跳到正文

#多模态

今日 4 条

9月22日星期二

Latent Space

小米 MiMo-V2.6-Pro 登顶开源模型榜,训练只花了 300 万美元

小米发布 MiMo-V2.6 系列两款原生全模态开源模型,MiMo-V2.6-Pro 为 1.02T 总参数、42B 激活参数,MiMo-V2.6-Flash 主打智能、效率与成本平衡,另有 Pro-UltraSpeed 版本输出速度最高提升 20 倍。

推荐理由:小米 MiMo-V2.6-Pro 以 1.02T 总参数、42B 激活参数登顶 Artificial Analysis 开源模型智能指数,训练成本约 300 万美元,单任务成本 0.13 美元。

AI HOT 精选

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 网页开发榜拿到 1628 分,比上一代高 153 分,整体排第 10 名上下,在 MIT 许可的开源权重模型里约第 3。

9月21日星期一

AI HOT 精选

Qwen-Image-2.1 发布,一个 7B 模型同时搞定生图和改图

通义千问发布 Qwen-Image-2.1,一个 7B 参数的原生图像生成与编辑模型,生成和编辑共用单一检查点,最多支持 10 张参考图。模型自带提示词增强 LLM,已集成 diffusers 和 ComfyUI,并在 Hugging Face Spaces 提供免安装的浏览器在线 demo。

推荐理由:通义千问发布 7B 的 Qwen-Image-2.1,生成与编辑共用单一检查点,最多支持 10 张参考图,并已集成 diffusers 和 ComfyUI。

9月20日星期日

AI HOT 精选

Qwen-Image-2.1 开源了,一个 7B 模型包揽生图和修图,还能直接跑在 ComfyUI 里

阿里 Qwen 放出了 Qwen-Image-2.1 的开源权重,原生支持 ComfyUI 节点。一个 7B 参数的模型同时干生图和编辑两件事,最高能出 2K 分辨率的图,单次指令最多可以参考 10 张图来改图,还支持带透明通道的 RGBA 输出。正文没提硬件要求和具体授权协议,想本地跑的话得自己试水。

推荐理由:阿里开源 Qwen-Image-2.1 权重,单个 7B 模型同时承担生图与编辑,原生支持 ComfyUI 节点,可出 2K 图并基于最多 10 张参考图改图。

Hacker News 首页

阶跃星辰发布 Step 5 Preview,一个 600B 参数的 MoE 旗舰模型,主打编程和金融任务

阶跃星辰发布面向智能体工作的新旗舰模型 Step 5 Preview,采用稀疏 MoE 架构,总参数 600B、每 token 激活 27B,支持 1M token 上下文窗口和视觉输入。

推荐理由:阶跃星辰发布 600B 参数 MoE 旗舰模型 Step 5 Preview,主打编程与金融任务,公开评测中在 DeepSWE v1.1 等编程基准上略高于 Kimi K3 和 GLM-5.3。

9月18日星期五

AI HOT 精选

OpenRouter 实测 20 个生图模型:最便宜 0.006 美元一张,最贵 0.134 美元,价差 22 倍

OpenRouter 用同一提示词和尺寸实测了 20 个图像生成模型,读取每次响应的 usage.cost 得到真实计费,单张默认设置图片成本从 0.006 美元到 0.134 美元,相差 22 倍。

推荐理由:OpenRouter 用同一提示词和尺寸实测 20 个生图模型,读取每次响应的实际计费,单张成本从 0.006 美元到 0.134 美元,相差 22 倍,而各家计费单位并不统一。

9月15日星期二

Computing Life · Share · 鸭哥调研

三条 AI 新闻:会画界面的模型、给自己写说明书的 agent、脱离厂商云的企业编程

Runway 发布研究预览 Solaris,用前置语言模型加基于 Gen-4.5 的世界模型逐帧渲染交互界面,官方自报 250 名受试者偏好度高于 Claude Opus 5 生成的前端代码界面,但尚无第三方实测。

推荐理由:Runway 的 Solaris 让语言模型配合世界模型逐帧渲染界面,官方自报 250 人偏好度高于 Claude Opus 5 生成的前端界面,但尚无第三方实测。

9月14日星期一

Hacker News 首页

30 个 SVG 画图题,看 2025-2026 年的大模型谁能画好“鹈鹕骑自行车”风格的图

该站点用 30 组 SVG 绘图提示词测试语言模型,沿用 Simon Willison 的 pelican-riding-a-bicycle 测试风格,图片按模型原始返回展示。

推荐理由:Tom Gally 用 30 道 SVG 绘图提示词测试 2025 和 2026 两批语言模型,图片按模型原始返回展示,可横向比较不同模型在同一提示下的输出差异。

9月12日星期六

Latent Space

DeepSeek V4.1-Flash:763B 参数,用编码器-解码器新架构把预填充和解码拆开跑,还自带视觉

DeepSeek 发布开源模型 V4.1-Flash,采用新的因果编码器-解码器架构,总参数 763B,输入侧激活 8B、输出侧激活 16B,原生支持文本与图像输入,上下文窗口 1M token,采用 MIT 许可。

推荐理由:DeepSeek 发布 V4.1-Flash,用因果编码器-解码器把预填充与解码拆成 8B 和 16B 两套激活,并原生支持图像输入,是理解其架构取舍的一手材料。

AI HOT 精选

DeepSeek 开源 V4.1-Flash:用不对称算力给编程 Agent 省 prefill 成本

DeepSeek 本周在 HuggingFace 开源 DeepSeek-V4.1-Flash,这是一个 552B 参数的多模态 MoE 模型,采用 Causal Encoder-Decoder 架构,支持 1M token 上下文窗口,prefill 激活 8B、decode 激活 16B。

推荐理由:DeepSeek 开源 552B 多模态 MoE 模型 V4.1-Flash,采用 Causal Encoder-Decoder 架构,prefill 激活 8B、decode 激活 16B,面向编程 Agent 降低 prefill 开销。

9月10日星期四

AI HOT 精选

DeepSeek-V4.1-Flash 在硅基流动上线,552B 参数、1M 上下文,KV 缓存砍到 V4 Flash 的四分之一

硅基流动当天就接入了 DeepSeek-V4.1-Flash。这是个 552B 参数的混合专家模型,实际干活时预填充阶段激活约 80 亿参数,解码阶段约 160 亿参数,自带视觉能力,一次能处理 100 万 token 的上下文。最实在的一点是 KV 缓存占用只有 V4 Flash 的四分之一,部署成本会低不少。MIT 许可证,商用也方便。

推荐理由:硅基流动当天上线 552B 参数的 DeepSeek-V4.1-Flash,支持 1M 上下文,KV 缓存占用降至 V4 Flash 的四分之一,部署成本随之下降。

AI HOT 精选

DeepSeek 发布 V4.1-Flash,把 AI 智能体的内存开销砍到前代的四分之一

DeepSeek 发布多模态模型 V4.1-Flash,核心目标是压缩 KV cache 以降低长上下文运行成本。

推荐理由:DeepSeek 发布 V4.1-Flash,将智能体长上下文所需的 KV 缓存压到前代约四分之一,并让数据输入算力减半,为关注长上下文部署成本的人提供了具体架构数字。

AI HOT 精选

DeepSeek 发布 V4.1-Flash:新架构让模型自带看图能力,不再外挂视觉模块

DeepSeek 推出了 V4.1-Flash,换了一套叫“因果编码器-解码器”的新架构,直接把视觉理解做进了模型里,不用再单独接一个看图组件。模型总规模 552B 参数,是个混合专家模型,处理你输入的内容时只激活 8B 参数,生成回答时激活 16B。官方说价格降了不少,但正文没给出具体降幅和跑分数据,我会先打个折,等第三方实测出来再看。

推荐理由:DeepSeek 发布 V4.1-Flash,用因果编码器-解码器架构把视觉理解做进模型,552B 总参数下输入与输出分别激活 8B 和 16B。

AI HOT 精选

DeepSeek 出了个 V4.1-Flash,用新架构把视觉理解直接做进模型里,KV 缓存砍到原来的 1/4

DeepSeek 发布 V4.1-Flash,采用新的 Causal Encoder-Decoder 架构并支持原生视觉理解,是其新架构家族中最小模型。该模型为 552B 参数 MoE,输入处理激活 8B、输出生成激活 16B;KV cache 需求降至上一代的 HBM 1/4、SSD 存储 1/8,API 价格更低。

推荐理由:DeepSeek 发布新架构家族中最小模型 V4.1-Flash,把原生视觉理解做进模型,KV 缓存需求降至上一代 HBM 的 1/4、SSD 的 1/8,API 价格更低。

DeepSeek · API 更新日志

DeepSeek-V4.1-Flash 发布,支持原生视觉理解并下调 API 价格

DeepSeek 今天发布 DeepSeek-V4.1-Flash,作为全新模型结构系列中尺寸最小的模型,具备原生多模态视觉理解能力。模型已上线 DeepSeek API,使用 deepseek-flash 即可调用,API 价格同步下调;旧模型 V4 Flash 与 V4 Flash Vision Exp 已下线,其调用名称暂时路由至 V4.1 Flash。

推荐理由:DeepSeek 将旧模型名称暂时路由到 V4.1 Flash 并同步下调 API 价格,现有调用可保持名称兼容但会切换模型。

9月9日星期三

AI HOT 精选

OpenAI 发了两个新图模型:Flare 快一半,Sunburst 改图更稳,但 ChatGPT 用户没法手动选

OpenAI 发布 ChatGPT Images 2.5,包含 GPT-Image-2.5 Flare 和 GPT-Image-2.5 Sunburst 两个图像模型,前者延迟比 GPT-Image-2 降低 50%,后者面向更复杂的视觉编辑。

推荐理由:OpenAI 发布 ChatGPT Images 2.5 双图像模型,Flare 将生成延迟降低 50%,Sunburst 面向多轮复杂编辑,两个模型在 Arena 排名居前。

9月8日星期二

OpenAI News

OpenAI 发布 ChatGPT Images 2.5,生图速度翻倍,还加了个手绘板功能

OpenAI 发布 ChatGPT Images 2.5,称其为新的 SOTA 图像模型,带来更锐利的细节、更精确的编辑和更快的生成,图像生成延迟相比 Images 2.0 最多降低 50%。

推荐理由:OpenAI 发布 ChatGPT Images 2.5,图像生成延迟较 2.0 最多降低 50%,并新增手绘板草图输入功能。

9月6日星期日

量子位 · 公众号

网友把 GPT-6 当导演、Seedance 当摄影,攒出一条 AI 动画流水线

网友用 GPT-6 Astra 与字节 Seedance 2.5 组合,让 Astra 编写故事、在 Blender 中完成预演、调用 Seedance 2.5 生成镜头并剪辑导出,人类只给一段总要求即可收片。

推荐理由:网友用 GPT-6 Astra 串联 Blender 预演、Seedance 2.5 生成镜头与剪辑,展示一条从一段总要求到成片的完整工具链。

Hacker News 首页

GPT-6 Astra 操控机械臂:放积木又快又省,插拼图还是卡在最后一步

Robocurve 在相同 YAM 机械臂和 Inspect Robots 智能体策略下对比 GPT-6 Astra 与 Claude Fable 5.1 的两项操作任务。

推荐理由:同一套机械臂和策略下,GPT-6 Astra 放积木 20 次成功 19 次,单次成本约 0.94 美元,而拼图任务与 Fable 5.1 同为 20 次成功 2 次。

9月2日星期三

Hacker News 首页

World Labs 发布 Atlas:一个能原生理解 3D 空间的世界模型

World Labs 发布新一代世界模型 Atlas,从零预训练,原生处理文本、图像、视频和 3D,属于多模态自回归扩散 Transformer,所有输入汇入共享的空间上下文。

推荐理由:World Labs 发布从零预训练的世界模型 Atlas,原生处理文本、图像、视频和 3D,其稀疏视角三维重建在少量输入图像下超过专用重建模型。

TechCrunch · AI

Google 推出 Pics,一款靠打字出图的 AI 设计工具,直接对标 Canva

Google 推出图像创作与编辑工具 Google Pics,由 Nano Banana 图像生成模型驱动,将在未来几周内向多数 Workspace 客户以及 Google AI Pro 和 Ultra 付费用户开放。

推荐理由:Google 推出由 Nano Banana 驱动的图像工具 Pics,用户靠打字生成设计,未来几周向多数 Workspace 客户及 AI Pro、Ultra 付费用户开放,与 Canva 的模板模式形成对照。

AI HOT 精选

Gemini 现在能看视频学操作,然后自己上手点按、打字、滚动页面

Google DeepMind 发布博客,为 Gemini 推出 agentic 视频理解功能。官方称该能力让 Gemini 以智能体方式处理视频理解任务,原文链接为 https://deepmind.google/blog/introducing-agentic-video-in-gemini。

推荐理由:Google DeepMind 为 Gemini 推出 agentic 视频理解功能,模型可观看操作录屏后自行完成点击、输入与滚动等界面操作,这条资讯交代了该能力的基本机制与发布来源。

Google 博客 · Gemini

Gemini 推出智能体视频理解功能,token 消耗最高降低 88%

Google 推出智能体视频理解功能,支持 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite,视频分析成本最高降低 66%、token 消耗最高降低 88%、准确率最高提升 7%。

推荐理由:Gemini 用智能体按需检索视频片段,减少固定帧率处理带来的 token 消耗与细节遗漏,使长视频分析兼顾成本和准确率。

8月31日星期一

AI 群聊日报

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

2026-08-30 群聊日报汇总多条行业消息:OpenAI 正在灰度测试代号 mozaik-alpha-fdm 的 Astra 模型,Max effort 模式下零样本一次直出 3D 像素风城堡和完整前端网页,社区预测 9 月 3 日前后正式面世。

推荐理由:OpenAI 灰度测试的 Astra 在 Max effort 模式下零样本一次直出完整前端网页,同期 Anthropic 被曝推进 Fable 5.1,双方已用同一张 SVG 图隔空对比细节稳定性。

8月30日星期日

Computing Life · Share · 鸭哥调研

多模态模型的价值,不在看懂图,在会自己去看

文章观察到 8 月 Meta 的 Muse Spark 1.2、Z.ai 的 GLM-5.3-Flash 和 DeepSeek 的 V4-Flash-Vision-Exp 三家实验室发布的多模态模型演示共享同一动作结构:模型先观察视频、截图或页面,再调用工具生成网页、演示文稿或小游戏,并回头审视自己的产物。

推荐理由:Meta、Z.ai 与 DeepSeek 三家实验室的多模态演示共享同一动作结构,模型先观察视频或页面,再调用工具生成产物并回头审视,为理解多模态能力提供了一条比较线索。

8月26日星期三

AI HOT 精选

通义千问开源 Qwen3.8-Flash,125B 总参数每次只激活 6B,训练成本降到前代的九分之一

阿里通义放出了 Qwen3.8-Flash 的完整权重,这是个多模态的 MoE 模型,总参数量 125B,但每次推理只激活其中 6B 参数,所以跑起来很轻。训练成本只有 Qwen3.7-Plus 的九分之一,性能还全面反超。生产版 API 定价是输入每百万 token 0.16 美元、输出 0.47 美元,原生支持 262K 上下文,可以拉到 1M。

推荐理由:阿里通义开源 Qwen3.8-Flash 完整权重,125B 总参数每次只激活 6B,训练成本降到前代九分之一,API 定价为每百万 token 输入 0.16 美元、输出 0.47 美元。

TechCrunch · AI

那个匿名屠榜的 Ox Alpha 模型,背后是 Z.ai

周末大家还在猜 Ox Alpha 是谁做的,现在确认了:是 Z.ai 的 GLM 系列最新版。这个模型之前匿名挂在 OpenRouter 上,一上线就冲到排行榜第一。Z.ai 说会在周三放出模型权重,开发者可以直接拿来用。官方定位是给写代码、长时间跑任务(agentic work)和需要结合图文推理的场景准备的。

推荐理由:Z.ai 确认匿名登顶 OpenRouter 的 Ox Alpha 出自其 GLM 系列,并计划周三放出模型权重,该模型面向代码、长时间任务与图文推理场景。

AI HOT 精选

通义千问放出 Qwen3.8-Flash,125B 参数每次只用 6B,训练费打骨折

Qwen3.8-Flash 是 Qwen4 架构的早期预览版,总参数 125B,但每次推理只激活 6B 参数,相当于用很小的算力跑一个大模型。原生上下文窗口 262K,能拉到 1M。训练成本只有 Qwen3.7-Plus 的九分之一,官方说写代码和办公任务表现反而更好。权重已经开放。正文没给具体跑分和开源协议细节,这点先别太激动。

推荐理由:通义千问发布 Qwen3.8-Flash,125B 总参数每次只激活 6B,训练成本降到 Qwen3.7-Plus 的九分之一,权重已开放。

8月25日星期二

Hacker News 首页

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。

推荐理由:Qwen 预告了基于下一代 Qwen4 架构的多模态 MoE 模型 Qwen3.8-Flash-Next,总参数 125B 而每次推理仅激活约 6B,可从中看到 Qwen4 的设计思路。

OpenAI News

OpenAI 封禁了一批俄罗斯账号,它们伪装成以色列智库搞舆论渗透

OpenAI 封掉了一批来自俄罗斯的 ChatGPT 账号。这些账号在幕后操纵一个叫“国际伯克研究所(IBI)”的假智库,网站自称设在以色列,实际上文章是从正经学术作品里抄来、篡改署名,再用机器翻译成英文的。操作者用俄语给模型下指令,让它生成英文的社交媒体帖子和评论,还特意要求模型藏好俄语痕迹。他们搞了一个“主权指数”,排名上捧俄罗斯、踩西方国家。

推荐理由:OpenAI 披露封禁一批俄罗斯账号,这些账号用俄语指令让模型生成英文帖子和评论,运营一个自称设在以色列的假智库并推出捧俄贬西的主权指数排名。

8月22日星期六

Hacker News 首页

好莱坞创作者正在拿自己的手艺训练 AI,时薪 25 到 150 美元

《卫报》采访了一批给 AI 公司打工的好莱坞概念设计师、配音演员和编剧。他们按小时收费,帮 Runway、Sora 这类公司训练模型,让 AI 学会模仿自己的创作风格。受访者很清楚这是在“给自己的职业挖坟”,但面对高时薪和行业不景气,还是接了活。文章没披露合同总规模和具体训练数据量,更像一份行业情绪记录,而不是量化岗位流失的预测。

推荐理由:《卫报》采访好莱坞概念设计师、配音演员和编剧按小时为 Runway、Sora 训练模型,让 AI 学会模仿自己的创作风格,受访者明知在给职业挖坟仍因高时薪接活。

8月21日星期五

DeepSeek · API 更新日志

DeepSeek-V4-Flash-Vision-Exp 发布并上线 API 平台

DeepSeek 今天发布实验性质的多模态视觉理解模型 DeepSeek-V4-Flash-Vision-Exp,用户可在 DeepSeek API 平台设置 model='deepseek-v4-flash-vision-exp' 访问。

推荐理由:DeepSeek 的视觉实验模型在官方测评中保持正式版的纯文本能力,视觉智能体能力提升至接近 Opus-4.8。

8月18日星期二

Hacker News 首页

Muse Glimmer:把智能体塞进你设备的,其实是一套伪装成 30B 模型的内存层级

Meta 的 Muse Glimmer 是个约 300 亿参数的多模态模型,专门为在手机或电脑上离线跑智能体任务设计。它的原始 BF16 模型有 55 GiB,根本塞不进消费级显卡,所以 Meta 直接给了 4-bit 量化版,把语言模型压到了 20 GB 以下。

推荐理由:Meta 为让约 300 亿参数的 Muse Glimmer 在手机或电脑上离线运行,将原始 55 GiB 的 BF16 模型量化为 4-bit,语言部分压到 20 GB 以下。

8月17日星期一

AI HOT 精选

Qwen 3.8 27B 模型实测:能力很强,但默认推理强度会让它疯狂过度思考

Simon Willison 上手了阿里 Qwen 团队新发的 27B 模型,发现它默认的“超高”推理强度是个坑。一个简单的画圆指令,模型会花几分钟生成一段精美的动画 SVG,完全偏离原意;画一张“鹈鹕骑自行车”的 SVG,默认设置下烧掉 22,276 个推理 token,耗时 21 分钟才出图。关掉推理后,同样的任务只需两分多钟。

推荐理由:Simon Willison 实测 Qwen 3.8 27B,画鹈鹕骑自行车在默认推理强度下耗 22276 个 token、21 分钟,关闭推理后仅需两分多钟,本地部署用户可据此调整默认设置。

8月16日星期日

TechCrunch · AI

一名女性指控继父用 Grok 把她 11 岁的童年照变成了 7000 多张露骨图片

一位化名 Jane Doe 4 的女性加入了田纳西州三名青少年对 xAI 的集体诉讼。她指控继父用 Grok 把她 11 岁时的照片生成了超过 7000 张露骨图片,执法部门突袭搜查发现这些图片两天后,继父自杀身亡。她认为这类工具不加限制地扩散,正在把日常生活变成儿童性虐待素材。

推荐理由:一名女性加入田纳西州青少年对 xAI 的集体诉讼,指控继父用 Grok 将 11 岁照片生成 7000 多张露骨图片,案件把生成工具的内容边界问题带入法庭。

8月15日星期六

AI HOT 精选

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。

推荐理由:复旦团队开源的 MOSS-VL 把实时互动作为架构设计目标,门控交叉注意力让视觉信息在解码序列外处理,首字延迟比同底座 Qwen3-VL-8B 低 2.8 到 5.1 倍。

Computing Life · Share · 鸭哥调研

给 DeepSeek V4 接一个 3B 的视觉前端,今天就能跑

DeepSeek V4 的 API 不收图片,但 Liquid AI 新出的 LFM2.5-VL-3B 可以当它的眼睛。作者在自家车库摄像头上零样本测了一把,判断门开没开准确率 94.3%,本地跑完只要 1.5 秒。图片不出设备,只有“门开了”这类文字结果上云做推理。

推荐理由:作者用 3B 的 LFM2.5-VL-3B 给不收图片的 DeepSeek V4 做视觉前端,在车库摄像头零样本判断门开没开,准确率 94.3%、本地耗时 1.5 秒,图片不出设备。

8月14日星期五

AI HOT 精选

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。

推荐理由:通义千问开源 Qwen3.8 系列,27B 稠密多模态模型跑分超过上一代 Qwen3.7-Plus,并放出 2.4T 参数 MoE 权重,采用 Apache 2.0 许可。

8月13日星期四

AI 群聊日报

闭源模型的推理过程被批量扒光,Coze CLI 偷偷劫持本地 AI 工具

今天最值得看的是闭源模型的加密思维链被大规模提取。研究人员发现,把 Claude Opus 4.8 的加密推理块直接扔给同厂的 Haiku 4.5,后者就能逐字解码。这个方法在 Claude、GPT、Gemini 三家的 API 上都跑通了,用 Haiku 解码一万条轨迹的成本大概是 720 美元。

推荐理由:研究人员把 Claude Opus 4.8 的加密推理块交给同厂 Haiku 4.5 后能逐字解码,该方法在 Claude、GPT、Gemini 的 API 上均跑通,解码一万条轨迹成本约 720 美元。

8月12日星期三

Google DeepMind

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:Google DeepMind 将多语言手语转文本模型 SL2T 装进 Pixel 11 的 Gboard 与 Live Transcribe,支持美国手语转英文听写,手语 AI 从实验室走到消费级产品。