千问正式发布 Qwen-Audio-3.1 系列语音大模型
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。
技术方向
多模态 最新动态
文本之外的能力：视觉理解、图文混合、音视频输入输出的模型与产品进展。
116 条精选近 30 天 66 条共收录 1,679 条
更新
精选归档 · 第 4 页
千问大模型精选AI 评分8181 爱诗科技 AIsphere精选AI 评分7878 爱诗科技发布 PixVerse R2 实时世界模型，以双引擎架构实现通用实时扩展
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。
阿里云精选AI 评分7474 千问AI平台焕新：面向Agent全面升级模型服务、Agent服务、AI应用
阿里云千问AI平台面向Agent负载完成全面升级，新增Agent Studio与企业级全栈Agent服务，并推出API优速模式、千问AI座舱解决方案等能力。Agent Studio提供自动模型路由、24小时不间断托管、原子API和MCP生态接入；模型服务侧通过FlashBoot将弹性启动时间由1200秒缩短至70秒，支持Prompt Caching与Token Plan订阅。
推荐理由：官方给出了Agent Studio的托管与原子API细节，以及算力规模演进预期，供评估AI平台在Agent生产侧的落地深度。
千问大模型精选AI 评分8787 阿里发布千问AI手机全栈解决方案Qwen Intelligence
阿里发布AI手机全栈解决方案Qwen Intelligence，提供规划、操作和创意三类Agent。在MobilePA-Bench、MobileWorld等评测中处于前列，首图生成提速2倍，并与荣耀合作落地真实手机场景。
推荐理由：原文给出了全栈解决方案与三项Agent实测数据，读者可以据此判断手机Agent的落地边界与性能标准。
阿里云精选AI 评分8585 阿里云2026云栖大会：发布Qwen3.8-Max与真武V900，迈向机器智能时代
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。
Xiaomi MiMo精选AI 评分8080 Xiaomi MiMo-V2.6 发布：扩展强化学习规模并全面开源
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。
千问大模型精选AI 评分6767 千问正式发布 Qwen3.8-LiveTranslate 同声传译大模型
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。
阿里云百炼精选AI 评分6565 HappyOyster 1.0 系列模型上架阿里云百炼，支持实时交互开放世界生成
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。
阿里云百炼精选AI 评分8585 阿里云百炼上线 Qwen3.8 Omni Flash 原生全模态模型
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。
Google DeepMind精选AI 评分9090 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。
蚂蚁开源精选AI 评分6565 蚂蚁集团开源 ArmorOCR 模型，解决图片中隐藏违规文本识别难题
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。
DeepSeek精选AI 评分9595 DeepSeek 正式发布 V4.1 Flash 多模态模型并同步开源
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。
蚂蚁开源精选AI 评分8080 inclusionAI开源多模态模型Ling-3.0-flash-VL
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。
百灵大模型精选AI 评分7676 百灵 Ling-3.0-flash-VL 开源发布：原生多模态架构，支持视觉反馈闭环与 Agent 工作流
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精选AI 评分6363 Xiaomi MiMo 桌面客户端开放邀测
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。
Google DeepMind精选AI 评分7373 Google DeepMind 发布 WeatherNext 3 全球天气 AI 模型
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。
智谱精选AI 评分9393 智谱开源 GLM-5.3-Flash：320B 参数多模态模型，性能对标 Claude Opus 4.8
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。
千问大模型精选AI 评分8888 Qwen3.8-Flash 发布：多模态 MoE 模型训练成本降至前代 1/9 并开源 Next 权重
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。
爱诗科技 AIsphere精选AI 评分7474 爱诗科技发布 PixVerse R2 实时全模态世界模型
爱诗科技发布 PixVerse R2，进一步探索实时全模态世界模型的 Scaling 路径。该模型基于 Omni Causal AR 和 Real-Time Acceleration 两个核心层次，通过动态 Chunk、多时间尺度记忆和 Error Bank 等技术，实现了在严格交互延迟约束下对长程世界状态的持续建模与加速。
推荐理由：原文阐述了实时全模态世界模型的统一训练范式，揭示了如何在持续交互中平衡生成速度与长程状态一致性。
DeepSeek精选AI 评分7777 DeepSeek-V4-Flash-Vision-Exp 上线并开启多模态 API 服务
DeepSeek-V4-Flash-Vision-Exp 上线 DeepSeek API 平台，用户可通过 model='deepseek-v4-flash-vision-exp' 访问该实验模型。
推荐理由：官方展示了新模型在 Agent 场景下的多模态适配效果，读者可据此判断其在工作流中的实际可用性。