跳到正文
实时

模型发布 · 页 2

11月5日周四21–40
  1. Hugging Face Blog72

    Phonon TTS 发布端侧语音模型，登顶 Hugging Face 开放 TTS 榜单多项指标

    Phonon 发布可在本地设备运行的小型 TTS 模型，无需服务器和网络，提供约 65 MB 和 75 MB 两个版本，覆盖英语、法语、德语、西班牙语和葡萄牙语。

    推荐理由: 原文交代了端侧 TTS 的模型规格、开源许可与榜单表现，可据此判断小模型在本地语音场景的可用边界。

  2. IT之家 · AI74

    百度文心开源发布 ERNIE 5.5 Flash Base 基座模型，总参数 280B

    百度文心发布 ERNIE-5.5-Flash-Base 并开放 ERNIE 5.5 Flash 预训练终点权重，这是一个总参数 280B、每 token 激活 14B 的稀疏 MoE 语言模型，在 33.5T tokens 上从零预训练，微调与推理支持 1M tokens 上下文。

    推荐理由: 原文给出 280B 稀疏 MoE 基座的参数、训练数据量与开源权重，读者可据此判断其作为微调起点的适配空间。

  5. Hugging Face Blog65

    Dharma-AI 发布 Dharma Field Extractor：2B 参数模型把任意文档抽取为 JSON 字段

    Dharma-AI 发布 Dharma Field Extractor，一个 2B 参数模型，输入文档图像和可选 schema，输出带类型的结构化 JSON，支持开放抽取与按 schema 定向抽取，未出现的字段返回 null。

    推荐理由: 原文给出自建基准上的质量与成本对比，读者可据此判断小模型专精路线在字段抽取任务上的可行性。

10月30日周五
  1. IT之家 · AI78

    小米开源 0.8B 文档理解模型 Xiaomi-OCR-0，支持 Markdown 与 JSON 输出

    小米开源轻量级文档理解模型 Xiaomi-OCR-0，参数规模 0.8B，权重与推理代码已上线 Hugging Face 和 GitHub，单一模型覆盖文档解析、关键信息抽取与 OCR 视觉问答三类任务。

    推荐理由: 0.8B 参数在 OmniDocBench v1.6 上位列总榜第二，且权重、MCP 服务与 Skill 工具包一并开放，可据此判断小模型做文档解析的边界。

  3. IT之家 · AI74

    Qwenputer 问世：把 RISC-V CPU 指令集塞进模型，AI 算数不再靠外部工具

    开发者 Divyansh Agrawal 于 10 月 22 日发布实验性模型 Qwenputer，基于阿里 Qwen3.5-4B 构建，在神经网络内部实现 32 位 RISC-V CPU 与内存功能，无需调用 Python 等外部工具即可执行程序和精确计算。

    推荐理由: 开发者将 RISC-V 指令集编译进 Qwen3.5-4B 权重，用具体基准数字展示了模型内计算的精度提升与体积、速度代价。

  4. IT之家 · AI78

    智元发布具身模型 GO-3 Preview，登顶三大榜单并计划 2026 年底开源

    智元于 10 月 29 日推出具身模型 GO-3 Preview，采用具身原生的 WRAM 架构，把任务推理、未来预测与动作生成连接起来，并已登顶 RoboDojo、RoboTwin、RoboColiseum 三大评测榜单，计划 2026 年底全面开源。

    推荐理由: 原文给出便利店真机任务成功率从 28.6% 到 85.7% 的部署后数据，可观察具身模型在线自我改进的路径。

10月29日周四
  1. Hugging Face Blog85

    Mistral Large 4（Le Chonk）在 Hugging Face 发布

    Mistral 发布多模态 MoE 模型 Mistral Large 4（Le Chonk），约 1T 总参数、49B 激活参数，上下文窗口 1M tokens，提供 FP8 与 NVFP4 两个官方版本，另有 Unsloth 和 llama.cpp 团队制作的 GGUF。

    推荐理由: 原文给出 1T 总参数、49B 激活的 MoE 多模态模型在网络安全与编码基准上的具体分数，并附本地与端点部署实测吞吐。

  3. IT之家 · AI78

    英伟达开源语音转录模型 Nemotron 3.5 Transcribe，支持 40 种语言与 8 人说话人分离

    英伟达于 10 月 28 日推出开放权重语音转录模型 Nemotron 3.5 Transcribe，整合转录、说话人归属、翻译和音频问答，采用 MoE 架构，总参数约 340 亿、激活参数约 43 亿，可处理最长 1 小时录音，支持 40 种语言转录、最多区分 8 名说话人。

    推荐理由: 英伟达开源语音转录模型，公开了参数规模、多语言与说话人分离能力及榜单成绩，可对照现有开源 ASR 方案。

10月28日周三
  1. Hugging Face Blog78

    NVIDIA 发布 Nemotron 3.5 Transcribe 与 Granary v2 数据管线

    NVIDIA 发布开源权重模型 Nemotron 3.5 Transcribe，把转写、说话人分离、翻译和音频问答合入同一 checkpoint，支持 40 种语言转写、31 种语言与英语互译、13 种语言说话人标注，可处理最长 1 小时录音并标注最多 8 位说话人。

    推荐理由: 原文给出多语言转写、说话人分离与翻译的统一权重模型，并附开放数据管线和微调配方，可据此判断语音场景的适配路径。

  2. MarkTechPost71

    Liquid AI 发布 LFM3：6 个 2B 级开源多模态模型

    据 Hugging Face 博客和 MarkTechPost，每个模型均可在单张 GPU 上微调；文本模型 LFM3-1.7B 为 1.73B 参数、256K 上下文窗口，4-bit 量化下约 1 GB 内存即可运行，可部署在手机、笔记本、私有服务器或云端。MarkTechPost 称免费商用上限为年营收 1000 万美元，完整 128K 上下文需 1.6 GB KV 缓存。IT之家称 LFM-1.7B 参数比上代 LFM2.5-2.6B 减少 35%，性能却更优。

    推荐理由: 6 个 2B 级开源模型共享同一骨干，并给出与 Qwen3.5-9B 等竞品的逐项对比，可据此判断小模型在端侧与智能体任务上的位置。

  3. Hugging Face Blog76

    Liquid AI 发布 LFM3 系列：同一 2B 骨干派生文本、视觉、音频、全模态与决策模型

    Liquid AI 发布 LFM3 新一代 Liquid Foundation Models，以 LFM3-1.7B-Base 为共享骨干派生六个 2B 级模型，覆盖文本、视觉、音频、全模态和决策，全部在 Hugging Face 开放权重。

    推荐理由: Liquid AI 用同一 2B 级骨干派生六个模态模型，并给出单卡微调与端侧部署路径，可据此判断小模型专用化路线。

  4. Google DeepMind84

    Google DeepMind 发布世界模型 Genie 4

    Google DeepMind 发布世界模型 Genie 4，可实时生成带原生音频的交互式模拟世界，并以文本提示实时改变天气、镜头和场景元素。Genie 4 首次原生生成环境音与人声对话，角色可实时对话并响应场景事件；Gemini 3.8 Flash 在循环中充当引导智能体，把目标拆成步骤并逐帧校验。

    推荐理由: 官方披露了原生音频、实时文本操控与 Gemini 引导推理三项能力，可据此判断世界模型在机器人与内容预演中的位置。

10月27日周二
  1. Microsoft AI News67

    微软发布 MAI Image 2.7 图像编辑模型，Arena Edit 排第 3、Artificial Analysis 排第 2

    微软 AI 发布图像编辑模型 MAI Image 2.7，以预览版上线，在 Arena Edit 排第 3、在 Artificial Analysis 图像编辑榜排第 2，微软 AI 因此成为第 2 名实验室。

    推荐理由: 微软公布 MAI Image 2.7 在两个图像编辑榜单的排名，并给出相对上一代在 10 类用例上的提升幅度。