面壁智能发布并开源 MiniCPM-OCR 系列,包含 1.3B 解析模型与 2B 判别模型
面壁智能发布并开源 MiniCPM-OCR 系列,包含 1.3B 解析模型与 2B 判别模型。MiniCPM-OCR 1.0(1.3B)在 Real5-OmniDocBench 取得 93.68 分、在 OCRBench v2 取得 54.7 分,达到 SOTA。经 DSpark 加速后,吞吐达 1.217 页/秒,端到端效率提升 55%。
面壁智能发布并开源 MiniCPM-OCR 系列,包含 1.3B 解析模型与 2B 判别模型。MiniCPM-OCR 1.0(1.3B)在 Real5-OmniDocBench 取得 93.68 分、在 OCRBench v2 取得 54.7 分,达到 SOTA。经 DSpark 加速后,吞吐达 1.217 页/秒,端到端效率提升 55%。
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。
Google Gemini 宣布集成 SynthID 检测功能,可检查图片、视频或音频文件是否由 Google AI 生成。用户只需在 Gemini 中询问“Is this AI generated?”即可进行检查;官方称该功能帮助用户更有信心地浏览网络内容。
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。
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。
Google 今天宣布世界模型 Genie 4,可生成更逼真的交互体验,支持用自然语言提示词实时修改体验并生成音频。模型使用 Gemini 3.8 Flash 辅助模拟,体验时长从 Genie 3 的一分钟增至约两分钟,Google 提醒较长模拟中的细节和物体持续性可能发生变化。
Google DeepMind 于周二发布 Genie 4 研究预览,新增实时音频与模拟中的提示词编辑,生成更逼真、可交互的世界。模型可实时改变天气、镜头角度或添加人物与物体,保持场景一致性最长两分钟,是前代的两倍,但仍存在细节漂移、音频准确性和场景文字可读性问题。
Google DeepMind 发布世界模型 Genie 4,支持原生音频、交互式对白和自然语言实时修改场景,已向可信测试者开放研究预览。Gemini 3.8 Flash 在模拟中持续观察场景、拆解目标并检查执行进度,帮助维持多步骤事件的连贯性;模型仍存在物体持久性漂移、复杂物理交互和长期一致性等限制。
推荐理由:Genie 4 将原生音频与实时场景控制接入世界模拟,让创作者能在动态场景中调整镜头、对白和动作来试演想法。
Google 展示了 Gemini 4 Argon 的 8 个应用实例,涵盖复杂资料整理、交互工具、可玩三维场景及动画生成。模型在 Antigravity 中将 NASA 跨越 72 次火星飞行的 80,000 多份原始文件整理为演示文稿,也能协调子智能体、Blender MCP 和 Nano Banana,将真实桌面照片转为可玩的三维赛道。
推荐理由:Google 展示了 Gemini 4 Argon 从照片构建可玩三维场景的方法,将子智能体协作与建模工具调用串联到同一任务中。
OpenAI 发布 GPT-6.1 Terra,强调细致的视觉推理、精准的计算机操作,以及更清晰自然的写作。OpenAI 的 Ted Sanders 表示,Terra 的技术沟通可能优于 Astra 和 Sol,视觉与计算机操作能力相近且速度更快,多数其他能力略弱。
Greptile 用 GPT-6 Astra 的 computer use 能力自动化应用测试:为 pull request 启动开发服务器、把浏览器调整为 iPhone 尺寸视口并模拟用户操作,靠模型的视觉理解发现代码审查看不出的问题。Greptile 还通过 MCP server 把代码库知识库接入 Codex,数千客户已连接,AI 生成代码的回退次数随之减少。
OpenAI 发布 GPT-6.1 Terra,降低 API 价格,并在推理、编码和计算机控制评测中提升表现。输入与输出价格分别为每百万 token $1 和 $5,前代 GPT-5.6 Terra 为 $2 和 $12;Artificial Analysis 测得其最高推理强度下智能指数提升6点,每任务成本从$1.40降至$0.40。
推荐理由:GPT-6.1 Terra 在独立评测中比前代智能指数高出6点,每任务成本从$1.40降至$0.40。
OpenAI 发布 GPT-6.1 Terra,结合视觉推理、电脑操作与自然写作能力,标准 API 价格较 GPT-5.6 Terra 和 GPT-6.1 Sol 降低 50%。
推荐理由:OpenAI 将 GPT-6.1 Terra 的标准 API 价格降低 50%,其电脑操作评测成绩较 GPT-5.6 Terra 提高 15 个百分点。
GPT-6.1 Terra 可将产品照片匹配到目录条目、解读技术图纸、操作应用屏幕,以及起草和修改文本。reasoning.effort 支持 none、low、medium(默认)、high、xhigh 和 max。工具调用要求使用 Responses API,提示词与迁移指导见 GPT-6 指南。
OpenAI 发布 GPT-6.1 Terra,主打写作、个性、细致理解请求及电脑操作能力。发布者称其是自家首个在写作、个性和细致理解请求上显著更好的模型,能够理解屏幕内容并跨应用执行操作。该模型在 API 和订阅中提供的用量是 6.1 Sol 的 2 倍,价格更低。
推荐理由:OpenAI 的 GPT-6.1 Terra 在 API 和订阅中提供较 6.1 Sol 两倍的用量,价格也更低。
OpenAI 发布 GPT-6.1 Terra,今天起在 ChatGPT Work 和 Codex 中向 Plus、Pro、Enterprise 和 Edu 用户推出。新模型主打快速高效,强化视觉推理、精确的电脑操作及清晰自然的写作;官方称其适用于解读技术图纸、起草提案、填写表单和剪辑视频等工作场景。
推荐理由:OpenAI 将 GPT-6.1 Terra 接入 ChatGPT Work 和 Codex,覆盖技术图纸解读、表单填写与视频剪辑等工作场景。
Google 邀请 15 名 Google Student Ambassadors 分享他们最常用的 Gemini 功能,涵盖 Study notebooks、Gemini Live、Guided Learning、学习指南生成、自定义测验、无限上传、Audio Overviews、Nano Banana 图像生成和 Chrome 中的 Gemini。
苹果发布新款 iPad mini,搭载 A20 Pro 芯片,配备 8.5 英寸 OLED 屏,峰值亮度较上代提升 2 倍以上,并新增 IP67 防尘抗水。新品 10 月 28 日起在 36 个国家和地区开启预购,11 月 6 日到货,Wi-Fi 版起售价 699 美元,提供 128GB、256GB、512GB 三种容量。
Runware 在 Kling 4.0 发布首日将其接入 API,支持生成最长 30 秒的 1080p 视频及原生音频。功能包括首、中、尾多关键帧、单请求最多 15 个输入,以及基于提示词的已有片段编辑;输入可包含关键帧、参考图、参考视频与元素。
皮肤科医生 Magnus Lynch 在 200 个活检确诊皮损上测试发现,微调后的 Inception v3 诊断准确率为 62%,GPT-6 Astra 和 Claude Fable 5.1 均约为 42%。
月之暗面发布 Kimi K3.1 Pro,API 已可用,并承诺于 November 4, 2026 发布权重。模型采用 MoE 架构,总参数量为 2.8T、激活参数量为 104B,支持 1-million-token 上下文窗口;官方称 Highspeed 版本保持智能水平,输出速度提高 2–3×,价格为标准版的两倍。
推荐理由:Kimi K3.1 Pro 的 token 单价较 K3 降低三分之一,独立评测中的单任务成本却因 token 消耗增加而出现持平或上涨。
OpenRouter 上线月之暗面的 Kimi K3.1 Pro,这是一款面向长程编码和智能体任务、支持 1M 上下文的多模态开源权重模型。该模型基于 Kimi K3 后训练,定价为 $2/M input tokens、$10/M output tokens,可在 OpenRouter 直接试用。
月之暗面发布推理模型 Kimi K3.1 Pro,在 Artificial Analysis Intelligence Index 获得55点、排名第四,比 Kimi K3 提高11点,距 Claude Opus 5.5 差3点。
推荐理由:月之暗面的 Kimi K3.1 Pro 在同等模型规模下将智能指数提高11点,每项测试任务成本从$2.00降至$1.98。
Google 展示了社区开发者使用 Gemini 4 Argon 构建的 5 个项目,涵盖三维模拟、实时数据可视化和多人浏览器游戏。案例包括水上飞机模拟、结合 NASA 野火数据与美国地质调查局地震数据的交互地球仪、喷气发动机模拟、由单张图像生成的交互式马车,以及多人夺旗游戏 Backyard Rascals。
Kimi 在 Kimi Code 全面开放 K3.1 Pro,并发布能力相同、输出速度约为其 2–3× 的 K3.1 Pro Highspeed。K3.1 Pro 具有 3T 参数和 1M 上下文窗口,支持图像、视频输入,仅支持思考模式;官方称其编码、3D 创作及金融研究与建模能力显著提升。
推荐理由:Kimi 发布能力相同的 K3.1 Pro 高速版本,以约 2 倍配额消耗换取约 2–3× 模型输出速度,工具调用和脚本执行不随之加速。
月之暗面发布 Kimi K3.1 Pro,称其为自家最强的 3T 级开放权重模型。该模型采用 MoE 架构,总参数为 2.8T、激活参数为 104B,支持 1M token 上下文与多模态。
fal 宣布 Kling 4.0 正式向公众开放,所有客户均可通过 API 访问。该模型支持最长 30 秒带音频的原生视频生成、最多 15 个图像/视频/元素参考,以及最多 10 个关键帧的精确控制。运动、角色一致性和电影感叙事表现也得到提升。
研究者发现,Fable 5.1 能在 SVG 图像中隐藏消息,新会话仅凭渲染后的截图、无需预先约定编码方案即可恢复 78% 的消息。测试包含 15 种语言的 50 条短消息,其中 33 张图像采用高度编码,解码模型通过 Python 工具测量视觉元素并推断规则。
一款 Show HN 项目支持在手机上构建世界,再通过 Vision Pro 和 Quest 以 XR 方式探索。页面提供教程、世界展览与"访问其他世界"入口,并支持登录后继续编辑自己的主世界。
OpenAI 于周四向所有客户开放 Decisions API,并为公开版本新增语音和视觉模态支持。该服务由 ChatGPT Luna 重新配置而来,通过加速推理和降低成本处理决策任务,OpenAI 称响应时间从一至三秒缩短至 100、120、180 毫秒。语言辅导产品 Speak 使用该 API 后,将动作间隔从 1.4 秒缩短至 .13 秒。
推荐理由:OpenAI 将 Luna 改造为低延迟决策服务,Speak 用它替换原有 LLM 后缩短了动作间隔和交互等待时间。
ModelCompare 向 12 个文本模型各提问 3 次,35 条有效回答中有 29 条被人工归为同一观点,即人类将归属、地位或自身叙事置于真相和原则之上。
可灵(Kling)宣布 Kling 4.0 已在 OnSolo 上线,支持单次生成 30 秒原生视频。模型支持在快速动作和大运镜下保持稳定,提供立体声、更准确的口型同步及 21:9 宽屏。单个任务可叠加最多 15 个参考图和 10 个关键帧,以保持角色、镜头与剧情一致。
NVIDIA 扩展开放模型组合,推出 Nemotron 3.5 Super VL、Kumo、Cosmos 3.5 等模型,支持组织用本地数据定制并部署到自主控制的基础设施上。
Penmentor 将 Claude、Gemini 或 GPT 接入 xournal++,按键即可在手写数学页面上标注错误、给出提示并生成交互动画。它通过 Claude Code、Codex 或 Antigravity CLI 使用已有订阅,支持整页读取、分级提示和基于 manim 的动画;演示视频使用脚本控制笔迹及固定模型回答。
JMS Code 在 GitHub 发布 Jev Cards,一款让玩家与视觉模型 Jev 1.14 同图竞答的看图问答游戏,覆盖水果、国旗、地图、国际象棋和视错觉等 490 张卡片。Jev 1.14 是决策模型,一次调用即读取图片与问题,为每个选项返回概率,约四分之一秒作答且不生成文本。游戏提供限时冲刺、10 秒一题的 Versus、连胜和好友同题实时对战模式。
面壁智能 MiniCPM-V 团队解析支撑 MiniCPM-V 4.7 端侧运行的前瞻专家调度(LES)技术,称首次实现 35B-A3B 规模 MoE 在端侧实时无损运行。iPhone 18 Pro Max 实测解码超 20 token/s。
MiniMax 发布推理模型 M3.1 Flash,Artificial Analysis Intelligence Index 从前代 M3 的 29 分升至 42 分,单任务成本降至不到一半、约 $0.22。
推荐理由:MiniMax M3.1 Flash 的单任务成本低于 DeepSeek,在高难度问答和事实准确率测试中领先,综合智能指数略低。
造型师 Sydney Bordonaro 用 Gemini 为分散各地的职业运动员客户预览整套穿搭:上传衣物图片即可合成上身效果图,再通过对话单独替换靴子、外套等单品。她还会把成图发给客户争取确认,并在活动前拍下衣物污渍照片,让 Gemini 给出用现场物品处理的步骤。
n8n 教程展示如何在一台 NVIDIA DGX Spark 上部署七个模型,通过 LiteLLM 的统一接口运行不调用云端 API 的 AI 工作流。实测模型栈占用 108GB 内存,发票字段提取关闭思考后从 12.1s 降至 0.59s,并提供模型版本锁定、服务配置与 n8n 接入步骤。并行生成图像时,单用户聊天速度下降 69%,四用户场景下降 65%,共享 GPU 的任务需要安排调度。
DeepSeek V4.1 Flash 1017 是 2026 年 10 月 17 日的模型快照,由 DeepSeek 以 deepseek-flash API 模型名提供服务。
推荐理由:DeepSeek V4.1 Flash 将缓存内存压至上一代约四分之一,降低多步骤智能体任务的缓存开销。