2026年10月11日,Thinking Machines Lab发布从零训练的开源权重模型Inkling。据官方博客,该模型采用MoE架构,总参数975B、激活41B,支持最高1M token上下文窗口,预训练数据为45万亿token的文本、图像、音频和视频;原生支持文本、图像和音频推理,并可通过可控思考力度平衡性能与token效率。发布当日,Inkling在Tinker上开放微调,完整权重已上传Hugging Face。官方同时预览了12B激活参数的轻量版Inkling-Small,称其在多项基准上接近或超过Inkling,测试完成后将发布完整权重。同日另一篇官方博客提出开放权重模型的安全发布框架,披露对Inkling与Inkling-Small的评估方式,包括内部评测、四家外部机构红队测试和对抗性微调研究,结论是发布Inkling不太可能带来超出已有开放权重模型的实质性风险。
匹配字段摘要
2026年10月8日,Odyssey发布基础世界模型Odyssey-3。据Odyssey官方信息,该模型能根据提示词实时生成可交互环境,并从大量视觉观测数据中学习物理、动力学与因果关系的表征。其中Odyssey-3 Pro在Physics-IQ Verified的视频到视频基准上取得66.1分,官方称这是该基准报告的最高分,该基准覆盖流体动力学、光学、固体力学、磁学和热力学。Odyssey表示,该模型可被物理AI开发者用于控制机器人、人形机器人、汽车和无人机等自主机器,目前可免费体验。截至现有证据,尚无后续发展事实。
匹配字段摘要
2026年9月22日,Anthropic发布Claude Opus 5.5。官方材料称,该模型在Artificial Analysis的Intelligence Index v4.3上以58分排名第一,比Claude Opus 5高7分,在Vals AI的Vals Index上以69.69%居首;支持最高100万token输入、12.8万token输出,推理默认开启并分五档,API价格为每百万输入/缓存/输出token 4/0.25/20美元。早先报道称其输出价格为每百万token 20美元,低于上一代的25美元。9月23日,Yuchen Jin称其单任务速度比Opus 5快约30%、成本低约40%。9月25日,Thomas Wolf称用Opus 5.5把一份Google Doc生成为视频。10月4日,Ado Kukic表示在medium和high effort下使用Opus 5.5未触及5小时限额,单次会话最高约用到74%。10月9日,Ado又称Opus 5.5发布后的周末是今年迄今最高效的编程日。同期Anthropic还发布了Sonnet 5.5和Haiku 5.5,并下调Sonn
匹配字段摘要
2026年10月8日,Vidu Q4 Preview 进入 Artificial Analysis 的 AA-Video-I2V v1.0 排行榜与 Video Arena。据 Artificial Analysis 报道,该模型首次上榜即位列第 3,相比 Vidu Q3 Pro 的第 19 名上升 16 位。该模型于当日发布,是 Vidu 在完整 Q4 版本前推出的新视频模型,可生成 3 至 16 秒、最高 4K 且带原生音频的片段,在 Reference to Video 中最多支持 15 个图像参考和 3 个音频参考。价格与 Vidu Q3 Pro 相同,1080p 带音频视频每秒 24 credits,按 Vidu 标准费率约每分钟 7.20 美元,可通过 Vidu API 和官网使用。同一来源还称其以相同价格提供更好质量。目前尚无后续发展事实。
匹配字段摘要
2026年10月6日,Google DeepMind发布开放权重多模态嵌入模型EmbeddingGemma 2,可将文本、图像、视频帧和音频映射到统一向量空间,参数量740M。据Google Developers Blog介绍,文本权重在Google Pixel 11 Pro上仅需约191MB活跃内存,完整多模态模型约567MB,无需训练数据或微调即可作为端侧决策引擎,实现毫秒级零样本意图路由;Google AI Edge Gallery新增Instant Media Search和Video Moments Finder演示,未来数周内该模型将通过ML Kit以服务形式登陆Android并支持NPU加速。据Google DeepMind介绍,该模型采用Apache 2.0许可,在MTEB Code上从68.76提升到78.68,支持8K token上下文窗口,权重已在Hugging Face和Kaggle开放下载。10月6日,Georgi Gerganov宣布llama.cpp对EmbeddingGemma 2提供Day-0支持;10月7日,Simon Willison表示赞赏其采用
匹配字段摘要
2026年10月6日,Reka AI 发布全模态模型 Rho-1 的研究预览版。据 The Decoder 报道,Rho-1 为 190 亿参数模型,在单一神经网络中处理并生成文本、图像、视频和机器人控制动作,所有模态作为 token 放在同一共享上下文窗口中运行,不调用工具或外部模型,可实时生成连续视频并即时响应新指令而无需重启;预测摄像头图像的同一套权重也驱动机器人动作,为绕开机器人训练数据稀缺,Reka AI 构建逆动力学模型从普通互联网视频中提取控制信号,模型在 320 块 H100 GPU 上训练约三个月。同日 MarkTechPost 报道称,该模型每个 Transformer 块包含理解与生成两套专家权重流,共享注意力和同一 KV cache,离散 token 承载文本与高层指令,连续 token 承载图像潜变量、视频帧、机器人动作和本体感知;蒸馏版本把去噪步数从 99 步降到 8 步,约 1 秒返回 5.3 秒片段,视频分辨率上限 672×384,目前仅研究预览,未公开权重、API 或定价。
匹配字段摘要
Google更新Gemini 3.8 Live,推出实时虚拟形象Live Avatar。据Google DeepMind发布,该功能在Gemini 3.8 Live实时对话能力上加入低延迟流式视频,让模型能边听、边看、边说,支持精确唇形同步、自然表情与流畅轮次切换,并可在对话中无缝切换97种语言而不损失视频保真度。该功能已上线Gemini Enterprise,支持后台异步工具调用,企业还可基于参考图定制专属形象,定制功能目前仅通过企业白名单开放。另有报道称,用户可在对话时看到实时回应的动画AI形象,它会同步口型并展示不同面部表情,目前仅面向Gemini Enterprise客户开放;除预设形象库外也允许企业自建,输出带有不可见的SynthID水印及尊重身份的防护措施。
匹配字段摘要
2026年9月22日,阶跃星辰(StepFun)公布旗舰模型 Step 5 Preview 在 Artificial Analysis 智能指数上的评测成绩,得分为 44,每任务成本 0.71 美元。官方称该成绩把智能与成本的帕累托前沿向外推进。据同一来源,该模型采用 600B 总参数、27B 激活参数的 MoE 架构,支持 1M token 上下文以及文本、图像、视频输入;定价为每 100 万输入/输出 token 1 美元/2.70 美元,缓存输入 0.05 美元。目前该模型通过阶跃星辰一方 API 提供,并计划于 10 月 15 日开源权重。截至现有材料,尚无后续独立发展事实。
匹配字段摘要
2026年9月9日,Suno宣布与全球艺人发展公司Believe及其自助发行平台TuneCore达成全球战略合作。Believe将参与Suno正在与音乐行业共同开发的新音乐模式,使用Suno新行业合作方模型创作的曲目可经Believe和TuneCore发行,为创作者提供从Suno创作到面向全球听众的更直接路径。此前Believe和TuneCore曾表示不会分发包括Suno当时模型在内的、不符合其标准的AI音乐;Suno近期已推出音频水印与指纹识别及下载限制,这些保护措施同样适用于经Believe和TuneCore分发的音乐。同日,Suno发布新一代音乐模型v6,称其为迄今最好的模型,速度更快、表现力更强、质量更高,并与Warner Music Group、BMG、Believe等行业伙伴共同开发。v6首次提供三款模型,覆盖专业音乐人、新兴创作者和音乐爱好者,支持用自然语言修改歌曲局部、跨曲目混搭、采样与分离音轨、按氛围或参考生成,以及用文本、音频、图像和视频创作音乐。Suno表示v6铺开后旧模型将退役,平台整体迁移到v6代际,后续还将推出围绕单个艺人、艺人可选择参与并获得收益的新产品。
匹配字段摘要
2026年9月3日,Runway发布GWM Worlds 2,这是其GWM Worlds的下一代实时交互环境模型。该模型可生成720p、24 fps视频与48,000 Hz音频,并支持生成音频以及主体和场景的丰富控制。模型基于WorldPrompt格式,将世界状态分为持久上下文(创世提示词、首帧、规则)与带时间戳的事件流(动作与相机输入),用户可用文本动作和连续相机运动实时操控世界,会话无预设时长。该模型为自回归扩散音视频模型,目前处于研究预览阶段,实时生成仍在保真度与速度之间取舍,快速旋转等困难相机输入会导致细节、纹理和几何退化,长期记忆也不完善。
匹配字段摘要
2026年9月1日,Runway发布名为Solaris的界面世界模型,称其为首个Interface World Model,可逐帧实时生成界面本身,无需先转成代码等中间表示。该模型基于Gen-4.5视频生成模型改造,通过自回归逐帧生成、少步蒸馏和自训练实现实时交互,并支持720p画质。在250名参与者、30个交互示例的对比中,Solaris在指令遵循上获61%偏好,在场景自然度上获71%偏好,对手为Claude Opus 5生成的编码界面。Runway表示正与合作伙伴推进公开发布,并开放早期访问申请。
匹配字段摘要
2026年8月27日,Google DeepMind 发布 Gemini Omni 1.1 Flash 视频生成模型,面向开发者提供更强的生成视频控制能力,可通过 Google AI Studio 或 Gemini Enterprise Agent Platform 调用。官方说明显示,新版本支持场景延长,可分析最多 10 秒前序上下文,并以 10 秒为单位延长至累计 40 秒;同时支持指定首尾帧生成过渡画面、1080p 与 4K 输出,以及 360p 轻量预览。官方还称其生成速度最高快 60%,成本为 720p 的三分之一。目前该事实尚无后续独立发展事实,状态以发布时的官方信息为准。
匹配字段摘要
2026年8月12日,Google DeepMind 发布多语言手语转文本模型 SL2T,并应用于 Pixel 11 的 Gboard 和 Live Transcribe,首批支持美国手语(ASL)转英文。据官方介绍,该模型基于超过 50 种手语、逾 10 万小时数据训练,其中约四分之一为 ASL 数据,在 FLEURS-ASL(sd-test)上取得 70 BLEURT 的零样本成绩。为保护隐私,模型只接收 MediaPipe Holistic 在端侧提取的姿态关键点坐标,原始视频随即丢弃,并跳过 gloss 标注直接翻译为文本。8月13日,Demis Hassabis 在社交平台称 SL2T 首次让用户可以直接对着手机打手语,并提到其与聋人社区密切合作打造。目前该模型已落地上述两项功能,暂无进一步开发进展。
匹配字段摘要
2026年8月10日,Meta发布Muse Glimmer 30B开放权重稠密模型,面向本地AI智能体工作负载。据Hugging Face介绍,该模型由2B视觉编码器和28B文本解码器组成,支持图像、无音频视频、多模态工具调用和目标检测,并获得Transformers、llama.cpp及vLLM支持。NVIDIA方面称其上下文窗口120K+,可完整放入单卡显存,覆盖GeForce RTX 5090、DGX Spark、DGX Station和Jetson平台,权重已上线Hugging Face。同日,LMSYS宣布与Meta Superintelligence Labs合作,为Muse Glimmer在SGLang上提供Day-0支持,并针对本地智能体工作流推理优化。8月13日,Unsloth宣布可免费微调该模型,其notebook同时支持GRPO RL训练。
匹配字段摘要
2026年7月20日,Black Forest Labs发布多模态基础模型FLUX 3并开启早期访问。该模型基于Self-Flow在统一架构中同时学习图像、视频和音频,可单次生成最长20秒带原生音频的视频,支持文生视频、图生视频、视频生视频、关键帧过渡和多语言对话等能力。官方称早期评测结果仍属初步,后续将陆续开放FLUX 3 Video、FLUX 3 Image的API与私有权重,以及FLUX 3 Dev的开源权重。2026年8月4日,Black Forest Labs宣布FLUX 3 Video的初版文生视频与图生视频能力即日起通过BFL API和部分合作方开放,可生成最长20秒的HD视频,支持Full HD放大输出与原生音频,并提供Draft Mode。官方称后续将推出FLUX 3 Image与开放权重版本FLUX 3 Dev。
匹配字段摘要
2026年9月22日,小米 MiMo 发布 MiMo-V2.6 Pro 与 Flash 两款全模态模型,将代码、设计与工具调用整合到界面、幻灯片、SVG、视频和音乐等场景。官方称 Pro 在 Design Arena 上的表现与 Claude Opus 5、GPT-5.6 Sol 相当,在多数 agent 基准上与二者持平,并在 Artificial Analysis Intelligence Index 上得分 46。官方还展示科研辅助案例,包括与小米材料研究人员合作提出用于捕获 PFAS 的 MOF 材料,以及协助在 Lean 4 中形式化 Li–Yorke 混沌定理。Pro 与 Flash 的权重、技术报告、7K+ RL 任务环境、端到端 RL 框架及 MiMo-V2.6-Distill-Qwen-9B 均已开源,API 定价与 V2.5 保持一致。9月27日,小米 MiMo 团队发布技术复盘,说明 MiMo-V2.6 在 MiMo Desktop、MiMo Code、OpenCode 等智能体场景中会出现工具调用重复,内部评测中响应级重复率超过 0.05%;团队最终改用基于 M
匹配字段摘要
2026年9月22日,Black Forest Labs 发布 FLUX 3 Action,一个从多模态 FLUX 3 主干衍生的 7B 开放权重世界动作模型,用于机器人控制。据其官方博客,该模型在 RoboLab-120 榜单上以不到此前最佳开源模型一半的参数量取得 38.3% ± 0.38 的成功率,速度最高提升 3.95 倍。模型在图像、视频和音频数据上预训练,其中视频占训练 token 的 95% 以上,再通过联合视频-动作训练和针对目标本体的微调适配动作空间。报告还分析了将其与 GPT 6 Astra 等推理模型组合的混合方案,称快速控制能让具身推理更省时省钱,每美元成功率最高提升 53.64%。目前尚无后续发展事实。
匹配字段摘要
2026年9月18日,Qwen发布全模态模型Qwen3.8-Omni-Flash。据官方信息,这是其首个围绕智能体能力构建的全模态模型,原生支持音视频理解、推理与工具调用。官方称其音视频能力接近Gemini 3.8 Flash,在WildClawBench-MM与UniClawBench上智能体表现平均提升19.5分;支持1M token上下文,在OmniVideoBench上比静态理解少用51.8% token。视频输入成本较Qwen3.5-Omni-Plus降低约89%。发布同时开源Qwen-MM-Plugins,Qwen-Live Harness即将推出。目前尚无后续独立发展事实。
匹配字段摘要
2026年9月9日,蚂蚁百灵发布并开源百灵系列首个原生多模态大模型Ling-3.0-flash-VL。该模型基于Ling-3.0-flash的MoE架构拓展,总参数124B、单次推理激活5.5B,原生支持图像、文本与视频输入,上下文窗口为256K Token。官方称,原生多模态联合训练使该模型在Artificial Analysis Intelligence Index v4.1.1上较纯文本版本提升4分,并引入观察、行动、验证、修正的视觉反馈闭环,用于前端复刻、GUI Agent和医疗报告解读。目前模型已在Ling Studio上线免费体验,BF16和FP8版本已在Hugging Face与ModelScope开源。
匹配字段摘要
Google DeepMind 发布 Gemini Omni 1.1 Flash视频生成模型
English translation is being prepared.
匹配字段摘要