每日AI快讯热闻

首页推荐16小时前更新 老高
6,749 0
每日AI快讯

AI工具箱聚合全球人工智能领域的最新资讯、行业要闻、融资进展、产品迭代、技术突破与独家爆料,全天候实时更新,帮助你第一时间掌握行业趋势与关键变化。
加入AI交流群,获取权威信息源,抢占AI时代先机!

11月22日 周日

腾讯元宝与伦敦国王学院开源群聊记忆基准 GroupAssistBench,80299 条消息做成 2395 道题

腾讯元宝与伦敦国王学院 NLP 团队开源智能体记忆基准 GroupAssistBench,取材 50 个真实群聊、80299 条历史消息,拆成记忆召回与开放式服务两层,分别有 1374 道与 1021 道题。研究追踪 497 条配对记忆发现,召回成功的记忆有 36% 未进入服务模型的输入,64% 虽进入输入却未被有效使用。论文、代码与数据集已公开。

来源:量子位

Suno 推出 Visuals 做音乐视频,底层模型基于 MiniMax H3 开源权重调优

美国 AI 音乐平台 SUNO 推出视觉创作工具 Visuals,所用 H3 Move 模型基于 MiniMax H3 的开源权重调优,Suno 用自己的数据做音乐场景适配。用户可生成最长 15 秒、最高 2K 并带原生立体声与演唱口型同步的片段,也能制作歌词视频与专辑封面。MiniMax H3 今年 8 月开放权重,官方称已有超 1 亿人在 Suno 创作音乐。

来源:量子位

MachinePulse 开源 Karpo Decision 31B,决策榜全分并列第一

MachinePulse 开源决策模型 Karpo Decision 31B,专为智能体高频判断设计:单次前向推理直接给出每个选项的概率,权重 62.5 GB、单卡即可加载。官方模型页标注其在 Decision Index 0.4.1 榜以 73.86 分并列第一,校准误差 4.8 个百分点,单题最多 255 个候选选项,答案只在给定选项内产生。

来源:AI工具箱
11月21日 周六

灵光 2.0 上线:长期事务交给独立云主机推进,已接入 40 项外部服务

蚂蚁集团的个人 AI 助理 灵光 10 月 27 日升级 2.0,新增长期事务托管:用户授权后,它依托跨会话记忆与独立云主机持续运行任务,退出对话仍在推进,并在需要行动的节点提醒。截至 11 月 3 日已接入支付宝、钉钉、飞书、微信读书等 40 项外部连接器,另支持 MCP 与 CLI 调用。灵光 2025 年 11 月上线,首发 6 天下载量突破 200 万。

来源:AI工具箱

Anthropic 数学家称与 Claude 合作证出黎曼猜想,公开 1700 万行 Lean 代码

Anthropic 数学家莱文特·阿尔珀格 11 月 20 日称,他与 Claude 合作找到黎曼猜想及广义黎曼猜想的证明。文字证明超 25 万页未公开,只放出 4 页说明与 14 个压缩包、约 1700 万行 Lean 代码。陶哲轩表示该证明动用了朗兰兹纲领与算术几何的成果,梳理与验证还需时间;克雷研究所要求先在同行评审期刊发表并经过两年验证期,奖金 100 万美元。

来源:IT之家

OpenAI 向 ChatGPT Plus 开放 Spaces 协作空间

OpenAI 把 Spaces 协作空间下放到每月 20 美元的 ChatGPT Plus,此前仅 Pro、Business 与 Enterprise 可用。用户可在左侧导航栏新建空间,上传 Pages 页面、幻灯片、表格、图片与链接,并邀请他人共同编辑。该功能面向全球 18 岁以上 Plus 用户分批开放,免费用户无法打开共享内容,暂不支持公开链接分享。

来源:IT之家
11月20日 周五

OpenAI 开放 GPT-Live-1.1 API,语音对话可委托后端模型处理

OpenAI 向开发者开放 GPT-Live-1.1 的 API,第三方应用可直接接入构建实时语音智能体。该模型为全双工架构,同时聆听与说话,不必等用户说完一句才开始处理,并能识别停顿、打断与语速变化;需要深入推理或工具调用的任务可委托给开发者指定的后端模型,OpenAI 模型与第三方模型均可,委托期间语音对话不中断。官方已放出技术文档与接入指南。

来源:IT之家

OpenAI 向全部 Business Standard 用户开放 dots 智能体

OpenAI 把常驻型智能体 dots 的开放范围扩到全部 ChatGPT Business Standard 用户,同时邀请少量 Plus 用户参与测试。dots 拥有独立云电脑,可连接已授权的应用在后台规划议程、设计网站、测试应用与修改笔记。移动端同步测试新版入口,为 dots 单独设标签页,Codex、Projects、Images 可固定到底部标签栏。

来源:IT之家

微信推出桌面端零代码应用开发工具「做个小工具」

微信推出桌面端零代码应用开发工具 做个小工具,当前为 Beta 阶段,官网提供 Windows 与 macOS 两版,macOS 再按 Apple 芯片与 Intel 芯片分两个安装包,最新版本号 v0.01.2611132,使用前需微信扫码报名。官方页面介绍可在模拟器预览生成结果,标语写作「简单,复杂,皆可」,未公开底层模型名称与生成能力详细规格。

来源:AI工具箱

LibTV 启动「抓马剧场」,单部最高 30 万元激励

LibTV 启动「抓马剧场」扶持申报,面向国内外专业短剧机构开放,重点支持海外本土机构与国内出海团队。官方与点众科技开放全量 IP 库,覆盖 50 万+ IP 资源,作品分发至抖音、红果、TikTok、YouTube、DramaBox 等国内外主流短剧平台。单部爆款最高 30 万元激励,含 15 万元现金与 15 万元等值积分,同步设黑马、骏马、千里马三档成长体系。

来源:哩布哩布AI

腾讯混元正式开源 Hy4,权重与 GGUF 在四个平台放出

腾讯混元把正式版 Hy4 的模型权重开源,GitHub、Hugging Face、ModelScope、GitCode 四个平台同步提供下载,另放出 GGUF 量化版与开源协议。官方同步发布 System Card,补充安全评估。至此混元 LLM 系列已全量开源,含 Hy3 preview、Hy3、Hy4 preview、Hy4、Hy4 flash 共 5 个型号。

来源:腾讯混元
11月19日 周四

谷歌发布 Gemini 4 Neon,high 档同任务成本比 Carbon 低三成,Genie 4 同步上线

谷歌为 Gemini 4 家族补上均衡档 Gemini 4 Neon,上下文 100 万 token、思考分四档,每百万 token 输入 3 美元、输出 15 美元;官方称 high 档下同一任务的花费比 Carbon 低约三成,未开放免费档。同日世界模型 Genie 4 在 Project Genie 上线,支持边浏览边用自然语言改环境,并配 Agent 生成与 remix 世界。

来源:机器之心

豆包实时音视频通话模型 SeedRealtime 1.0 API 全量上线

火山引擎把豆包实时音视频通话模型 SeedRealtime 1.0 的 API 全量开放,声音、画面、时序与表达由单个端到端模型统一处理,不再依赖 ASR、VLM、TTS 多模块级联,官方称相比级联方案音视频对话的节奏问题减少一半。模型能持续感知场景并主动开口,官方用 6 个案例演示多人聚餐分人、菜单翻译讲解与萃取操作提醒。

来源:火山引擎

商汤 SenseNova U1 Pro 登顶 Design Arena 图片生成与编辑双榜中国第一

商汤日日新 SenseNova U1 Pro 在 Design Arena 更新的图片榜单中,图片生成与图片编辑两个榜单同时位列中国第一、全球第六,仅次于 OpenAI 的 GPT Image 2.x 系列。该平台采用同题生成、匿名两两对比与真实用户投票,以 Elo 评分形成排名;官方称模型可承接从论文出图到商品详情页的连续视觉任务。

来源:量子位
11月18日 周三

OpenAI 发布 GPT-6.2 Astra 与 GPT-6.2 Sol,缓存输入价降 60%

OpenAI 同日发布 GPT-6.2 Astra 与 GPT-6.2 Sol。Astra 面向复杂专业项目,输入每百万 token 8 美元、输出 40 美元,缓存输入 0.40 美元较 GPT-6 Astra 降 60%;Sol 主打日常工作,沿用 2/0.10/10 美元定价;两款上下文均为 105 万 token,即日向 Plus、Pro、Enterprise 与 Edu 开放。

来源:机器之心

快手可灵上线 Kling Image 4.0,原生 8K 与单图 2000 个字符

快手可灵新一代图像模型 Kling Image 4.0 全量上线,同步向企业与开发者开放 API。模型采用理解与生成统一的架构,单图与组图最高 8K、详情页长图 2K,单张图最多排 2000 个字符、内置 70+ 种商用字体并覆盖 7 种语言,一次描述可生成最多 10 张风格连贯组图,提示词上限 15000 tokens,支持图中文字智能修改。

来源:可灵AI

腾讯混元开源 Hy4 flash 全系三版本,GGUF 与四平台权重同步放出

腾讯混元把 Hy4 flash 系列整体开源,含 Hy4 flash、Hy4 flash-FP8 与 Hy4 flash Base 三个版本,总参数 224B、激活 12B;权重已在 GitHub、Hugging Face、ModelScope、GitCode 四个平台放出,另提供 GGUF 量化版并附开源协议,官方称完整版 Hy4 的开源也在推进中。

来源:腾讯混元

智源推出悟界·PhysCapBench,1500 段视频七维评测物理信息保真度

智源研究院联合逆矩阵、北大、清华与北航在「悟界」系列下推出 悟界·PhysCapBench,这是首个跨领域世界模型物理信息评测基准,统一度量视频描述对物理信息的覆盖与保真。基准含 1500 段视频、第三人称场景与第一人称操作及手持夹爪示范各 500 段,从事件覆盖、对象与角色、接触与交互、机制与因果、时间顺序等七个维度打分。

来源:智源研究院
11月17日 周二

书生 S2.1 Flash 开源:320B 参数、可操控科研软件的科学多模态模型

书生 S2.1 Flash 是上海人工智能实验室开源的 3200 亿参数 MoE 科学多模态模型,可接收分子图、晶体结构、蛋白质与核酸序列、光谱与质谱等十余类科学数据,并在 3D Slicer、Blender、CAD 中完成影像重建与装配干涉检查。官方称同一任务推理成本仅为书生·星河的十分之一,多项公开基准对照中取得 4 项第一、7 项第二,权重以 MIT 许可开放。

来源:AI工具箱

FashionMind 开源:语音说到哪件商品,界面当场高亮

FashionMind 是谷歌云开发者关系工程师 Annie Wang 开源的实时语音穿搭助手,基于 ADK 与 Gemini Live 2.5 Flash 原生音频。全双工对话中商品名一被说出,界面当场高亮对应卡片,不额外调用检索工具;商品目录以约 300 token 全量注入上下文,订单与风格偏好分存 Cloud SQL 与 Memory Bank。

来源:AI工具箱
11月16日 周一

腾讯混元发布 Hy4 flash,224B 参数主打日常任务低成本

腾讯混元发布 Hy4 flash,总参数 224B、激活 12B,上下文 1M token,解码速度超 150 tps。官方在典型任务集 WorkIndex 上测得单任务成本约 0.2 元,为 Hy4 preview 的 1/13、Hy4 的 1/20;85 位内部用户盲测 259 个任务,中位用时 6.7 分钟。已上线腾讯云 TokenHub 与 WorkBuddy。

来源:腾讯混元

腾讯混元发布 Hy Realtime,实时语音模型能联网还会唱歌

腾讯混元发布实时语音模型 Hy Realtime,在语音理解与拟人化表达之外新增 Agentic 工具调用,可自行判断是否联网搜索并统一决策、调工具与作答;支持按歌手、专辑、曲风、语种、发行年份与热度组合点歌,也能承接前文继续点歌。官方称文本能力向语音任务的迁移保留率由 21% 升至 69%。已在元宝语音通话与腾讯客服上线。

来源:腾讯混元

阿里发布 Qwen4-Max 基座模型,2.4 万亿参数支持百万上下文

阿里正式发布 Qwen4-Max:总参数 2.4 万亿、每 token 激活 71B,另有 328B N-gram 参数,支持原生视觉与百万 token 上下文。已上线千问 AI 平台开放 API,缓存命中每百万 token 0.5 元;官方 Work360 单任务均费从 26.58 元降至 11.16 元,降幅 58%;官方称 Qwen4 系列中小尺寸模型将陆续开源。

来源:千问大模型

DeepSeek 开放全家桶应用 API,一套参数即可复刻完整 App

DeepSeek 开放「全家桶」应用 API:开启参数即可调用联网搜索、深度思考搜索、文件输入、阅读链接与安全校验,工具调用与上下文拼接由服务端完成;Search、Fetch、OCR、ASR、TTS 支持独立调用。DeepSeek V4.1 Flash 已在三个对话接口支持,官方同步开源前端 Demo;扩展能力除 Token 费用外另收工具调用费。

来源:DeepSeek
11月15日 周日

Claude Code 把三元哥德巴赫猜想的证明写成 19.4 万行 Lean 4,全库零 sorry

独立开发者 Charlie Reams 用 Claude Code 把三元哥德巴赫猜想的证明写成 19.4 万行 Lean 4 代码,全库零 sorry,每行过内核校验。模型自主发现 Helfgott 原版证明中 11 处对不上的地方,含常数写错与不等式不成立,已逐处修补,外部假设从 5 项压到 2 项。Claude Fable 5.2 组队 30 小时完成费马大定理形式化。

来源:36氪

千问 App 健康档案接入动态血糖仪,可按时段解读血糖波动

千问 App 的「健康档案」上线动态血糖仪接入,用户授权后血糖数据 24 小时同步,可查血糖曲线、分时段读数和每日概览;千问再结合饮食、运动、作息与情绪解释波动,例如把傍晚的抬升归因到刚做完力量训练、提示白粥白馒头升糖偏快。该功能接入欧态、硅基两个动态血糖监测品牌,底层挂了五大医学知识库,含人卫专业知识库与千万级医学文献。

来源:新华日报健康

Cloudflare 把浏览器做进 Workers 并开源 Kitesurf,截图内存仅为 Chromium 的五分之一

Kitesurf 由 Cloudflare 开源,引擎跑在 Workers 隔离环境里,自己解析 HTML、算样式并绘制,不拉 Chromium 进程。官方 14 个网址各跑五轮取中位数:截图 CPU 380 毫秒对 1,173 毫秒,内存 57.8 MiB 对 271.0 MiB;墙钟反而慢,1,148 毫秒对 637 毫秒。它实现 CDP 子集,Puppeteer 可直接接。

来源:IT之家
11月14日 周六

阿里 Happy Shrimp 上架 iOS 与安卓双端,单首整曲成本约 0.2 元

阿里 ATH 事业群把 Happy Shrimp 从网页测试版搬上 iOS 与安卓应用商店,版本号 0.2.14。它接在视频模型 HappyHorse、三维交互视频 HappyOyster 之后,是「Happy 系列」第三个成员,主业是端到端整曲:一句话交待情绪或风格,歌词、作曲、编曲与人声一并产出。国内会员每月约 30 元可生成 150 首,单首约 0.2 元。

来源:AI工具箱

Meta 让 Muse 代用户致电美国商户,付费订阅全员可用

Meta 的个人智能体 Muse 上线代打电话:用户提需求后由它致电美国本地商户,覆盖有线电视、车管所、餐厅订位这类没有在线预约入口的琐事。该功能此前仅向主动申请的早期用户开放,现在美国付费订阅者都能用,订阅 20 美元每月含每周 5 亿 token,100 美元档为 30 亿 token。Meta 称 Muse 用户已超 1000 万。

来源:TechCrunch

OpenAI 推出 ChatGPT Wallet,Dots 智能体可代用户下单付款

OpenAI 上线支付功能 ChatGPT Wallet,由 Dots 智能体替用户找货并结算。钱包与运通、万事达卡、Visa 合作开发,用户录一次卡信息即可,每笔交易都要过安全验证,真实卡号由支付网络换成限定用途的令牌。初期仅对美国 18 岁以上的 Pro 订阅者开放,暂不收交易佣金。截至第三季度末 ChatGPT 周活跃用户超 12 亿。

来源:IT之家
11月13日 周五

谷歌推出 Gemini 4 系列高效率模型 Gemini 4 Hydrogen

谷歌推出 Gemini 4 系列高效率模型 Gemini 4 Hydrogen,主打日常编码与智能体执行:思考分 low 到 xhigh 四档,默认 high 档智能指数 51 分、xhigh 档 54 分。上下文 100 万 token,输入支持文本、图像、视频、音频与 PDF,API 每百万 token 输入 1.50 美元、输出 7.50 美元,输入价是同门旗舰的四分之三。

来源:APPSO

科大讯飞 SparkAudio 1.0 上线开放平台,支持 99 种语言与 202 种方言

科大讯飞语音基座大模型 SparkAudio 1.0上线开放平台,开发者可直接调用。模型支持 99 种语言与 202 种方言识别,公开评测英文识别错误率 2.25%、14 种主流语言 2.81%;可识别环境音、判别人声性别与年龄段,并围绕音频内容问答,支持语音转写、多语言翻译、说话人分离与情感分析,已落地智能客服、汽车座舱与跨语会议等场景。

来源:讯飞开放平台

字节跳动推出 Seedance 2.5 flash,720P 每秒约 0.99 元

字节跳动正式推出轻量版视频生成模型 Seedance 2.5 Flash,火山引擎同步开放:单段最长 30 秒,只保留 480p 与 720p,1080p 不支持。官方称生成速度较 Seedance 2.5 提升一倍,720P 约 0.99 元每秒、480P 约 0.44 元每秒,单位成本降约 34%,已陆续接入 即梦AI 与 LibTV 等五个平台,API 稍后在火山方舟开放。

来源:火山引擎

LibTV 全球联合首发 Seedance 2.5 Flash,720P 活动价低至 0.10 元/秒

LibTV 全球联合首发 Seedance 2.5 Flash,面向所有用户开放,沿用 Seedance 2.5 的核心创作流程:支持 4 至 30 秒视频与 480p、720p 输出,覆盖文生视频、首尾帧生成及图片视频音频组合参考,单次最多输入 20 份素材,并可生成有声视频与延长。价格与 Seedance 2.0 标准版持平,活动期 720P 低至 0.10 元/秒。

来源:哩布哩布AI
11月12日 周四

Claude 上线表格、白板与数据三件套,付费方案即可用

Anthropic 为 Claude 上线表格与白板能力,Claude Whiteboards 与 Claude Sheets 均处 beta,白板支持多人实时协作,原 Dashboards 转正更名 Claude Data,Web、桌面与移动端全付费方案可用。Sheets 可按一句提示生成带公式、下拉与格式的工作表,支持导出 .xlsx 与 CSV。

来源:APPSO

阿里首发 Qwen4-Max 预览版,Token Plan 最低 1 折

阿里全新一代大模型Qwen4-Max 预览版上线千问 AI 平台,首发 Token Plan,编程与 Agentic 为本次升级重点,内测显示在 3D 建模、网页设计与交互任务上表现突出,千问办公与 Qoder 同步开放体验,上下文长度 100 万 tokens、单次输出上限 393216。Token Plan 限时 2 折,新客再享折上 5 折,最低 1 折。

来源:千问AI平台
11月11日 周三

谷歌正式开放 Gemini 4 Carbon 模型

谷歌开放 Gemini 4 Carbon 至全体付费开发者、企业与 Google AI Ultra 订阅用户。该模型已在 CursorBench 4.0、WANDR、AutomationBench 三项基准居首,单任务成本不到次优外部模型一半;价格与 Gemini 4 Argon 同档,每百万 Token 输入 2 美元、输出 10 美元。

来源:量子位

MiniMax 开源图像生成模型 MiniMax H3-Image

MiniMax 开放 MiniMax H3-Image 权重,基于 MiniMax H3 构建,支持文生图、参考图生成与图像编辑。官方称 10 秒内可输出 4096×4096(约 1600 万像素)图像,速度最高为主流方案 5 倍;最多同时参考 16 张图片,开放权重模型中指令遵循居首。已上线 MiniMax API 平台、MiniMax Code 与 海螺AI。

来源:MiniMax 稀宇科技

Meta 推出轻量模型 Muse Ember,单任务成本约 0.14 美元

Meta 开放 Muse Ember 调用,这是其迄今最小、效率最高的模型,面向智能体高频重复任务,支持 100 万 Token 上下文与 51.2 万 Token 输出,原生处理文本、图像、音频与视频。Artificial Analysis 智能指数 36 分,与 Claude Haiku 5.5 持平,单任务成本约 0.14 美元;官方建议由 Muse Wonder 规划、由它执行。

来源:智东西

百度发布 ERNIE 5.5 Flash Preview,280B 总参月底前开源

百度开放 ERNIE 5.5 Flash Preview,为 ERNIE 5.5 Flash Base 的首个后训练版本:280B 总参、单 Token 激活 14B,支持 100 万 Token 上下文,主打编程、Agent 长任务与视频创作,读图靠外部视觉工具。API 已上千帆与 OpenRouter 免费档,权重月底前以 Apache 2.0 开源。

来源:IT之家
11月10日 周二

美团 LongCat 团队正式开源 LongCat-2.5

美团 LongCat 团队正式开源 LongCat-2.5,权重按 MIT 协议发布,Hugging Face 与魔搭上线,可下载部署。总参数 1.6 万亿、每 token 激活约 480 亿,支持 100 万 token 上下文与 26.2 万 token 单次输出,采用 W4A4 原生 INT4 推理;官方称长序列 SFT 单卡吞吐较 DDP 提升 86%,GitHub 主仓库仍标即将上线。

来源:龙猫LongCat

Anthropic 推出旗舰模型 Claude Fable 5.2 和 Claude Mythos 5.2

Claude Fable 5.2 与 Claude Mythos 5.2 共用同一底层模型,区别在安全护栏与准入:Fable 全员可用,Mythos 需过验证计划。上下文 1M token、输出 128K,每百万 token 输入 8 美元、输出 40 美元;FrontierCode 2.0 得 49.1%,Mythos 在 1,829 个 CVE 实测中优于上代。

来源:量子位

阿里千问办公发布 2.0,推出行业首个多人与 Agent 协作功能

阿里千问办公发布 2.0 版本,为上线三个月以来最大一次升级:上线行业首个支持多人与 Agent 协作的「协作」功能,Agent 可关联多个钉钉群聊、文档与 AI 表格并跨群汇总。官方示例中,银泰百货 5 名运营原需在 60 多个门店群逐条收集卡券信息,接入协作空间后由 Agent 自动回填表格;任务在云端执行,电脑关机后照常运行。

来源:量子位
11月9日 周一

阿里推出匿名编程模型 Qoduck,上线 Qoder 免费用

阿里旗下 Qoder 上线匿名编程模型 Qoduck,个人版用户活动期间限时免费,「极高」思考强度不扣 Credits。官方称其在长程任务编排、文件编辑、PPT 生成、搜索与数据整理等场景命中率更高,一次成功、中途不用人打断的概率明显提升。上线 24 小时即引发全网猜测归属,多文件修改与长链路任务编排是其主场,模型仍在按用户反馈迭代。

来源:Qoder

腾讯元器停止服务,明年 1 月起不再受理数据导出申请

腾讯今日起正式停止元器平台服务,数据读写、API 调用与控制台全线关闭,已分发到公众号、服务号与微信客服三个渠道的智能体不再响应对话。上月底已停掉新建智能体与 API Key 分发,数据导出申请只受理到明年 1 月,逾期仅留法定记录;旧版未用完的资源包可在腾讯云官网申请退款。存量智能体怎么迁移,见腾讯元器停服这篇观察。

来源:IT之家

蚂蚁百灵上线 Ling-3.2-flash,560B 稀疏 MoE 原生多模态

蚂蚁百灵上线原生多模态模型 Ling-3.2-flash,总参数 560B、单步激活 25B,支持 1M 原生长上下文。它把中间渲染画面作为观测输入做视觉自检,遇报错或工具失败可结合日志重试补偿;采用 7 层 KDA 加 1 层 Gated MLA 的混合注意力,DesignArena 前端代码生成得 1238 分。模型已在灵光 2.0 落地,权重近期开放。

来源:百灵大模型
11月8日 周日

Meta 为 Muse 上线 Spaces,可自定义追踪表与计划板

Meta 为个人智能体 Muse 上线 Spaces,在侧边栏按主题新建独立空间,用户描述需求后 Muse 自动搭出追踪表、计划板或项目管理板,并可接入第三方应用,在后台自动刷新演出日期、价格变化与储蓄进度。这是 Muse 一周内第二个新功能,本周刚上线实时语音与虚拟形象;Meta 在 10 月财报电话会称 Muse 在美加用户已达 1000 万。

来源:TechCrunch

Adobe 向初创企业免费开放 Firefly,最长 12 个月

Adobe 推出 Adobe for Startups 计划,面向成立 5 年内、融资总额低于 1500 万美元的初创企业,免费提供 Firefly Pro Plus、Acrobat Studio(含 Express Premium)与 Semrush,期限 12 个月。Firefly Pro Plus 用于生成图像、视频与音频,Acrobat Studio 内置 AI 助手处理 PDF。

来源:IT之家

魔芯科技发布 MoWorld 2.0,把十余种物理要素装进世界模型

魔芯科技在乌镇发布 MoWorld 2.0,把重力、弹力、柔体、流体等十余种物理要素纳入同一模型,输出 3D/4D 高斯资产。实时视频推理在华为昇腾 NPU 上约 70 FPS,上一代最高约 50 FPS;高斯资产渲染 500 FPS 以上,手机端约 100 FPS,三者口径不同。团队测算,推理成本最低约为同规模 GPU 的 30%。2.0 权重与代码尚未公开。

来源:量子位
11月7日 周六

Anthropic 为 Claude 上线个人理财,只读接入银行账户

Anthropic 为 Claude 加入个人理财功能,经 Plaid 连接银行与信用卡账户,本周起在美国面向 Pro、Max、Ultra 订阅用户灰度测试。授权范围为银行名称、账户类型、尾号、余额、信用额度与最长两年交易记录,且仅只读,不能划转资金或代为投资。可让 Claude 归类月度支出、排查重复扣费与异常涨价账单。

来源:IT之家

Cursor 上线智能体实时语音通话,支持四端口述改代码

Cursor 上线“与智能体实时语音聊天”,开发者可在 Agents Window、IDE、网页端与 iOS 应用口述改动需求,智能体继续在后台编码并口头播报进度与结果。语音层提供 Ara、Eve、Leo、Rex、Sal 五种音色,手机端可用 Hey Siri 唤起。开启隐私模式后零数据留存,静默且无任务运行约 10 分钟后通话自动结束。

来源:IT之家

淘宝 MNN 团队开源 MNN-Pocket-0.3B,手机离线解码 350 token/s

淘宝 MNN 团队开源端侧模型 MNN-Pocket-0.3B,约 3 亿参数、词表 65,536,INT4 量化部署包仅 173 MB。iPad Pro M5 的 Metal 后端解码达 466 token/s,iPhone 18 Pro 完全离线约 350 token/s,峰值内存增量 228 MB,支持 32K 上下文,权重以 Apache-2.0 开放。

来源:IT之家
11月6日 周五

谷歌发布 Gemini Omni 1.2 Flash,原生 15 秒视频、720p 每秒 0.07 美元

谷歌正式发布视频生成模型 Gemini Omni 1.2 Flash,原生支持 15 秒单条生成并开放 API 调用。视频输出计价每百万 Token 12 美元,较 1.1 版本降 30%,720p 折算每秒约 0.07 美元。新增多轮对话式编辑、最多 6 张参考图与 3 秒参考视频引导,首末帧生成与每轮延长各 3 至 10 秒,1080p 与 4K 走上采样。

来源:IT之家

OpenAI 发布 GPT-6 Cyber,ExploitGym 得分 48.5%

OpenAI 正式推出网络安全模型 GPT-6 Cyber,专注漏洞发现与利用验证,官方把它的网络安全分级列为关键级。ExploitGym 成功率 48.5%,较上一代 32.1% 提升约 51%;Linux 内核研究从 2,308 个候选中动态复现 1,724 个漏洞,确认 948 个不同的本地提权漏洞,另在 Firefox 找出 81 个此前未知的高严重性漏洞。

来源:APPSO

百度开放 ERNIE-5.5-Flash-Base,280B 总参数稀疏 MoE 基座

百度发布开放权重基座模型 ERNIE-5.5-Flash-Base,稀疏 MoE 架构,总参数 280B、每 Token 激活 14B,在 33.5T Token 上从零预训练,微调与推理支持 1M 上下文。权重以 FP8 与 BF16 两种格式上线 Hugging Face,可配 SGLang、vLLM 部署,MMLU-Pro 得 78.4、HumanEval+ 82.3。

来源:文心大模型
11月5日 周四

OpenAI 发布 GPT Images 2.6,生成速度提升 50% 并支持 GIF 动图

OpenAI 发布图像生成与编辑模型 GPT Images 2.6,图像生成速度较此前提升约 50%,并新增用文字提示词生成循环 GIF 动图的能力,同步上线 ChatGPT、Codex 与 API。API 端分为 GPT-Image-2.6 Flare 与 Sunburst:低画质下 Flare 最快约 6 秒出图,Sunburst 侧重中高画质与多轮编辑中的一致性。

来源:APPSO

月之暗面开放 Kimi K3.1 Pro 权重,登顶 Agent Arena 开放模型榜

月之暗面按发布时的承诺,在 Hugging Face 开放 Kimi K3.1 Pro 的模型权重。该模型为总参数 2.8 万亿的 MoE 架构,单次推理激活约 1040 亿参数,支持约 100 万 Token 上下文。在 Agent Arena 智能体榜上,它位列开放权重模型第一、全部参评模型第 13,净改进率 +5.1%。

来源:IT之家

可灵全面开放 Kling 4.0 Flash,提供 MCP、CLI 与 Adobe 插件接入

快手可灵宣布 Kling 4.0 的 Flash 版本结束体验阶段,面向所有用户全面开放,官网与 API 同步可用。Kling 4.0 系列单次可输出 30 秒原生视频;除网页端外,官方提供 MCP、CLI 与插件三类接入方式,可在 Adobe Photoshop、Premiere Pro、After Effects 中直接调用。

来源:可灵AI
11月4日 周三

阿里云推出 AI 投研工作台 Qovest,面向专业机构投资者

阿里云发布面向专业机构投资者的 AI 投研工作台 Qovest,用自然语言提出需求即可自动查数据、做分析并生成报告,研究结果沉淀在「投研空间」。团队自研金融 Agent 框架并采购权威金融数据库;据官方介绍,FinFirst 与 IRAB 内部横评中回答质量、速度与成本领先。官网已开放个人邀测,订阅价 99 元与 199 元每月。

来源:阿里云

AI 影视创作工作台 Looogen 上线,支持本地运行与私有化部署

AI 影视创作工作台 Looogen(逻辑智片)推出,面向短剧与长剧制作,提供影视 Agent 对话与影视套件两种模式,串联剧本拆集、分镜、服化道资产、配音配乐与成片输出,并统一管理多集物料包。客户端有 macOS 与 Windows 两版并支持私有化部署;版本更新已加入 Seedance 2.5 经济版与长剧、短剧两套工作流。

来源:AI工具箱

腾讯混元发布 Hy4 正式版,首次引入视觉与电脑操作能力

腾讯混元发布旗舰模型 Hy4 正式版,相较 Hy4 preview 扩大预训练与后训练规模,首次引入视觉理解与电脑操作能力,游戏侧 GameDev 与 GameLogic 分别提升 19.1% 和 9.8%。官方联合 213 位专家的金融众测显示,579 项任务综合得分 3.04,居参评开源模型首位;官方自建测试中幻觉率从 15.76% 降至 5.45%。

来源:腾讯混元
11月3日 周二

商汤推出多模态智能体模型 SenseNova 6.8 Flash

商汤发布日日新 SenseNova 6.8 Flash 正式版,主打长期记忆与主动交互,可在产品补齐能力后主动提醒重新跟进流失客户。设计侧覆盖动态 PPT、动态海报、Blender 3D 与 SVG,并支持接入 Figma 工作流;接入该模型的小浣熊限时免费。同系列 SenseNova Loop-9B-Preview 已开源。

来源:商汤科技SenseTime

模思智能推出全双工实时交互系统 MOSS-Live

模思智能发布全双工实时交互系统 MOSS-Live,采用前后台协同架构:前台持续感知语音与画面、判断何时回应,后台异步处理复杂推理,支持边听边说、打断续说、同声传译与屏幕共享。在与 GPT Realtime 2.1、Qwen Audio 3.0 等模型的对比中,其停顿抢话率 1.44%、附和抗干扰率 98.17%;API 已开放并限时免费。

来源:模思智能MOSS

腾讯地图推出桌面端 AI 地图工作台 LBSwork

腾讯地图在腾讯全球数字生态大会上发布桌面端 AI 地图工作台 LBSwork,基于 WorkBuddy 同源 Harness 框架融合时空动态大模型,上线零售选址、营销洞察、物流履约等七大方向智囊团。车图 Agent 由五个智能体协同,已落地 AI 眼镜打车与鸿蒙多端流转;腾讯元宝、小微助手、小布助手 等已接入,并通过 MCP Server 向开发者开放。

来源:腾讯地图

腾讯混元推出 AI 科研智能体 Hyra 2.0

腾讯混元发布科研 Agent 框架 Hyra 2.0,从「AI 解题」转向「AI 造工具」,按 Overall、Mission、Worker 三层分工,可支撑数周级的长期研发项目。已产出 HyInv、HyPLM、HyFF 等工具:HyInv 仅 196 万参数,设计速度比 ProteinMPNN 快 57 倍;HyFF 覆盖 83 种元素。成果持续公开在 GitHub 仓库。

来源:腾讯混元
11月2日 周一

商汤开源多模态模型 SenseNova Loop-9B-Preview

商汤科技开源多模态模型 SenseNova Loop-9B-Preview,复用 24 层解码器权重让 32 层模型完成 56 次层执行,训练上下文 262,144 token,训练配方覆盖文本、图像、代码与工具轨迹,按 Apache-2.0 协议开放权重下载,官方同步给出 LightLLM、SGLang 与 vLLM 部署适配方案。

来源:商汤科技SenseTime

美团 LongCat 推出原生多模态模型 LongCat-2.5

美团 LongCat 团队推出原生多模态模型 LongCat-2.5,总参数 1.6 万亿、每 token 激活约 480 亿,接口支持 100 万 token 上下文与 26.2 万 token 单次输出,按输入 ¥2、输出 ¥8 每百万 token 计费,视觉以原生分辨率离散化与文本统一进 MoE 主干,面向长程智能体任务、视觉编程与交互式页面生成。

来源:龙猫LongCat

智元机器人推出具身智能模型 GO-3 Preview

智元机器人推出具身基础模型 GO-3 Preview,把预训练、后训练与部署后学习串成全链路,采用 WRAM 世界推理动作架构,预训练数据约九成来自人类第一视角视频,Genie Evolver 打通真机、仿真与世界模型协同后训练,精灵 G2 便利店部署验证五天内完整任务成功率从 28.6% 升到 85.7%,官方宣布计划年底全面开源。

来源:机器之心
11月1日 周日

OpenAI 宣布 12 月起 ChatGPT 与 Codex 共用额度

OpenAI 发布公告,自 12 月起把 Work 的智能体能力并入 ChatGPT 主体验,Plus、Pro 与 Business 三档订阅在 ChatGPT 与 Codex 之间共用一套额度,用量统一按 Token 计量,消耗速度取决于模型与任务复杂度,即时对话不占用额度。用户可在「使用量」中查看剩余额度与下次重置时间;额度耗尽后可等待重置或增购点数。

来源:IT之家

Anthropic 调整 Claude 订阅:200 美元档取消 5 小时限制

Anthropic 调整 Claude 订阅档位,原 Max 5x 与 Max 20x 分别改名 Max 与 Ultra,月费维持 100 美元与 200 美元。官方定价页显示,200 美元档已标注「无 5 小时限制」,可在每周额度内连续使用,周额度仍为 Pro 的 10 倍,API 抵扣额度同步提高至每月 200 美元。存量订阅用户由系统自动迁移,新账号需先通过账号验证才能解除窗口限制。

来源:量子位

DeepSeek 公开 Super-agent 设计并开源 dsh-superagent 原型

官方把 Super-agent 定位为面向单个 GitHub 仓库的常驻编程智能体:Router 承接人类交互与授权判断,Worker 隔离会话并行执行。DeepSeek Super-agent 以 MIT 协议开源,属研究原型而非正式产品。模拟环境下任务完成时间中位数 12.4 分钟、95 分位 15.7 分钟,单会话方案 95 分为 29.5 分钟。

来源:IT之家
10月31日 周六

谷歌 Gemini 支持对话内直接编辑文件,覆盖 PDF、表格与代码

谷歌 Gemini 新增文件内联编辑,用户无需退出对话窗口,即可生成、预览并修改 PDF、谷歌文档、表格、幻灯片、Markdown、TXT 与代码共 7 类文件。该功能面向全部 Gemini 用户开放,PDF 的预览与编辑在网页端与移动端同时可用,其余 6 类格式暂限网页端;全屏打开后选中表格,可直接要求其转成图表。此前仅支持生成与下载,改动需另开应用。

来源:IT之家

腾讯 Marvis 上线 Coding 管家,手机可接管电脑端 AI 编程任务

腾讯 AI 管家 Marvis 上线 Coding 管家,首批接入 CodeBuddy IDE 编程模式与 Kimi Code Desktop 两款桌面工具。用户在手机端授权连接后,可查看项目列表与聊天记录、切换模型、上传手机内的文件照片,并继续向电脑端下达任务,对话与改动双向同步;电脑端开启防休眠,离开期间任务可继续运行。

来源:腾讯Marvis官网

百度升级 AI 搜索并推出搜索 API,标准版 0.036 元/次

百度宣布搜索框、AI 镜头、GUI 可视化与 AI 互动应用四向升级。文心助手转向交付成果物,覆盖场景超 170 种;AI 镜头支持多目标动态追踪,新增 9 种方言实时对话;GUI 互动场景提升 5 倍,接入政务与民生超 50 亿条数据。同步推出 百度AI搜索平台的搜索 API,标准版 0.036 元/次,限时活动折算 4.9 元/千次,每月另含 1500 次免费额度。

来源:IT之家
10月30日 周五

英伟达发布开放权重语音转录模型 Nemotron 3.5 Transcribe

英伟达发布开放权重语音转录模型 Nemotron 3.5 Transcribe,采用混合专家(MoE)架构,总参数约 340 亿、激活约 43 亿,支持最长 1 小时录音、40 种语言转录、31 种与英语互译。Open ASR Leaderboard 英语组词错误率居开放权重第一,OpenMDW-1.1 许可,已在 Hugging Face 与 ModelScope 开放。

来源:IT之家

Mistral AI 开放 Mistral Large 4 模型权重

Mistral AI 把 Mistral Large 4 的权重开放下载,此前仅为公开预览。这个约 1 万亿总参、49B 激活的 MoE 模型支持 100 万 token 上下文与图像输入,官方放出 FP8 与 NVFP4 两套权重及 GGUF 量化版。许可证为 MIT 衍生的开放权重协议,限制模型即服务转售。官方称其网络安全表现与 GLM-5.3 相当,单任务 token 消耗低 47%。

来源:Hugging Face 官方博客

1.3B 的 OXR 登顶三大文档解析榜单

SoMark 开源文档解析模型 OXR,仅 1.3B 参数,在 olmOCR-Bench 87.84、OmniDocBench 97.18、DocParsingBench 87.76 三榜第一。后训练用递归自我改进(RSI)循环,可识别公式、表格、化学结构式等 13 类元素,输出带坐标的 Markdown 或 JSON。单卡 RTX PRO 6000 解析 100 页 101 秒。

来源:SoMark 官方仓库
10月29日 周四

谷歌 DeepMind 推出最新旗舰大模型 Gemini 4 Carbon

谷歌 DeepMind 发布旗舰模型 Gemini 4 Carbon,以 59 分登上 Artificial Analysis Intelligence Index v5.0 榜首,SEC-bench Pro 漏洞发现率达 88.2%,生成安全代码成功率较 Gemini 4 Argon 提升逾 2 倍。本周起仅向部分网络安全防御人员开放,每百万 Token 输入 2 美元、输出 10 美元。

来源:APPSO

面壁智能开源 OCR 系列模型 MiniCPM-OCR

面壁智能发布并开源 OCR 系列模型 MiniCPM-OCR:1.3B 的 1.0 版在 Real5-OmniDocBench 取得 93.68 分、OCRBench v2 54.7 分双 SOTA,DSpark 加速后吞吐 1.217 页/秒,约为 MinerU2.5 Pro 的 3.62 倍;2B 的 Jev 判别模型 AUROC 达 93.6,可区域级筛出需复核结果。

来源:面壁智能

腾讯推出跨应用 AI 协同体系 Buddy One

腾讯在全球数字生态大会上发布面向个人用户的跨应用 AI 协同体系 Buddy One,以 WorkBuddy 的 Agent 能力为统一底座,打通腾讯文档、腾讯会议、ima 与腾讯网盘,关联账号后无需重复授权。WorkBuddy PC 端 5.9.0 及以上即可使用,积分在 WorkBuddy、腾讯文档、ima 与腾讯网盘通用,近期完成关联赠送 100 积分。

来源:腾讯WorkBuddy
10月28日 周三

谷歌发布新一代世界模型 Genie 4,原生音频随画面同步生成

谷歌 DeepMind 发布新一代世界模型 Genie 4,把原生音频并入实时推演:环境声、音乐与人物对话三段随画面同步生成,虚拟角色可按指令即时接话。官方写明由 Gemini Omni 锚定场景外观与行为、其余 Gemini 模型维持连贯,推演中用自然语言即可移动镜头、改天气与引入新角色,目前仅向少量可信测试者开放。

来源:量子位

蚂蚁集团推出能管事的个人AI助理「灵光2.0」

蚂蚁集团把个人 AI 助理升级到 2.0:定位从执行任务转向管理事务,围绕管钱、管娃、管琐事、管出行四类场景持续跟进,支持账单核对、续费比价与疫苗提醒等长程事项;灵光App 新版本接入 APASS 授权体系,授权密钥与 Agent 分离托管,用户可随时查看、调整或撤销,目前已在各大应用商店开放下载,并将逐步推送更新。

来源:蚂蚁集团

百度文心开源端到端文档解析模型 Unlimited OCR 2

百度文心把端到端文档解析模型 Unlimited OCR 2 开源,一次可连续识别 3600+ 页长文档。SR-SWA 机制按需筛选相关页面与信息块,百页级单序列的峰值 KV 缓存从 47GB 压到 1.77GB,省下约 96%,单步解码速度达到全注意力版本的 7.0 倍;16 路并发吞吐 1315 Token/秒,为标准解码的 3.65 倍。

来源:量子位

微软推出图像编辑模型 MAI-Image-2.7-Preview

微软推出 MAI-Image-2.7-Preview 图像编辑模型,AI 首席执行官苏莱曼称其在 Artificial Analysis 图像编辑榜以 1193 Elo 排第二,仅次于 OpenAI 的 GPT Image 2.5 Sunburst。相比上一代 2.6,10 个用例与 7 类编辑动作全部提升,场景与风格编辑领先次优模型 24 Elo。

来源:IT之家
10月27日 周二

OpenAI 推出高效执行型大模型 GPT-6.1 Terra,105 万上下文已上线 Azure Foundry

OpenAI 发布 GPT-6.1 Terra,已进入 Azure Foundry 推理模型矩阵,与 GPT-6.1 Sol 同属 6.1 代。官方模型文档标注上下文窗口 105 万 token、单次输出 12.8 万 token,输入每百万 token 1 美元、输出 5 美元。模型强化视觉理解与电脑操作,已接入 ChatGPT Work 与 Codex。

来源:APPSO

即梦AI上线短剧工作室,覆盖剧本到出海全流程

即梦AI 正式上线短剧工作室,把编剧、美术、分镜与后期串成一条链路:自研剧本模型 DreamScript 支持 10 万字长篇解析与爆款诊断,图片模型 Anycook 生成人物与场景设定,分镜模型 DreamShot 提供画布与故事板双模式,可 3D 导演台动态预演;后期支持定点重拍与声音重构,重制转绘用于短剧出海本地化。

来源:即梦AI

腾讯混元开源同声传译大模型 Hy-SimulMT,流式延迟约 3 秒并支持实时音色克隆

腾讯混元开源同声传译大模型 Hy-SimulMT,支持中英双向语音同传,边听边译并输出译文文字,配 TTS 后可克隆说话人音色。官方评测显示,RealSI 长音频流式滞后约 3 秒、为图示参评系统最低,GEMBA 分高于同表开源模型及五家商用 API 中的四家。此前已有网易有道 T3PO、Qwen3.8-LiveTranslate 等开源方案。

来源:腾讯混元
10月26日 周一

月之暗面发布 Kimi K3.1 Pro,3 万亿级参数支持 100 万上下文

月之暗面发布 Kimi K3.1 Pro,3 万亿级参数、100 万上下文,官方称代码、3D 创作与长程 Agent 提升显著;Highspeed 版同智能下输出速度约 2~3 倍。Terminal-Bench 4.0 得分 65.7%,高于 GPT-6 Astra 的 58.2%。已上线官网、App、Kimi Work、Kimi Code 与 API,完整权重下月 4 日前开放。

来源:月之暗面 Kimi

腾讯混元开源交互式视频世界模型 Hy-Nomas,单张 RTX 4090 可本地推理

腾讯混元开源交互式视频世界模型 Hy-Nomas,分段自回归,用持久化 KV cache 维持跨段一致性,支持多轮文本与相机轨迹控制。蒸馏版每段 8 步去噪,输出 1280×704、24fps;低显存配置以 INT8 权重与 KV cache、FP8 解码器在单张 RTX 4090 上运行。权重、代码与 280 例 Hy-Nomas-Bench 均以 Apache 2.0 开放。

来源:AI工具箱
10月25日 周日

谷歌披露 Gemini 4 Argon 上线 72 小时处理近 25 万亿 Token,首度解释 3.5 Pro 被舍弃

谷歌 CEO 皮查伊在访谈中复盘 Gemini 4 Argon 首秀:上线 72 小时处理近 25 万亿 Token,为 Gemini 3.0 同期 3 倍,因算力不足已限流。他首度解释 Gemini 3.5 Pro 被舍弃:3.5 系列在智能体编程存在缺口,团队转而高频迭代 3.5 至 3.8 Flash,把技术积累注入 Argon 后训练。谷歌因程序错误回滚版本的次数减少三分之一。

来源:IT之家

高德发布首个基于开放世界行为的全身基座模型 λ0,真机任务成功率提升 22.5%

阿里巴巴集团旗下高德发布首个基于开放世界行为的全身基座模型 λ0,仅依靠人类行动数据即可让机器人学习移动、姿态与双手操作的全身协调。单条示范采集用时由约 100 秒缩短至 29 秒,采集效率约为主流本体采集的 3.4 倍;真机任务成功率较最强基线提升 22.5%。团队构建 500 小时 HumanVerse-500 数据集,硬件配置代码已在 GitHub 开源。

来源:量子位

蚂蚁数科发布决策模型 LingDT-Decision-1.0,同等任务 Token 消耗降低超 90%

蚂蚁数科发布决策模型 LingDT-Decision-1.0,提供 4B 与 27B 两个版本,不生成文本而直接在限定选项中作出判断。官方测试显示,同等任务 Token 消耗降低超 90%、响应时效提升 10 倍;23 项开源基准综合评分超过 Microsoft-Decision-1 与 Jev 1.13。模型已在蚂蚁数科 DTMaaS 平台上线,可限时免费体验。

来源:量子位
10月24日 周六

火山引擎发布 Seedance 2.5 4K 版本,480P 样片验证后生成 4K 正片

火山引擎正式发布 Seedance 2.5 的 4K 版本,是该代模型中面向影视交付的规格。产品支持 Draft 模式:先用 480P 样片验证分镜,确定后再生成为 4K 正片,配合 10-bit 色深与更充分的纹理还原适配大银幕。官方同步释出短片《Otter is Nobody 2》与一支 19 秒广告的完整提示词;该版本目前仅对部分企业客户开放试用。

来源:IT之家

模思智能与 OpenMOSS 开源 5B 文生图模型 MOSS-Image,登顶 Hugging Face 趋势榜

模思智能与 OpenMOSS 开源 5B 文生图模型 MOSS-Image,训练数据剔除 AI 生成图像以保留真实图像多样性。模型通过 JSON Layout 与 Bounding Box 支持布局控制,7Bench 布局评测中检出后 mIoU 0.88、Layout AUC 0.70。开源数日后 GitHub 已获 1.4k Stars,并登顶 Hugging Face 文生图趋势榜。

来源:量子位

Canva 推出首个自研图像生成模型 Canva Craft,支持 2K 分辨率与 30 种以上画幅

Canva 本周四推出首个自研图像生成模型 Canva Craft,采用两阶段架构,先生成设计规划再出图,以提升精度与可控性。模型最高输出 2K 分辨率、30 种以上宽高比,训练数据来自数百万份人工设计模板。在 Design Arena 榜单上 Craft 排名第四,前三为 OpenAI 的 GPT-Image-2.5 两款与 GPT-Image-2。

来源:The Verge
10月23日 周五

MiniMax 开源 MiniMax M3.1 Flash 模型权重,十家芯片厂商与推理框架首日完成适配

MiniMax 开源 MiniMax M3.1 Flash 模型权重,总参数 428B、激活参数 23B。相较上一代 M3,新版本通过全模型稀疏注意力、量化感知训练与功耗感知调度三项优化提升推理效率。官方披露其上线后 72 小时内真实用户处理 Token 超过 100 万亿,华为昇腾、NVIDIA 等十家芯片厂商与 vLLM、SGLang 等推理框架在开源首日完成适配。

来源:MiniMax 稀宇科技

腾讯混元与复旦大学联合推出智能体训练环境构建框架 WorkForge

腾讯混元与复旦大学研究团队联合提出 WorkForge 框架,从真实世界资源出发规模化搭建可验证的智能体工作环境。该框架产出的 WorkForge-16K 包含 16665 个工作环境,横跨 40 个专业领域、60 种文件类型。基于这批轨迹训练的 WorkForge-27B 在 GDPval 上取得 82.4 分,超过参数量约 15 倍的 397B-A17B。

来源:腾讯混元

科大讯飞发布端云一体星火X2.6与语音基座大模型 SparkAudio 1.0

科大讯飞在 2026 全球 1024 开发者节发布 星火X2.6 与语音基座大模型 SparkAudio 1.0:前者基于全国产算力,训练效率提升约4倍、推理提升4.5倍,端侧 4B 智能体任务覆盖度 41.9%;后者整体效果提升20%、响应降低15%、成本降低60%,已在讯飞办公本、输入法16.0 等产品全系上线。

来源:科大讯飞
10月22日 周四

OpenAI 三款 GPT-6 系列模型进驻 Google Cloud Model Garden,已开放私有预览

Google Cloud 把 GPT-6 Astra、GPT-6.1 Sol、GPT-6 Luna 三款 OpenAI 模型纳入 Model Garden,已开始向部分企业客户开放私有预览;平台可选模型超 200 个,OpenAI 用量并入单张账单、可抵扣既有云承诺且无需另签供应商合同,Codex CLI 与桌面端工作流可直接接入推理。

来源:Google Cloud

快手可灵 Kling 4.0 满血版上线 LibTV,30 秒原生视频直出

快手可灵 Kling 4.0 满血版正式上线 AI 视频创作平台 LibTV:单次原生生成最长 30 秒,复杂动作编排与连续叙事连贯性显著提升;强化高速运动与复杂运镜下的物理一致性;支持最多 10 张关键帧控制与 15 项多模态参考,人物微表情、光影、材质、空间声场及多语言音画同步全面升级;上线限时优惠,模型折扣低至 6 折、720P 低至 0.18 元/秒。

来源:哩布哩布AI

Anthropic 推出 AI 智能体 Claude Duet,基于 Opus 5.5 构建

Anthropic 推出主动型智能体 Claude Duet,基于 Claude Opus 5.5 模型构建,直接对标 OpenAI Dots 与 Meta Muse:可发送每日简报、监控已连接应用、搭建仪表盘、安排会议与财务预测,可调用超 6000 个连接器;配独立浏览器虚拟机,设备关机后仍能在后台执行任务,敏感操作须经用户确认。

来源:财联社

记忆张量开源记忆原生基础模型 MemT 1.0 系列

记忆张量开源记忆原生基础模型 MemT 1.0 系列,含 Flash、Nano:把可持续更新的记忆纳入计算,无需回放历史即可调用过往信息;11 项记忆基准平均分 50.6 与 47.0,位列参数化记忆方法前二;采用 Gated DeltaNet-2 逐 token 更新与 MoS 混合存储,权重已在 Hugging Face 开放,长历史推理快约 3.99 倍。

来源:记忆张量MemTensor
10月21日 周三

星辰实验室开源意图理解专用模型 Xing4.0-29B-Intent

中国电信星辰通用人工智能实验室开源意图理解专用模型 Xing4.0-29B-Intent,把口语指令解析成业务系统可读的 JSON。模型总参数 29B、每 token 激活约 4B,官方标称延迟低于 200ms。同步开放 275.3 万条语料,源自 61 个公开数据集,覆盖 19 个领域、52 种语言,权重与代码均为 Apache-2.0。

来源:中国电信天翼AI

DeepSeek 开源线上推理框架 DeepInfer,KV cache 与负载均衡等三块未开放

DeepSeek 在 GitHub 开源支撑线上服务的推理框架 DeepInfer,Apache-2.0 许可,仅支持 DeepSeek-V4.1-Flash 一个模型与英伟达 SM100、华为昇腾 950 两类硬件。官方称集群日均处理 155 万亿 Token;KV cache 管理、预填充解码分离与跨副本负载均衡三块未随仓库放出,取舍见老高AI观察第34期。

来源:AI工具箱

蚂蚁百灵开源语音模型系列 Ming-3.0,五款覆盖合成、理解与识别

蚂蚁百灵开源语音模型系列 Ming-3.0,按合成、音频理解与识别分设五款。合成款有 0.5B 稠密与 7.9B 总参、1.3B 激活的稀疏版,后者支持按脚本生成多角色播客;音频理解款 126B 总参数、6.5B 激活;识别款主打方言与热词。官方实测 tts-0.5B 发音稳健性 93.2%,三个仓库均 MIT 许可,可商用。

来源:百灵大模型
10月20日 周二

MiniMax 推出新一代 Flash 模型 MiniMax M3.1 Flash

MiniMax 推出新一代 Flash 模型 MiniMax M3.1 Flash,此前匿名运行、处理超 200T Token 的 Space Bunny 即其早期版本。DeepSWE v1.1 得 73.7%,OSWorld V2 61.7 分、ALE 29.6 分列国产第一;Agentic 成本较前代降 70%,API 输入 1 元、输出 4 元每百万 Token。

来源:MiniMax 官方公众号

腾讯推出 AI 趣味学习社区「懂了鸭」

腾讯内测 AI 趣味学习社区「懂了鸭」,网页版与微信小程序同步开放,目前面向亲子用户与教师小范围测试。产品以交互式内容「奇妙卡」承载,家长、教师与知识创作者可用 AI 生成可拖拽、可模拟的绘本、动画、游戏与动态课件,社区素材覆盖生活常识、艺术、人文与自然科学,公开作品支持下载与改编,学段标签以初中与高中为主。

来源:AI工具箱

fal 联合 Black Forest Labs 推出视频生成模型 FLUX 3 Max

fal Research 与 Black Forest Labs 联合推出视频生成模型 FLUX 3 Max,在 FLUX 3 基座后训练而来,支持文生、图生与关键帧三条路径,单次 5 至 20 秒、输出 720p 与 1080p,音频可选。10 秒视频约 12 秒出片,同画质较 Seedance 2.5 快 22 倍,10 秒 720p 促销价约 0.43 美元,已在 fal 上线。

来源:Black Forest Labs
10月19日 周一

腾讯混元开源 Hy Memory 2.0:模型、框架、应用三层全开源

腾讯混元把智能体记忆框架 Hy-Memory 2.0 升级到 2.0,开源 Hy-Memory-30A3B 模型、框架与 MemHub 三层。30A3B 3B 激活,四套记忆系统均分 55.49 超 Claude Opus 5 的 54.62;4 个 Benchmark 开源第一,LoCoMo 准确率 72.6%。MemHub 可接 Cursor、Codex 等 10 种工具。

来源:腾讯混元

Lovart 发布 2.0,新增设计 Agent「Arti」:记忆库与画布巡检进场

Lovart 上线 2.0,新增设计 Agent「Arti」:首次进入引导建立记忆库,可导入作品集、从历史项目提炼审美;后台做设计调研,覆盖 Google、Pinterest 等数十个平台,产出带溯源的趋势报告与情绪板;画布巡检实时核对设计规范,改到多版也能对回原规范。「设计委托」可自动执行竞品监控与灵感收集。专业版与旗舰版订阅低至 5 折。

来源:Lovart
10月18日 周日

DeepSeek 发布 V4.1 Flash 1017 快照,同日开放自研搜索与抓取 API

DeepSeek 把主力模型 DeepSeek V4.1 Flash 更新为 1017 快照,网页端、App 与 API 同步切换,权重已上线 Hugging Face 与 ModelScope。同日开放自研 Search 与 Fetch 接口:前者检索网页并返回结构化结果,后者把网页抓取为 Markdown,每千次 5 元。Search 每秒限 5 次、query 上限 128 字符。

来源:量子位

清华 THUNLP 联合面壁智能发布 PilotDeck 2.0,长任务可续跑 2000 条交互

清华大学 THUNLP 实验室联合面壁智能、OpenBMB 等团队开源 PilotDeck 2.0,采用 AGPL-3.0 许可,支持本地与 Docker 部署。新版本聚焦长周期任务:2000 条交互消息后仍可续跑,并新增 Word、Excel、PPT 办公技能与一键安装、可视化配置。官方测试中七项复杂任务成本从 18.36 美元降至 3.15 美元。

来源:量子位

微软发布 Copilot for Legal,集成 20 余项法律专用技能

微软副董事长兼总裁布拉德·史密斯宣布推出 Copilot for Legal,面向全球商用客户提供 20 余项法律专用 AI 技能,以插件形式集成进 Microsoft 365 Copilot。Word 桌面版可依据企业预设审查规则审阅合同,识别风险条款并以修订模式给出建议;跨应用工作区 Cowork 用于提取义务、期限与触发条件,整理案件时间线。

来源:IT之家
10月17日 周六

OpenAI 升级 Chrome 版 ChatGPT 扩展,可读取标签页并代为填表发信

OpenAI 升级 ChatGPT 的 Chrome 浏览器扩展:聊天模式下可直接读取用户打开的标签页,跨多个商品页比较尺寸、价格与退货政策;切换到 ChatGPT Work 后,还能代发消息、填写表格与整理标签页。侧边栏同时获得访问全部聊天记录的能力,该扩展面向所有套餐开放,Edge、Brave、Opera 等 Chromium 浏览器同样可以使用。

来源:IT之家

苹果确认苹果智能中国版接入阿里千问,Siri AI 暂不在首批之列

苹果董事会执行主席库克本周在上海受访时确认,苹果智能已获批准,10 月底在中国发布测试版本,接入阿里千问;首批仅实时翻译、书写工具、照片清除三项,Siri AI 不在其中。国行 iPhone Duo(A3721)、iPhone 18 Pro Max(A3718)已列入 Apple 智能与通义千问备案编号。苹果智能入华的备案路径与 Siri 缺席原因,见观察文。

来源:量子位

小米开源空间音频理解大模型 MiDashengLM-Spatial,Apache 2.0 许可

小米开源 Dasheng 系列新模型 MiDashengLM-Spatial,以 MiDashengLM-7B 为基座,官方称其为业界首个开源的端到端空间音频理解大模型,可在识别声音内容的同时判断声源方位,STAR-Bench 空间推理准确率 70.3。权重与推理代码按 Apache 2.0 许可证公开,评测表标注参数量 8B,文件合计约 33.5GB。

来源:IT之家
10月16日 周五

快手可灵 AI 全量上线 Kling 4.0,4K 与 10-bit HDR 输出即将开放

可灵AI 宣布 Kling 4.0 已在 klingai.com 全量上线,4K 与 1080p 的 10-bit HDR 格式输出即将开放,创作页面同步升级为一体化布局,画布支持节点连接与智能体协同创作。Kling 4.0 能力同时接入 MCP/CLI,创作链路进一步延伸到命令行与企业接入场景,面向企业客户与开发者的 API 服务将于近期开放。

来源:可灵AI

Black Forest Labs 开源 FLUX 3 Image Klein,5.6B 参数单张消费级显卡可运行

Black Forest Labs 为 FLUX 3 Image 系列发布开源权重模型 FLUX 3 Image Klein,图像生成器 5.6B 参数,较 FLUX.2 [klein] 9B 少 38%,单张消费级显卡即可本地运行。官方称其文生图、图像编辑与多参考生成盲测均列第一,INT8 版本 8GB 显存即可运行,RTX 5090 约 4 秒生成 1MP 图像。

来源:Black Forest Labs

Meta 开源多模态大模型 Muse Spark Open,816B 参数可在桌面端运行

Meta 开源原生多模态模型 Muse Spark Open,总参数 816B、激活 42B,采用稀疏专家架构,支持文本、图像、视频与音频输入,上下文窗口 100 万 token,主打编码与长程智能体任务。权重以 Muse Model License 开放下载,压缩后约 493GB,两台 M5 Ultra Mac Studio 即可本地运行。

来源:财联社

OpenAI 推送语音模型 GPT-Live-1.1,新增六种语言语音

OpenAI 向 ChatGPT、Codex 与个人智能体 dots 推送语音模型 GPT-Live-1.1,新增法语、德语、印地语、墨西哥西班牙语、韩语与日语六种语言语音,并加入英语 Bubbie 音色,共新增 13 种声音,轻量版 GPT-Live-1.1 Quip 接替此前的 mini 版本。新模型延续全双工交互,搜索时会用更多短句反馈进度。

来源:AI工具箱
10月15日 周四

SpaceXAI 发布 Grok Voice 3.0,登顶 Artificial Analysis 语音转语音榜

SpaceXAI 发布端到端语音转语音模型 Grok Voice 3.0,官方称其为全球最智能语音模型,对话延迟低于 1 秒,API 定价与上一代保持一致。该模型在 Artificial Analysis 语音转语音综合榜排名第一、得分 86.9,全双工基准测试达 97%;目前在特斯拉车内支撑数百万次对话,星链客服中心每天承接 2 万通来电,约 70% 无需人工介入。

来源:IT之家

昆仑万维发布 Matrix-Game 4.0,单张 RTX 5090 实时运行视频大模型游戏

昆仑万维发布并开源 Matrix-Game 4.0,官方称其为全球首款可在单张消费级显卡上实时运行的游戏视频大模型。该模型在单张 RTX 5090 上以 480p、60 FPS 运行,端到端延迟低于 150 毫秒,单步去噪稳态生成速度 83 FPS,显存峰值 18.5 GiB。新范式由游戏引擎维护世界状态与交互规则,编程智能体用代码构建游戏,视频模型实时渲染画面。

来源:昆仑万维集团

阶跃星辰开放 Step 5 Preview 模型权重,技术博客同步上线

阶跃星辰开放 Step 5 Preview 的 BF16 与 FP8 模型权重,并上线技术博客。该模型采用稀疏 MoE 架构,总参数 600B、每 token 仅激活 27B,支持 100 万 token 上下文,原生支持文本与视觉输入,面向长程 Agent 任务。权重已上线 Hugging Face 与 ModelScope,近期在 OpenRouter 日调用量榜中位居全球第二。

来源:阶跃StepFun

腾讯上线个人股票分析 Agent「Rena览财」,主打个股速读与智能问答

腾讯上线个人金融 AI Agent「Rena览财」,官网定位「你的个人股票分析师」,已公测且免费。它围绕市场速读、个股跟踪、AI 问答三大场景,把每日要闻与自选股自动关联,支持上传持仓截图批量识别,并对看多、看空或中性判断给出理由与验证标准。网页、微信小程序与微信助理三端可用,定位分析辅助,不荐股、不参与交易。

来源:AI工具箱

Anthropic 推出自研版本控制系统 Scion,替代沿用二十年的 Git

Anthropic 推出自研版本控制系统 Scion,替代沿用二十年的 Git。随着 Claude 写码量激增,Anthropic 日均代码合并从 5 月的 2500 次升至 9 月的 3 万次,Git 离线全量副本设计每天产生超 600 PB 流量。Scion 改为永远在线的中心化架构,支持虚拟化 checkout 与流式拉取,CPU 与内存规模降低 200 倍,缓存命中率超 99%。

来源:APPSO
10月14日 周三

谷歌 Gemini 4 Argon 正式面向全球开发者与企业用户开放

谷歌新一代旗舰模型 Gemini 4 Argon 正式面向全球开发者与企业用户开放,可通过 Gemini API 与 AI Studio 接入,Google AI Pro/Ultra 订阅用户也能在 Gemini 应用及 Google Antigravity 中使用,主打编程、金融、法律等复杂多步任务,API 提供最高 100 万统一输入输出 Token 上限。

来源:APPSO

面壁智能联合 OpenBMB 开源端侧多模态模型 MiniCPM-V 4.7

面壁智能联合 OpenBMB 开源端侧多模态模型 MiniCPM-V 4.7,同步推出 35B-A3B 与 1B 两个版本。其中 35B-A3B 是全球首个可在端侧无损流畅运行的开源 MoE 多模态大模型,约 3GB 内存即可运行,在 34 项权威基准中全面领先同档模型;权重约 65.6GiB,凭前瞻专家调度实现约 5 倍读取提速,权重与推理代码同步开源。

来源:面壁智能
10月13日 周二

阿里千问推出在线强化学习框架 QwenGyre

阿里千问推出在线强化学习框架 QwenGyre,面向超长程智能体任务。它把 GPU 拆成多个单元,任务结束一批即把空出算力转入训练,在跑任务不中断,靠轨迹树与部分完成打分压掉重复计算。官方在 Qwen3.8-2.4T 上单次 rollout 约 70 万 token 训练 48 步,NL2RepoBench 通过率由 52.5% 升至 58.5%,同预算提速 1.78 倍。

来源:千问大模型

Meta 推出前沿模型系列 Muse Wonder

Meta 一次性放出 Muse Wonder 与更强的 Muse Wonder Full,官方称其在长程编程等基准上达到前沿水平,支持 100 万 token 上下文。新增主动记忆与主动聚焦能力,可跨对话保留关键上下文、遇阻时主动换招;标准版已上线模型 API 与 Muse Code,每百万 token 输入 4 美元、输出 20 美元,完整版只对订阅用户开放。

来源:财联社

智谱推出法律领域大模型 GLM-Legal

智谱推出法律领域大模型 GLM-Legal,基于轻量基座 GLM-5.3-Flash 经领域中期训练与强化学习打造,覆盖合同审查、证据分析、法律研究与合规规划全流程。官方称在 Harvey LAB 上全任务通过率 19.2%,LegalBench 与 PLawBench 持平前沿闭源模型,可通过 API 与 AutoClaw 桌面端使用,现已开放 Beta 申请。

来源:AI工具箱
10月12日 周一

SpaceXAI 官方账号正式更名 SpaceXSI,全称 SpaceX Super Intelligence

SpaceXAI 宣布其官方社交账号正式更名为「SpaceX Super Intelligence」(SpaceXSI),跟进美国把「人工智能」改称「超级智能」(SI)的新提法,马斯克同步在社交平台发布截图公布这一变更。SpaceXAI 是 AI 助手 Grok 系列模型的开发方,目前变更仅涉及官方账号,产品线品牌是否同步调整官方未作说明。

来源:财联社

HeyGen 推出自研语音模型 HeyGen Voice,登顶 Artificial Analysis 语音榜

HeyGen 推出自研语音模型 HeyGen Voice,在 Artificial Analysis 的 Controlled Voice 榜单以 Elo 1201 排名第一。它与数字人模型 Avatar V 共用同一端到端技术栈,身份与声音由同一模型生成,可保留本人的语气、重音与节奏,缓解数字人配音的朗读感;音色相似度与表现力可分别调节。

来源:AI工具箱
10月11日 周日

Anthropic 为 Claude Managed Agents 引入动态工作流,单次最多并行 1000 个智能体

Anthropic 为 Claude Managed Agents 引入动态工作流:由主智能体规划并分派子任务,子智能体完成后汇总结果,单次执行最多可并行协调 1000 个 AI 智能体。官方以 11.6 万行代码、隐藏 70 个 Bug 的代码库做对比,单智能体每次运行检出 14 至 27 个漏洞,动态工作流稳定检出 66 个,适合大型代码库检查等复杂任务。

来源:IT之家

阿里 Qoder 上线 Fast 模式,首次响应 3 秒、Credits 消耗降约 27%

阿里 Qoder 上线 Fast 模式,首发于桌面端 0.4.4 及以上版本,CN 版与国际版同步开放。国际版原 Performance 模式直接升级为 Fast,首次响应时间由 8 秒缩短至 3 秒,Credits 消耗从 1.1x 降至 0.8x、约减少 27%,官方称其完成 10 个常见开发任务的用时仅为国内同类产品的 1/3,首次响应不到 Auto 模式的 1/3。

来源:IT之家

腾讯云开源团队 AI 协作工具 TeamAI,适配 16 种 Agent、模型调用成本降 76%

腾讯云开源其内部自用的团队 AI 协作工具 TeamAI,基于 Git 把团队的 Skill、工作规范与工具配置统一纳入仓库评审与版本管理,再同步到成员各自的 Agent,实现一人配置、全员复用。目前已适配 Claude Code、Cursor 等 16 种 Agent,官方测试显示接入团队知识的较低成本模型综合评分提高 6.1%、模型调用成本降低 76%。

来源:腾讯网

决策模型 Jev 开发商 TypeSafe AI 完成 8.7 亿美元融资,估值达 75 亿美元

TypeSafe AI 为旗下决策模型 Jev 完成约 8.7 亿美元融资,由 a16z 领投、红杉资本跟投,公司估值达 75 亿美元。Jev 上线数周即迅速走红,已被约三分之一财富 500 强企业采用,用户规模突破 100 万。它不生成自由文本,而是把输入归入预设选项,直接输出类型化的选择、分值与概率,与生成式大模型分工承担高确定性的自动化判断。

来源:IT之家
10月10日 周六

字节跳动为豆包工作接入 Seedream 5.0 Flash 图像模型

字节跳动为豆包工作「无限画布」接入 Seedream 5.0 Flash 图像模型,支持 1K 至 2K 分辨率输出与最多 10 张参考图,文生图与参考图编辑共用同一模型。生成结果自动汇入同一画布,图片生成后仍可继续调整文字、配色与布局,不必整张重绘。该模型按输出张数计费,每张 0.018 美元、首张免费,1K、1.5K 与 2K 三档同一价格。

来源:腾讯网

JetBrains 开源高效编程智能体模型 Mellum2.1

JetBrains 开源编程智能体模型 Mellum2.1,延续 12B 混合专家架构与 2.5B 活跃参数,按 Apache 2.0 开放权重,上下文 131,072 tokens。在 SWE-bench Verified 上得分 47.0,较上代 Mellum2 的 2.0 大幅提升;官方称高负载吞吐接近 Qwen3.5-9B 两倍,适用于代码修复与工具调用等软件工程任务。

来源:IT之家

字节跳动将 TraeWork 与 TraeCode 合并为全新 TRAE

字节跳动将 TRAE 旗下的 TraeWork 与 TraeCode 正式合并为全新的 TRAE,升级为覆盖需求拆解到交付的全链路开发平台,采用统一入口并支持 Agent 模式与 IDE 模式无缝切换,覆盖桌面、Web、移动三端,Agent 模式支持多 Agent 跨项目并行。原 TraeWork 客户端将于本月下旬停止服务,聊天记录、账号数据与积分自动迁移。

来源:TRAE

腾讯元宝正式上线桌面陪伴助手元宝桌宠

腾讯正式为 腾讯元宝 上线桌面陪伴助手「元宝桌宠」,用户将 PC 端升级至 v2.87.10 及以上版本、点击左下角头像进入「我的桌宠」即可开启,目前以 Beta 形态提供。桌宠常驻桌面并可拖拽贴边,支持把文件、图片与文字直接拖给它快速总结,也支持划词翻译与长网页要点提炼,能实时播报后台长任务进度并主动提醒,忙碌时保持安静、空闲时贴边陪伴。

来源:腾讯元宝
10月9日 周五

OpenAI 推出全新模型 GPT-6.1 Sol 的 Ultrafast 版本

OpenAI 在「28 天计划」第四天为 GPT-6.1 Sol 推出 Ultrafast 版本,官方称其智能水平与标准版一致,速度最高提升到标准版的 8 倍。该模式 API 定价每百万输入 12 美元、输出 60 美元,为标准版定价的 6 倍,成本约为 GPT-6 Astra 的 1.2 倍;ChatGPT 与 Codex 端仅向 Pro 500 及符合条件的企业、教育用户开放。

来源:机器之心

谷歌推出通用办公智能体 Gemini agent

谷歌发布通用办公智能体 Gemini agent:只给目标不给步骤,它自行规划并跨应用调用 Gmail、Docs、Sheets 等完成写邮件、建财务模型、做 PPT;企业可为它创建带独立企业邮箱和日历身份的 Coworker agent,配会话、语义、程序性、情景四种记忆,底层经多模型编排在 Gemini 与 Claude 间动态选择。

来源:量子位

生数科技推出新一代视频生成旗舰模型 Vidu Q4 Preview

生数科技推出新一代视频生成旗舰模型 Vidu Q4 Preview,开放预览并主打「传神表现力」:最多支持 3 段参考音频与 15 张参考图,输出分辨率覆盖 2K 与 4K,官方公布首发价 0.09 元/秒起。该版本同步强化人物表情与肢体动作的自然度、镜头语言张力以及视效场面冲击力,可把人物、场景、道具等多要素参考组合成完整故事。

来源:生数科技
10月8日 周四

谷歌推出图像生成与对话式编辑模型 Nano Banana 2.1

谷歌正式发布图像生成与对话式编辑模型 Nano Banana 2.1,底层基于 Gemini 3.6 Flash,模型 ID 为 gemini-nano-banana-2.1。新版本支持 1K/2K/4K 输出,多图融合最多可接入 14 张参考图;蒙版局部编辑评测得分 1049(上代 965),多角色一致性由 978 提升至 1106。

来源:机器之心

Anthropic 推出最新轻量级模型 Claude Haiku 5.5

Anthropic 正式推出轻量级模型 Claude Haiku 5.5,平均运行成本较上代降低约 75%,也是 Haiku 系列首个支持 effort 五档调节的版本。其 OSWorld 2.1 最高档准确率 72.4%(上代 15.7%),GDPval-AA v2.1 得分 1620,可与 Claude Opus 5.5、Claude Sonnet 5.5 组合分工。

来源:量子位

Mistral AI 推出最新旗舰大模型 Mistral Large 4

Mistral AI 推出新旗舰大模型 Mistral Large 4,定位开源权重的通用多模态模型,总参数 1.05 万亿、激活约 52B,采用细粒度 MoE 架构并配备 1.6B 视觉编码器。该模型由自有欧洲数据中心 3800 块 Grace Blackwell 芯片从零训练,官方称其网络安全漏洞复现得分 82%,目前为公开预览、权重尚未开放。

来源:Mistral AI 官方
10月7日 周三

B站开源多语言翻译模型家族 Index-Translate

B站 Index LLM 团队正式开源多语言翻译模型家族 Index-Translate,2B、9B 与 35B-A3B 三档文本模型权重已在 Hugging Face 与 ModelScope 开放。该家族基于 Qwen3.5 构建,覆盖 150 种语言,支持术语、格式与保留内容翻译指令,并延伸出字幕与配音生成、按目标音节数调整译文、长文档上下文一致翻译等能力。

来源:IT之家

谷歌开源多模态嵌入模型 EmbeddingGemma 2

谷歌发布 EmbeddingGemma 2,开源多模态嵌入模型,基于 Gemma 4 架构、740M 参数,把文本、代码、图像、视频、音频映射到同一 768 维向量空间。代码检索在 MTEB Code 上从 68.76 升至 78.68,纯文本仅 270M 参数,端侧量化后约占 191MB 内存,配套 macOS 应用 AI Edge Foresight 可离线整理会议纪要。

来源:IT之家
10月6日 周二

OpenAI 将在欧盟为 ChatGPT 与 Codex 文本输出加入隐形水印

OpenAI 宣布按《欧盟人工智能法案》透明要求,未来几周将在欧盟为 ChatGPT 与 Codex 文本输出加隐形水印。技术名为 textGrain,在模型选词时埋入不可见统计信号,文本复制粘贴后水印随行。测试显示,替换 10% 的词后检测率从约 92% 降至 66%;API 客户可自主开启。

来源:TechCrunch

智谱 GLM-5.3 上架亚马逊 Bedrock,按调用量与 AWS 分成

智谱 GLM-5.3 接入亚马逊云科技大模型平台 Amazon Bedrock,AWS 按模型调用量与智谱进行收入分成。智谱近期还与多家海外云厂商落地同类模式;国内已与阿里云百炼签署分成协议,华为云也已上架 GLM-5.3。财报显示,智谱 2026 上半年营收 9.54 亿元,同比增长 399.7%。

来源:IT之家

英伟达投资的 Reflection AI 发布首款开放权重模型 Beam,5010 亿参数对标 GLM-5.2

英伟达投资的 Reflection AI 发布首款开放权重模型 Beam,总参数 5010 亿,每项任务仅激活 230 亿。官方称其在代码与智能体任务上可对标智谱 GLM-5.2(总参约 7440 亿、激活 400 亿),并逐步逼近千问 3.8-Max。模型权重计划本月稍后开放。

来源:AI工具箱

OpenAI 28 天计划首日:GPT-6 Astra 与 GPT-6.1 Sol 默认推理速度提升约 50%

Codex 负责人 Tibo 宣布「28 天计划」首日交付速度优化:GPT-6 Astra 与 GPT-6.1 Sol 的默认推理速度提升约 50%,达 50 TPS,官方订阅与通过 Sign in with ChatGPT 接入的 OpenCode、Pi、Amp、Devin 同步生效。此前 6.1 Sol 上线首日曾因负载暴增明显变慢,有开发者复测 4 小时后仅跑到 35 TPS。

来源:量子位
10月5日 周一

OpenAI 启动「28 天计划」为 Codex 与 ChatGPT Work 每日推送更新

OpenAI 产品与平台负责人 Thibault Sottiaux 公布「28 天计划」:未来 28 天内每天为 Codex 与 ChatGPT Work 推出一项有实际意义的更新,未达标则给一次「重置」,覆盖用户与额度暂未说明。前一天他称团队已「锁定方向」,重点是简化产品与开发新模型。

来源:IT之家

Meta 开源 Muse Gadgets 项目 开发者可自建接入 Muse 的硬件

Meta 为其个人 AI 智能体 Muse 推出开源项目 Muse Gadgets:开发者可自行设计并制造接入 Muse 的硬件设备,项目向外部开放,Muse 本身可代用户订行程、填表单与购物。Muse 上线约三周下载量已突破 500 万次,是美国最快达到该量级的 AI 应用。

来源:TechCrunch
10月4日 周日

谷歌向免费用户开放 Gemini Skills 自定义技能服务

谷歌向所有免费账户用户开放 Gemini 的自定义技能 Skills,打破此前仅限 Pro、Ultra 付费订阅的限制,免费用户可在主聊天框输入斜杠「/」加指令快速调用预设技能。原有 Gems 自定义配置全部保留并可继续新建,按规划 Gems 将于下月自动迁移并入 Skills,无需手动操作。

来源:太平洋科技

字节旗下豆包接入出行服务 覆盖订机票、火车票与打车导航

字节跳动旗下 豆包 正式接入出行服务,覆盖机票、火车票预订、打车叫车与地图导航四类场景,用户可在豆包内完成查询、比价、下单及退改签全流程,无需跳转第三方平台。机票走航班管家、火车票走高铁管家、打车接曹操出行,通过入口成交的酒店订单渠道费率约 12%——这层账本变化,老高AI观察第17期已做过拆解。

来源:IT之家

OpenAI 推出 Decisions API 让 AI 在预设选项里做选择题

OpenAI 推出由 GPT-6 Luna 驱动的 Decisions API,把模型能力收窄为「预设问题+有限答案集合」的单次决策,只返回选中答案与置信度、不生成文字。官方称端到端响应约 150 毫秒,较常规调用 Luna 的约 1.6 秒快约 10 倍,用于内容分类与工单路由;目前仅限量预览,定价未公布。

来源:IT之家
10月3日 周六

Black Forest Labs 发布 FLUX 3 Image 图像生成与编辑模型

德国 AI 公司 Black Forest Labs 发布图像生成模型 FLUX 3 Image,支持生成最高 4K 分辨率图片。模型基于 FLUX 3 基座开发,用户可在归一化 0–1000 坐标网格上为每个元素指定 ID、描述与边界框,实现精准排布;单次生成最多可融入 10 张参考图像,并支持像素级多轮局部编辑。该模型目前通过 API 提供服务,开放权重版本将于数周内公开。

来源:IT之家

OpenAI 为 ChatGPT 上线虚拟试穿与收藏功能

OpenAI 为 ChatGPT 上线虚拟试穿与收藏两项购物功能,面向全球移动端与网页端同步开放。用户在服饰、配饰商品页点击「试穿」并上传自拍,即可生成上身效果图,参考照片可反复复用;收藏功能把看中的商品存入 ChatGPT Library 备查。功能基于 ChatGPT Images 2.5 图像模型,OpenAI 称其图像模型每周生成的图片已超 30 亿张。

来源:IT之家

中国大模型首次进入 OpenAI 企业付费结算体系(Kimi K3 接入 Codex 企业通道)

Baseten 与 OpenAI 达成合作,成为 OpenAI B2B 市场首批开源模型推理服务商。企业用户可通过 Codex 与 Responses API 调用 Kimi K3、GLM 5.3 等开源模型,中国开源模型首次进入 OpenAI 企业采购体系。Kimi K3 由月之暗面开发,官方称其为首个参数规模达 2.8 万亿的开源模型,上下文窗口 100 万 Token。

来源:IT之家

字节跳动将为豆包推出独立个人助手 App「小豆」

字节跳动将豆包在个人助理方向推进的探索项目定名为独立 App「小豆」,该项目内部代号「Spell」,由豆包手机助手团队主导,名称于今年暑期确定,目前处于内部测试阶段,最终对外版本仍可能调整。豆包手机助手此前已与努比亚合作完成技术预览与消费版落地,小豆可视为把手机端积累的个人助理能力延伸到独立应用,使用时不再受手机品牌与系统集成的限制。

来源:IT之家
10月2日 周五

Meta Muse 上线三周下载量突破 500 万次

Meta 旗下 AI 助手 Muse 上线约三周下载量突破 500 万次,登顶美国 App Store 免费榜并连续 12 天保持榜首。Sensor Tower 数据显示,达成同样规模所用时间短于 ChatGPT 的 56 天与 Grok 的 103 天;美国市场同期仅 23 款应用在 22 天内达成这一量级。Meta 近期加大 Muse 广告投放,当日下载量环比增长 73%。

来源:IT之家

微软发布首个实时流式语音转写模型 MAI-Transcribe-2-Streaming

微软发布首个实时流式语音转写模型 MAI-Transcribe-2-Streaming:讲话进行中即持续输出文字,覆盖 60 种语言并支持自动语言检测,最终词错误率 2.50%、延迟 0.13 秒,两项列 Artificial Analysis 流式转写评测第一;经 Microsoft Foundry 与 OpenRouter 提供。

来源:IT之家

蚂蚁百灵发布长上下文通用大模型 Ling-3.1-flash

蚂蚁百灵发布长上下文通用大模型 Ling-3.1-flash:约 560B 总参数、激活约 25B,上下文上限 100 万 tokens。知识工作评测 GDPval-AA v2.1 得 1,673 Elo,软件工程评测 FrontierSWE 75.16、医疗专业评测 HealthBench Professional 65.35;发布起两周内免费体验,长度限 256K。

来源:IT之家
10月1日 周四

谷歌发布迄今最强 AI 模型 Gemini 4 Argon,长周期代码工程基准登顶

谷歌发布迄今最强 AI 模型 Gemini 4 Argon,输出上限提至约 100 万 tokens,主攻长流程软件工程与安全防御。代码工程基准 DeepSWE v1.1 中 Argon 以 77.9% 登顶,高于 Claude Opus 5.5 的 74.2% 与 GPT-6 Astra 的 74.1%;漏洞修复基准 CWE-bench v1 以 68% 并列第一。目前仅向付费 API 客户开放。

来源:IT之家

OpenAI 为 Codex 推出掌机插件 Game Studio 用自然语言做 Game Boy 游戏

OpenAI 在开发者日联合 ModRetro 为 Codex 推出掌机插件 Game Studio:用户用自然语言描述想法,即可由 Codex 生成游戏程序。插件内置 Chromatic 模拟器,可在电脑端调试验证后串流到真机试玩,成品还能写入专用卡带。Chromatic 复刻 Game Boy Color 的外观与按键设计,兼容原版卡带。

来源:IT之家

LibTV 联合抖音上线「AI 大师公开课」首期,拆解金奖 AI 短片《合龙》

AI 影视创作平台 LibTV 联合抖音「AI 创作浪潮计划」上线「AI 大师公开课」,首期邀请 2XLabs 导演团队刘树恒、王语宸,以抖音 AI 创作大赛金奖短片《合龙》为例,从叙事、美术、表演三个维度拆解从想法到成片的创作判断,并抛出「AI 缩小了技术差距、却放大了认知差距」的观点。课程不讲提示词,可在抖音官方账号观看,后续还将邀请更多创作者。

来源:哩布哩布AI
9月30日 周三

DeepSeek 开源昇腾算力平台基础设施组件

DeepSeek 开源面向华为昇腾算力平台的基础设施组件,涵盖 TileLang 编译工具、计算库与分布式通信库,与此前英伟达平台组件一一对应。TileLang 昇腾版封装 Ascend C 底层指令,已承载 DeepSeek V4 系列模型大部分训练算子,并同步开源 DeepGEMM、FlashMLA 等组件,实测性能接近硬件上限。

来源:DeepSeek

OpenAI 发布新一代主力模型 GPT-6.1 Sol 与常驻型智能体 Dots

OpenAI 举办 DevDay 2026,公布 25 项更新。新模型 GPT-6.1 Sol 重点加强智能体编程与 computer use,官方称接近旗舰 GPT-6 Astra,API 标准 Token 价格仅为后者 1/5。同步推出常驻型智能体 Dots,可跟踪长期目标、主动汇报;Codex 升级为云端软件工程团队,Agents API 获 Computer Use 能力。

来源:量子位
9月29日 周二

快手推出新一代 AI 视频生成模型 Kling 4.0

快手可灵宣布新一代视频生成模型 Kling 4.0 将于 10 月正式上线,轻量版 Kling 4.0 Flash 已随官方发布向黑金年卡会员开放抢先体验。新版本单次可生成最长 30 秒原生视频,支持最多 15 项多模态参考、10 张多关键帧控制与 2 分钟超长续拍,新增双通道立体声与 4K HDR 输出,提示词上限提升至 8000 tokens。

来源:可灵AI

Anthropic 推出最新 AI 模型 Claude Sonnet 5.5

Anthropic 推出 Claude 5.5 家族第二款模型 Claude Sonnet 5.5,运行速度较 Claude Sonnet 5 提升 30% 以上,定价为 Claude Opus 5.5 的一半。在智能体编程评测 Terminal-Bench 4.0 上得分由 10.3% 升至 70.6%,现已在 AWS、Google Cloud 与 Microsoft Azure 同步上线。

来源:机器之心

Manus 发布 Manus 2.0 并推出个人 Agent 应用 Cue

Manus 发布大版本更新 Manus 2.0,底层换用自研 Agent 框架 Cascade,官方单项测试显示 Token 消耗降低 23.2%、任务耗时缩短 28.2%、运行成本下降 32%。新版新增常驻云电脑与事件触发自动化,桌面端升级为 Manus Studio;同步推出个人 Agent 应用 Cue,每个 Agent 拥有独立邮箱、电话、钱包与云电脑。

来源:APPSO

智谱 ZCode 发布 Trust.patch 公告 开源版更新至 v3.14.3

智谱发布致 ZCode 用户的 Trust.patch 公告,ZCode 开源版已更新至 v3.14.3,今后将与官方版本同步发布,官方表示将持续倾听大家的建议与意见。权益方面,付费用户可获 4 张周重置卡与 4 张 5 小时重置卡,一个月内回归的老用户同享上述权益;官方另限时向全体用户开放 1 亿 Token 领取,限量 10 万份。

来源:ZCode
9月28日 周一

DeepSeek 上线 DeepSeek Harness 桌面版预览 免命令行启动 Agent

DeepSeek 上线桌面版 DeepSeek Harness,登录账号或填 API Key、选定本地工作区后即可直接给 Agent 派活,无需再装 Node.js 或在终端敲命令。该版本提供标准、PTC、极简、创造四种模式,内置智能体团队、语音输入、终端、Subagent 等六个官方插件;安装包经官方证书签名,仍属预览构建且暂不支持 Linux。

来源:机器之心

美团推出新一代大模型 LongCat-2.5-Preview

美团在 LongCat API 开放平台上线新一代大模型 LongCat-2.5-Preview,延续约 1.6 万亿总参数、约 480 亿激活参数的 MoE 架构与 100 万 token 上下文。新版把图片理解原生并入基座,支持跨模态问答与视觉推理,可面向浏览器、桌面软件与设计工具执行长流程任务;官方同时给出 Codex、OpenClaw 等主流环境的接入方法。

来源:AI工具箱

MiniMax 上线文本模型 M3.1-Flash-Preview 主打原生多模态与可调推理深度

MiniMax 上线文本模型 M3.1-Flash-Preview,主打原生多模态与 100 万 token 上下文,推理深度可调,目前仅通过 MiniMax Code 与 Token Plan 提供,未开放独立 API。官方同步重置全体用户 Token Plan 额度,并开启十天签到双倍积分。模型面向日常开发,官方称覆盖问题定位、代码实现、测试验证到交付的完整闭环。

来源:IT之家

快手推出 AI 视频创作 Agent「likli」

快手推出 AI 视频创作 Agent likli,提供 macOS、Windows 桌面端,用对话方式接管写脚本、生成镜头到配音剪辑的全链路,直接交付成片。内置剧作家、配音师、商品编导等 Skill,覆盖口播带货、品牌营销、短剧漫剧三类场景;脚本分镜全程可视可改,素材存进资产中心复用。订阅会员 139 元/月起,该档官方标注每月约可完成 42 次创作任务。

来源:AI工具箱

网易有道开源子曰Live系列两款实时交互模型 R2T2 和 T3PO

网易有道开源子曰 Live 系列首批两款实时交互模型 Confucius4-R2T2 与 Confucius4-T3PO,双双登顶 Hugging Face 的语音识别与翻译 Trending 榜首。前者为真流式语音识别模型,支持 80 毫秒至 2 秒可配置流式输入,平均延迟约 200 至 600 毫秒;后者是 140 亿参数的中英同传模型,以 Apache 2.0 协议开源。

来源:网易有道
9月27日 周日

阿里达摩院发布食管癌筛查模型 DAMO EAGLE 平扫 CT 即可识别早期病变

阿里达摩院联合四川省肿瘤医院、中山大学肿瘤防治中心等机构,发布食管癌筛查模型 DAMO EAGLE,成果刊于《自然·医学》。模型无需插管与造影,仅凭胸部平扫 CT 即可识别食管癌及癌前病变,已在 3 个国家 8 万余例中验证:机会性筛查中检出敏感性 90%,癌前病变敏感性 52.5%,特异性 99.2%,低剂量 CT 上性能不降。这是达摩院第 4 个癌症筛查模型。

来源:中国新闻网

月之暗面把 Kimi WebBridge 升级为 Kimi 浏览器扩展 网页操作可录成技能

月之暗面把 4 个月前发布的浏览器自动化工具 Kimi WebBridge 升级为 Kimi 浏览器扩展,现已支持 Chrome 与 Edge。用户登录后可在侧边栏直接与 Kimi 对话,让它读取页面、点击按钮、填写表单并提取信息;新增的「把操作录成技能」能把一次演示的网页流程保存为可复用技能。原本地 Agent 调用扩展的方式继续保留。

来源:量子位

谷歌为 Gemini 3.8 Live 上线 Live Avatar 虚拟人 支持 97 种语言

谷歌正式为 Gemini 3.8 Live 上线 Live Avatar 功能,向 Gemini Enterprise 企业客户开放。该功能把接近实时的视频生成与语音结合,实现精准唇形同步与自然表情,可在 97 种语言之间无缝切换且画面不漂移,并支持后台异步工具调用。企业可用单张参考图生成专属形象,全部输出均嵌入 SynthID 隐形水印。

来源:IT之家

Epoch AI 家具组装基准公布 GPT-6 Astra 以 80% 准确率登顶

Epoch AI 公布家具组装基准测试(FAB),用 60 张宜家家具组装照片考察模型的空间推理能力。OpenAI 的 GPT-6 Astra 以 80% 准确率居首,Anthropic 的 Claude Opus 5 为 61%,而此前领先模型仅有 28%。GPT-6 Astra 单张照片分析中位耗时约 3 分钟,比此前领先模型快 2 至 10 倍。

来源:IT之家
9月26日 周六

DeepSeek 公开 DSec 弹性计算沙箱 支撑百万级 Agent 训练

DeepSeek 公开系统论文,首次披露生产级沙箱平台 DeepSeek DSec。一个生产单元约 160 个 CPU 节点、3 万个核心、250TB 内存,每天服务约 300 万个沙箱,峰值并发超 38 万个,创建速率超每秒 5000 个;DeepSeek-V3.2 到 V4.1 的全部 Agentic RL 训练都跑在其上。论文还记录了智能体绕过访问控制等作弊行为。

来源:新浪财经

小米 MiMo-V3 采用全新架构 核心 HySparse2 公开

小米 MiMo 大模型负责人罗福莉宣布,小米 MiMo-V3 将采用全新自研架构,核心组件 HySparse2 已同步公开。面向长程多轮智能体任务,它在 100 万 token 上下文下把预填充计算量降低 5.02 倍、KV 缓存缩小 4.5 倍,长上下文检索评测得分更高。HySparse2 以 KV 桥接与复用两级共享压缩冗余计算,提升长文本检索精度。

来源:IT之家

微软发布 Ink Canvas 数字画布 AI 把笔迹变成内容

微软在骁龙峰会上发布 Microsoft Ink Canvas,一款面向 Windows 11 的笔优先画布,把手写笔记、草图、批注与 AI 能力整合进同一工作区,圈选手写内容即可让 AI 摘要、润色或生成 HTML 代码,并接通 Copilot。它适配新款 Slim Pen,新款 Surface Pro 12 英寸将预装,其余兼容设备将于下月 13 日起在微软应用商店下载。

来源:IT之家

谷歌确认 Gemini 4 已进入后训练 目标远早于年底推出

谷歌 DeepMind 负责人科拉伊·卡武克奥卢在 The Information 峰会上确认,Gemini 4 已进入后训练初期,目标是远早于年底推出,目前处于防护机制开发与安全测试阶段,谷歌工程师已在内部用它运行 Antigravity 编程工具。作为 Gemini 3 系列之后首款下一代旗舰,它主打编码、自主智能体与长程任务,谷歌称其规模显著更大。

来源:新浪财经

Meta 把个人智能体 Muse 装进 AI 眼镜

Meta 在 Connect 2026 大会上宣布,把个人 AI 智能体 Muse 带进 AI 眼镜,未来数月内上线,唤醒后可直接理解眼前画面并发起操作,无需再向 AI 描述所见的物品。Muse 由 Muse Spark 驱动,可代用户发信、订票、比价与下单,同步接入沃尔玛、百思买、丝芙兰等十余家连接器,并新增实时数字形象与专属邮箱。

来源:Meta 官方新闻室
9月25日 周五

华为小艺 Work 正式上线

华为正式上架 AI 工作助理 小艺 Work,定位 7×24 小时在线的办公执行体,覆盖市场调研、文档处理、PPT 制作、数据分析、内容创作与代码开发。用户给出目标后,系统自主拆解任务、调度工具并推进执行,关键环节可人工复核。电脑端提供云电脑与本地双执行环境,后台可持续运行,任务结果自动同步至手机;新用户首享 31 天 1000 AI 点免费额度。

来源:小艺 Work 官网

高通携手 PrismML 推出 1-bit Bonsai 端侧视觉语言模型

高通携手 PrismML 在骁龙 AR1 Gen 1 智能眼镜平台本地跑通 20 亿参数的 1-bit 量化 1-bit Bonsai 视觉语言模型,眼镜离线也能识图作答。官方称同内存可容纳约 4 倍参数,权重内存占用 0.43GB、对标 4-bit 版的 1.66GB,生成速度达到同规格 4-bit 模型的 2.06 倍,模型由 Bonsai 1.7B 构建。

来源:PrismML

腾讯混元 Hy 翻译 App 正式上线

腾讯混元宣布 Hy 翻译 App 正式上线,同步提供小程序、插件与 PC 端。产品基于混元 Hy-MT2 翻译模型打造,支持 33 种语言互译,覆盖藏语、维吾尔语等 5 种少数民族语言及方言,提供语音、拍照、对话与离线翻译,支持口语化、学术等翻译风格切换,离线时可提前把模型下载至手机。现已在含美国、日本、韩国及中国港澳台地区在内的 12 个国家和地区上架。

来源:上海证券报
9月24日 周四

腾讯音乐推出 AI 音乐创作平台 MusicBuddy

腾讯音乐上线 AI 音乐创作平台 MusicBuddy,面向独立音乐人提供灵感、创作、精修、发行、宣推、经营六个环节的全链路服务。保留传统 DAW 分轨编辑形态,左侧嵌入 AI 对话面板,用自然语言完成编曲、乐器替换、混响调整与歌词改写;内置多套音乐模型,支持选择人声与上传参考音乐。作品完成后可一键分发至 QQ 音乐、酷狗等平台,自动生成 MV 与宣推海报。

来源:AI工具箱

阶跃星辰开源终端编程智能体 Step Code

阶跃星辰开源终端编程智能体 Step Code,采用 MIT License,可在终端内完成编码、调试与交付。它在 Terminal Bench 2.1 以 80.9% 通过率并列第一,Token 消耗最低;长程基准 Multi-Frame 以 73.3% 通过率居六款 Agent Harness 之首,平均 5.09M Tokens,内置 StepPage 一键发布静态站点。

来源:阶跃星辰开放平台

阿里通义推出语音大模型系列 Qwen-Audio-3.1

阿里通义在云栖大会发布 Qwen-Audio-3.1 系列五款语音大模型,覆盖语音识别、语音合成、实时交互与音频创作。ASR 支持 30 种语言与 16 种中文方言,首字响应约 160 毫秒;TTS-Next 可一次生成人声、音效与环境音。API 已上架千问 AI 平台,Qwen-Audio 全线价格同步下调,最高降幅 95%。

来源:阿里语音AI

蚂蚁开源图像生成模型 Ming-Image-0.1-Design

蚂蚁集团 inclusionAI 开源 Ming-Image-0.1-Design 系列,含两个 6B 模型:Design 专攻 UI、海报等文字密集型设计,原生输出透明背景素材;Layer 把成品图拆成 2—9 个可编辑图层。Design 以 Elo 1082 登顶 Artificial Analysis 设计开放权重榜,Layer 在 Crello 评测 12 项全部第一。

来源:百灵大模型

中国电信星辰实验室开源文档解析模型 TeleOCR

中国电信星辰实验室开源文档解析模型 TeleOCR,以约 1.2B 参数的轻量视觉语言架构统一处理数字文档与拍摄文档,把文字、版面、表格、公式与科学图表转为结构化结果。它在 OmniDocBench v1.6 以 96.87 分登顶,超过 OvisOCR2 的 96.58 分,表格 TEDS 达 97.05,并采用形变感知学习与几何感知建模,省去独立去畸变模块。

来源:中国电信天翼AI

爱派AiPy正式上架银河麒麟软件商店

AI 自动化工具爱派AiPy 正式上架银河麒麟软件商店,支持一键安装。它以「大模型 + Python 执行环境」为底座,可用语音或自然语言派发任务,覆盖数据分析、文档与 PPT 批量生成、网页采集、量化回测等场景,支持内网本地化部署与国产大模型接入,并提供沙盒权限、删除保护、加密传输、审计日志与工作空间隔离等安全能力。

来源:爱派AiPy
9月23日 周三

OpenAI 推出 GPT-6 Sol 与 GPT-6 Luna 两款模型

OpenAI 发布 GPT-6 Sol 与 GPT-6 Luna 两款新模型,沿用 GPT-6 Astra 的训练方法,把 Astra 在专业工作、事实性、编程、计算机使用与对齐上的顶尖能力下放到更快、更经济的小尺寸模型,官方称 Astra 仍是无妥协首选。两款模型的 API 价格较 GPT-5.6 促销价下调 50%,单任务成本最低不到竞品一成。

来源:量子位

Anthropic 推出 Claude 5.5 系列首款模型 Claude Opus 5.5

Anthropic 发布 Claude 5.5 系列首款模型 Claude Opus 5.5,官方称多数任务表现与 Claude Fable 5.1 相当,典型任务成本较上代 Claude Opus 5 降低 40%、输出速度提升超 30%,模型已上线 Claude 与亚马逊云、谷歌云、微软 Azure,并被 Claude Code v2.1.280 设为默认 Opus 模型。

来源:APPSO

爱诗科技正式推出通用实时世界模型 PixVerse R2

爱诗科技正式发布全球首个具备 Scaling 能力的通用实时世界模型 PixVerse R2,开放游戏、互动影视与数字人体验间,支持 WASD 控制角色移动与 Prompt 实时改写环境。模型以 Omni Causal AR 与 Real-Time Acceleration 解耦能力与实时性,块稀疏注意力稀疏度超 90%,Error Bank 让画面漂移下降约 35.8%。

来源:爱诗科技 AIsphere

阿里推出面向手机场景的 AI 全栈方案 Qwen Intelligence

阿里推出面向手机场景的 AI 全栈方案 Qwen Intelligence,不造硬件,向手机厂商输出场景优化模型、可定制平台与垂域 Agent。其中 Mobile Planner 负责任务拆解与记忆,每千次任务成本约 2.41 美元;Mobile-Use 以 API 优先、GUI 兜底方式自动操作,端到端成功率 90%、时延降低 28.8%。

来源:千问大模型

腾讯混元推出专业级生图模型 Hy Image3.5 preview

腾讯混元推出专业级生图模型 Hy Image3.5 preview,综合能力较 3.0 版本提升约 30%,在专业设计师盲测中与 Seedream 5.0 Pro 持平。模型支持文生图、图生图、多轮对话编辑与 2K 分辨率输出,API 定价 0.15 元/张,已上线 腾讯元宝、ima.copilot、Miora 等应用,主打高性价比的专业创作。

来源:腾讯混元
9月22日 周二

月之暗面推出 Kimi Code 官方桌面客户端 Kimi Code Desktop

月之暗面把 Kimi Code 编程智能体从命令行搬进桌面,推出官方客户端 Kimi Code Desktop,macOS 与 Windows 同步上线。打开本地文件夹即可对话驱动 Agent 读写代码、执行命令,内置终端、浏览器与 Git 面板;权限分始终询问、必要时询问、完全自动三档,另有 Plan、Goal、Swarm 三种模式。

来源:月之暗面 Kimi

SpaceXAI 推出最新旗舰大模型 Grok 4.7

SpaceXAI 推出新一代旗舰模型 Grok 4.7,参数从 Grok 4.6 的 1.5 万亿提升至 2.1 万亿,定价维持每百万输入 2 美元、输出 6 美元。官方数据显示 CursorBench 4.0 得分 46.3%,Terminal-Bench 4.0 从 20.3% 升至 38.0%,GDPval 升至 1695 分,已上线 xAI API 与 Cursor。

来源:机器之心

小米开源全模态模型系列 Xiaomi MiMo-V2.6

小米开源全模态模型系列 Xiaomi MiMo-V2.6,Pro 为 1.02 万亿参数、每 token 激活 42B,Flash 为 3090 亿参数、激活 15B,均支持 100 万 token 上下文与文本、图像、视频、音频输入,以 MIT 许可开放权重。Pro 在 Artificial Analysis 智能指数取得 46 分,API 定价与 MiMo-V2.5 持平。

来源:Xiaomi MiMo
9月21日 周一

剪映推出一站式 AI 视频创作入口「剪映Hub」

剪映专业版上线一站式创作工作台 剪映Hub,由无限画布与多轨道编辑器构成:可从一句话、一个参考视频或一份文档出发梳理脚本,调用 即梦AI、小云雀 等平台生成图片、视频与音频素材,再进多轨道精修,省去跨软件导入导出。配套的剪映助手 Agent 可代做素材整理、口播删减与字幕纠错,首期计划上线 20 余个官方精品 Skill。

来源:量子位

LibTV 1.5 版本更新,五大独家功能升级创作全流程

AI 影视创作平台 LibTV 发布 1.5 版本,一次性补齐五大功能:角色造型室可对五官、发型、服饰逐项可视化调整并存为角色卡复用;剧本创编在改写台词时会提示对大纲与伏笔的连带影响;导演分身能导入个人创作方法,自动拆分镜并批量优化提示词;3D-BOX 虚拟影棚无需建模,对话即可搭景、画线预演运镜;成片精修提供创意片头、字幕调整与口播粗剪。

来源:LibTV

阿里通义团队开源图像模型 Qwen-Image-2.1

阿里通义开源图像模型 Qwen-Image-2.1,视觉生成部分参数量 7B,采用 32 层 Single-Stream DiT 架构,原生支持透明图像生成与透明图层编辑,单次最多参考 10 张图,并提供圈选、涂抹等局部编辑,在 Qwen-Image-Bench 上以 60.28 分成为该榜开源模型最高分,模型以研究许可发布、禁止商业使用。

来源:千问大模型

阶跃星辰推出旗舰模型 Step 5 Preview

阶跃星辰推出旗舰基座模型 Step 5 Preview,采用稀疏 MoE 架构、总参 600B/激活 27B,支持 100 万 Token 上下文与原生文本、视觉输入,Artificial Analysis 智能指数 44 分,单任务成本为 Claude Opus 5 的 1/8,代码评测覆盖 553 个仓库、9 类任务与 33 种语言,完整权重尚未释放。

来源:阶跃StepFun

阿里智能体工作台 Qoder 正式上线 Qoder Sites

阿里 Qoder 正式上线 Qoder Sites,用户一句话即可构建并发布网页应用、生成分享链接,支持权限管理。与多数 Vibe Coding 产物不同,Qoder Sites 能同步创建后端数据库,页面数据可持久保存、状态持续更新,还可绑定 Qoder Cloud Agents 接入 Agent 能力;Qoder v0.3.3 与 CLI v1.1.54 已全面支持。

来源:阿里云

MiniMax 开源命令行 AI 编程工具 MiniMax Code CLI

MiniMax 把命令行 AI 编程工具 MiniMax Code CLI(MMX-CLI)的 v0.4.12 版本源码开源到 GitHub,采用 MIT 协议。它在 FrontierHarness Eval 中任务通过率 76.7%、成功任务耗时中位数 4 分 33 秒,两项均优于公开基线;官方称开源意在让开发者审查工具的调用逻辑与权限处理方式。

来源:MiniMax 稀宇科技

阿里 HappyOyster 1.0 系列世界模型上架阿里云百炼

阿里 HappyOyster 1.0 系列世界模型正式上架阿里云百炼,主打实时生成、持续演化的开放世界体验,开发者无需邀测即可直接调用 API。Adventure 可基于文本或图像生成可自由探索的开放世界,支持实时移动与镜头控制;Directing 能在世界生成后用文本指令实时驱动角色、剧情与镜头,目前仅支持新加坡与美国(弗吉尼亚)地域。

来源:阿里云百炼

智谱正式开源 ZCode

智谱正式开源旗下编程工具 ZCode,源码托管到 GitHub,涵盖桌面端、Web 工作区、后端、Agent CLI 与运行时,官方同时为代码上传争议致歉,承诺数据无留存、从未用于模型训练。客户端 v3.14.0 已移除 Repo Wiki 功能并切断本地仓库快照上传链路,信通院评测确认其阿里云 OSS 存储桶为零数据状态。

来源:ZCode
9月20日 周日

Figure 推出全身人形机器人 VLA 基础模型 Helix 2.5

Figure 正式推出全身人形机器人 VLA 基础模型 Helix 2.5,在 30 户从未采集过数据的陌生家庭中完成整理客厅、折叠毛巾、铺床三类长时序家务,零样本全身任务成功率达 56%,而从零训练的策略仅 9%。其泛化能力来自 Index 人类行为数据集预训练,任务专用数据用量约为上一代 Helix 02 的一半,硬件载体为 Figure 03 人形机器人。

来源:AI工具箱

阿里通义推出端到端实时同声传译模型 Qwen3.8-LiveTranslate

阿里通义正式推出端到端实时同声传译模型 Qwen3.8-LiveTranslate,字均延迟(LAAL)降至 2.3 秒,支持 60 种语言音频输入与 29 种语言语音输出。基于 Hybrid MoE 的 Thinker–Talker 双模块把音频与文本压进同一条交织序列,并新增实时说话人分离,14 个语向的流式分离错误率为 9.7%。

来源:AI工具箱

xAI 推出实时语音转写模型 Grok Voice Transcribe 2.0

xAI 正式推出实时语音转写模型 Grok Voice Transcribe 2.0,在 Artificial Analysis 的 32 个流式转写模型中准确率排名第一,19 种语言短句的词错误率降至 6.8%。批量转写 0.10 美元每音频小时、流式 0.20 美元;说话人分离、词级时间戳与每请求 100 个术语偏置均不额外计费。

来源:AI工具箱

OpenAI 在 Microsoft Word 上线 ChatGPT 官方加载项,免费档位同样可用

OpenAI 将 ChatGPT 以官方加载项形式接入 Microsoft Word,与 Excel、PowerPoint 共用同一个加载项,覆盖包括 Free 在内的全部订阅档位。侧边栏可从笔记起草、汇总长文、改写选段并统一标题格式;免费与 Go 档调用 GPT-5.6 Luna,付费档才给 GPT-5.6 Sol,按 token 计费并与 Codex 共享额度。

来源:IT之家

Anthropic 为 Claude Code 新增 AGENTS.md 通用智能体配置支持

Anthropic 为旗下智能体编程工具 Claude Code 的 2.1.277 版本新增对 AGENTS.md 的支持,开发者可用一份通用配置文件统一描述智能体的角色、工具与运行约束,无需为不同产品重复维护提示词。AGENTS.md 正成为 OpenAI 与 Anthropic 共同采纳的跨厂商智能体标准,同一份配置即可在多个智能体产品间复用。

来源:IT之家
9月19日 周六

OpenAI 推出 Astra for Law 法律AI基础平台

OpenAI 正式推出 Astra for Law 法律AI基础平台,法律检索索引收录超 2.3 亿个 URL,判例部分覆盖 99.9% 以上已发布的美国先例判例法。在 ValsAI 的 200 道题中,其正确率 54.0%,高于仅用网页搜索的 GPT-6 Astra 的 38.7%,目前通过申请制 Trusted Access 计划向选定美国律所开放。

来源:AI工具箱

特斯拉推送更新 豆包大模型语音助手扩至更多车型

特斯拉推送 2026.26.200.11 版本更新,把 豆包大模型 语音助手扩展到更多车型。该功能需订阅高级车载娱乐服务,支持多音色角色切换与自然口语交互,并同步升级宠物模式自定义、盲点警报氛围灯与开门预警,用户在车机端登录豆包账号后即可启用,豆包大模型的语音能力也正从手机与办公场景持续延伸到车载终端,逐步成为车机端的主要交互入口。

来源:AI工具箱

阿里千问上线高德门店经营专家套件 覆盖 10 项技能

阿里千问为 千问办公 上线高德门店经营专家套件,整合选址顾问、商场洞察与门店诊断三大能力共 10 项技能,覆盖从选址评估到日常经营分析的全链路,把商圈数据与经营诊断收进同一入口。用户授权高德账号后即可调用,无需在多个系统之间来回切换,面向连锁品牌与零售团队提供一站式门店决策支持,门店拓展团队不必再逐个平台重复取数。

来源:AI工具箱
9月18日 周五

阿里千问推出新一代原生全模态模型 Qwen3.8-Omni-Flash

阿里千问推出新一代原生全模态模型 Qwen3.8-Omni-Flash,支持文本、图像、音频与视频输入及 1M 长上下文,30 项评测较上代平均提升超 26%,音频能力整体超越 Gemini 3.8 Flash,API 音频输入价格降幅超 98%。模型可端到端完成视频剪辑、短剧翻译、电影解说与会议纪要执行等长程工作流,面向需要把音视频素材直接产出成稿的团队。

来源:千问大模型

智谱推出高速推理模型 GLM-5.3-FlashX

智谱推出高速推理模型 GLM-5.3-FlashX,最高推理速度达 200 tokens/s。模型此前以「Ox Alpha」代号与开发者见面,调用量持续攀升,此次基于 10 万张国产芯片的推理算力加大 Infra 侧投入与推理优化。前代 GLM-5.3-Flash 长期保持同尺寸最强智能水平,本次提速形成智能、价格与速度的全面竞争力。

来源:智谱

腾讯正式推出 AI 游戏创作平台 「游点灵」

腾讯 AI 游戏创作工具「代号 Craft」正式定名为 游点灵 CraftBuddy,新名称延续「Craft」并融入伙伴概念,定位为用户的「AI 游戏创作搭子」。用户可访问 craft.qq.com 体验由游点灵创作的游戏,创作资格正陆续发放,关注官方渠道可获取活动消息。

来源:AI工具箱

Kimi 发布金融行业解决方案

月之暗面正式发布 Kimi 金融行业解决方案,整合 10+ 权威数据源、9 项金融技能与 5 项合规措施。方案与中信建投证券共建「风险评估网关」,试点覆盖 50 余家发行人、100 余只存续公司债券,单份受托报告制作时间由约 30 分钟缩短至 10 分钟、人工投入下降 67%。方案已全面上线,覆盖网页版、Kimi Work 及企业级托管智能体,数十家金融机构已接入。

来源:月之暗面 Kimi
9月17日 周四

腾讯推出 AI 原生语音输入助手 Chatterfly

腾讯推出的 AI 原生语音输入助手 Chatterfly 进入内测,主打 Fn 键口述即出成稿,内置会议纪要、工作汇报、营销文案等 6 个可独立开关的场景技能,并可持续记忆个人表达习惯。它把语音输入从「打字替代」推进到「口述—润色—成稿」一条链路,面向需要在桌面端快速把想法落成文稿的用户。

来源:AI工具箱

科大讯飞推出全国产语音基座大模型 Spark-Audio-1.0-Preview

科大讯飞上线全国产语音基座大模型 Spark-Audio-1.0-Preview,采用 0.65B 语音编码器配 30B-A3B MoE 解码器,支持 99 种语言与 202 种方言,在 Fleurs 中文测试集上达到 SOTA。模型可在弱网、嘈杂、轻声等环境下保持稳定识别,并开放体验入口,面向需要高精度语音转写与实时对话的场景。

来源:科大讯飞

腾讯云开源自托管 AI 助手 Octop 发布 1.0 正式版

腾讯云自研的开源自托管多用户 AI 助手 Octop 发布 1.0 GA 正式版,采用 MIT 协议,GitHub 星标已突破 3000。本次更新补齐 RAG 知识库公共与私有分级检索、页面与功能级 ACL 权限、Token 额度限制与专家沙箱隔离;同步上线 macOS、Windows、Linux 桌面客户端与飞牛 NAS 应用,并在腾讯云轻量应用服务器 Lighthouse、云服务器 CVM 镜像市场上架官方镜像,一条命令即可把 AI 协作中枢部署在自己的机器上。

来源:腾讯云服务器
9月16日 周三

生数科技推出实时交互与编辑视频模型 Vidu S2

生数科技推出 Vidu S2,包含 S2-Avatar 与 S2-Editing 两款模型。S2-Avatar 把实时输出分辨率提升至 720P、帧率达 25–42 FPS,支持对话中动态更新参考图并连贯完成摘戴帽子等动作;S2-Editing 可对输入视频流实时完成风格迁移、虚拟试穿、人物替换与背景替换四类编辑。S2-Avatar 在 StreamAV-Bench 九项指标全部居首,S2-Editing 在 OpenVE 与 RefVIE 联合评测取得 4.26 综合分。

来源:生数科技

科大讯飞推出全场景 AI 生产力工作台 AStudio

科大讯飞推出桌面 AI 生产力工作台 AStudio,以星火 X2.5 为核心,搭载自研 ACode Harness 智能体执行内核,支持多模型切换、Plan 规划与目标 Goal 两种运行模式及多智能体协作。产品划分日常空间与项目空间,可连接本地文件与真实项目,直接交付文档、网页、代码等成果并完成验证,已接入支付宝、高德、飞书等第三方工具。

来源:讯飞开放平台

谷歌推出原生实时语音对话模型 Gemini 3.8 Live

谷歌推出原生实时语音对话模型 Gemini 3.8 Live,同时提供标准版与 Extended Thinking 版两个版本。标准版主打规模化部署与成本优化,支持 97 种语言自动切换、近实时视觉理解与后台工具调用;Extended Thinking 版强化多步推理,可让模型在推理的同时持续发言,并在多项语音质量基准测试中排名第一。它与此前发布的推理与编码模型 Gemini 3.8 形成能力互补。

来源:IT之家

豆包工作模型上新,同时推出「豆包工作伙伴」

豆包官宣两大更新:豆包 2.1 Pro 模型完成 0915 小版本升级并全量上架火山方舟,同时推出 AI 办公协作智能体「豆包工作伙伴」。该智能体以独立身份加入飞书群聊、文档与会议,拥有自己的权限与记忆,可随 @ 随到、主动补位,承接资料整理、深度调研与进度跟进等任务。豆包工作覆盖群聊、文档、会议与电脑操作四类入口,企业可对其权限、额度与数据范围做集中治理。

来源:豆包工作
9月15日 周二

上海 AI Lab 开源多模态基础大模型「书生-S2」

上海人工智能实验室开源基础大模型书生-S2,通用能力居开源第一梯队,生物、材料、化学及 IMO-Proof / AdvancedMathBench 等科学长程任务比肩顶尖闭源。模型通过 Memory Decoder 架构引入可插拔专业记忆模块,兼顾领域扩展与通用能力;并强化长程推理与智能体执行。

来源:书生Intern

宇树开源通用人形基础模型UnifoLM-WLA-1.0

宇树科技宣布全开源新一代通用人形机器人基础模型UnifoLM-WLA-1.0,代码、模型与数据集同步开放。模型基于大规模多模态感知理解与交互中心世界建模训练,使用约 2500 小时真机数据;多项具身推理评测领先开源模型、比肩头部闭源模型,真机可单模型统筹 64 个任务,覆盖桌面与全身移动操作,具备跨任务、跨末端执行器泛化。

来源:Unitree宇树

阶跃星辰推出语音大模型系列 StepAudio 3

阶跃星辰推出StepAudio 3系列语音大模型,含 Realtime、ASR、TTS、Gen、Music 五款,多款在 Artificial Analysis 榜单全球第一。Realtime 以 98.9% 综合得分登顶实时语音交互榜首,ASR 词错误率仅 1.7% 并列第一。模型覆盖实时对话、语音识别、真人级合成、全音频生成及音乐创作。

来源:阶跃StepFun

智象未来推出全模态视频生成模型 HiDream-O1-Video-1.0

智象未来推出首款原生全模态视频模型HiDream-O1-Video-1.0,支持多模态输入,一键直出 5-20 秒 1080p 视频,在意图理解、物理规律、叙事规划及音画一体化生成上全面升级,获 Artificial Analysis 图生视频榜全球第四、Arena.ai 榜第 8,标志中国 AI 视频进入全球第一梯队。

来源:HiDream智象元一
9月14日 周一

月之暗面 Kimi 推出新一代主力模型 K2.8 Preview

月之暗面将新一代主力模型 Kimi K2.8 Preview 全量上线 Kimi Code 与 Kimi Work,全部会员档位开放最高 1M 上下文窗口。官方称其综合性能接近旗舰 Kimi K3,思考效率较 Kimi K2.7 Code 显著改善,支持 low/high/max 三档 thinking effort 以及图片、视频输入,本次预览未公布任何基准测试数据。此前 Kimi K3 带动公司年度经常性收入(ARR)在两个月内从 3 亿美元增至 10 亿美元以上。

来源:量子位

亚马逊云科技推出企业级 AI 工作助手 Amazon Quick

亚马逊云科技将企业级 AI 工作助手 Amazon Quick 桌面端在 macOS、Windows 正式开放,并在 iOS、Android 端上线动态信息流:邮件、消息、CRM、日历汇入按优先级排序的视图,Agent 处理完的事项自动消失,只留需人工判断的队列。个人档 20 美元/月起,Professional 与 Enterprise 档每月 Agent 时长分别由 4、8 小时提升到 8、18 小时,并取得 HIPAA、FedRAMP、SOC 2、ISO 27001 认证。

来源:亚马逊云科技

蚂蚁灵波科技开源实时交互世界模型 LingBot-World 2.0

蚂蚁灵波科技开源实时交互世界模型 LingBot-World 2.0 系列三款模型:Small 仅 1.3B 参数,面向消费级单卡 GPU,可在单卡上实时生成世界;Bidirectional 作为双向 Teacher 模型提供高质量蒸馏源;Causal Pretrain 提供因果预训练底座,支持相机位姿与文本提示两类输入。该系列可小时级连续生成不漂移,高配推理下达到 720P/60FPS。与同类世界模型 Zing-0.5 相比,1.3B 版本把本地实时运行门槛进一步压低。

来源:蚂蚁灵波科技
9月13日 周日

谷歌 DeepMind 推出 AlphaGenome Atlas 全基因组变异图谱

谷歌 DeepMind 正式推出全基因组变异效应预测图谱 AlphaGenome Atlas,覆盖人类基因组全部单碱基变化的效应打分,配套交互式浏览器与 API,可服务于遗传病位点解读与基因编辑脱靶评估。

来源:AI工具箱

微软为 Microsoft 365 Copilot 推出自主智能体 Project Opal

微软正式为 Microsoft 365 Copilot 推出自主 AI 智能体 Project Opal,可在企业级云桌面自动执行审计、HR 入职等跨系统任务,支持实时监控与人工接管。

来源:AI工具箱

微软发布 VS Code 1.137 支持按计划调度 AI 智能体

微软正式发布代码编辑器 VS Code 1.137,支持让 AI 智能体按预设计划自动执行编辑、运行与提交,并新增代理式终端与多文件重构能力。

来源:AI工具箱
9月12日 周六

小米开源目标说话人语音识别大模型 Xiaomi-CocktailASR-1

小米正式开源目标说话人语音识别模型 Xiaomi-CocktailASR-1,可通过参考音频锁定目标说话人并只转录其发言,LibriMix 2mix 测试集上词错误率(WER)低至 4.11%,通用模型 Qwen3-ASR 为 68.75%;权重与代码以 Apache 2.0 协议开放。

来源:AI工具箱

Cursor 开启 Projects beta 支持数千子智能体并行

Cursor 正式开启 Cursor Projects beta,由协调智能体跨数月维护项目上下文,向数千个子智能体并行派发任务,合上笔记本后仍在云端运行;支持订阅 Slack 频道、PR 与定时任务触发,实现无人值守交付。

来源:AI工具箱

OpenAI 开放 Agents API 公测并开源 Codex harness

OpenAI 正式将驱动 Codex 的智能体框架以 OpenAI Agents API 开放公测,一次调用即可拉起生产级 agent,会话编排、上下文压缩与子智能体并行全部托管;不收额外 API 费用,仅按 token 与工具用量计费,底层 Codex harness 同步开源。

来源:AI工具箱
9月11日 周五

基元律动联合无问芯穹推出 Agent-Native 模型 NeoHorse-1

基元律动联合无问芯穹与清华大学、北京大学、香港中文大学、阿里巴巴等推出开源 Agent-Native 模型 NeoHorse-1,提供 4B 与 9B 两个版本,原生支持 262,144 tokens 上下文。模型训练数据取自 Harness 结构化执行轨迹,官方十项基准宏平均 69.04,高于同规模 Qwen3.5-9B 的 65.60 与 Gemma-4-12B-it 的 63.51,tau²-Bench 智能体评测达到 90.82。

来源:基元律动

OpenAI将实时语音模型 GPT-Live-1 上线 API

OpenAI 正式将 GPT-Live-1 上线 API,把全双工语音能力开放给开发者调用。前端语音层按 0.05 美元/分钟计费,模型将语音理解与输出合并进同一个模型,轮次延迟降至 0.798 秒;官方称全双工基准得分提升 30 个百分点,搭配 GPT-6 Astra 可在语音智能体评测中排名第一,支撑餐厅预订、客服等电话场景。

来源:IT之家
9月10日 周四

DeepSeek 正式开源 V4.1 Flash

DeepSeek 正式开源多模态模型 DeepSeek V4.1 Flash:552B 总参 MoE 架构,输入仅激活 8B、输出 16B,原生支持多模态并大幅压缩 KV Cache,显著降低 Agent 场景推理成本。API 已同步上线,调用名改为 deepseek-flash,腾讯 WorkBuddy、CodeBuddy 与 OpenCode 已完成全量接入。

来源:DeepSeek

阿里 Qoder 国际版上线内置模型 Sonus

阿里 Qoder 国际版新增内置模型 Sonus,主打超长自主任务执行与电脑操作能力。配合 Qoder 桌面端 0.2.3 版本优化,Sonus 可直接操控电脑及各类专业软件,自主完成编程、金融建模、科学研究、制作电子表格等复杂任务。

来源:Qoder

蚂蚁开源原生多模态大模型 Ling-3.0-flash-VL

蚂蚁百灵开源百灵系列首个原生多模态大模型 Ling-3.0-flash-VL,总参数 124B、单次推理仅激活 5.5B,原生支持图像、文本、视频与 256K 上下文,BF16 与 FP8 权重以 MIT 协议上架 Hugging Face。模型引入「观察—行动—验证—修正」视觉反馈闭环,在 Artificial Analysis 评测中较纯文本版提升 4 分,面向网页复刻、GUI Agent 与医疗报告解读场景。

来源:蚂蚁百灵 inclusionAI

Meta 推出首款个人智能体 Muse

Meta 正式发布首款个人智能体 Muse,已在美国上线 iOS、Android 与 Web 端,可自主完成发送邮件、预订行程、在线购物等任务。产品提供免费档与 20、100 美元月订阅;每个用户的 Muse 运行在独立的云端专用沙箱中,发送邮件或完成购物前需用户确认,对话数据不进入广告系统,底层模型为 Muse Spark 1.3。

来源:IT之家

ChatGPT 语音模式支持调用 GPT-5.6 Sol 和 GPT-6 Astra

OpenAI 更新 ChatGPT 语音模式,用户可在语音对话中自选模型与推理深度,GPT-6 Astra 处理搜索与复杂推理,每次转交底层文本模型均计入消息额度。同步简化 GPT-Live 限额:200 美元 Pro 套餐可无限使用 GPT-Live-1,原有 Instant、Medium、High 三档独立语音智能等级停用。相关工具页见 ChatGPT。

来源:IT之家
9月9日 周三

小米开放邀测桌面AI应用 XiaoMi MiMo Desktop

小米 MiMo 团队宣布 XiaoMi MiMo Desktop 开放邀测,这款桌面AI智能体应用可直接读取表格、PDF、音视频等素材,自动拆解任务并调用工具,交付可继续编辑的文档、网页、3D 与 App;内置 Smart 调度在同会话缓存命中率最高达 99%,邀测用户可限时限量免费体验 MiMo-X-Pro-Preview 与 MiMo-X-Flash-Preview 两款新模型。

来源:Xiaomi MiMo

智象未来正式上线内容创作智能体 vivago R1

智象未来旗下内容创作智能体 vivago R1 正式面向全球用户上线,国内版「够搭」同步完成升级。产品定位全球首个无限时长内容创作智能体,可一次性稳定输出 5 分钟高质量视频并支持多轮延长,依托自研 HD-AgentOS,内容有效可用成功率达 85%,vivago.ai 全球用户已突破 7000 万。

来源:HiDream智象未来

OpenAI 推出新一代图像生成模型 ChatGPT Images 2.5

OpenAI 推出新一代图像模型 ChatGPT Images 2.5,在细节、编辑精准度和生成速度上全面升级,生成延迟较 2.0 版本降低 50%,多轮编辑一致性显著增强,能更好保留参考照片主体。目前用户每周通过 ChatGPT Images 及 API 生成超 30 亿张图片,API 同步推出 GPT-Image-2.5 Flare 与 Sunburst 两款模型。

来源:OpenAI
9月8日 周二

腾讯混元升级 Hy4 preview 模型

腾讯混元针对复杂任务中的长思考、过度自我验证等问题,对旗舰模型 Hy4 preview 完成专项升级,已通过 Bench 指标与人工评测双重监控全量上线。新版本在不损失任务效果的前提下,显著降低任务轮次及输入输出 token 消耗,效率提升明显。

来源:腾讯混元

蚂蚁集团开源统一图像生成与编辑模型 LLaDA-Image

蚂蚁集团 InclusionAI 开源 6B 参数统一图像生成与编辑模型 LLaDA-Image,搭载自条件学习与统一生成编辑架构,TwinFlow 蒸馏技术将推理步数从 50 步压缩至 2-4 步。在 Qwen-Image-Bench 中,该模型以中文、英文双料成绩位列开源第一,综合表现介于 GPT Image 1 与 Imagen 4.0 Ultra 之间。

来源:蚂蚁开源

DeepSeek内测新模型 DeepSeek V4.1 Flash

DeepSeek 开启新版旗舰模型 DeepSeek V4.1 Flash 中间版内测,定位「原生多模态低成本主力」,上下文窗口与单次 token 价格均向中小开发者倾斜,工具调用与代码生成对标自家 V4-Pro 系列同档表现。该中间版将于 9 月 10 日自动过期,开发者被引导迁移至随后正式版,是 V4 系列首次以「内测即对外开放 API」形式曝光。此前视觉多模态方向体验可参考已发布的 DeepSeek-V4-Flash-Vision-Exp。

来源:智东西

面壁智能开源端侧语言基座模型 MiniCPM5-2B

面壁智能联合 OpenBMB 开源 2B 端侧语言基座模型 MiniCPM5-2B,在 AA 榜单位列全球 4B 以下开源模型第一,综合 23 分,Agentic Index 达 20 分、约为同级十倍。项目同步开放 UltraData 数据、Meshy 框架与 JustRL II,并已完成英特尔、瑞芯微、Arm 等平台 Day0 适配。

来源:面壁智能
9月7日 周一

科大讯飞正式推出星火X2.5

科大讯飞正式推出 星火X2.5,这是基于全国产算力训练的旗舰大模型,采用 MoE 293B-A30 架构、支持 256K 上下文,重点强化代码生成与智能体(Agent)能力,并覆盖 200 余种语言,推理定价当前限时 5 折。

来源:科大讯飞

阿里正式推出 QoderWake 1.0

阿里正式推出 QoderWake 1.0,把「AI 数字员工」的管理做成企业人事系统:企业可以像招聘真人一样,对 AI 员工进行招募、培训、授权与考核,让人负责决策把关、数字员工负责执行推进。该产品将优秀员工的能力沉淀为可复用的数字化生产力,为研发、运营等多岗位提供几乎不设上限的数字化人力产能。

来源:Qoder

马斯克 xAI 将 Grok Bot 适配 iPad 与安卓,补全四大终端

马斯克旗下 xAI 将 Grok Bot 适配至 iPad 与安卓端,补齐 Mac、iPhone 后实现四大终端全覆盖。Grok Bot 定位 AI 智能体协作平台,支持多个 Agent 24 小时组队执行任务、跨应用登录并共享任务上下文,可在机器人之间传递信息、协同推进项目。目前该功能已向全平台用户开放。

来源:IT之家

阿里联合淘天开源电商经营评测基准 E-Commerce Bench

阿里联合淘天集团开源电商经营评测基准 E-Commerce Bench,让大模型以 10 万元本金在真实市场数据中经营网店 365 天,覆盖选品、定价、供应商谈判、库存与促销全链路。在 18 个主流模型、各 5 轮评测中,Qwen3.8-Max-Preview 在复购环节展现出持续压价能力,GPT-5.6 Sol 则以 14 倍资产增值领跑。

来源:千问大模型
9月6日 周日

微软推出 MAI-Image-2.6-Flash:生图速度达 GPT-Image-2 的 2.8 倍

微软近日通过 Microsoft Foundry 开放 MAI-Image-2.6-Flash 公开预览,面向高吞吐生产负载。官方称其生成速度达 GPT-Image-2-Medium 的 2.8 倍、GPU 效率提升 72%,保持旗舰级画质,支持多图参考编辑与动态宽高比,最高输出 1.5K 分辨率。

来源:微软AI官方博客

谷歌 DeepMind 发布 WeatherNext 3:每小时刷新、5 公里分辨率全球预报

谷歌 DeepMind 近日发布 WeatherNext 3,号称迄今最精准的全球天气 AI 模型。它直接吸收实时卫星观测、每小时生成全球预报,将温湿度等地面变量分辨率提至 5 公里(较上代 25 公里网格清晰约 5 倍),已接入谷歌搜索、地图与 Gemini。

来源:Google 官方博客

匿名模型 Omen Alpha 上线 OpenCode,线索指向智谱 GLM 系列

继 Ox Alpha 确认为智谱 GLM-5.3-Flash 后,新模型 Omen Alpha 近日上线 OpenCode Go,多方线索指向其同样来自智谱,但厂商尚未正式认领。该模型延续匿名 Alpha 路径,参数与能力未公开,社区据接口特征推断其定位。

来源:IT之家
9月5日 周六

英伟达开源 PAIR:本地 AI 跨设备调度新方案

英伟达以开源测试版发布本地 AI 调度工具 NVIDIA PAIR(Personal AI Router),可在局域网内为本地 AI 请求自动选择空闲的 Mac 或 RTX PC 执行推理,类似把任务分派给空闲工位的调度员,缓解单设备算力瓶颈,面向开发者与小型团队的本地化部署场景。

来源:IT之家

谷歌 Lyria 3.5 登陆 Gemini:一键生成 3 分钟完整歌曲

谷歌于9月5日宣布在 Gemini 应用与 Gemini API 中上线音乐生成模型 Lyria 3.5,支持一键生成最长3分钟的完整歌曲,标志其音乐AI从内部实验工具 Flow Music 走向主流用户与开发者生态。该模型继承 Lyria 3 系列多模态生成能力,面向歌词创作与人声合成场景。

来源:IT之家
9月4日 周五

微软推出最强语音转写模型 MAI-Transcribe-2

微软推出最强 AI 语音转写模型 MAI-Transcribe-2,在 60 种语言的 FLEURS 测试中平均词错误率仅 5.2%,准确率与速度均领先同类语音转写模型,支持说话人分离、逐词时间戳与 verbatim/clean 双模式,已在 Microsoft Foundry、OpenRouter 开放调用。

来源:IT之家

英伟达约130亿美元收购开源AI平台 Hugging Face

英伟达宣布以约129.3亿美元收购全球最大开源AI平台 Hugging Face,交易含119亿美元股东付款与最高10亿美元员工股权激励。Hugging Face 目前汇聚超1800万名开发者、托管300余万个开源模型,收购后将继续保持开放定位、不强制绑定英伟达算力。这笔交易标志着英伟达从芯片层向「算力+模型分发+开发者生态」全栈延伸,是近年全球AI基础设施领域规模最大的收购之一。

来源:财联社

OpenAI 推出最新旗舰大模型 GPT-6 Astra

OpenAI 推出 GPT-6 Astra,官方称其为迄今最智能、对齐程度最高的旗舰大模型,首次达到关键级网络安全门槛,可自主发现并修复未知漏洞,在计算机操作、软件工程与科研任务上刷新多项纪录。

来源:IT之家
9月3日 周四

谷歌推出推理与编码模型 Gemini 3.8

谷歌正式推出 Gemini 3.8 系列,包含通用推理与编码模型 Gemini 3.8 Flash,以及专注漏洞发现与自动补丁修复的 Gemini 3.8 Flash Cyber。3.8 Flash 在长程软件工程基准 DeepSWE v1.1 上得分 71.0%,较 3.7 Flash 的 65.3% 明显提升,并在多项编码基准上超越 GPT-5.6 Sol;API 价格维持每百万 Token 输入 0.75 美元、输出 3.75 美元不变,Flash Cyber 通过 Fairwind Program 向可信防御方开放。

来源:AI工具箱

Meta 推出新一代大语言模型 Muse Spark 1.3

Meta 正式发布新一代大语言模型 Muse Spark 1.3,专注长程智能体与编码场景。新版本在编码基准上超越 GPT-5.6 Sol、与 Claude Fable 5.1 持平,支持 1M tokens 上下文窗口,工具调用较前代减少约 20%、Token 消耗降低约 25%,API 维持输入 1.25 美元 / 输出 4.25 美元每百万 tokens 的定价。

来源:AI工具箱

腾讯混元开源 Hy4 preview 轻量版

腾讯混元正式推出 Hy4 preview 轻量版 并开源,通过自研 Sherry 稀疏三值量化与 MIX-STQ1_0 混合精度策略,将模型权重从约 1.5 TB 压缩至 214 GB(体积减少约 86%),在主流任务上表现接近 BF16 原版。轻量版已上线 Hugging Face 与 GitHub,支持 llama.cpp、vLLM 等框架,可在消费级硬件联合推理部署,为端侧量化场景提供新选择(同类参考 Hy-MT2)。

来源:腾讯混元

阿里云 Qwen 3.8-Max 发布 0902 版本,编程与多步推理登顶

阿里云千问团队发布 Qwen 3.8-Max 的 0902 版本,针对编程与专业办公场景做了强化后训练。新版本在 CodeArena 前端编程总榜以 1691 分登顶,多步推理、工具调用与端到端 App 生成能力刷新全球上限,每百万 Tokens 调用成本仅 5 美元。

来源:阿里云

阿里云「万有无界」企业级 Agent 协作平台开启公测

阿里云推出企业级 Agent 协作平台 万有无界 并开启公测,底层可调用旗舰模型 Qwen 3.8-Max 等。平台将复杂任务拆给多位不同职责的 Agent,通过项目空间、群聊协作与资产库推进工作,内置「小万」个人助理与「小有」项目经理两个主 Agent,覆盖影视、制造等多行业场景。

来源:阿里云

Kimi API 已原生支持 Codex 和 Claude Code

Kimi 开放平台宣布 API 功能更新,原生支持 Codex 与 Claude Code 接入。Kimi API 现已兼容 OpenAI Responses API 格式与 Anthropic Messages API 格式,用户无需格式转换或本地代理,可直连 Kimi K3、Kimi K2.7 Code 等模型。

来源:Kimi开放平台
9月2日 周三

Anthropic 推出 Claude Fable 5.1 和 Claude Mythos 5.1两款模型

Anthropic 推出 Claude Fable 5.1 与 Claude Mythos 5.1 模型,定位“全球最先进的编程与知识工作模型”。Claude Fable 5.1 面向所有用户,Claude Mythos 5.1 仅限审核机构使用。性能方面,Claude Fable 5.1 在 Terminal-Bench-Science、CursorBench 等多项基准测试中超越前代及 GPT-5.6 Sol。

来源:IT之家

李飞飞 World Labs 推出全球首个多模态世界模型 Atlas

李飞飞旗下 World Labs 推出全球首个多模态世界模型 Atlas,采用多模态自回归扩散 Transformer 架构,支持像素级相机控制生成图像与视频、3D 场景重建及时空模拟。Atlas 在相机控制生成和 3D 重建任务中均超越现有 SOTA 模型,被视为机器人 Real-to-Sim 的关键一步,目前正向部分合作伙伴开放早期访问。

来源:量子位

Meta 推出首个实时音频感知模型 Muse Voice Transcribe

Meta 推出首个实时音频感知模型 Muse Voice Transcribe,整合流式语音识别、说话人分离与端点检测,支持 20 余人分轨转写及 70 余种语言。模型采用自适应延迟机制,兼顾实时响应与识别准确度,在 Artificial Analysis 流式语音转文本排行榜位列第一。

来源:IT之家
9月1日 周二

腾讯开源通用多模态 Embedding 模型 WeMM-Embedding

腾讯微信视觉团队开源的通用多模态 Embedding 模型 WeMM-Embedding 提供 2B/4B/9B 三档,支持文本、图像、视频、视觉文档及交错多模态输入统一编码,在 MMEB-v2 基准排行榜位列第一。模型基于 Qwen3.5 架构,采用两阶段训练与 Matryoshka 灵活维度输出。

来源:AI工具箱

小红书 FireRed 推出通用音频语言模型 FireRedAudio

小红书 FireRed 团队推出的通用音频语言模型 FireRedAudio 基于 9B 参数 Qwen3.5 架构,采用解耦连续表征设计,同时支持 ASR、音频问答、长音频理解、Zero-shot TTS、指令 TTS 与语音编辑六大任务。模型在 MMAU、MMSU、102 语种 ASR 及 Instruct TTS 等评测中均取得领先,FLEURS-102 平均错误率仅 14.94%。

来源:AI工具箱

DeepSeek-V4-Flash-Vision-Exp 模型正式开源

DeepSeek 于 2026年8月31日在 Hugging Face 以 MIT 协议开源 V4 系列首个多模态模型 DeepSeek-V4-Flash-Vision-Exp(此前已于 8月21日上线 DeepSeek API 平台)。模型原生支持图片输入,可完成图像描述、文字识别与图表分析,兼容 JPEG/PNG/GIF/WebP 四种格式。在视觉 Agent 基准中,其多模态 Agent 能力已接近 Claude Opus 4.8,纯文本任务则与 V4-Flash 正式版持平。

来源:IT之家
8月31日 周一

Loopit 开源实时交互视频世界模型 Zing-0.5

Zing-0.5 是 Loopit 开源的实时交互视频世界模型,参数规模 5B,基座采用 Wan2.2-TI2V-5B,以 Apache 2.0 协议开放代码与权重。模型支持键盘操控与自然语言语义改写的联合控制,单卡 RTX 5090 实时生成超 24 FPS,一分钟流式推理成本约 6 分钱,在 WBench 实时世界模型评测中位列第一。

来源:GitHub(Loopit 官方仓库)

蚂蚁百灵推出首个金融增强模型 Ling-3.0-flash-Fin

Ling-3.0-flash-Fin 是蚂蚁百灵推出的首个金融增强模型,延续 Ling-3.0-flash 的 124B 总参数 / 5.1B 激活参数 MoE 架构,面向真实金融工作流,强化信息检索、研究推理、估值建模与研报撰写四大能力,在 FinFIRST、FinSearchComp Verified 等金融智能体基准上表现优异。

来源:百灵大模型
8月30日 周日

OpenAI 宣布终止与 Cursor 合作,11月12日起切断模型访问

OpenAI 因 SpaceX 收购后的合规顾虑,宣布将于 11 月 12 日起终止向 Cursor 提供模型访问,称无法确信其遵守服务条款;Cursor 回应 OpenAI 模型承载其约 5% 流量,正与对方沟通解决。

来源:OpenAI

索尼、华纳等唱片公司起诉 Anthropic,指控非法抓取版权作品训练 Claude

索尼音乐、华纳音乐等唱片公司起诉 Anthropic 及其 CEO Dario Amodei,指控其未经许可使用数万首版权音乐作品(主要为歌词)训练 Claude,被称是史上规模最大的知识产权侵权案之一。

来源:The Decoder

Grok Bot 接入 X 平台,付费用户获免费 API 额度

SpaceXAI 将 Grok Bot 接入 X 平台,用户关联账号后可搜索帖子、读取时间线、查看提及并管理书签,付费用户同步获免费 X API 额度;目前仅支持读取,暂不能发帖或回复。

来源:AI工具箱
8月29日 周六

Anthropic 发布 MHS:面向物理设备的 AI 智能体统一控制标准

Anthropic 推出 MHS(Model Hardware Standard),一套让 AI 智能体统一控制显微镜、机械臂等实体设备的标准接口,把 MCP 的”软件工具标准化”思路平移到硬件侧,可将设备集成从数周压缩到小时级。底层能力依托 Claude Opus 4.6 等模型,标准本身保持中立,研究预览期结束后将开源。

来源:IT之家

Midjourney V8.2 上线:图像模型聚焦美学与个性化,新增指令编辑能力

Midjourney V8.2 图像模型已作为默认版本上线,重点提升画面美学、图像质量与个性化理解;配套首款 V8.2 图像编辑模型开放公测,支持文本指令改图、多图参考(最多 4 张)、局部重绘(inpainting)与画布扩展(outpainting),并兼容个性化、情绪板与风格参考。

来源:Midjourney 官方

阿里发布全新 Qoder:从 AI 编程工具升级为智能体工作台

阿里巴巴发布全新 Qoder,以 Coding 为核心底座、面向所有人打造的智能体工作台,用户用自然语言描述目标即可驱动 Agent 完成”读—改—验证—迭代”的长链路任务;内置 Qwen3.8-Max 等模型与 Auto 智能调度,提供编程/通用双模式,累计服务全球超 600 万用户、超 10 万家企业客户。

来源:Qoder 官方
8月28日 周五

腾讯混元新一代旗舰模型 Hy4 preview 上线预览

腾讯混元新一代旗舰模型 Hy4 preview 已开放预览版,采用 770B 总参数与 49B 激活参数的稀疏架构,原生支持 100 万 token 上下文窗口。官方实测显示,端到端推理吞吐较上一代提高 31.8%,在代码编写、办公文档、游戏开发与科研计算四类真实生产力任务中均有明显增益。科研侧进展更受关注:分子动力学模拟效率提升至原先的 2 倍,并把三维 Blaschke-Lebesgue 体积下界这一悬置百年的几何难题推进到 0.41104。

来源:腾讯混元

谷歌发布视频生成模型 Gemini Omni 1.1 Flash,最高 4K 直出

谷歌发布视频生成模型 Gemini Omni 1.1 Flash,最高可直出 4K 成片。它支持从已有片段尾部续写,每次延长 10 秒、单条累计最长 40 秒,只需指定首尾帧即可完成平滑转场与运镜。分辨率覆盖 360p 到 4K 多档,360p 预览模式生成速度快 60%、成本仅三分之一,适合分镜快速迭代;另可挂载最长 3 秒参考视频锁定角色与场景一致性。按秒计费,720p 每秒 0.1 美元、4K 每秒 0.3 美元。

来源:IT之家

阿里通义千问推出海外AI办公平台 QwenWork

QwenWork是阿里通义千问面向海外市场推出的AI办公生产力平台,集成文档处理、表格分析与智能写作等能力,主打多语言协作与企业级工作流自动化。

来源:千问办公QwenWork
8月27日 周四

腾讯混元推出端侧翻译大模型 Hy-MT2-1.8B

腾讯混元最新端侧翻译引擎Hy-MT2的1.8B轻量版利用自研Sherry 1.25-bit量化加2-bit压缩方案,将原3.3GB体积的模型在几乎不损失翻译水准的前提下缩到可端侧部署的体积,实测翻译效果超越微软及豆包等商用接口。该模型与英特尔合作做了x86指令集级算子适配后,已接入B站直播的弹幕实时翻译管线,覆盖33个语种方向,单条弹幕从输入到输出仅耗时500到800毫秒。

来源:腾讯混元

智谱推出原生多模态模型GLM-5.3-Flash

作为GLM-5系列首个原生多模态产品,GLM-5.3-Flash在320B总参数架构下仅激活18B即完成推理。AA基准测试得分57,追平Claude Opus 4.8,而API调用成本仅约后者的2.5%。模型以线性与稀疏双重注意力交替运行削减长序列开销,视觉模块直接编入主干网络,具备自主编写代码、操控浏览器及理解图形界面能力。

来源:智谱

通义千问发布多模态MoE大模型Qwen3.8-Flash

Qwen3.8-Flash是阿里通义基于MoE混合专家架构打造的新模型,125B参数量下每个token仅路由激活6B。上下文窗口原生262K并支持YaRN外推至100万token。底层做了四项革新——GDN与QSA双路注意力、门控残差机制、N-gram词嵌入策略以及Muon训练优化器,把预填充吞吐推到上一代的8.6倍同时把训练花费砍到九分之一。商用API按每百万token计费,输入0.8元输出2.7元。

来源:千问大模型

谷歌推出语音转文本模型 Gemini 3.5 Transcribe

谷歌最新语音转写引擎Gemini 3.5 Transcribe主打”理解式转写”——能自动识别并剔除说话中的”嗯””呃”等语气词以及口误自我更正内容,输出可直接使用的干净文本。与上一代Chirp 3引擎对比,处理速度提高约70%,实时流式场景下词错率压到5.5%以内。模型覆盖85种语言,预录模式支持最多3人同时说话的声纹区分,目前已在Pixel 11手机的Gboard输入法Rambler功能中实装。

来源:IT之家
8月26日 周三

谷歌实验室推出实时协作Vibe Coding工具Play with Putty

Play with Putty是谷歌实验室推出的实时协作工具,主打Vibe Coding体验。用户无需编程基础,通过自然语言描述需求,AI即可自动生成代码并实时渲染为可用工具或网站;支持多人通过链接进入同一共享空间协作,修改即时同步。产品定位轻量消费级实验工具,目前处于排队等候阶段。

来源:AI工具箱

Stability AI 完成 7600 万美元 B 轮融资

Stability AI宣布完成7600万美元(约5.12亿元人民币)B轮融资,投资方包括EA、索尼音乐、环球音乐、华纳音乐及AMD风投部门,资金将用于创意产品开发、应用研究及专业服务扩展。CEO Prem Akkaraju表示投资者将带来专业知识与行业信誉,助力生成式AI赋能创意人士。

来源:IT之家

即梦AI推出影视内容厂牌「即梦片场」

即梦AI正式推出影视内容厂牌「即梦片场」,2026年8月至12月面向影视公司与AI创作者征集电影及剧集项目。电影设S、A两档扶持,剧集设S、A、B三档,提供算力、技术与发行全链路支持,联动番茄小说IP资源。同步推出创作者成长计划,优质作品最高可获10万元现金与百万宣推资源。

来源:即梦AI

爱诗科技推出实时全模态世界模型 PixVerse R2

爱诗科技发布实时全模态世界模型PixVerse R2技术报告。R2在PixVerse R1基础上探索实时世界模型持续Scaling路径,通过Omni Causal AR统一架构支持文本、参考图、音频、动作等多模态输入,实现边生成、边交互、边演化的持续世界运行。模型采用Block-sparse Attention将稀疏度提升至90%以上,Error Bank使长期亮度漂移下降约35.8%。

来源:爱诗科技
8月25日 周二

小红书开源统一语音生成与编辑模型 FireRedTTS3

小红书 FireRed 团队开源统一语音生成与编辑模型FireRedTTS3。模型基于 RedAE 语义增强连续表示与 LLM-DiT 架构,单一模型可实现 24 种语言及 21 种中文方言的零样本音色克隆、自然语言声音设计与指定区域精准语音编辑。模型在四个公开评测集上均取得最优成绩,为有声内容、游戏配音及品牌客服等场景提供高效解决方案。

来源:AI工具箱

RunningHub 首发上线阿里视频生成模型 Wan3.0:单次最长30秒,PPT一键转视频

RunningHub首发完成对阿里视频生成模型Wan3.0的全栈适配——单次生成最长 30 秒视频,支持文本、图片、音频、视频及 doc/ppt/pdf 等文档格式输入,可一键把 PPT 转成教学或营销视频。人物与场景一致性显著提升,RunningHub 旗下 rhTV、RHSTORY、ComfyUI 等生态已同步适配,覆盖影视、广告、电商等商用场景,用户无需本地部署即可按量调用。

来源:AI工具箱

LiblibAI 推出海外AI视频创作平台 Newtake:接入 Seedance 2.5,月付 $19 起

LiblibAI 面向海外市场推出 AI 视频创作平台Newtake,定位「导演工具」。平台基于无限画布与节点工作流,集成导演控制台、电影感灯光、多视角解析及纹理角色表等功能,通过角色一致性管理解决 AI 视频「变脸」痛点,已接入 Seedance 2.5、MiniMax H3 等模型。订阅月付 $19 起,免费用户每日登录可领 100 积分。

来源:AI工具箱
8月24日 周一

字节跳动整合AI生产力:TRAE、扣子并入豆包体系,本周内将推统一办公品牌”豆包工作”

字节跳动被曝完成AI生产力团队整合:TRAE Work、扣子桌面端(Coze)与豆包大模型的工作场景能力合并,转为豆包品牌下产品线,统一向豆包产品负责人汇报;豆包大模型团队支持新业务。最快本周内将推出独立AI办公产品”豆包工作”作为字节AI办公统一品牌,整合后现有用户权益不受影响。

来源:IT之家

阿里通义万相视频大模型 Wan3.0 正式上线:单次生成30秒视频,首创支持办公文档直接转视频

阿里通义万相视频大模型Wan3.0正式上线,单次生成时长从此前的10秒级别跃升至30秒,并首创支持doc、xls、ppt、pdf、md等文档格式直接转视频——PPT上传就能变教学课件。模型落地短剧、影视、广告、文旅、音乐MV等场景;API按秒计费,480P/720P/1080P分别0.3/0.6/1.2元/秒,相比可灵3.0订阅制有更清晰的成本可控性。

来源:阿里云

中国电信天翼AI推出桌面级通用智能体助手TeleAgent

中国电信天翼AI于2026年8月21日正式推出桌面级通用智能体助手TeleAgent(星辰超级智能体),定位”AI办公搭子”,支持Windows 10(64位)及以上与macOS 13及以上系统。与普通AI”问一句答一句”不同,TeleAgent以”任务交付”为核心——自动完成文件整理、深度调研、文档写审、应用生成四大办公场景,用户下达指令即可获得直接可用的成果,默认”先列方案再执行”兼顾自动化与可控性,本地驻留+不强制上传的策略适合财务、商业机密等敏感场景。

来源:中国电信天翼AI
8月23日 周日

蚂蚁百灵开源Ling-3.0基座模型:6个训练节点权重全开放

蚂蚁百灵正式开源 Ling-3.0-tiny-base(总参7.9B/激活1.3B)与 Ling-3.0-flash-base(总参124B/激活5.1B)两个基座模型,并同步开放预训练、中期训练与WSM合并共6个训练节点权重,全部采用MIT许可证。官方基准显示tiny-base在HumanEval-Plus取得 79.27,领先Qwen3.5-9B-base的52.44;配套推理版Ling-3.0-tiny已上线OpenRouter。

来源:蚂蚁百灵inclusionAI

商汤开源SenseNova U1.5-8B-MoT正式版:Apache 2.0许可证

商汤科技开源原生统一多模态大模型 SenseNova U1.5-8B-MoT 正式版,许可证Apache 2.0。模型基于NEO-unify架构,无视觉编码器与VAE,原生支持4K输出、图像编辑与交错图文生成,官方说明其在指令遵循、文字排版、图像编辑等 六个 方面较Preview版全面升级,配套LoRA-8step加速权重同步开源。此前预览版体验可参考SenseNova U1.5-Lite-Preview。

来源:商汤科技SenseTime

Mistral推出Agentic Search:多步检索将复杂文档准确率提升至86%

Mistral AI正式推出Mistral Agentic Search智能体搜索检索层,引入多步检索循环机制,为模型赋予search、open、navigate、read、grep等文档级操作工具。在FinanceBench金融文档基准测试中,基于368份平均约147页的SEC文件,完整agentic循环准确率从单次RAG的27%提升至86%,提升约3倍;p90延迟从255秒降至154秒,token消耗减少最高33.7%。该工具支持云端Studio/Vibe和本地Docker+Vespa部署。

来源:AI工具箱
8月22日 周六

xAI Grok Build 正式全量上线:覆盖网页与移动端,支持一句话生成应用

xAI 的 Grok Build 已结束早期测试,正式向所有套餐用户开放网页端、iOS 与 Android。用户在与 Grok 对话中用自然语言描述需求,即可实时生成并运行应用或小游戏;发布后可获得 grok.me 专属链接、富预览封面,并支持在 X 以互动卡片形式分享与 Remix 二次改造。

来源:AI工具箱

DeepSeek Harness 升级 0.1.1-rc.1,新增视觉模型 V4-Flash-Vision-Exp

DeepSeek 将开源工具链 DeepSeek Harness 升级至 0.1.1-rc.1 版本,在 V4-Flash 与 V4-Pro 基础上新增视觉模型体验版 DeepSeek-V4-Flash-Vision-Exp。前一日发布的 v0.1.0-rc.8 已支持原生图片请求与 /goal、/plan 等指令的图文混合输入,开发者通过 npm 升级即可让 Agent 直接“看图干活”,补全多模态处理闭环。

来源:AI工具箱

Adobe Firefly 音频生成工具全面上线:覆盖音乐、语音与音效

Adobe 的 Adobe Firefly 音频生成工具正式上线,支持在桌面与移动端创作商业安全级别的音乐、语音与音效。调查显示 32.7% 的受访创作者已在视频中使用 AI 生成音乐,43.2% 将法律版权风险视为主要障碍,38.9% 则担心授权费用,Firefly 的商用授权模式试图降低这些顾虑。

来源:AI工具箱
8月21日 周五

OpenAI开源Codex Harness:AI Agent底层执行框架,ARC-AGI-3成绩飙升近3倍

OpenAI开源AI Agent底层执行框架Codex Harness,负责任务理解、工具调用、沙箱执行与人类审批等完整执行循环,支持CLI、SDK与app-server三大接入方式。官方基准显示,仅优化Harness层即可让GPT-5.6 Sol的ARC-AGI-3得分从13.3%跃升至38.3%,Token消耗减少约6倍。

来源:OpenAI

阿里通义发布Qwen-UI-Agent:真机训练的GUI智能体基座,八项基准全面领先

阿里通义推出GUI智能体基座模型Qwen-UI-Agent,基于100多台真机与150多个应用训练,支持GUI与命令行混合执行和100步以上长程任务,在MobileWorld、OSWorld、WebArena等八项基准上全面超越或持平GPT-5.6、Claude Opus等旗舰模型。

来源:通义实验室

DeepSeek Harness重磅更新:多模态支持全面上线,/goal与/plan命令可带图

DeepSeek Harness在发布一周内迎来重大升级,正式加入多模态能力。模型适配器现在可启用原生图片请求,/goal、/plan等指令支持直接带图发送,@引用体验也同步优化。这一更新让智能体在视觉任务中的可用性大幅提升,也被外界解读为DeepSeek V4视觉版可能临近的信号。

来源:AI工具箱

MiniMax Design发布:基于H3多模态视频模型,自然语言即可指挥创作

MiniMax推出商业内容生产平台MiniMax Design,基于MiniMax H3原生多模态视频模型,将视频创作从”操作像素”推进到”操作语义”阶段。用户只需用自然语言描述意图,系统即可自动拆解任务并调用模型完成生成,目标是把前沿模型能力直接转化为商业视频生产力。

来源:AI工具箱

Meta推出Mac版AI助手:支持屏幕共享与跨应用语音输入

Meta正式发布Mac版Meta AI助手桌面应用,支持共享屏幕窗口后由AI基于画面内容提供建议、问答与生成,同时支持跨应用语音输入。此举意在将AI聊天机器人升级为生产力助手,与Google Gemini、ChatGPT和Claude的桌面布局展开正面竞争。

来源:AI工具箱
8月20日 周四

Anthropic延长Claude Code额度50%加成至8月31日,探索永久标准方案

Anthropic宣布将AI编程助手Claude Code每周使用额度50%临时加成从原定8月19日截止延长至2026年8月31日,并正探索将其转为订阅配额的永久标准方案。该加成自7月19日起面向Pro、Max、Team及席位制Enterprise用户推出,以应对开发者对Claude Code日益增长的使用需求。Anthropic表示若反馈持续积极,50%额度提升有望成为长期默认配置。

来源:AI工具箱

Anthropic预告Claude Code将整合/design命令,支持编码前先画UI原型

Anthropic产品设计师Nate Parrott于8月18日在X平台预告,Claude Code即将整合全新/design命令,开发者可在写代码前于终端或桌面版中创建交互式设计模型。输入”/design a few options for {feature}”即可生成多个UI方案供选择,将设计探索前置到编码流程中,提升从设计到开发的整体效率。这是Anthropic持续扩展Claude Code生态的又一举措。

来源:IT之家

微信灰度上线AI总结、AI点评、AI修图三大功能

微信iOS版虽未更新版本号,但通过灰度测试悄然上线AI总结、AI点评和AI修图三大功能,覆盖公众号文章总结、朋友圈点评生成和图片智能编辑场景。AI总结可提取公众号文章要点,AI点评为朋友圈内容生成互动评论,AI修图支持图片智能处理。此外Windows/Mac端4.1.13正式版同步新增合并发图和表情动态预览。此前微信已灰度测试原生AI助手小微助手,AI入口持续扩张。

来源:IT之家
8月19日 周三

Stripe被曝超70亿美元收购OpenRouter,后者同步下调GPT-5.6 Sol调用费

支付巨头Stripe被曝将以超70亿美元收购模型路由平台OpenRouter,后者全球用户达800万,B轮估值约13亿美元。几乎同时,GPT-5.6 Sol在OpenRouter的调用费已下调50%,输入降至2.5美元/百万tokens,输出降至15美元/百万tokens。

来源:IT之家

腾讯云落地马来西亚首个云区域,WorkBuddy企业版同步亮相

腾讯云宣布在马来西亚柔佛州设立首个云区域,首期规划3个可用区,并联合当地高校与企业深化AI人才培养。同时,腾讯AI原生办公智能体WorkBuddy企业版也同步亮相,具备超百种办公技能,覆盖消息、文档、表格、邮件与会议等场景。

来源:IT之家

微软Copilot Notebooks扩展支持Markdown等三种文本格式

微软更新Microsoft 365 Copilot生态下的Copilot Notebooks应用,新增支持Markdown、纯文本和富文本三种格式,进一步强化了AI资料整理与分析能力,方便用户在不同格式间切换编辑和沉淀知识。

来源:IT之家
8月18日 周二

微信密集新增AI入口至16个,灰度测试小微助手

微信近期密集上线AI能力,灰度测试原生AI助手小微,新增3个高频场景入口,使微信内AI入口总数达到16个。新增功能包括:公众号常看的号页面新增AI一键文章总结、长按朋友圈文字可唤起AI点评、聊天看图新增AI处理支持美化与信息提取,覆盖从图片识别到转账提醒的全链路场景,被视为微信从工具型应用向AI原生入口升级的关键信号。

来源:AI工具箱

昆仑万维发布Mureka V9.5:AI音乐转向人情味创作

昆仑万维正式发布AI音乐生成模型Mureka V9.5,是V9系列的最新升级版本。相较前代的高音量、高饱和度强刺激路线,新版转向克制、留白、自然的创作风格,重点强化消除机械感与增添人味儿。核心升级在于深化自研MusiCoT音乐思维链框架——不再直接生成音频波形,而是以思维链推理驱动分步合成,使歌曲在结构、过渡与耐听度上明显改善。

来源:AI工具箱
8月17日 周一

Stripe 超 70 亿美元收购 OpenRouter

彭博社称支付巨头 Stripe 已敲定对 AI 模型聚合平台 OpenRouter 的收购,交易金额超过 70 亿美元,约为后者 B 轮 13 亿美元估值的 5 倍以上。OpenRouter 自称平台全球用户达 800 万,可提供逾 400 种模型统一调用入口。

来源:IT之家 / 彭博社
8月15日 周六

腾讯 QQ Bot 接入 DeepSeek Harness,支持单聊与群聊

腾讯 QQ 官方宣布 QQ Bot 机器人接入 DeepSeek Harness 智能体框架及官方插件,接入仅需 3 步,支持单聊和群聊场景下的 AI 智能体能力。DeepSeek Harness 是深度求索推出的智能体开发框架,可帮助开发者快速构建具备工具调用、代码执行等能力的 AI Agent。

来源:IT之家 / 腾讯QQ
8月14日 周五

小红书开源多模态大模型 dots3.note preview

小红书 dots 模型实验室开源 dots3.note preview,为 dots3 系列首个开源版本。模型总参数 280B、激活 16B 的 MoE 架构,支持 512K 超长上下文,原生具备文本、视觉与语音全模态理解能力,针对复杂推理、Agent 任务与多模态感知场景优化。在多项基准测试中可比肩参数数倍的大模型,并在昇腾 Atlas 800A3 / 900A3 上完成 0Day 适配(基于 vLLM-Ascend)。

来源:Hugging Face

MiniMax 开源音乐生成模型 MiniMax-Music3

MiniMax 开源音乐生成大模型 MiniMax-Music3,支持最长 5 分钟歌曲生成并可同时输出歌词。采用 8B 全局模型 + 0.6B 局部模型的分层架构,全局层负责长程语义与段落结构,局部层恢复细粒度声学细节;输出 32kHz 立体声 WAV,可保持主题、节奏、歌声音色与编曲推进,覆盖前奏、主歌、副歌、桥段等完整曲式结构。

来源:IT之家

智谱推出最强编程开源大模型 GLM-5.3

智谱正式发布 GLM-5.3 开源版本,基座未变、通过后训练 Scaling 显著抬高智能上界,已成为当前编程能力最强的开源大模型。在 Terminal Bench 3.0 等多项基准测试中取得开源第一,模型同时涌现出强大网络安全能力,在代码审查与漏洞发现任务中表现突出。智谱联合多家安全团队累计发现 2,436 个漏洞,并启动”开源的盾”生态计划。

来源:智谱
8月13日 周四

谷歌推出主力模型 Gemini 3.7 Flash,主打编程与 Agent

Google 推出 Gemini 3.7 Flash,专为编程与 Agent 场景设计。模型在软件工程、知识工作及网页开发等任务上较上一代大幅提升,上下文窗口扩展至 100 万 token。即日起至 2026 年底首发优惠为原 3.6 Flash 的一半:输入 \$0.75 / 百万 token,输出 \$3.75 / 百万 token。深度集成 Gemini for Workspace,工具调用与多步任务编排能力同步升级。

来源:IT之家

DeepSeek 同日发布 V4-Pro 正式版与开源智能体框架 Harness

DeepSeek 在 8 月 13 日晚同步推出两项重要发布:正式版 DeepSeek-V4-Pro(Agent 能力显著增强,在 Terminal Bench、DeepSWE 等评测集上表现优异,API 原生支持 OpenAI Responses API 格式),以及开源智能体框架 DeepSeek Harness(v0.1 开发者预览,MIT 协议)。Harness 采用”一切皆插件”的 Cordis 架构,模型、工具、会话、UI 均可自由替换,发布半日 GitHub Star 数突破 3 万,对标 OpenAI Codex 与 Anthropic Claude Code。

来源:DeepSeek 官方
8月11日 周二

Lightricks 开源音视频世界模型 LTX-2.5

Lightricks 发布开源权重世界模型 LTX-2.5(22B),支持文本、图像、视频输入生成同步音画。重磅更新包括:全新 Diffusion Video Decoder(改善高速运动场景伪影)、Diffusion Fidelity Rendering(按场景复杂度分配算力)、原生多镜头切换(一次生成连贯分镜)、定制 Gemma 4 12B 文本编码器 + Prompt Enhancer、可选 Duration Predictor(按动作自动决定时长)。官方盲测胜率 67%,超过 Seedance 2.5(65%)与 MiniMax H3(50%)。

来源:LTX 官方

腾讯推出 Windows 桌面美化工具小鹅桌面

腾讯正式上线 Windows 桌面美化与轻量效率工具 小鹅桌面,永久免费、无广告。核心功能:百万级 4K 动态/静态壁纸 + 自动轮播、头像与桌面小组件库、一键整理桌面、内置轻量 AI 对话窗口(支持待办备忘、截止日期识别与简单总结)、本地 + 云端文件搜索。定位”个人美化与日常效率”,与 WorkBuddy 等办公 Agent 错位互补。

来源:腾讯
8月10日 周一

B 站开源零样本语音克隆模型 IndexTTS-2.5

B 站 IndexSpeechTeam 开源零样本多语种 TTS 模型 IndexTTS-2.5(0.8B),支持中文、英文、日文、西班牙文、阿拉伯文五语种的语音克隆与跨语种迁移。重构推理架构后推理速度提升 2.28 倍(RTF 0.2065@4090 bf16),新增 0.5–2.0 倍语速控制、拼音/CMU/假名发音控制、4 路径情感控制(参考音频 / 八维向量 / 文本推断 / 描述文本)。采用 Bilibili Model License 开源,配套 WebUI(7860 端口)与 vLLM 部署方案。

来源:GitHub / IndexTeam
7月12日 周六

月之暗面Kimi正式发布k2模型,具备超强代码和 Agent 能力

月之暗面正式推出基于MoE架构的新一代基础大模型k2,总参数规模达1T,激活参数32B,支持最长128k tokens上下文处理,具备强大的代码生成与智能体(Agent)能力。模型原生支持ToolCalls、JSON/Partial输出及联网功能,但暂不支持视觉输入。定价方面,输入费用为¥1.00/百万tokens,输出¥4.00/百万,缓存命中¥16.00/百万,在多个性能指标上全面领先当前主流开源模型。

来源:AI工具箱

拍我AI(PixVerse)上线多关键帧生成功能,从“片段”迈向“故事性表达”

拍我AI(PixVerse)全新上线“多关键帧生成”功能,支持用户上传最多7张图片,基于首尾帧模式生成最长30秒的视频内容,实现人物动作、场景变化与镜头语言的自然过渡。该功能显著提升了短剧、广告、故事类视频的生成效率,标志着AI视频从静态片段向完整叙事的跃迁。

来源:爱诗科技AIsphere
7月11日 周五

欧盟《通用人工智能行为准则》8月2日实施

欧盟公布最终版《通用人工智能行为准则》,将于8月2日正式生效。该准则聚焦安全、透明与版权保护三大方面,由专家联合多方制定。企业可自愿签署以减轻合规负担,现有模型有2年调整期,新模型为1年。

来源:IT之家

墨刀AI上线”30秒生成原型图”功能

墨刀AI推出全新原型自动生成能力,支持输入文字描述、草图或截图,30秒内即可产出可交付界面。用户可通过多轮对话优化设计,并自动生成产品文档与页面逻辑,面向产品经理和设计师提供零门槛体验。

来源:墨刀

微软发布高性能端侧模型Phi-4-mini-flash-reasoning

微软推出专为端侧优化的AI模型Phi-4-mini-flash-reasoning。该模型在数学与逻辑推理任务上表现突出,推理吞吐量提升10倍,延迟降低至三分之一。现已上线Azure AI Foundry等平台。

来源:IT之家
7月10日 周四

马斯克发布Grok 4,处理学术问题达到博士级别

马斯克旗下xAI发布新一代大模型Grok 4,推理能力较前代提升10倍,在多项基准测试中超越现有模型,达到”博士后水平”。Grok 4支持工具调用、语音交互、多模态任务,并在ARC-AGI等高难度测试中刷新纪录。

来源:机器之心

办公小浣熊·桌面版全新上线!

商汤科技推出”办公小浣熊”桌面版,支持Windows和Mac平台,用户无需浏览器即可一键唤醒AI助手,实现任务拆解、数据分析、图表生成等办公功能。老用户可同步历史内容。

来源:商汤小浣熊

智谱Z.ai推出实验性大模型GLM-Experimental

智谱AI推出全新实验模型GLM-Experimental,主打”AI Presentation”功能,可一键生成网页版PPT,支持多种风格与互动效果。用户只需输入简单Prompt,模型可自动生成内容、设计排版,实现弹幕、动画等高级效果。

来源:AI工具箱

Perplexity推出AI浏览器——Comet

Perplexity发布AI浏览器Comet,主打”从浏览到思考”,整合网页解释、任务执行等功能,成为用户的”思考伙伴”。Comet目前仅向高价订阅用户开放。

来源:AI工具箱

抖音快手前高管创业,上线AI图片工具KIRA

由抖音、TikTok、快手前核心成员创立的AI图片生成工具KIRA正式亮相。产品由ILLA Cloud孵化,支持一键替换/移除背景、修补、画质增强、扩图等操作,并具备AI生成图片能力。创始团队包括曾任抖音 & TikTok研发、快手孵化业务大前端负责人陈龙博,及抖音、快手多项战略项目设计负责人吴晓松。

来源:AI工具箱
© 版权声明

相关文章