跳到正文

#多模态

今日 1 条

今天 · 11月17日星期二 · 1 条

The Decoder

阿里 Qwen4-Max 以更低价格迎战 Opus 5.5、GPT-6 和 Kimi K3.1 Pro

阿里发布旗舰模型 Qwen4-Max,采用混合注意力架构,支持原生图像处理和一百万 token 上下文窗口,面向工业、科学与金融任务。Artificial Analysis 测得其智能指数为 43,比 Qwen3.8-Max 高 9 点,单任务成本从 $10.02 降至 $3.27,但部分评测仍落后于竞争模型。

推荐理由:Qwen4-Max 在 Artificial Analysis 指数上比前代提高九点,单任务成本降至约三分之一。

昨天 · 11月16日星期一

Hacker News 首页

千问发布 Qwen4-Max,支持原生视觉与百万 token 上下文

千问发布 Qwen4-Max,采用 Qwen4 架构,具备原生视觉能力和百万 token 上下文窗口,现已在 QwenCloud 提供 Token Plan 与 API 接入。

推荐理由:Qwen4-Max在官方Work360评测中提高任务表现,并将平均单任务成本从$4.43降至$1.67,降幅为62%。

11月15日星期日

The Decoder

美团发布 LongCat-2.5 权重,全程使用中国硬件训练

美团发布面向多步骤智能体任务的 LongCat-2.5 权重,模型拥有 1.6 trillion 参数,全程使用中国硬件训练。该 MoE 模型每个 token 约激活 48 billion 参数,支持文本、图像和视频输入,权重采用允许商用的 MIT 许可。

推荐理由:美团公布 LongCat-2.5 的智能体评测结果,其常规终端任务表现接近 Claude Opus 5,较难版本的差距更明显。

11月14日星期六

11月13日星期五

Google DeepMind

Google DeepMind 发布 Gemini 4 Hydrogen,面向日常编码与智能体工作流

Google DeepMind 发布 Gemini 4 Hydrogen,即日起在 Gemini API、AI Studio、Gemini app 和 Google Search 等渠道全球推出,面向快速编码与智能体任务执行。

推荐理由:Google 通过多模型动态调度实现接近 Carbon 的任务成功率,同时平均减少 24% 配额消耗并缩短 19% 完成时间。

Google 博客 · Gemini

Google 发布 Gemini 4 Hydrogen,面向日常编码与智能体工作流

Google 发布 Gemini 4 Hydrogen,即日起在 Gemini API、AI Studio、Gemini app 和 Google Search 等入口全球推出,主打快速编码与智能体执行。

推荐理由:Google将深度规划与快速执行分配给不同模型,自动切换在接近Carbon任务成功率的同时降低配额消耗并缩短完成时间。

Google 博客 · Gemini

Gemini 4 Hydrogen 向开发者开放,支持日常编码与智能体工作流

Gemini 4 Hydrogen 从今天起向开发者开放,面向快速迭代的日常编码与智能体工作流,强调速度与效率。它支持代码仓库编码与调试、交互式网页开发和多模态工作流,可通过四档可配置思考级别独立运行,也可与 Gemini 4 Carbon、Gemini 4 Argon 配合使用;Google 称其指令遵循更严格、编造内容更少,有助于更快交付更干净、可用于生产的代码。

推荐理由:Gemini 4 Hydrogen 提供四档可配置思考级别并支持与前沿模型协作,让日常编码与智能体工作流拥有不同的模型配置选择。

11月12日星期四

Latent Space

决策模型日综述:Google Gemini Decision 1 支持单次处理 1,000 个问题

Google 推出 Gemini Decision 1 和 Gemini Decisions API,以单次计算完成封闭选项决策,无需逐 token 生成文本。

推荐理由:Google 的 Decision 1 在自家测试中领先 Jev,独立评测的综合表现却与其持平且任务成本更高。

The Decoder

Google 推出 Gemini Decision 1,单次可处理 1,000 个决策问题

Google DeepMind 推出 Gemini Decision 1 及 Gemini Decisions API,单次可处理最多 1,000 个独立的封闭式问题。

推荐理由:Google 将封闭式决策做成按输入计费的接口,单次批量处理与免输出 token 费用降低了此类任务的调用成本。

11月11日星期三

Google DeepMind

Google DeepMind 开放 Gemini 4 Carbon,面向复杂编码、网络安全与科学推理

Google DeepMind 开放 Gemini 4 Carbon,面向开发者、企业、科学家和消费者,重点支持复杂知识工作、长程智能体工作流、网络安全与科学推理。

推荐理由:Google 将 Carbon 定位于复杂多步任务,与 Argon 采用相同入门价格,但会使用更多 token 进行深入探索和验证。

Google 博客 · Gemini

Google 开放 Gemini 4 Carbon,面向复杂智能体任务与科学推理

Google 向开发者、企业、科学家和消费者开放 Gemini 4 Carbon,重点支持复杂知识工作、智能体编码、网络安全和科学推理。Carbon 在 CursorBench 4.0、WANDR 和 AutomationBench 排名第 1,Google 称其每项任务成本比表现次优的外部模型低超过 2 倍。

推荐理由:Google 将 Carbon 与 Argon 设为相同入门价格,Carbon 使用更多 token 深入推理和验证以处理复杂多步任务。

11月10日星期二

Google DeepMind

Gemini Robotics 2.5 提升机器人现实场景中的通用灵巧性

Google DeepMind 推出视觉语言动作模型 Gemini Robotics 2.5,提升机器人技能学习速度、灵巧性和安全性,并向机器人合作伙伴逐步开放。

推荐理由:Google DeepMind 将 Gemini Robotics 2.5 用于汽车零件分拣试点,把机器人可靠性测试推进到实际生产线。

TechCrunch · AI

Anthropic 发布 Mythos 5.2 和 Fable 5.2,递归自我改进引发担忧

Anthropic 周一发布 Mythos 5.2 和 Fable 5.2,称其编码、推理、视觉及沟通能力有所提升。Fable 输入价格从每百万 token $10 降至 $8,各努力级别下响应速度提升 30%,并通过 Enterprise Frontier Safeguards 支持零数据保留(ZDR)政策。

推荐理由:Anthropic 将 Fable 的输入价格从每百万 token $10 降至 $8,使 Fable 5.2 比主要竞品 GPT-6 Astra 更便宜。

Hacker News 首页

Meta 发布 Muse Ember,面向高频智能体任务的小型高效模型

Meta 发布 Muse Ember,面向工具调用、编码子任务、路由、信息提取和长文档解析,现已在 Muse Code 和 Meta Model API 提供 muse-ember-1.0。

推荐理由:Meta 发布的 Muse Ember 面向重复性智能体任务,以接近 Muse Spark 1.3 的智能指数提供更低的每任务成本。

Hacker News 首页

Anthropic 发布 Claude Fable 5.2 和 Claude Mythos 5.2

Anthropic 发布 Claude Fable 5.2 和 Claude Mythos 5.2,称其编码、推理和视觉能力提升,输出速度较 5.1 版本最高加快 30%。

推荐理由:Anthropic 为同一底层模型设置不同安全防护与准入条件,通用用户与网络安全、生物医学研究机构获得的任务权限存在明确差异。

The Verge · AI

Anthropic 发布 Claude Fable 5.2 和 Claude Mythos 5.2

Anthropic 宣布 Claude Fable 5.2 和 Claude Mythos 5.2,称其编码、推理和视觉能力提升,输出速度快于 5.1 版本。公司称预发布测试中,两款模型协助完成软件迁移、从零设计出 3 个可工作的电子设备、解决 2 个黑洞物理开放问题,并在 30 小时内形式化费马大定理的证明。

推荐理由:Anthropic 为两款新模型设置了不同开放范围,Fable 今日上线而 Mythos 初期仅向经审核组织开放。

11月6日星期五

Latent Space

Thinking Machines 发布 Inkling 2 Small:68 小时预训练,网页开发评测领先 Muse Spark Open

Thinking Machines 发布 Inkling 2 Small,这款 594B 总参数、17B 活跃参数的多模态 MoE 已在 Tinker 提供微调和推理。

推荐理由:Inkling 2 Small 在人工智能评测中的能力提升伴随更高输出 token 消耗,低单价使其单任务成本仍低于对比模型。

Hacker News 首页

Inkling 2 Small 发布,支持图像输入与可调推理投入

Inkling 2 Small 发布,采用 MoE 架构,总参数量为 594B、激活参数量为 17B,支持图像输入与可调推理投入。模型在 Artificial Analysis Intelligence Index 上得分为 31,训练采用大规模统一 RL,覆盖编码、视觉、知识工作与推理任务。

Hacker News 首页

腾讯发布 Hy4,新增视觉理解与计算机操作能力,计划开放模型权重

腾讯发布新一代大语言模型 Hy4,新增视觉理解和计算机操作能力,并计划在未来几天发布模型权重与系统卡。模型加强了指令遵循、长上下文理解及长周期智能体任务能力,目前已接入 WorkBuddy、CodeBuddy、腾讯云 TokenHub 等产品。

推荐理由:腾讯为 Hy4 增加视觉理解与计算机操作能力,并保持 Hy4 Preview 的定价,扩展任务范围未伴随标准调用价格上调。

The Decoder

Google 推出 Gemini Omni 1.2 Flash,视频延长至15秒、价格降低30%

Google DeepMind 将视频生成模型 Gemini Omni 1.2 Flash 全面开放,片段最长15秒,价格较前代降低30%。视频时长由此前最长10秒扩展至3至15秒,720p价格降至$0.07 per second;对话式编辑支持逐步调整背景、光照或宽高比,无须重新生成整个片段。

Google 博客 · Gemini

Gemini Omni 1.2 Flash:生成更快、成本更低,支持更长视频

Google 推出 Gemini Omni 1.2 Flash,在 Gemini API 和 Gemini for business 正式开放,原生视频生成及编辑时长由10秒增至15秒。

推荐理由:Gemini Omni 1.2 Flash 支持在同一视频上连续修改细节,减少广告变体制作中整段重新生成的需要。

Google DeepMind

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

Google DeepMind 发布 Gemini Omni 1.2 Flash,在 Gemini API 和 Gemini for business 全面开放,支持原生生成和编辑最长 15 秒的视频。

推荐理由:Gemini Omni 1.2 Flash 支持对同一视频进行多轮局部修改,减少制作广告变体时重新生成整段视频的成本。

The Decoder

腾讯发布 Hy4,新增图像理解与电脑操作能力,独立评测位列中国模型第二

腾讯发布正式版 Hy4,新增图像理解和自主操作软件能力,目前通过腾讯云、OpenRouter 和元宝等应用提供,模型权重将在未定日期发布。腾讯称其搜索幻觉率在内部测试中从近 16% 降至约 5%,并针对 Blender、CAD 和游戏引擎进行了训练。

推荐理由:腾讯称 Hy4 在金融任务中领先 Kimi K3.1 Pro,独立综合评测却将其排在后者之后,两种测试的领先结论不同。

11月5日星期四

Hacker News 首页

Kimi K3.1 Pro 开放模型权重,支持百万 token 上下文

Kimi K3.1 Pro 已开放权重,是支持文本和图像的原生多模态智能体模型,具备 1-million-token 上下文窗口。模型采用 MoE 架构,总参数为 2.8T、激活参数为 104B,从 Kimi K3 经大规模联合强化学习后训练而来,官方称其编码、3D 创作、金融研究和事实准确性有所提升。

推荐理由:Kimi K3.1 Pro 公布多轮工具调用的消息回传要求,接入时需保留完整推理内容与工具调用记录以维持对话上下文。

11月3日星期二

Hacker News 首页

Claude Opus 5.5 建筑制图实测:人工指导下可生成许可级图纸

建筑师测试13个AI模型后认为,Claude Opus 5.5在专业指导下可为简单建筑生成达到建筑许可质量的图纸。模型通过Python代码生成可缩放、可在CAD中编辑的矢量线条,住宅图纸耗时十二小时、计算成本数百美元。各模型获得的人工反馈量不同,Opus 5.5接受了最多反馈,包括两轮红线批注,最终图纸仍遗漏当地法规要求的第二条疏散路径。

10月30日星期五

10月29日星期四

AI HOT · 模型

Mistral Large 4(Le Chonk)登陆 Hugging Face,开放约 1T 参数多模态模型权重

Mistral Large 4(Le Chonk)在 Hugging Face 开放权重,采用多模态、多语言 MoE 架构,支持文本和图像输入、文本输出。模型约有 1T 总参数、49B 激活参数和 1M tokens 上下文窗口,提供 FP8、NVFP4 官方版本,许可证对模型即服务业务设有限制。

推荐理由:Mistral Large 4开放权重并提供多种部署路径,让安全团队能够自行控制漏洞复现与修补任务的使用政策和运行环境。

Mistral AI

Mistral Large 4(Le Chonk)提升编码与防御安全能力

Mistral AI 发布改进版 Mistral Large 4(Le Chonk)的开放权重,这款 1-trillion-parameter 原生多模态模型提升了编码、防御性网络安全与推理效率。

推荐理由:Mistral Large 4 开放权重并允许自托管与定制,经营模型即服务的企业须另获商业许可,自主部署与商业使用的授权边界明确。

10月28日星期三

AI HOT · 模型

Google 发布世界模型 Genie 4,支持实时操控与原生音频

Google 发布下一代世界模型 Genie 4,支持实时操控,并同步生成环境音与人物实时对话。相比 Genie 3,其照片级真实感和物体碰撞等物理模拟有明显进步。用户可用 WASD 和双摇杆控制角色或镜头,也可在运行中用自然语言修改天气、加入物体。

Hacker News 首页

Liquid AI 发布 LFM3:面向专用智能的多模态模型家族

Liquid AI 发布 LFM3,首批包含 6 款 2B 级模型,以共享骨干覆盖文本、视觉、音频、全模态和决策任务。新骨干采用短卷积、滑动窗口注意力与全局注意力的三混合架构,经过 22T tokens 预训练,文本模型提供 256K tokens 上下文窗口。

The Decoder

Google DeepMind 的 Genie 4 如何更新早于 LLM 的智能体设计

Google DeepMind 推出实验性世界模型 Genie 4,支持实时交互场景、声音生成和角色对话,目前仅向部分测试者开放。Gemini 3.8 Flash 持续观察画面、拆解任务并调整计划,Gemini 4 Argon 则在演示中指挥模拟机器人 Apollo 下跳棋。