全部 AI 动态

Nace AI 开源 Drex Max v1：27B 决策模型可在 Apple Silicon 本地运行

Nace AI 以开放权重形式发布 Drex Max v1，这是一个 27B 稠密决策模型，支持 262,144 token 窗口，单次前向为每个选项输出概率而不生成文本。

JJ coders 发布 Suna AI：开源 5B 流匹配 DiT 音乐合成模型，支持 48 KHz 输出

JJ coders Group 在 Show HN 发布 Suna AI（suna.jjcoders.com），这是一个开源 5B 流匹配 DiT 音乐合成模型，支持 48 KHz 音频输出，基础权重为 jjcoders/suna-v1。

Samaya AI 发布金融研究智能体模型 Sterling，FrontierFinance 得分超 Claude Fable 5.1

Samaya AI 发布 Sterling，一个基于 NVIDIA Nemotron 3.5 Lightning（30B 总参数、3B 激活）LoRA 后训练的金融研究智能体模型。

Edge0 发布 0.6B 语音克隆 TTS 模型 Audio8-TTS-Realistic

Edge0 发布开源权重 TTS 模型 Audio8-TTS-Realistic，601M 参数，可用 1 段参考音频和转写文本做零样本语音克隆，支持 23 种语言并以 Apache 2.0 发布权重和代码。

Baseten 发布 2B 决策模型 joey-1，每百万 token 定价 0.01 美元

Baseten 旗下 Base Labs 发布 2B 决策模型 joey-1，基于 Qwen3.5-2B 后训练，输出标签和校准概率而非生成文本，每百万输入 token 定价 0.01 美元，权重以 MIT 协议开源在 Hugging Face。

ElevenLabs 发布音效模型 SFX v3，已在 ElevenCreative 和 ElevenAPI 上线

ElevenLabs 发布新一代音效模型 SFX v3，已在 ElevenCreative 和 ElevenAPI 上线。相比 SFX v2，它更能可靠处理单条提示词中描述多个声音的场景，音乐与人声生成更可信，在基准测试中音质更干净自然，并减少了锣、铃、哨声等音效的杂音。

Mistral 开放万亿参数模型 Mistral Large 4 权重，主打网络安全

Mistral 发布万亿参数开源模型 Mistral Large 4（ML4，昵称 Le Chonk）的权重，企业与政府可在 Hugging Face 和 API 上自行下载部署。

同一新闻，精选展示《Mistral 发布 1 万亿参数多模态模型 Mistral Large 4 开放权重》

Baseten 发布决策模型 joey-1，单次决策成本约一美分

Baseten 旗下 Base Labs 发布决策模型 joey-1，直接输出标签和校准后的置信度分数，而非生成文本。joey-1 基于 Qwen3.5-2B 后训练，处理平均 2000 token 请求的 P50 端到端延迟为 20 ms，约为 elephant-1（49 ms）的 2.5 倍速度，价格为每百万 token 0.01 美元，是 mammoth-1 的十分之一。

Mistral 发布万亿参数模型 Mistral Large 4，编码领先开源但整体仍落后中国模型

Mistral 在 Hugging Face 上放出 Mistral Large 4（昵称 Le Chonk）权重，总参数约 1 万亿、每步激活 52B，支持文本与图像输入。

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，采用 FP8 与 NVFP4 两种官方权重，并以 Mistral Ecosystem Open-Weight License 分发。

Mistral 发布 1 万亿参数多模态模型 Mistral Large 4 开放权重

Mistral AI 发布旗舰多模态模型 Mistral Large 4（Le Chonk）的开放权重，参数量达 1 万亿，在 FrontierCode 2.0 上以 19.7% 领先，Terminal-Bench 4.0 提升 13 个百分点至 41%。

IBM Granite Switch 4.1.1 补丁发布：像更新软件一样更新模型

IBM 发布 Granite Switch 4.1.1 补丁版本，与 4.1 完全向后兼容、无需迁移，基础模型未改动，仅更新适配器即可部署。此次更新包括支持 10 种语言、自带标点与大小写的 Granite Speech ASR 模型，以及在 Jev Decision Index 测试集上表现提升的 granitelib-core Decision 适配器。

Block 发布全双工语音模型 Dessa，仅用语音数据训练

Block 的 AI 研究实验室发布全双工语音模型 Dessa，以研究预览形式开放候补名单，仅用人类对话音频训练，不使用文本和预训练模型。该模型可在 MacBook Pro M4 Max 或更高配置上本地运行且快于实时，训练使用 1 台 NVIDIA GB200 NVL72（72 块 GPU），而 Moshi 使用 1,016 块 H100。

Google DeepMind 发布 Gemini 4 Carbon，登顶多个榜单并面向网络安全防御者开放

Google DeepMind 发布 Gemini 4 Carbon，距 Argon 仅两周，在 Artificial Analysis Intelligence Index v5 上以 59 分排名第一，并领先 HLE-Diamond、TB-Science 等 4 项子评测。

NVIDIA 发布 Nemotron 3.5 Transcribe 开源语音模型，支持 40 种语言转写

NVIDIA 发布 Nemotron 3.5 Transcribe，这是一个开放权重的语音 LLM，支持 40 种语言、单次最长 1 小时音频，总参数约 34B、激活参数约 4.3B。

Google 发布 Gemini 4 Carbon，称网络安全能力实现显著跃升

Google 发布前沿模型 Gemini 4 Carbon，称其在编码、智能体任务和网络安全方面有显著提升。该模型在 Artificial Analysis Intelligence Index（v5.0）上排名第一，领先 Claude Opus 5.5 和 GPT-6 Astra，并在 SEC-bench Pro 和 ExploitGym 上位列第一。

Google DeepMind 发布 Gemini 4 Carbon，距 Argon 仅两周

Google DeepMind 在 Argon 发布两周后推出 Gemini 4 Carbon，该模型在 Artificial Analysis Intelligence Index v5.0 上以 59 分登顶，前代 Argon 为 50 分。

同一新闻，精选展示《Google DeepMind 发布 Gemini 4 Carbon 前沿模型》

Google DeepMind 发布 Gemini 4 Carbon，主打网络安全防御与编码

Google DeepMind 发布 Gemini 4 Carbon，称其为迄今最强模型，面向长周期智能体编码与网络安全防御，在 Artificial Analysis Intelligence Index v5.0 上以 59 分排名第一。

同一新闻，精选展示《Google DeepMind 发布 Gemini 4 Carbon 前沿模型》

ElevenLabs 推出强制对齐模型 Cue，支持 90 多种语言

ElevenLabs 发布强制对齐模型 Cue，可将音频中每个字符定位到精确时间轴，覆盖 90 多种基准语言，并已用于 Scribe 语音转文字流程。在 29 种语言的基准测试中，Cue 在真实录音上的准确率高于团队测试的所有对齐工具；处理一小时音频约需半秒，而次快的 Qwen3-ForcedAligner 接近 2 秒。

Google 发布 Gemini 4 Carbon 前沿模型，暂不对外开放

Google 发布 Gemini 4 Carbon，称其在编码、智能体任务和科学分析上达到新水平，但延续 Argon 的分阶段发布方式，暂不对外开放。Google 称 Carbon 在漏洞检测、验证和修复上有显著提升，生成无漏洞代码的概率是 Argon 的两倍，Chrome 团队称其生成高质量补丁的能力是非 Google 模型的 10 倍。

Gemini 4 Carbon 登顶 Artificial Analysis Intelligence Index v5

Google 的 Gemini 4 Carbon 在 Artificial Analysis Intelligence Index v5 上以 59 分登顶，在 9 项评测中的 4 项排名第一，包括 HLE-Diamond、Terminal-Bench-Science、AA-Omniscience 和 AutomationBench-AA。

Google DeepMind 发布 Gemini 4 Carbon 前沿模型

Google DeepMind 发布 Gemini 4 Carbon，称其在网络安全与长周期任务上达到当前最优，在 Artificial Analysis Intelligence Index v5.0 上以 59 分排名第一。

Nvidia 发布开源语音模型 Nemotron 3.5 Transcribe，整合转写、翻译与说话人识别

Nvidia 发布开源语音识别模型 Nemotron 3.5 Transcribe，支持 40 种语言转写、31 种语言与英语互译，并能在 13 种语言中识别说话人。

英伟达发布开源语音转写模型 Nemotron 3.5 Transcribe

英伟达发布免费开源权重模型 Nemotron 3.5 Transcribe，可转写最多 40 种语言的音频，并支持 31 种语言与英语互译。该模型参数量 30B，可处理最长 1 小时的录音、区分最多 8 位说话人，官方称其在 Hugging Face Open ASR Leaderboard 等基准上优于竞品。

NVIDIA 发布 Nemotron 3.5 Transcribe 与 Granary v2 数据管线

NVIDIA 在 Hugging Face 和 ModelScope 上发布开放权重模型 Nemotron 3.5 Transcribe，把转写、说话人分离、翻译和音频问答合并到一个 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。

Google DeepMind 发布 Genie 4 实时世界模型，原生生成音频

Google DeepMind 发布研究预览版 Genie 4，可从文本和图像提示实时生成可探索世界，并原生生成环境音、音乐和角色对话。Gemini 3.8 Flash 在仿真循环中承担规划、校验帧和重规划，Gemini Omni 锚定世界的外观与行为。

同一新闻，精选展示《Google DeepMind 发布世界模型 Genie 4》

Liquid AI 发布 LFM3 系列 6 个 2B 级开源多模态模型

Liquid AI 发布 LFM3 系列 6 个开源权重、2B 级多模态模型，均基于同一骨干，覆盖文本、视觉、音频、全模态和决策任务，可在单张 GPU 上微调并部署到手机、笔记本或云端。

Google DeepMind 发布 Genie 4 实时世界模型

Google DeepMind 推出 Genie 4，这是 Genie 3 的后续版本，可逐帧计算场景并响应用户输入，用户用键盘移动、用文本提示词引导事件。DeepMind 称这是其首个直接生成声音的实时世界模型，每个世界带有环境音，角色之间能对话并实时反应。

Liquid AI 发布 LFM3 系列：六个 2B 级多模态模型共享同一骨干

Liquid AI 发布 LFM3 新一代 Liquid Foundation Models，把文本、视觉、音频、omni 和决策模型统一到 2B 参数级的共享骨干上，全部开源权重并已在 Hugging Face 上线。

DeepMind 发布 Genie 4 世界模型，宣称物理与人物模拟更真实

Google DeepMind 发布 Genie 4 世界模型，称其在几乎各方面都优于 Genie 3，能更真实地模拟物理规律和人物，并借助更新后的 Gemini 模型实现改进。

同一新闻，精选展示《Google DeepMind 发布世界模型 Genie 4》

Google DeepMind 发布 Genie 4 世界模型，新增音频与实时操控

Google DeepMind 以研究预览形式发布世界模型 Genie 4，可生成实时匹配的音乐、环境音与交互对话，并支持在模拟过程中输入提示词改变天气、镜头角度或增删人物物体。

同一新闻，精选展示《Google DeepMind 发布世界模型 Genie 4》

Google 发布 Genie 4 世界模型，可生成更逼真的交互体验

Google 发布 Genie 4 世界模型，用于生成可交互体验，包含四项主要更新：更逼真的世界、用自然语言提示词实时更新体验、生成音频，以及底层使用 Gemini 3.8 Flash 辅助模拟。

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可交互模拟世界，并支持用自然语言实时修改场景。Genie 4 首次原生生成音频，包含环境声与可随输入变化的角色对话，并借助 Gemini Omni 与 Gemini 3.8 Flash 维持场景连贯与多步事件推理。

Mirendil 发布首个模型 Fern 0.1，支持 10M token 上下文

Mirendil 发布首个模型 Fern 0.1，这是一个从零训练的编码模型，上下文窗口最高 10M token，约合 23 MB 代码。其基座 Mirendil-Base 由一名研究员借助 AI 智能体在 3.5 个月内预训练完成，总计算成本低于 1000 万美元，训练数据仅来自公开来源。

vLLM Semantic Router 发布 d3-ultra：27B 开源多模态决策模型

vLLM Semantic Router 团队发布 d3-ultra，一个 26.09B 参数、Apache-2.0 许可的多模态决策模型，不生成文本，而是对输入一次性读取后按 Choice、Yes/No、Score、Box、Track 等题型返回概率。

百度开源 Unlimited OCR 2，支持数百页文档解析

百度开源 Unlimited OCR 2，这是一个 3.34B 参数的 OCR 模型，可在单次请求中解析数百页书籍、财报和报告，权重以 MIT 协议发布，代码在 GitHub。

OpenAI 发布 GPT-6.1 Terra，API 价格为 GPT-6.1 Sol 的一半

OpenAI 发布面向视觉推理、电脑操作和写作的 GPT-6.1 Terra，API 定价为每百万 token 输入 1 美元、输出 5 美元，是 GPT-6.1 Sol 的一半。

同一新闻，精选展示《OpenAI 发布 GPT-6.1 Terra》

OpenAI 发布 GPT-6.1 Terra 模型，主打视觉推理与计算机操作

OpenAI 发布 GPT-6.1 Terra，官方称其结合了细致的视觉推理、精确的计算机操作和更清晰自然的写作，相比 GPT-5.6 Terra 有明显提升。

同一新闻，精选展示《OpenAI 发布 GPT-6.1 Terra》

OpenAI 发布 GPT-6.1 Terra，API 价格减半并逼近更大模型

OpenAI 发布 GPT-6.1 Terra，API 输入每百万 token 1 美元、输出 5 美元，均为 GPT-5.6 Terra 的一半，缓存输入降至每百万 token 0.05 美元。

同一新闻，精选展示《OpenAI 发布 GPT-6.1 Terra》

OpenAI 发布 GPT-6.1 Terra

OpenAI 发布 GPT-6.1 Terra，官方称其把快速且能力较强的 computer use 带给所有人。