Google DeepMind 发布 Gemini 3.8 Live with Live Avatar
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，在原生实时对话模型上加入近实时视频生成，实现带唇形同步、自然表情和流畅轮次切换的动态视觉形象。
推荐理由：原文给出 Live Avatar 的实时视频对话能力、异步工具调用与 97 语言支持，可据此判断企业级多模态交互的落地形态。
#多模态
#多模态
今日 0 条9月25日星期五
9月23日星期三
蚂蚁开源两个6B模型，一个做设计图生成，一个做图层编辑
蚂蚁开源了 Ming-Image-0.1-Design 系列，包含两个 6B 参数模型，分别负责设计图生成和图层编辑。6B 参数属于中等规模，比动辄几十B的大模型更轻量，部署成本低。但原文页面被拦截，正文没披露模型架构、训练数据、评测指标，也没说跟现有方案比效果如何。目前能确认的是：开源、两个模型、覆盖从生成到编辑的流程。具体能不能打，得等代码和权重放...
9月22日星期二
小米 MiMo-V2.6-Pro 在 Code Arena WebDev 排到第10名左右，开源模型里排第3
小米发了两个全模态模型 MiMo-V2.6-Pro 和 Flash。Pro 版在 Code Arena 的网页开发榜上拿了 1628 分，比上一代 MiMo-V2.5-Pro 的 1475 分涨了 153 分，整体排第10名上下，在 MIT 许可的开源权重模型里大概排第3。Flash 版的跑分和参数量正文都没提。
推荐理由：小米 MiMo-V2.6-Pro 在 Code Arena WebDev 榜上排第10名上下，开源权重模型里约第3，分数比上代涨了 153 分，有具体数字支撑。Flash 版参数量和跑分正文都没提，信息有缺口，所以重要性给到 78 比较合适，先别往更高拔。
9月8日星期二
OpenAI 发布 GPT-6 系列首个模型 Astra：跑分高但表现不稳定，作者烧了 40 亿 token 说“啥也没造出来”
OpenAI 推出了 GPT-6 系列的第一个模型 Astra。它在 ARC-AGI-3 和 Zapier 的 AutomationBench 上拿了最高分，定价跟 Fable 5.1 一样。但作者周末烧了 40 亿 token（相当于处理了海量文本），觉得“啥也没造出来”，承认可能是自己不会用。Astra 是个“尖刺型”模型——某些任务很强，但不是稳...
8月31日星期一
Astra 前端一次直出泄露，Coding 增长经济学，以及 Claude 安全降级误删 700GB 数据
OpenAI 正在灰度测试 Astra 模型，能零样本一次生成完整前端网页，测试者直呼“前端已解决”。Anthropic 在赶 Fable 5.1，两边已经开始用同一张 SVG 图隔空比细节稳定性。另一边，Claude Code 的安全机制把危险的文件清理任务降级给更弱的 Opus 4.8，结果它正确识别了主目录不能删，下一秒还是删掉了 700GB 数...
推荐理由：Astra 对 Fable 5.1 的隔空对决是本周最好看的叙事，四个技术方向让消息有料，“前端已解决”这种说法又足够刺激。但信源是群聊日报，转述的是微信文章和推文截图，没有一手技术报告，所以我会先打个折——方向值得盯，结论别急着全信。
8月25日星期二
Qwen 明天开源 Qwen3.8-Flash-Next：总参数 125B、激活 6B 的 MoE 多模态模型
Qwen 在 ModelScope 上预告了 Qwen3.8-Flash-Next，一个基于下一代 Qwen4 架构的多模态 MoE 模型，总参数 125B，每次推理只激活约 6B 参数。这次提前放出来是为了让社区先看看 Qwen4 的设计思路。明天（2026-08-26 15:00 UTC）正式开源，会同时放出 FP8 版本。正文没披露跑分、推理速度...
推荐理由：Qwen 提前放出了 Qwen4 架构的预告，125B 总参、6B 激活的 MoE 设计是实打实的新信息，在国内开源圈关注度很高。扣分是因为明天才正式开源，现在没跑分、没推理速度数据，我会先打个折——等明天 FP8 版本放出来再看实际表现。
8月15日星期六
MOSS-VL：把实时互动当核心能力来做的开源视觉模型，边看边说
复旦团队开源了一个叫 MOSS-VL 的视觉语言模型家族，最大的不同是它把“实时互动”——也就是模型一边接收画面一边说话——当作一等能力来设计。它用了一种叫门控交叉注意力的机制，把视觉信息放在解码序列外面处理，所以生成第一个字的延迟比同底座的 Qwen3-VL-8B 低了 2.8 到 5.1 倍，画面信息越多优势越明显。实时版 MOSS-VL-Real...
推荐理由：复旦开源了一个把实时交互当一等能力的视觉语言模型家族，不是事后加流式输出，而是从架构上就为低延迟设计。门控交叉注意力让视觉信息不进解码序列，首字延迟比 Qwen3-VL-8B 低 2.8 到 5.1 倍，帧数越多优势越大，这点对机器人、直播这类场景挺实在。我会先打个折：开源 VLM 现在不缺选手，MOSS-VL 的领先主要在工程实现上，报告里没看到它在通用多模态榜单上把同尺寸模型甩开，所以影响力偏垂直。H 和 K 都站得住，R 弱一些，整体给 featured 没问题。
8月14日星期五
通义千问开源 Qwen3.8 系列：27B 稠密模型参数更少但跑分反超，2.4T 混合专家模型权重也放出来了
Qwen3.8-27B 是一个原生就能看图、读文档的多模态稠密模型，参数量只有 27B，但基准测试全面超过了上一代 Qwen3.7-Plus。它原生支持 262K 上下文窗口，用 YaRN 技术可以拉到 1M tokens，等于一次能塞进三体三部曲的量。许可证是 Apache 2.0，商用友好。同时放出的还有 Max 版本 Qwen3.8-2.4T-A...
推荐理由：阿里通义千问放出 Qwen3.8 系列：一个 27B 的稠密多模态模型，基准测试压过了上一代 Qwen3.7-Plus，原生 262K 上下文，Apache 2.0 许可证，还附带一个 2.4T 参数的 MoE Max 版本。这是国内开源大模型当天的重要发布，必须收录。分数没给到 90 以上，是因为正文没披露具体评测细节和实际推理成本，我会先打个折，等看到实测数据再调整。
8月12日星期三
Google DeepMind 发布 SL2T 手语转文本模型，率先落地 Pixel 11 的 Gboard 与 Live Transcribe
Google DeepMind 发布多语言手语转文本模型 SL2T，首次将手语 AI 带入消费级产品，在 Pixel 11 的 Gboard 和 Live Transcribe 中支持美国手语（ASL）转英文听写，后续将扩展更多设备与语言。
推荐理由：原文给出 SL2T 的训练规模、基准成绩与隐私设计，可据此判断手语翻译进入消费级产品的可行边界。
8月10日星期一
SGLang 第一时间适配 Meta 的本地智能体模型 Muse Glimmer，单卡 RTX 5090 跑到每秒 1452 个 token
Meta 发布了 Muse Glimmer，一个 300 亿参数的多模态模型，专门为在本地硬件上跑智能体工作流设计。SGLang 推理框架在发布当天就提供了支持，并做了针对性优化。在单张 RTX 5090 显卡上，用 NVFP4 量化格式搭配 DFlash 投机解码技术，每个用户的解码速度能达到每秒 236 个 token，总吞吐量冲到每秒 1452 ...
推荐理由：Meta 发新模型本身是行业事件，但这篇文章的重点是 SGLang 的推理优化，不是模型本身。好在性能数字够硬，236 tok/s 和 1452 tok/s 这两个数让它的信息密度够上 featured。不过受众窄，只对搞本地推理的人有吸引力，所以 r 给了 false。
Meta 开源 Muse Glimmer：一个能在本地单 GPU 上跑的 30B agent 模型
Meta 把 Muse Glimmer 的权重以 Apache 2.0 协议放出来了。这是一个 30B 参数的模型，专门为常驻本地的 agent 工作流设计，小到能在 Mac 或 PC 的单张消费级显卡上跑。用 4-bit 量化能把模型压到 20 GB 以下，在 24 GB 或 32 GB 显存里还能留出空间给 KV cache 和视觉编码器。训练上，...
推荐理由：Meta 把 Muse Glimmer 的权重以 Apache 2.0 协议放出来了，一个 30B 参数、专为本地 agent 工作流设计的模型。4-bit 量化后不到 20 GB，能在单张消费级显卡上跑，还留出显存给 KV cache 和视觉编码器。定位很明确——不是通用聊天模型，而是常驻本地的 agent 引擎。我会先打个折：目前只有发布博客的信息，没有第三方跑分和实际部署反馈，所以分数没往上拉。但开源协议、显存占用和本地 agent 这个组合，对自部署和隐私敏感场景确实有吸引力。
8月4日星期二
Qwen 3.8 Max 跑分追平 Fable 5，权重下周开源；群里 agent 自己会下本地模型了
Qwen 3.8 Max 正式发布，2.4 万亿参数，Terminal Bench 2.1 得分 86.6，PaperBench 93.0 超过 Fable 5 的 88.8。群里有人充了 500 块的 token 额度一天就用完了，实际体感大概在 Luna 和 Terra 之间，主要优势还是便宜。下周 Qwen 3.8 Max 和 27B 模型都会开...
推荐理由：Qwen 3.8 Max 正式发布，2.4 万亿参数，PaperBench 93.0 超过 Fable 5 的 88.8，Terminal Bench 86.6，下周权重开源。群聊日报给了具体跑分和真实体感——有人充 500 块一天用完，实际能力大概在 Luna 和 Terra 之间，主要卖点是便宜。信息量足，但来源是群聊，权威性要打个折，所以没给更高分。
7月27日星期一
月之暗面把 Kimi K3 的模型权重、技术报告和三项基础设施技术一起公开了
Kimi K3 是一个 2.8 万亿参数的混合专家模型，也就是把任务分给不同专家模块处理，不用每次激活全部参数，能省算力。它原生支持图片理解，单次能处理 100 万 token 的上下文，相当于一次能读完《三体》三部曲还有余。团队说规模化效率比上一代 K2.5 提高了 2.5 倍，这个数字说明用同样资源能训出更强的模型，或者训同样水平的模型成本更低。同...
推荐理由：月之暗面把 Kimi K3 的权重、技术报告和 infra 技术一起开源了，2.8 万亿参数 MoE，单次能吞 100 万 token，规模化效率比上一代提升 2.5 倍。国内旗舰模型完整开源是强信号，热度、知识量、可复现性三条全中。没给更高分是因为目前只有标题和摘要，具体训练成本、消融实验、真实场景跑分都还没看到，等报告正文出来再调。
Kimi 开源 K3 模型：2.8 万亿参数 MoE，原生支持图像和 100 万 token 上下文
Kimi 把自家最强的模型 K3 开源了。这是个 2.8 万亿参数的混合专家模型，不用外挂就能直接理解图像，单次能处理的上下文长达 100 万 token。官方说新架构让每单位算力产出的智能提升了 2.5 倍——打个折理解，就是同等算力下模型更聪明了。这次不光放出了模型权重，还一起开源了高性能注意力计算内核、MoE 通信库和一个大规模智能体运行环境。正...
推荐理由：月之暗面把K3完整开源，权重、内核、通信库、智能体环境全给，不是只扔个模型。2.8T MoE、100万上下文、原生视觉，外加2.5倍算力效率的说法，信号很强。没给更高分是因为技术报告刚出，实际效果和效率提升还没被第三方验证，先打个折看社区反馈。
7月21日星期二
Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 与 3.5 Flash Cyber
Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 和面向安全的 3.5 Flash Cyber 三款新模型。
推荐理由：原文给出三款新模型的定价、token 效率与多项基准对比，可据此判断智能体工作流的成本与选型变化。
7月17日星期五
月之暗面发布 2.8 万亿参数 Kimi K3，自称首个开源 3T 级模型，API 定价看齐 Claude Sonnet
月之暗面推出了 Kimi K3，一个 2.8 万亿参数的模型，他们把它四舍五入叫成“首个开源 3T 级模型”。这个模型 API 定价是输入每百万 token 3 美元、输出 15 美元，跟 Anthropic 的 Claude Sonnet 系列一个价，是目前中国 AI 实验室里最贵的模型。它自己公布的跑分大多超过了 Claude Opus 4.8 和...
推荐理由：月之暗面发了 Kimi K3，一个 2.8 万亿参数的模型，他们管它叫“首个开源 3T 级模型”，API 定价输入每百万 token 3 美元、输出 15 美元，跟 Claude Sonnet 一个价，是目前中国 AI 实验室里最贵的。自己公布的跑分大多超过 Claude Opus 4.8 和 GPT-5.5 high，但输给 Claude Fable 5 和 GPT-5.6 Sol。Simon Willison 的测试里 K3 在长周期知识任务上比前代 K2.6 涨了 732 Elo，输出 token 数少了 21%，成本降了 27%，说明模型在...
7月2日星期四
Fable 5 重新上线，同时来了个新的 Claude Sonnet 5
Anthropic 把 Fable 5 又放出来了，付费用户能用，但只到 7 月 7 号，而且用量上限砍半。官方说这次加了更强的安全护栏。Scale 的跑分显示它能完成 16% 的远程工作任务，是 Opus 4.8 的两倍。同时发布的 Claude Sonnet 5 跑分接近 Opus 4.8，单 token 价格更低，但实际跑一个任务的总花费差不多，...
推荐理由：Anthropic 同时放出 Fable 5 的限时回归和 Sonnet 5，两条消息叠在一起。Scale 的跑分给了可对比的硬数字，不是纯宣传稿。Fable 5 的 16% 任务完成率虽然翻倍但绝对值还低，所以重要性没推到 90 以上。
6月11日星期四
小米开源终端编程助手 MiMo Code，MIT 协议，内置模型限时免费
小米把终端 AI 编程助手 MiMo Code 开源了，MIT 协议，随便用。内置的 MiMo-V2.5 多模态模型目前免费，性能自称对标 Claude Sonnet 4.6，但正文没写免费到什么时候，也没提参数量。它也支持接 DeepSeek、Kimi、GLM 这些外部模型。两个值得看的设计：一个是持久记忆系统，靠独立子 agent 自动存项目记忆、...
推荐理由：小米这次开源 MiMo Code，MIT 协议加免费模型，对开发者吸引力不小。我会先打个折：模型性能对标 Sonnet 4.6 的说法正文没给评测细节，参数量也没披露，免费能用到什么时候也不清楚，这些缺口让判断得收着点。真正值得看的是那个持久记忆子 agent，自动存项目记忆而不是简单翻聊天记录，工程思路比多数终端助手走得远。另外它支持接 DeepSeek、Kimi 这些外部模型，灵活性也加分。整体来说，开源动作本身比模型宣称更有信息量。
6月10日星期三
Anthropic 发布 Claude Fable 5，在高风险领域会自动降级到旧模型
Claude Fable 5 是 Anthropic 目前最强的模型，在编程、知识问答、科研和视觉测试里几乎全面领先，任务越复杂优势越大。但它在网络安全、生物化学和模型蒸馏这些敏感领域做了限制：一旦触及，会自动切回能力更保守的 Opus 4.8，平均每 20 次对话触发一次。另外，Anthropic 把完全版 Mythos 5 开放给了少数可信的网络安...
推荐理由：Anthropic 发新模型，重要性本来就在 85–94 这个区间。HKR 三项全过：安全降级这个钩子够特别，降级对象和触发频率都写清楚了，而且 Claude 用户群对“能力强但可能被安全机制打断”这事很敏感。唯一扣分点是来源只有 X，信息不够硬，所以没给到最高档。
6月9日星期二
Gemma 4 12B 发布：一个模型直接看懂图文和音频，不用外挂编码器
Google DeepMind 开源了 Gemma 4 12B，一个 120 亿参数的多模态模型。它最大的变化是去掉了传统的独立视觉/音频编码器，把所有输入统一交给 Transformer 处理，架构更简单。模型能直接听懂语音，不再需要先转文字。官方说它用 Apache 2.0 协议开源，在 16GB 显存或统一内存的笔记本上就能跑。性能方面，正文没给...
推荐理由：我会先打个折：正文没给性能对比和具体 benchmark，所以没法判断它到底多强。但架构上的变化是实打实的——把视觉和音频编码器都砍掉，统一用 Transformer 处理，等于简化了管线，也降低了工程复杂度。能在 16GB 显存或统一内存的笔记本上跑，对个人开发者和中小企业是个实在的卖点。原生语音输入意味着不用再串一个 ASR 模块，做语音助手或实时对话应用会更轻量。Apache 2.0 协议也扫清了商用顾虑。整体看，这是一个有明确技术亮点的开源发布，但缺少性能验证，激动之前得等实测数据。
腾讯混元开源 UniRL：一套强化学习框架同时管图像生成和语言模型，还带了两个新算法
UniRL 把扩散模型、流匹配模型、大语言模型和视觉语言模型的强化学习训练塞进了同一个后训练循环里，流程就是生成、打分、算优势、更新参数再同步。框架把模型和算法拆成两个独立维度，可以自由组合，目前已经用在 Hunyuan-Image 3 和 Bagel 上。这次一并开源了两个算法：Flow-DPPO 给流/扩散模型加了基于精确散度的信任域约束，训练更稳...
推荐理由：UniRL 不是新模型发布，而是一个多模态强化学习的训练框架，把扩散、流匹配、LLM 和 VLM 的 RL 训练流程统一了。框架设计上把模型和算法解耦，搭配开源的两个算法（Flow-DPPO 和 DRPO），对做多模态对齐和微调的从业者来说，省了自己搭轮子的功夫。信息量够、开源动作实在，但属于基础设施层发布，不是旗舰模型，所以重要性给到 81，放在 featured 位置。
6月8日星期一
高德发布 ABot-Earth0.5，用一张卫星图 10 分钟就能生成 3D 城市
高德搞了个叫 ABot-Earth0.5 的模型，号称是全球第一个原生 3D 的城市世界模型。它已经覆盖了 190 多个国家和地区。用起来很简单，你扔给它一张卫星图或者一段文字描述，它就能在普通消费级显卡上，大概 10 分钟给你生成一大片公里级的 3D 城市场景。出来的素材是 3DGS 格式，能直接拖进 Unity、虚幻引擎这些软件里接着用。按他们算的...
推荐理由：高德这个ABot-Earth0.5把3D城市生成的门槛压得很低：消费级显卡、10分钟、公里级、直接出可编辑资产。我会先打个折，正文没披露生成精度和几何一致性有多高，也没给实际案例对比，所以“全球首个原生3D城市世界模型”这个说法先别太激动。但即便只做到七八成，对需要大量3D场景的团队来说也挺省钱。H/K/R三条都踩实了，重要性给80合理。
6月6日星期六
OpenCV 5 发布，换了一套能跑大模型的神经网络引擎
OpenCV 5 最大的变化是换了一套全新的 DNN 引擎，从原来的逐层执行改成基于计算图的架构，能做算子融合，跑 Transformer、视觉语言模型和大语言模型都成了原生能力。ONNX 算子的覆盖率从 4.x 时期不到 23% 一下子拉到 80% 以上，以前很多导不进来的模型现在能直接用了。另外硬件加速层也重新整理了，厂商可以直接插优化后的计算内核...
推荐理由：HKR 三项都站得住：OpenCV 加原生大模型支持是个实打实的跨界信号，计算图引擎和 ONNX 覆盖率暴涨是硬核知识增量，本地推理和兼容性又切中部署痛点。作为大版本更新，重要性够上 featured，但还没到模型实验室发新作那种必写级别。
开源模型这周炸了：25+ 个开放权重模型一口气放出，覆盖文本、图像、语音
Victor M 在 X 上整理了一份清单，过去一周有超过 25 个开放权重的模型发布，几乎覆盖了所有模态。其中最扎眼的是 NVIDIA 的 Nemotron 3 Ultra，一个 550B 参数的混合架构（Mamba-MoE），每次推理只激活 55B 参数，上下文窗口能塞进 100 万个 token。不过正文被 Reddit 的安全策略拦住了，具体还...
推荐理由：我会先打个折：消息源是 X 上的个人整理，Reddit 原文还被安全策略拦了，具体细节没法交叉验证。但一周 25+ 个开放权重模型这个密度本身就值得关注，NVIDIA 那个 550B 的 Nemotron 用 Mamba-MoE 架构，激活参数只有 55B，上下文能塞 100 万 token，如果实测靠谱，推理成本会省不少。这点先别太激动，等完整评测出来再说。
Google AI 本周连发六弹：笔记本能跑的多模态模型、帮你读论文的科研助手、还有开源实时音乐模型
Google AI 这周一口气更新了六样东西。Nano Banana 2 和 Pro 版正式上线，走 Gemini 企业平台、API 和 AI Studio 就能用。Co-Scientist 是一个多智能体系统，专门帮科研人员自动生成和优化新假设，相当于有个助手帮你读文献、想点子。Google Labs 出了个 dreambeans，会扒你的 Goog...
推荐理由：HKR 三项都踩中了：帖子一口气打包了 Google AI 六个更新，本地部署和开源这两个点对从业者很实在。正文没给基准测试、授权条款和定价细节，所以分数卡在 76，没往上走。
6月5日星期五
Google 开源了实时音乐模型 MRT2，在 MacBook 上延迟不到 200 毫秒
Google AI for Developers 放出了一个叫 Magenta RealTime 2（MRT2）的实时音乐模型，权重开放，推理引擎也开源了。你可以用 MIDI 键盘弹、打字给提示词，甚至用手势控制它来生成音乐。它在 MacBook 上原生跑，延迟压到了 200 毫秒以内，这个速度对实时演奏来说基本跟手。配套还给了应用和插件套件，到手就能...
推荐理由：HKR 三项都过：Google Magenta MRT2 有实打实的实时音频钩子、开放权重和低于 200ms 的本地延迟。对创意 AI 开发者吸引力很强，但本质上是一封公开信和政策诉求，不是已生效的法律，法案文本和执行时间表都没披露，所以放在 featured 而不是更高一级。
6月4日星期四
MiniMax M3 在开源模型榜冲上第一，硅谷 CEO 深夜转发，但中文社区对实际表现吵起来了
MiniMax 的新模型 M3 在第三方评测平台 Artificial Analysis 的开源榜单上排到了第一。文章说它支持一次性处理 100 万 token 的上下文，预训练用了百 T 级别的数据，并承诺在 10 天内开源模型权重和完整技术报告。不过，这篇微信文章本身因为环境验证问题无法看到正文，所以具体的评测细节、中文社区到底在吵什么、以及硅谷 ...
推荐理由：MiniMax M3在Artificial Analysis上冲到了开源模型第一，但中文社区对评测含金量吵得很凶。我会先打个折：权重和完整报告还没放出来，现在只能看官方给的数据。1M上下文和100T预训练规模听着挺猛，但正文没披露具体架构和训练成本，这点先别太激动。10天内开源这个承诺如果兑现，对开发者是实打实的利好；如果跳票，那现在的排名就先当个热闹看。
Ideogram 4.0 开源，跑分自称全球最强，文字渲染和排版控制是亮点
Ideogram 发布了 4.0 版本，一个 93 亿参数的开源文生图模型。它把文字和图像信息放在同一条处理流水线上（单流 DiT 架构），并用了 Qwen3-VL-8B 当文本编码器。最突出的能力是能在图里准确写出长段文字，适合做海报和封面。另外，它训练时让模型理解了元素的位置关系，你用提示词就能指定版式和对象布局。在 DesignArena 的人工...
推荐理由：Ideogram 4.0把9.3B参数的文生图模型开源了，架构是单流DiT，在DesignArena人类偏好排名里拿了第4。我会先打个折——正文没披露训练数据规模和具体推理成本，所以实际部署的性价比还不好算。但一个开源模型能在人类评价里挤进前排，说明图像生成的质量门槛又在往下掉，对做应用的人来说是个省钱信号。
6月3日星期三
用 LiteRT 跑 Gemma 4 E4B，文字生成比 Q4 GGUF 快 2.4 倍，图片处理几乎没变
有人在 RTX 4060 Ti 16GB 上实测了 Gemma 4 E4B 模型。用 LiteRT 引擎跑文字生成，平均每秒能出 157.2 个 token，而用 llama.cpp 的 Q4 GGUF 格式只有 66.3 tok/s，快了大约 2.4 倍。不过图片标注任务就没这么乐观了：处理 111 张全分辨率图片，LiteRT 耗时约 72 秒，Q...
推荐理由：这是一篇个人在 Reddit 上发的实测，不是官方报告，权威性有限，所以分数没往上拉。但 H、K、R 三项都站得住：速度对比抓眼球，测试条件和数据都写清楚了，对想在自己机器上跑 Gemma 的人有直接参考价值。我会先打个折，因为只有单卡单次测试，没提功耗和精度变化，但作为一手体验已经够用。
6月2日星期二
阶跃星辰放出 Step 3.7 Flash，开放权重，主打帮智能体写代码
阶跃星辰发了个新模型 Step 3.7 Flash，把权重开放了，你可以直接下载用。它的定位是给智能体编程场景用，强调工具调用可靠，还能处理多模态输入。同一天 MiniMax 也开源了 M3，两家模型都已经能在 Kilo 平台上跑。正文没披露具体的跑分、参数量或硬件门槛，所以实际快不快、省不省资源还得自己测。
推荐理由：这条消息的钩子在于“开放权重”和“智能体编程”两个点，不是常规发个新版本。我会先打个折：正文没给模型尺寸、跑分、许可证和定价，所以只能算有信息增量但缺关键验证。对开发者来说，能直接下载权重、能调工具、能看懂多模态输入，这几个能力放在一起确实有吸引力，尤其现在大家都在抢智能体编程这条赛道。Kilo 上线也让想试的人有个现成入口。不过没披露性能对比和实际成本，这点先别太激动，等后续数据出来再看值不值得切过去。
NVIDIA Cosmos 3 在开放权重模型里拿了图像和视频生成双料第一
NVIDIA 的 Cosmos 3 在 Artificial Analysis 的开放权重榜单上，文本生图和图片转视频两项都排到了第一。它用了一种叫 Mixture-of-Transformers 的架构，把自回归推理器和扩散生成器拼在一起，有 16B 参数的 Nano 版和 64B 参数的 Super 版。Super 版在两项任务上分别超过了 HiD...
推荐理由：Cosmos 3 在 Artificial Analysis 的开放权重榜上把图像和视频生成的头名都拿了，我会先打个折——这只是单一基准的排名，不代表实际场景一定最强。但亮点在于它直接给了 16B 和 64B 两个尺寸，而且权重、代码、数据、微调方案全开源，这点对想自己训模型的人挺实在。正文没披露训练成本和推理延迟，所以别急着下“省钱”的结论。整体看，这条消息对关注开源多模态竞争的从业者有参考价值，放在 featured 档合适。
6月1日星期一
MiniMax 开源 M3 模型，把写代码、读长文和看图听声塞进一个系统，跑分压过 GPT-5.5 但成本只要十二分之一
MiniMax 放出了一个叫 M3 的开源模型，把代码能力、一次能读 100 万 token 的长上下文和原生多模态（能直接处理图像、音频）做在了一起。在 SWE-Bench Pro 这个代码基准上拿了 59.0%，比 GPT-5.5 的 58.6% 和 Gemini 3.1 Pro 的 54.2% 都高一点；在 BrowseComp 自主浏览任务上 ...
推荐理由：我会先打个折：目前只有一条 X 帖子，没看到官方技术报告或第三方独立评测，所以分数压在 78–84 区间。但 M3 确实把编码、超长上下文和多模态打包开源，SWE-Bench Pro 59.0% 不算顶尖但够用，成本只有 GPT-5.5 的约 1/12，对想省钱又有长上下文需求的团队是个实在选项。这点先别太激动，等正式文档和更多实测出来再调判断。
NVIDIA 开源 Cosmos 3：一个模型搞定物理世界的看、想、动
NVIDIA 在 GTC Taipei 把 Cosmos 3 完全开源了，模型权重、代码和数据集都放了出来。它被叫做首个物理 AI 全能模型，意思是能直接看懂真实世界、预测接下来会发生什么，并给出机器人该做的动作。这次发了两个尺寸：Super 版 320 亿参数，Nano 版 80 亿参数。正文没提具体跑分和硬件门槛，实际部署成本还得自己测。
推荐理由：HKR 三项都成立：钩子是 NVIDIA 开源物理 AI 模型，知识增量是 32B/8B 双版本加全套开放物料，受众是机器人、仿真方向的从业者。正文信息很薄，没给基准测试、没提许可证细节，所以分数压在 78–84 区间，不往上拔。
招商局狮子山实验室开源 LiOS 架构，把云端大模型延迟压到 30 毫秒，还送了个叠衣服数据集
招商局狮子山人工智能实验室放出了一个叫 LiOS 的边云架构，专门解决机器人怎么用上云端大模型的问题。他们跨机器测下来，从本地摄像头到云端 GPU 显存，单向延迟大约 30 毫秒，这个数字对很多实时控制场景已经够用了。架构里低延迟视频传输模块直接开源，还附带了一个 LeFold 叠衣服数据集。不过正文因为微信环境异常没加载出来，具体用了什么模型、在哪些...
推荐理由：我会先打个折：招商局狮子山实验室不是头部平台，也没看到多源交叉验证，所以影响力止步中等。但这条消息确实给了干货——30ms相机到云端显存的延迟数字，说明端云协同在物理世界干活有戏，不是纯画饼。开源图传模块和叠衣数据集也算实在，同行能直接拿来测。正文没披露具体模型规模、功耗和复杂场景下的抖动，这点先别太激动。
英伟达开源 Cosmos 3：一个能看懂物理世界、还能生成动作的 32B 模型
英伟达把 Cosmos 3 称为第一个完全开放的物理 AI 全能模型，意思是它不只能识别图像，还内置了视觉推理、生成 3D 世界状态和直接输出动作的能力。这次放出两个尺寸：Super 版 320 亿参数，Nano 版 80 亿参数。正文没提训练数据规模、具体跑分和推理成本，所以实际能用多好、跑起来贵不贵还得等实测。
推荐理由：我会先打个折：正文是单篇发布稿，没给基准测试、没提许可证细节，也没说训练数据规模和实际部署条件，所以分数卡在 78–84 区间。亮点在于 NVIDIA 第一次把视觉推理、世界生成和动作生成打包成一个开放物理 AI 模型，并给出两个具体尺寸，这对机器人圈子的信号意义不小。但缺少验证信息，这点先别太激动。
MiniMax 开源 M3 模型：一个模型搞定编程、100 万 token 上下文和原生多模态
MiniMax 把 M3 模型开源了，权重公开可下载。它把三个能力塞进了一个模型里：编程水平摸到了 GPT-5.5 和 Gemini 3.1 Pro 的边（SWE-Bench Pro 得分 59.0%），能处理 100 万 token 的超长上下文，还原生支持图片和视频输入。长上下文不卡顿的关键是他们自研的 MSA 稀疏注意力机制——在 100 万 t...
推荐理由：MiniMax M3开源了一个把文本、图像、音频塞进同一个模型的一体方案，上下文窗口拉到100万token。最实在的点是MSA注意力机制，每token计算成本降到前代的1/20，长文本推理能省不少钱。编码和Agent跑分看着不错，但正文没给出具体对比对象和测试细节，这点先别太激动。整体是一次有诚意的开源发布，信息量够，但验证还缺一环，所以放在featured而不是P1。
5月31日星期日
复旦系团队发布时空一体世界动作模型 STI-WM，称能同时吃进 RGB、点云和本体感知数据做百秒级任务规划
这篇文章来自微信公众号，但页面被环境验证挡住了，正文内容完全看不到。标题和摘要里提到的“复旦铁三角”和“最优物理 AI 路径”都是原文的说法，具体技术细节、实验数据和模型架构都没法核实。已知信息是：一个叫 STI-WM 的模型，主打时空一体的世界动作建模，用在机器人上，支持 RGB 图像、点云和机器人自身状态感知三种输入，能做上百秒的任务规划。另外还提...
推荐理由：这篇东西我会先打个折——全是公司自己说的，没给公开 benchmark 也没说模型能不能复现。但信息量确实不小：STI-WM 把视觉、点云和机器人自身状态揉进一个模型里，号称一次能规划上百秒的动作，这比现在多数 demo 里几秒的规划长得多。半年融了 5 轮、Pre-A 轮 3 个亿，还拉了 NVIDIA 站台，资本侧的信号比技术侧更实。对做机器人落地的人，这条至少能看出一条技术路线和资源密度，所以放在 featured 门槛上。
复旦系团队发布机器人世界动作模型 STI-WM，把时空信息揉在一起做长任务
沐神智能搞了个叫 STI-WM 的模型，专门给机器人用的。它把 RGB 画面、深度点云和机器人自身状态（比如关节角度）同时喂进去，首创了时空一体的架构，不再是先看空间再看时间的两段式处理。官方说它能支撑上百秒的长任务推演，中间出错了还能闭环重新规划。不过正文没给出具体的基准测试分数，也没提部署成本，所以实际效果和性价比还得等更多数据。
推荐理由：我会先打个折：正文没披露权重是否开源、有没有标准 benchmark 对比、百秒推演在什么场景下验证的，这些关键信息都缺。但 STI-WM 把 RGB、深度点云和本体输入揉进一个时空一体架构，直接做百秒级推演，这个思路对做机器人世界模型的人有参考价值。眸深智能又是复旦系团队，英伟达也出现在标签里，产业和学术两边都有点关联。综合来看，信息够新、够具体，但验证强度不明，所以放在 featured 门槛附近，不往上拔。
5月30日星期六
OpenAI 放出一个实时翻译语音模型，70 多种语言输入，13 种语言输出
OpenAI 发了 gpt-realtime-translate，一个专门做语音翻译的模型。你对着它说 70 多种语言里的任意一种，它能直接用 13 种目标语言把语音播出来。OpenAI 说大模型虽然强，但特定任务还是得上专用模型。目前这个功能已经在智能眼镜上跑起来了，不过正文没披露延迟、准确率和具体硬件细节。
推荐理由：我会先打个折：正文没提延迟、定价和 API 开放时间，所以实际能不能用、贵不贵还不知道。但 OpenAI 把实时翻译塞进智能眼镜，70多种语言进、13种语言出，这个组合本身是个挺实在的进展，值得从业者看一眼。
5月29日星期五
小米开源 ControlFoley：给视频配音效，可以按你写的提示词或给的参考音频来
小米大模型应用团队放出了一个叫 ControlFoley 的视频音效生成模型，权重和代码都开源了。它主要解决一个问题：以前模型只能看画面自动猜配什么声音，创作者没法干预。ControlFoley 支持三种用法——用文字描述想要的音效、用文字强行覆盖画面里原有的声音、或者上传一段参考音频让它模仿音色和风格，同时还能保证声音和画面动作对得上。团队自己训了一...
推荐理由：ControlFoley 把视频拟音做成可控生成，还直接开源了全套，对创作者和开发者都挺友好。它不是那种刷榜的基础模型发布，但胜在任务明确、工具属性强，放在 featured 门槛附近是合理的。