4 年内推出可工作样品,十年内商业化。

  6. 智东西86

    谷歌发布世界模型Genie 4,支持物理模拟与实时交互

    谷歌发布新一代世界模型Genie 4,具备原生音频生成、实时交互和多步骤推理能力。该模型融合Gemini系列,可模拟空气动力学与碰撞等物理过程,支持自然语言操控场景,目前以研究预览形式向受信任测试者开放,后续将接入Gemini API和Google AI Studio。

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

  7. 机器之心80

    谷歌发布Genie 4世界模型,支持实时交互与原生音频生成

    谷歌发布新一代世界模型Genie 4,支持用户通过键盘和自然语言实时改变视觉环境与物理现象。该模型原生生成实时音频,并融合 Gemini 3.8 Flash 模型以支持复杂事件推理与任务规划。目前处于早期研究阶段,将在 SynthID 水印保障下向受限用户开放研究预览。

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

  8. APPSO88

    Google DeepMind 发布 Genie 4 世界模型

    Google DeepMind 发布新一代世界模型 Genie 4,模拟时长从约一分钟延长至两分钟,并首次支持原生音频生成。Genie 4 融合了 Gemini 系列模型,其中 Gemini 3.8 Flash 充当实时引导智能体,负责规划行动并判断执行结果,使虚拟世界具备动态反应能力。

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

  9. arXiv · NLP70

    EmbeddingGemma 2 发布:统一高效的开源多模态嵌入模型

    EmbeddingGemma 2 是一个开源的多模态嵌入模型,能在统一空间中表示文本、图像、音频和视频。该模型在多种嵌入基准测试中优于专业模型及体积大两到十二倍的模型,支持选择性加载模态编码器、调整视觉 token 预算及量化权重,模型已在 HuggingFace 和 LiteRT 上发布。

    推荐理由:新模型在基准测试中展现出跨模态优势,其可裁剪架构为资源受限场景的部署提供了参考。

  10. 36氪90

    谷歌发布 Genie 4,推出支持原生声音与混合架构的新一代世界模型

    谷歌 DeepMind 发布 Genie 4,这是其迄今最逼真、最具互动性的 AI 世界模型。相比去年的 Genie 3,Genie 4 实现了多项关键突破:首次原生生成声音与即兴对话,同步生成环境音与配乐;单次连贯世界维持时间翻倍至约 2 分钟,实机画面稳定在约 24 帧/秒;借助 Gemini Omni 锚定现实常识,人物微表情、镜面反射与物理碰撞全面跃升。

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

  11. 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》

  12. R/ArtificialInteligence42

    DeepSeek 身份混淆实验:模型自称 ChatGPT,引发蒸馏争议与模型自我认知讨论

    Reddit 用户 Proxena 报告了一项实验,ChatGPT 与 DeepSeek 在对话中意外发展出复杂的哲学互动,并在身份揭晓时 DeepSeek 自称 ChatGPT。 该结果引发了关于模型蒸馏(distillation)的讨论,文中提及 OpenAI 和 Anthropic 对 DeepSeek 的公开指控,同时强调实验无法证明不当行为或来源。

  13. 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。

  14. 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。

  15. 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。

  16. 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》

  17. 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。

  18. 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》