Liquid AI 发布目前最小的模型 LFM2.5-230M，基于 LFM2 架构，预训练 19T tokens 并含 32K 上下文扩展阶段，Base 与后训练版本已在 Hugging Face 开放。官方称其在 Galaxy S25 Ultra 上解码速度 213 tok/s、Raspberry Pi 5 上 42 tok/s，并在 GPQA Diamond、MMLU-Pro、IFEval、BFCLv3/v4 等十项基准上与参数量两倍以上的模型竞争。该模型已适配 llama.cpp、MLX、vLLM、SGLang 和 ONNX，官方同时提示不适合高级数学、代码生成和创意写作等重推理任务。
#模型发布#端侧#开源生态
Mistral 发布 OCR 4，在提取文本之外返回边界框、块类型分类和逐页逐词置信度分数，支持 170 种语言、10 个语系，可运行在单个容器中实现完全自托管。官方称独立标注者在对比测试中平均 72% 的情况下更偏好 OCR 4，其在 OlmOCRBench 上取得 85.20 分，OmniDocBench 为 93.07 分，但官方也指出这两个基准在评分方式上存在已知局限。API 定价为每 1000 页 4 美元，Batch API 五折后为 2 美元，Document AI 为每 1000 页 5 美元，已通过 Mistral Studio、Amazon SageMaker、Microsoft Foundry 提供。
#产品更新#多模态#RAG
Qwen 团队发布 Qwen-AgentWorld，一个原生语言世界模型，在单一模型中模拟 MCP、Search、Terminal、SWE、Web、OS、Android 七个智能体交互域，训练流程为 CPT → SFT → RL，使用超过 10M 条真实环境交互轨迹。团队同时发布七域评测基准 AgentWorldBench，Qwen-AgentWorld-397B-A17B 在该基准上取得最高综合分 58.71，超过 GPT-5.4 的 58.25。已开源 Qwen-AgentWorld-35B-A3B（MoE，35B 总参数 / 3B 激活参数，256K 上下文窗口），可在 Hugging Face 和 ModelScope 获取，并给出 SGLang 与 vLLM 部署命令。
#模型发布#Agent#数据/训练
Sakana AI 发布 Sakana Fugu，把多智能体编排系统做成一个基础模型，通过单一 OpenAI 兼容 API 调用，内部自行完成模型选择、任务委派、验证与结果整合。首发包含 Fugu 和 Fugu Ultra 两个版本，前者兼顾性能与低延迟，后者面向多步难题；官方称 Fugu Ultra 在工程、科学与推理基准上可与 Fable 5、Mythos Preview 比肩。其智能体池可替换，官方表示若某家供应商限制访问，Fugu 会动态绕开，并计划后续纳入开放模型与自家模型。
#产品更新#Agent#MCP/工具调用
Qwen 团队发布 Qwen-Robot Suite，包含 Qwen-RobotNav、Qwen-RobotManip 和 Qwen-RobotWorld 三款面向物理世界智能的基础模型。Qwen-RobotNav 基于 Qwen3-VL，用 1560 万样本统一指令跟随、目标导航、目标跟踪与自动驾驶五类任务，在 VLN-CE RxR 上达 76.5% SR，并零样本部署到 Unitree Go2 四足机器人。Qwen-RobotManip 基于 Qwen3.5-4B VL 与 flow-matching DiT 动作头，用超过 38,100 小时开源数据训练，在 RoboChallenge Table30 v1 通用赛道取得第一。Qwen-RobotWorld 以自然语言作为统一动作接口，在 8.6M 视频文本对上联合训练 20 多种本体，在 EWMBench 等基准排名第一。
#模型发布#具身智能#多模态
xAI 宣布 Grok Imagine Video 1.5 在 Imagine API 正式可用，模型名为 grok-imagine-video-1.5，同时 Video 1.5 Fast 已上线 grok.com/imagine 及 iOS、Android 应用。官方称这是其目前最好的图生视频模型，音效、环境音与对白在同一次生成中完成，语音更清晰、同步更好，画面运动与物理表现更稳定。Video 1.5 Fast 生成 6 秒 720p 视频约需 25 秒，此前模型需 40 秒以上；未来几天还将上线 Projects、多智能体并行和素材库搜索等功能。
#产品更新#视频#xAI
Zyphra 发布 ZONOS2，一个 Apache 2.0 许可的实时文本转语音模型，具备高保真声音克隆能力，采用 9 亿激活参数、80 亿总参数的稀疏 MoE 架构，是首个开源 MoE TTS 模型。相比 Zonos-v0.1，训练数据从约 20 万小时扩展到超 600 万小时，模型规模从 1.6B 增至 8B，实时吞吐提升 4 倍，并支持最长一分钟的多语言与语码转换音频生成。模型权重已在 Hugging Face 发布，基于 SGLang 的推理代码在 GitHub 开源，同时上线 Zyphra Cloud 并提供 API，发布后促销期内免费。Zyphra 还提出新的 ZTTS1-Eval 评测基准，覆盖 9 种语言的 Clean 集与 17 种语言的 In-The-Wild 集。
#模型发布#语音#开源生态
Google DeepMind 发布 DiffusionGemma，一个采用 Apache 2.0 许可的 26B MoE 实验性开源模型，探索文本扩散生成，在 GPU 上文本生成速度最高提升 4 倍。该模型不再逐 token 顺序生成，而是同时生成整块文本，面向内联编辑、快速迭代等速度敏感的本地交互工作流。其加速优势主要体现在单加速器、低到中等批大小的本地低并发推理场景，高 QPS 云端服务下并行解码收益递减。
#模型发布#开源生态#推理
Anthropic 发布 Claude Fable 5，一款面向一般用途的 Mythos 级模型，在软件工程、知识工作、视觉、科学研究等基准上表现领先。同时推出 Claude Mythos 5，为同一底层模型但放宽部分安全限制，初期通过 Project Glasswing 向美国政府和网络安全伙伴开放。两款模型定价均为每百万输入 token 10 美元、每百万输出 token 50 美元，低于 Claude Mythos Preview 的一半。
#模型发布#Anthropic#安全/对齐
Cohere 开源发布其首款智能体编码模型 North Mini Code，采用 MoE 架构，拥有 30B 总参数、3B 激活参数，并使用 Apache 2.0 许可证。Cohere 测试显示，其输出吞吐量最高为 Devstral Small 2 的 2.8x，inter-token latency 优势为 30%，Artificial Analysis Coding Index 得分为 33.4。模型权重已在 Hugging Face 提供 bf16、fp8 和 w4a16 版本，也可通过 OpenRouter、Model Vault 或 Cohere API 使用。
#模型发布#编码#Agent
Google DeepMind 发布 Gemini 3.5 Live Translate，可自动识别 70 多种语言并持续生成近实时译音，同时保留说话者的语调、节奏和音高。该模型仅落后说话者数秒，支持嘈杂环境和多语言输入。它正向 Android、iOS 版 Google Translate 全球推送，Google Meet 将于本月面向部分企业 Workspace 客户开启私密预览。
#模型发布#语音#Google DeepMind
#模型发布#开源生态#推理
#模型发布#推理#部署/工程
小米与 TileRT 合作发布 MiMo-V2.5-Pro-UltraSpeed，首次在 1 万亿参数模型上把解码速度突破 1000 tokens/s，仅用单台标准 8 卡通用 GPU 节点实现。该 API 按申请制限时开放，价格为 MiMo-V2.5-Pro 的 3 倍、生成速度约 10 倍，试用窗口为 6 月 9 日至 6 月 23 日。团队对 MoE Experts 做 FP4 量化并采用 DFlash 块级掩码并行预测投机解码，编码场景平均接受长度 6.30，同时已在 Hugging Face 开源 MiMo-V2.5-Pro-FP4-DFlash 权重。
#产品更新#推理#部署/工程
NVIDIA Nemotron 3 Ultra 已在 Ollama 云上线，这是一个 550B 参数（55B 激活）的开源模型，面向长时运行的智能体工作流。它支持 1M token 上下文，针对 NVFP4 格式优化，官方称在智能体生产力、指令遵循和长上下文任务上准确率领先，成本较其他领先开源模型最多节省 30%。
#产品更新#Agent#推理
LMSYS 宣布 SGLang 与 Miles 在 Day 0 支持 NVIDIA Nemotron 3 Ultra，这是一款面向长时自主智能体的开源前沿推理模型，总参数 550B、激活参数 55B，上下文最长 1M tokens，支持 NVFP4 与 BF16。SGLang 提供高性能推理服务，Miles 支持在 128 张 H200 上以 GRPO 进行强化学习训练，并已验证 dapo-math-17k 上的端到端流程。官方称该模型在智能体生产力、指令遵循和长上下文任务上领先，成本最多节省 30%。
#开源/仓库#部署/工程#数据/训练
Google DeepMind 推出 Gemma 4 12B，将智能体式多模态能力带到笔记本电脑，并首次在其中型模型中支持原生音频输入。该模型在标准评测中的表现接近 26B MoE，内存占用不到后者一半，可在配备 16GB RAM 的消费级笔记本上本地运行。其无编码器架构可直接整合音频与视觉输入，以减少延迟和内存用量。
#模型发布#多模态#推理
xAI 通过 API 以预览形式开放图生视频模型 grok-imagine-video-1.5-preview，输入一张静态图和描述运动的提示词即可生成视频。模型支持最高 720p 分辨率，可用自然语言控制镜头运动、节奏和声音设计，并保持输入帧的细节与光照。它还能逐帧生成后串联成更长场景，保持整个项目视觉一致。
#产品更新#视频#多模态
微软 AI 发布文本转语音模型 MAI-Voice-2，从仅支持英语扩展到 15 种语言，并新增 sad、whispered、excited 等情感标签控制。该模型支持用 5-60 秒参考音频做零样本声音克隆，在对比测试中被 72% 的偏好选择优于前代 MAI-Voice-1，现已上线 Microsoft Foundry，并正在集成进 VSCode 和 Dynamics 365 Contact Center。
#模型发布#语音#Microsoft
微软发布 MAI-Image-2.5 和 MAI-Image-2.5-Flash 两款图像模型，前者在 Arena 图像编辑榜排名第 2、文生图排名第 3，超过 GPT-Image-1.5 和 Nano Banana Pro 2K。两款模型已在 Foundry 面向开发者开放，MAI-Image-2.5 定价为每 1M 文本输入 token 5 美元、每 1M 图像输入 token 8 美元、每 1M 图像输出 token 47 美元，Flash 版分别为 1.75、1.75 和 19.50 美元。MAI-Image-2.5 已上线 PowerPoint 并正在向 OneDrive 推送，OpenRouter 也将提供该模型。
#模型发布#图像生成#多模态