OpenAI 在 API 中推出 GPT-Live-1，带来更自然的语音对话
OpenAI 在 API 中推出 GPT-Live-1，为 API 带来自然的全双工语音对话能力。该模型增强了指令遵循，并支持自定义音色和电话接入。
推荐理由：OpenAI 官方给出 GPT-Live-1 在 API 中的全双工语音、自定义音色和电话接入能力，可据此判断语音应用的改造方向。
全部AI 动态
全部动态
今日 0 条OpenAI News精选AI 评分7171
OpenAI News精选AI 评分8080 OpenAI 发布 GPT-6 Astra，面向企业场景的新模型
OpenAI 发布 GPT-6 Astra，称其为面向企业场景能力最强的模型，具备高级推理、computer use 以及更强的写作与设计判断。目前官方只给出能力方向，未披露参数、上下文窗口和开放时间。
推荐理由：官方给出推理、computer use 与写作设计判断三项能力方向，便于对照上一代理解其在企业办公场景的定位。
Google DeepMind精选AI 评分7979 Google DeepMind 发布 WeatherNext 3 全球天气预报模型
Google DeepMind 与 Google Research 发布 WeatherNext 3 全球天气预报模型，直接学习实时地球静止卫星观测数据，可每小时生成最高 5 公里分辨率的预报。
推荐理由：与 WeatherNext 2 相比，新模型改用实时卫星观测并提升时间与空间分辨率，可对照了解 AI 天气预报的输入数据变化。
Hugging Face BlogAI 评分5252 H Company 发布多模态编码器 NeoMME（260M/800M）
NeoMME 是 H Company 发布的多语言多模态编码器系列，包含 260M 和 800M 两个规格，采用单一双向 Transformer 同时处理文本 token 与 32×32 图像 patch，从零训练并使用掩码离散扩散目标。
OpenAI News精选AI 评分6868 OpenAI 发布 GPT-6 Astra 新一代模型
OpenAI 发布 GPT-6 Astra，称其是迄今最智能、对齐程度最高的模型，在计算机操作、编码、网络安全和科学方向具备 SOTA 能力。目前公开内容仅为发布摘要，未给出参数规模、开放范围或评测数据。
推荐理由：官方直接给出 GPT-6 Astra 在计算机操作、编码、网络安全与科学上的能力定位，可用于对照上一代模型的侧重点。
Google DeepMind精选AI 评分7575 Google DeepMind 发布 Gemini 3.8 Flash 与 Gemini 3.8 Flash Cyber
Google DeepMind 发布 Gemini 3.8 Flash 与 Gemini 3.8 Flash Cyber，前者面向长程编码与自主智能体，价格与 3.7 Flash 相同，为每百万输入 tokens 0.75 美元、每百万输出 tokens 3.75 美元。
推荐理由：原文给出了与 3.7 Flash 同价同速的升级幅度以及 Cyber 版的受限开放方式，便于开发者判断是否迁移。
Google ResearchAI 评分5454 Google 发布 TimesFM-3 多变量零样本时间序列基础模型
Google Research 发布 TimesFM-3 时间序列基础模型，参数 330M、预训练数据超 1 万亿时间点，在 Gift-Eval、FEV-Bench、Time 三个公开基准的点预测和概率预测指标上均位居所有预训练基础模型的最优平均排名。
Google DeepMind精选AI 评分6565 Google DeepMind 发布 Gemini Omni 1.1 Flash，新增场景延展与 4K 放大
Google DeepMind 发布 Gemini Omni 1.1 Flash，为开发者提供场景延展、首尾帧指定、360p 快速草稿和最高 4K 放大等生成视频控制能力。
推荐理由：相比此前只能参考最后一秒的版本，Omni 1.1 把场景延展的上下文提到 10 秒，并给出 360p 草稿与 4K 输出等具体参数。
Google DeepMind精选AI 评分6363 Google 发布 Gemini 3.5 Transcribe 语音转文字模型
Google 发布 Gemini 3.5 Transcribe 语音转文字模型，Artificial Analysis 测得流式场景平均 WER 为 4.0%，非流式场景为 2.6%。
推荐理由：相比 Chirp 3，原文给出 WER 与延迟的具体对比，并说明它在 Gemini API 和多款产品中的可用入口。
Hugging Face BlogAI 评分5656 Granite 4.2 推理模型如何构建：3B/8B/30B 全流程技术详解
IBM 发布 Granite 4.2 推理模型家族，包含 3B/8B/30B 三个 dense decoder-only 模型，基于 Granite-4.1 基模型后训练并以 Apache 2.0 开源。
Hugging Face BlogAI 评分4848 LiquidAI 发布 LFM2.5-DSpark 推测解码草稿模型，推理速度最高提升 3.18 倍
LiquidAI 为 LFM2.5 系列三款模型（1.2B-Instruct、2.6B、8B-A1B）发布 DSpark 推测解码草稿模型，在 H100 上推理吞吐量最高提升 3.18 倍，M4 Max MacBook 上最高 2.87 倍。
Microsoft ResearchAI 评分4848 Skala 扩大可用范围，更快走向可预测的 DFT
Microsoft Research 发布深度学习 DFT 交换关联泛函 Skala 1.1，其训练数据量为上一版的 2.5 倍。该模型在 GMTKN55 的 55 个类别中 32 项排名第一，加权平均误差 2.8 kcal/mol。
Google DeepMind精选AI 评分7575 Google DeepMind 发布面向编码与 Agent 的 Gemini 3.7 Flash
Google DeepMind 发布 Gemini 3.7 Flash，定位为面向编码与智能体场景的主力模型，距 Gemini 3.6 Flash 发布仅三周。
推荐理由：原文对比了 3.7 Flash 与 3.6 Flash 的多项基准提升和半价定价，便于判断是否值得替换现有编码与智能体工作流。
Hugging Face Blog精选AI 评分6161 NVIDIA Magpie TTS 多语种版发布，主打开源权重与全栈部署控制
NVIDIA 发布开源 364M 参数的 Magpie 多语种 TTS 模型，支持 12 种语言，包括本次新增的现代标准阿拉伯语、韩语和巴西葡萄牙语。
推荐理由：对比 B200、H100、A100 上的首音频延迟数据，并介绍 frame stacking 与 local transformer 两项推理优化思路，可用于自有基础设施上的语音智能体部署。
Hugging Face Blog精选AI 评分6969 Meta 开源 30B 多模态模型 Muse Glimmer，主打本地智能体场景
Meta 发布开源多模态模型 Muse Glimmer 30B，采用 Apache 2.0 协议，面向本地智能体用例，并获得 transformers、llama.cpp、vLLM、Inference Endpoints 的 day-0 支持。
推荐理由：原文给出Muse Glimmer 30B在Agentic、编码、安全等基准上对位Gemma4-31B、Qwen3.6-27B的逐项对比结果，并附transformers、llama.cpp下的本地推理与DFlash推测解码代码示例。
Google DeepMind精选AI 评分8585 Google DeepMind 的 WeatherNext 模型在气旋预报上取得突破并开源
Google DeepMind 在 Nature 发表论文，称 WeatherNext AI 模型在气旋路径、强度和风场结构预测上达到 SOTA 精度，平均多出一天预警时间，相当于气象领域约十年的进展。
推荐理由：论文给出气旋路径与强度预测的精度提升幅度，并同步开放代码与模型权重，便于研究社区复用。
Mistral AIAI 评分5555 Mistral 发布 Shieldstral：3B 开源多模态安全分类模型
Mistral 发布开源多模态安全分类模型 Shieldstral，参数规模 3B，可在单张 16GB NVIDIA GPU 上运行，权重采用 Apache 2.0 授权（https://mistral.ai/news/shieldstral/）。
Google DeepMind精选AI 评分7474 Google DeepMind 发布机器人具身推理模型 Gemini Robotics ER 2
Google DeepMind 发布 Gemini Robotics ER 2，这是面向机器人的具身推理模型，支持视频理解、任务编排和多机器人协作，已通过 Gemini API、Google AI Studio 向开发者开放，并在 Gemini Enterprise Agent Platform 上私测。
推荐理由：原文给出了进度分类与时刻定位的具体准确率和延迟数据，可据此判断高层推理模型在机器人任务编排上的能力边界。
Google DeepMindAI 评分4949 Google 在 Flow Music 发布 Lyria 3.5 音乐生成模型，提升音乐性、歌词、人声与创作控制
Google 在 Flow Music 中上线新的音乐生成模型 Lyria 3.5，称其在音乐性、歌词和人声质量上均有显著提升。该版本可生成更复杂自然的旋律结构，歌词的提示词遵循度与结构意识更强，人声更具情感表现力且发音更准确。用户还能更便捷地控制输出曲目的节奏与时长，并已在 Flow Music 中开放试用。
Google DeepMind精选AI 评分7575 Google DeepMind 发布 Gemini Robotics 2，为机器人带来全身智能
Google DeepMind 发布 Gemini Robotics 2，由三款模型组成，为机器人提供全身控制、灵巧操作与多机协作能力。
推荐理由：三款模型分别负责动作执行、具身推理与端侧运行，读者可了解机器人全身控制、多机协作与安全约束的当前进展。
Hugging Face BlogAI 评分4848 NVIDIA Cosmos-H-Dreams：为手术机器人带来实时生成式模拟
NVIDIA 发布 Cosmos-H-Dreams 实时生成式手术模拟器，将 Cosmos-H-Surgical-Simulator 蒸馏为少步因果学生模型，并在单块 NVIDIA RTX PRO 6000 GPU 上通过 FlashDreams 实现实时闭环控制。
Google DeepMind精选AI 评分7676 Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 与 3.5 Flash Cyber
Google DeepMind 发布三款新模型 Gemini 3.6 Flash、3.5 Flash-Lite 和专注网络安全的 3.5 Flash Cyber。
推荐理由：原文列出三款 Flash 模型的基准提升、token 效率与每百万 token 价格，便于对比智能体任务的实际成本。
Google DeepMind精选AI 评分6262 Google DeepMind 发布网络安全模型 Gemini 3.5 Flash Cyber
Google DeepMind 推出 Gemini 3.5 Flash Cyber，一个基于 3.5 Flash 微调的轻量网络安全模型，用于快速发现、验证和修补漏洞。
推荐理由：正文给出 CyberGym、Chrome 提交扫描和 V8 的对比数据与限量开放方式，可看轻量专用模型在漏洞发现上的成本与能力取舍。
Hugging Face BlogAI 评分3131 DharmaOCR 巴西葡萄牙语 OCR 评测：仍优于 Mistral OCR4 与 Unlimited-OCR
DharmaOCR 在面向巴西葡萄牙语的 OCR 评测中以 0.925 的提取质量分优于发布更晚的 Mistral OCR4（0.798）和 Unlimited-OCR（0.7587）。
Hugging Face Blog精选AI 评分7373 Thinking Machines 开源 1T 参数多模态模型 Inkling，支持图像文本音频输入
Thinking Machines 开源 1T 参数多模态大模型 Inkling，原生支持图像、文本和音频输入及 1M 上下文，采用 decoder-only MoE 架构（975B 总参数、41B 激活），同步提供 BF16 与 NVFP4 两个权重版本。
推荐理由：原文给出 Inkling 的 MoE 架构细节与多模态能力范围，并附 transformers、SGLang、vLLM 多框架部署示例和主流模型基准对比，方便评估其工程落地方案。
Mistral AIAI 评分4949 Mistral AI 发布 Robostral Navigate：8B 模型用单 RGB 相机实现机器人自主导航
Mistral AI 发布 Robostral Navigate，这是一款 8B 参数的机器人导航模型，仅凭单目 RGB 相机即可让机器人在未见环境中自主导航，在 R2R-CE 验证集 unseen 上达到 76.6% 成功率。该模型比最佳单相机方案高 9.7 个点、比多传感器方案高 4.5 个点，并采用 CISPO 在线强化学习（再提升 3.2%）。
Mistral AIAI 评分5252 Mistral 发布 Leanstral 1.5：面向 Lean 4 形式化验证的开源模型
Mistral 发布面向 Lean 4 形式化验证的开源模型 Leanstral 1.5（Apache-2.0），共 119B 总参数、6B 激活参数。该模型在 miniF2F 验证与测试集均达 100%，在 PutnamBench 上解决 587/672 题，并在 FATE-H 与 FATE-X 上以 87% 与 34% 取得新 SOTA，单题成本约 $4。
Google DeepMind精选AI 评分7979 Google DeepMind 发布 Nano Banana 2 Lite 与 Gemini Omni Flash
Google DeepMind 发布 Nano Banana 2 Lite 与 Gemini Omni Flash 两款模型。
推荐理由：两款模型都给出了延迟、单价与上线入口，开发者可据此对照现有图像和视频管线判断成本与选型。
Google ResearchAI 评分5656 Google 发布 TabFM：面向表格数据的零样本基础模型
Google Research 发布 TabFM，一个面向表格数据分类与回归任务的零样本基础模型，单次前向推理即可生成预测，无需训练或调参。该模型结合交替行列注意力与压缩嵌入上的 Transformer 上下文学习，训练数据为数亿合成数据集。
Mistral AI精选AI 评分6565 Mistral 发布 Mistral OCR 4 文档理解模型
Mistral 发布 Mistral OCR 4 文档理解模型，支持 bounding box、block 分类与逐字置信度，覆盖 170 种语言，可在单容器内自托管。
推荐理由：提供了与主流 OCR 系统的人类偏好对比和价格信息，读者可据此评估替换现有文档解析方案的实际收益。
Google DeepMind精选AI 评分7878 DeepMind 发布 DiffusionGemma 实验模型，文本生成最高提速 4 倍
Google DeepMind 发布开源实验模型 DiffusionGemma，以文本扩散并行生成替代逐 token 自回归，在专用 GPU 上文本生成速度最高提升 4 倍。
推荐理由：开源 26B MoE 模型用文本扩散把解码瓶颈从显存带宽转向算力，读者可据此判断本地低并发推理的取舍。
Google DeepMind精选AI 评分7575 Google DeepMind 发布 Gemini 3.5 Live Translate 实时语音翻译模型
Google DeepMind 发布音频模型 Gemini 3.5 Live Translate，可自动检测 70 多种语言，近乎实时地生成保留说话者语调、节奏和音高的语音到语音翻译。
推荐理由：Google Meet 的语音翻译语言从 5 种扩展到 70 多种，可由此观察实时同传在会议场景的落地进展。
Google DeepMind精选AI 评分7878 Google DeepMind 发布 Gemma 4 12B，采用无编码器多模态架构
Google DeepMind 发布 Gemma 4 12B，一款面向笔记本电脑的智能体多模态模型，视觉与音频输入直接进入 LLM 主干、不再依赖独立编码器，并配备 Multi-Token Prediction 草稿器以降低延迟。
推荐理由：原文给出无编码器多模态架构的实现细节，读者可比对它与 26B MoE 在内存占用上的取舍。
Google DeepMind精选AI 评分8080 Google DeepMind 发布 Gemini Omni，首发视频模型 Gemini Omni Flash
Google DeepMind 发布 Gemini Omni 模型家族，首个模型 Gemini Omni Flash 开始在 Gemini 应用、Google Flow 和 YouTube Shorts 上线。
推荐理由：官方列出了 Omni Flash 的多模态输入与对话式视频编辑能力，可据此判断它对现有视频创作流程的影响。
Google DeepMind精选AI 评分9292 Google DeepMind 发布 Gemini 3.5，首发 Gemini 3.5 Flash
Google DeepMind 发布 Gemini 3.5 模型系列，首发 Gemini 3.5 Flash，今日起在 Gemini app 和 Google Search 的 AI Mode 面向所有人开放，开发者可通过 Google Antigravity、Google AI Studio 中的 Gemini API 和 Android Studio 使用。
推荐理由：文章列出 3.5 Flash 与其他前沿模型的基准对比和速度差异，可用于评估智能体与编码场景下延迟和成本的取舍。
Google DeepMind精选AI 评分6161 Google DeepMind 发布 Gemini 3.1 Flash TTS，新增音频标签控制
Google DeepMind 发布文本转语音模型 Gemini 3.1 Flash TTS，在 Artificial Analysis TTS 榜单取得 1,211 的 Elo 分数，并新增音频标签，可用自然语言直接控制语速、语气与演绎方式。
推荐理由：官方同时给出音频标签用法与各平台开放入口，读者可据此判断可控语音生成在开发与企业场景的适用性。
Google DeepMind精选AI 评分6161 Google DeepMind 发布 Gemini Robotics-ER 1.6，强化具身推理与仪表读数
Google DeepMind 发布 Gemini Robotics-ER 1.6，作为推理优先的机器人模型升级版，在指点、计数、成功检测等空间与物理推理上较 Gemini Robotics-ER 1.5 和 Gemini 3.0 Flash 有明显提升。
推荐理由：相比 1.5 与 Gemini 3.0 Flash，新模型新增仪表读数能力，可了解机器人具身推理的进展与开放入口。
Mistral AI精选AI 评分6262 Mistral AI 发布首个文本转语音模型 Voxtral TTS
Mistral AI 发布首个文本转语音模型 Voxtral TTS，参数量 4B，支持英、法、德、西、荷、葡、意、印地、阿拉伯 9 种语言及多种方言，主打自然情感表达与零样本跨语言音色适配。
推荐理由：官方给出 4B 参数量、9 种语言、$0.016/1k 字符定价与企业级语音流程对接，便于评估其替代现有 TTS 方案的成本和体验。
Mistral AI精选AI 评分7070 Mistral 发布开源 Mistral Small 4，统一推理、编码与多模态能力
Mistral 发布 Mistral Small 4，采用 119B 总参数 / 6B 激活的 MoE 架构，统一 Magistral 推理、Devstral 编码代理与 Pixtral 多模态能力，支持 256k 上下文和可配置推理强度，权重以 Apache 2.0 开源。
推荐理由：原文给出统一推理、编码与多模态能力的架构与同尺寸模型的输出效率对比，可作为评估开源部署延迟与成本的参考。
Mistral AIAI 评分5454 Mistral 开源 Leanstral：面向 Lean 4 的形式化证明代码智能体
Mistral 发布面向 Lean 4 的开源代码证明智能体 Leanstral，模型权重以 Apache 2.0 协议开源，可通过 Mistral Vibe 智能体模式和 labs-leanstral-2603 API 端点使用。