跳到正文
实时
一手#多模态
  1. vLLM Blog60

    vLLM 在发布首日支持 Thinking Machines 的 Inkling 2 Small

    vLLM 在 Inkling 2 Small 发布首日提供支持。该模型是文本与视觉输入的多模态 MoE，总参数 594B、激活参数 17B，上下文最长 1M tokens，并自带 DSpark 推测解码器。

    推荐理由: 原文给出了 vLLM 对 Inkling 2 Small 的 Day-0 支持细节与多项内核优化，读者可据此了解该模型的部署路径与吞吐表现。

  2. Google DeepMind87

    Google DeepMind 发布 Gemini 4 Hydrogen 模型

    Google DeepMind 发布 Gemini 4 Hydrogen，面向日常编码与智能体工作流，在默认 high 思考档位下 Artificial Analysis 智能指数为 51，高于 Argon 的 50，xhigh 档位可达 54

    推荐理由: 官方给出Hydrogen与Carbon、Argon的分工定位，以及多模型编排在成本与速度上的实测差异。

  1. Google AI Blog78

    Google 推出 Gemini Decisions API 与 Gemini Decision 1 模型

    Google 发布 Gemini Decisions API，由新模型 Gemini Decision 1（gemini-decision-1）驱动，可在 Gemini API 和 Google AI Studio 中使用。

    推荐理由: 原文给出了单次前向打分、延迟与定价数据，读者可据此判断它适合哪些低延迟决策场景。

  1. Claude · YouTube75

    Anthropic 发布 Claude Fable 5.2

    Anthropic 发布 Claude Fable 5.2，面向最艰巨的技术挑战，在编码、推理和视觉方面有所提升，适合最具野心的开放式技术工作。官方建议多数编码与知识任务优先使用 Opus 5.5，Fable 5.2 已在 Pro、Max、Team 和 Enterprise 套餐上线。

    同一件事 · 2 家

    各家口径不同：TechCrunch指出Fable的输入价格降至每百万token 8美元；其他报道没有提及价格。

    推荐理由: 官方说明了 Fable 5.2 的定位与适用场景，并给出与 Opus 5.5 的选择建议，便于判断该用哪个模型。

  1. Hugging Face Blog71

    NVIDIA 发布 Cosmos 3 四个开源世界模型检查点

    NVIDIA 在 Cosmos 世界模型平台下新增四个 Cosmos 3 开源权重检查点，均为 Cosmos 3 Nano 的后训练版本，含 16B 可训练参数，采用 OpenMDW1.1 许可，允许商用与非商用。

    推荐理由: 原文给出四个开源权重检查点及四阶段后训练配方，读者可据此判断如何把世界模型适配到自有传感器与机器人本体。

  2. Google DeepMind78

    Google DeepMind 发布了 Gemini Omni 1.2 Flash，支持 15 秒视频并降价 30%。

    Google DeepMind 发布了 Gemini Omni 1.2 Flash，原生视频生成时长从 Omni 1.1 的 10 秒提升到 15 秒，并已在 Gemini API 和 Gemini for business 全面开放。

    同一件事 · 2 家

    推荐理由: 原文列出了时长、价格和参考一致性的具体变化，读者可据此判断视频生成的成本与工作流会怎样变化。

  1. Hugging Face Blog60

    IBM 训练 20B 小模型 Palette 按自有设计语言生成幻灯片

    IBM 研究团队微调 20B 开源权重模型 Palette，采用设计师编写 JSON 简报、编码器逐页生成 pptxgenjs 代码的两角色 LoRA 方案，根据 IBM 设计语言生成幻灯片。

    推荐理由: IBM 使用合成数据加检查修复闭环训练 20B 小模型制作幻灯片，提供可迁移到其他结构化产出的方法。

  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。

    同一件事 · 2 家

    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。

  1. 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。

  2. 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。

  1. 腾讯混元 · Hugging Face 新模型71

    腾讯混元开源 Hy-Nomas 交互式世界生成模型 Diffusers 版

    腾讯混元在 Hugging Face 发布 Hy-Nomas 的 BF16 Diffusers 格式蒸馏权重，该视频世界生成模型支持通过文本指令和相机控制进行多轮自由交互，逐段生成同一世界。

    推荐理由: 官方放出蒸馏版 BF16 Diffusers 权重和配套基准，读者可据此判断多轮交互式世界生成的实际用法与门槛。

  1. 腾讯混元 · Hugging Face 新模型73

    腾讯混元开源 Hy-SimulMT-30B-A3B 实时同传模型

    腾讯混元发布并开源 Hy-SimulMT-30B-A3B 系列实时同传模型，支持中英双向语音到语音翻译和实时声音克隆，同时输出译文文本与语音。在 RealSI 长音频评测中 StreamLAAL 约 3 秒，为对比系统中最低，GEMBA 分数超过所比开源模型和 5 个商业 API 中的 4 个。

    推荐理由: 官方给出实时同传的延迟与质量对比，并开放模型权重和推理部署工具，可据此判断落地条件。

  2. 腾讯混元 · Hugging Face 新模型74

    腾讯混元开源 Hy-SimulMT-30B-A3B 实时同传模型

    腾讯混元发布 Hy-SimulMT-30B-A3B 实时同声传译模型，支持中英双向语音到语音翻译并实时克隆说话人音色，已在 Hugging Face 开源多个版本。

    推荐理由: 官方给出与开源模型、商业 API 及专业同传译员的对比数据，可据此判断实时同传的质量与延迟取舍。

  3. 腾讯混元 · Hugging Face 新模型72

    腾讯混元开源实时同传模型 Hy-SimulMT-30B-A3B

    腾讯混元发布并开源实时同声传译模型 Hy-SimulMT-30B-A3B，支持中英双向语音到语音翻译，可在说话过程中持续输出译文文本与语音，并支持实时声音克隆。

    推荐理由: 官方给出实时同传的延迟与质量对比，并开放多个量化版本和推理部署脚本，可据此评估落地成本。

  4. 腾讯混元 · Hugging Face 新模型75

    腾讯混元开源 Hy-SimulMT-30B-A3B 实时同传模型

    腾讯混元发布并开源 Hy-SimulMT-30B-A3B，支持中英双向语音到语音实时同声传译，边接收音频边输出译文文本和语音，并支持实时声音克隆。在 RealSI 长音频评测中，其 StreamLAAL 约为 3 秒，为对比系统中最低，GEMBA 分数高于所比较的开源模型和五个商业 API 中的四个。

    推荐理由: 原文给出中英双向同传的延迟与质量对比数据，并附开源权重和部署方式，可据此判断实时语音翻译的可用程度。

  1. 腾讯混元 · Hugging Face 新模型78

    腾讯混元开源 Hy-Nomas 交互式世界生成模型

    腾讯混元在 Hugging Face 发布视频世界生成模型 Hy-Nomas，支持通过文本指令和相机控制进行自由形式的多轮交互，逐段生成视频并延续同一世界。模型采用分段自回归 DiT 架构，结合 Qwen2.5-VL-7B 文本编码器、相机条件模块和 PixelUMM 解码器，蒸馏推理配置为 8 步去噪、720×1280 分辨率、24 FPS。

    推荐理由: 腾讯混元开源可多轮交互的世界生成模型，给出架构细节与单卡 4090 部署配置，便于评估落地成本。

  1. Google AI Blog90

    Google 发布了 Gemini 4 Argon 前沿模型。

    Google 发布了 Gemini 4 Argon，面向开发者、企业和科研人员开放，API 定价为每百万输入 token 2 美元、每百万输出 token 10 美元，缓存输入 token 享 95% 折扣。

    推荐理由: 官方给出定价、基准排名和多个内部落地案例，可据此判断它在编码与科研工作流中的位置。

已浏览全部内容