N全部新闻

全部新闻

星期二63 条

  1. Testing Catalog产品发布
    AI 评分56

    X 推出整合 Grok、Cursor 与 X Premium 的统一订阅方案

    X 正在逐步推出一套统一订阅方案，把 Grok、Cursor 和 X Premium 打包在一起，分为 Plus 每月 8 美元、Premium 每月 30 美元、Super 每月 100 美元、Ultra 每月 200 美元四档。官方称每个档位在自家模型上的每美元用量都高于它所替代的对应方案。发布者认为这对用户是利好，自己相当于免费获得了 Cursor 的使用权限。

    同一事件 · 6 条报道

    #行业动态#OpenAI#xAI

  2. OpenRouter一手产品发布
    AI 评分51

    ScaleDown 三个约束解码模型上线 OpenRouter，限时 20% 折扣

    ScaleDown 的约束解码模型系列已在 OpenRouter 上线，每个模型只针对单一任务：Summarize 把长文本、图片和 PDF 转成简短一致的摘要，用于上下文压缩和转录摘要；Extract 用自然语言描述字段即可返回带置信度和来源片段的 JSON；Classify-1 可自定义标签并通过 Decisions API 给出校准概率。上线期间输入 token 享 20% 折扣，价格为 $0.04/M input tokens，输出免费。

    引用Neal Patel · @neal_k_patel

    You already gave the LLM the answer. So why is it writing it out from scratch? Introducing a new AI model architecture: Constrained Decoding Models (CDMs) LLMs were built to write. Most production workloads just need an answer: fast, consistent, and affordable. CDMs are purpose-built for 1 task each. They read your input once and skip the token-by-token generative loop that makes LLMs slow and expensive. Not just a decision model, but a family of 3 CDMs live today: • Classify: define your labels and get back a calibrated probability + reason for each. Used for routing, tagging, and intent detection. • Extract: describe the entities in natural language and get back well-formed JSON with confidence scores + citations. Used for web scraping, document processing, and PII redaction. • Summarize: pass in long text, images, or PDFs and get back a consistent summary under 1,000 tokens. Used for context compaction, metadata generation, and transcript digests. Built for production: • 1M tokens of multimodal (text + image) input, 31x larger than Jev • 77.2% on DecisionBench vs Jev's 72% • 200x faster, 467x cheaper than frontier LLM APIs • $0.05/M input tokens. Output is free (yes, even for summarize) Live on your favorite platforms today: @OpenRouter @vercel_dev @LiteLLM @LangChain @TrustedRouter @itsArthurAI @useRouterPlus Get 50M input tokens for free (for the first 50 hours) at link below 👀

    #产品更新#部署/工程#OpenAI

  3. Rohan Paul产品发布
    AI 评分51

    SubQ Snap 长上下文决策模型发布，384K token 延迟 2.5 秒

    Subquadratic 发布 SubQ Snap，称其为面向企业工作的长上下文决策模型，支持 384K token 多模态上下文，是 Jev 的 12 倍。其延迟为最小上下文 80ms、32K 为 250ms、100K 为 660ms、384K 为 2.5 秒，输入定价 $0.05/百万 token，输出免费，前 1 万名注册用户可获 100M 免费输入 token。Rohan Paul 指出，其延迟随输入近似线性增长，而标准二次注意力在该区间成本约上升 15 倍，这使模型能一次处理 384K token 的代码、文档、日志和截图。

    引用Alexander Whedon · @alex_whedon

    Introducing SubQ Snap, the first long-context decision model for real enterprise work. Snap is the only decision model or LLM where compute per token stays constant as context grows. • 384K tokens of multimodal context, 12x larger than Jev. • 61.7 on Decision Index v0.2.1 vs Jev’s 57.9, outperforming on 13 of 16 enterprise benchmarks. •Processes 100K tokens and returns a decision in under one second. •$0.05/MM input tokens. Output is free. Available today to anyone. The first 10,000 sign-ups get 100M free input tokens. We’ll likely hit capacity fast and will add users as we add compute. Compute offers welcome 🙂. Latency will be variable as we tune the platform to this new model and category of users. Model speeds are 80ms for minimal context, 250ms for 32k, 660ms for 100k, and 2.5 seconds for 384k. Visit: https://t.co/Nc76iJF2a8

    #模型发布#推理#多模态

  4. Grok一手产品发布
    AI 评分58

    Grok 并入 X Subscription，与 Cursor、X Premium 打包每月 8 美元起

    Grok 被并入 The X Subscription，与 Cursor 和 X Premium 权益打包在同一订阅中，起价每月 8 美元，共提供五档可选。已订阅 SuperGrok 的用户可前往账户设置切换到 The X Subscription。

    引用SpaceX Super Intelligence · @SpaceXSI

    We've unified plans across Grok, Cursor, and X Premium. Introducing The X Subscription. https://t.co/SvkrVvBa0p

    同一事件 · 6 条报道

    #行业动态#OpenAI#产品更新

  5. Cursor一手产品发布
    AI 评分60

    Cursor 并入 X Subscription，付费方案共享用量池

    Cursor 宣布成为 X Subscription 的一部分，现有 Cursor 订阅用户可保留原方案或切换到 X Subscription。付费方案在 Cursor、Grok Build 及其他 Grok 产品间共享一个用量池，使用 Grok 模型时的编码用量是同等 Cursor 方案的两倍，Premium、Super 和 Ultra 还包含 Grok Bot。为给更多 Grok 用量腾出空间，新方案中 Cursor 的第三方模型改为按 API 定价计费。

    引用SpaceX Super Intelligence · @SpaceXSI

    We've unified plans across Grok, Cursor, and X Premium. Introducing The X Subscription. https://t.co/SvkrVvBa0p

    同一事件 · 6 条报道

    #行业动态#编码#OpenAI

  6. Rohan Paul产品发布
    AI 评分70

    ScaleDown 发布 Classify、Extract、Summarize 三款约束解码模型

    ScaleDown 发布 Classify、Extract、Summarize 三款小型约束解码模型，面向智能体常交给昂贵 LLM 的简单重复任务。这些模型不逐 token 生成答案，而是一次读取最多 1M token 的文本和图像，直接从输入中选出标签、带偏移量的文本片段或摘要段落，因此输出免费，结果限定在给定标签或原文范围内。官方称其比前沿 LLM API 快 200 倍、便宜 467 倍，输入定价为每百万 token 0.05 美元，并已在 OpenRouter、Vercel、LiteLLM、LangChain 等平台上线。

    引用Neal Patel · @neal_k_patel

    You already gave the LLM the answer. So why is it writing it out from scratch? Introducing a new AI model architecture: Constrained Decoding Models (CDMs) LLMs were built to write. Most production workloads just need an answer: fast, consistent, and affordable. CDMs are purpose-built for 1 task each. They read your input once and skip the token-by-token generative loop that makes LLMs slow and expensive. Not just a decision model, but a family of 3 CDMs live today: • Classify: define your labels and get back a calibrated probability + reason for each. Used for routing, tagging, and intent detection. • Extract: describe the entities in natural language and get back well-formed JSON with confidence scores + citations. Used for web scraping, document processing, and PII redaction. • Summarize: pass in long text, images, or PDFs and get back a consistent summary under 1,000 tokens. Used for context compaction, metadata generation, and transcript digests. Built for production: • 1M tokens of multimodal (text + image) input, 31x larger than Jev • 77.2% on DecisionBench vs Jev's 72% • 200x faster, 467x cheaper than frontier LLM APIs • $0.05/M input tokens. Output is free (yes, even for summarize) Live on your favorite platforms today: @OpenRouter @vercel_dev @LiteLLM @LangChain @TrustedRouter @itsArthurAI @useRouterPlus Get 50M input tokens for free (for the first 50 hours) at link below 👀

    同一事件 · 2 条报道

    #产品更新#Agent#部署/工程

  7. Satya Nadella产品发布
    AI 评分58

    微软发布 Maia 300，并计划将 Maia 系列扩至多吉瓦部署

    微软宣布推出 Maia 300，称其每瓦 token 吞吐比领先的 GPU 系统高 40%。从下一个自然年起，微软将把 Maia 系列扩展到多吉瓦级部署，使其成为自家产品和服务的首要推理系统。目前 Maia 200 已在美国、欧洲和澳大利亚部署，在 Teams 和 Copilot 中每瓦 token 吞吐最高提升 1.7 倍。

    同一事件 · 4 条报道

    #行业动态#端侧#部署/工程

  9. 腾讯混元 Research一手产品发布
    AI 评分71

    腾讯混元发布科学发现智能体 Hyra

    腾讯混元发布科学发现智能体 Hyra，采用 Context Agent 维护经验库、多个 Proposal Agent 生成并沙盒评估 solution 的异步流水线，无评估器时升级为双层循环让评估器与 solution 共进化。在 NanoChat Autoresearch、NanoGPT Speedrun 和 SOL-ExecBench 三项任务上，Hyra-1.0 分别取得 Validation BPB 0.9015、Time to 3.28 loss 76.4s 和 Mean SOL 0.771，均超过 Recursive 报告的结果。在 55 个数学开放问题中，Hyra 于 29 个上刷新历史最好结果，相关结果已在 GitHub 开源。

    #模型发布#Agent#推理

  10. InternLM 原创项目一手产品发布
    AI 评分60

    InternLM 开源 InternBootcamp 智能体训练与评测框架

    InternLM 开源 InternBootcamp（InternAgentHarness），一个面向大语言模型智能体训练与评测的可扩展合成环境框架，将任务提示生成、工具执行、交互控制和奖励计算统一封装为可训练的环境实例。框架提供 BootCampCLI，可把任务配置转换为可运行的智能体交互流程，并支持批量轨迹采集、监督微调数据过滤、强化学习 rollout 和测试集评测。其技术报告已被 WAICA 2026 接收，对应代码版本为 InternBootcamp v1。

    #开源/仓库#Agent#数据/训练

  11. InternLM 原创项目一手产品发布
    AI 评分52

    InternLM 开源多模态决策模型 Intern-Decision，4B 版本七套基准平均准确率 90.02%

    InternLM 发布开源多模态决策模型 Intern-Decision，将状态、可选图像和多个带类型的问题转化为带概率的决策，支持 choice、score 和 noul（是/否）三类问题，训练时微调 Qwen3.5 的语言主干并冻结视觉塔和投影器。Intern-Decision-4B 在七套基准上平均准确率 90.02%，RTX 4090 本地平均请求延迟 44.16 ms，在 96 例校准基准上 Brier 为 0.550、ECE 为 0.089。该版本包含训练、两种推理后端、基准评分、温度校准和浏览器 demo，但训练数据、校准与验证记录、图像及模型权重未包含在内。

    #开源/仓库#多模态#推理

  12. World Labs Blog一手产品发布
    AI 评分67

    World Labs 分享可在浏览器探索的持久 3D 世界生成进展

    World Labs 分享了其早期进展，目标是生成持久、可导航的 3D 世界，并可直接在浏览器中探索。该内容发布于 2024 年 12 月 2 日，页面同时列出 2026 年 9 月 28 日的后续文章《To Seek a Newer World》，讲述从 World Labs 到 AMD 的历程。

    #行业动态#多模态#产品更新

  13. World Labs Blog一手产品发布
    AI 评分68

    World Labs 发布 3D 世界生成模型 Marble 有限访问预览

    World Labs 推出 Marble，这是其 3D 世界生成模型的有限访问 beta 预览，用户可在 marble.worldlabs.ai 查看和创建 3D 世界。给定图像或文本提示，模型可生成可无限探索、无变形、无不一致的 3D 世界，相比此前结果更大、风格更多样、3D 几何更干净。用户可将生成的世界导出为 Gaussian splats，并借助开源渲染库 Spark 集成到 Three.js 中，在桌面、笔记本、移动设备和 VR 头显上渲染。

    #产品更新#多模态#图像生成

  14. World Labs Blog一手产品发布
    AI 评分69

    World Labs 发布 World API，用文本、图像和视频生成可探索 3D 世界

    World Labs 发布 World API，开发者可通过该公开接口调用其多模态世界模型 Marble，从文本、单图、多图、360° 全景和视频生成可导航的 3D 世界。世界生成以异步方式运行，无需专有工具，生成结果可在浏览器渲染、导出到其他工具或接入交互系统与仿真管线。该 API 已用于游戏与沉浸式媒体、机器人仿真（可接入 NVIDIA Isaac Sim、MuJoCo、RoboSuite）以及建筑设计等场景，并通过 World Labs Platform 提供 API key 管理、用量计费和文档。

    #产品更新#多模态#部署/工程

  15. World Labs Blog一手产品发布
    AI 评分55

    World Labs 发布 Spark 2.0，为网页端 3DGS 加入流式 LoD 系统

    World Labs 发布 Spark 2.0，为基于 THREE.js 和 WebGL2 的 3D Gaussian Splatting 渲染器加入 Level-of-Detail 系统，可在任意设备上流式渲染超大 3DGS 世界。新版本通过 LoD splat 树、渐进式流式加载和虚拟显存三项技术，把每帧渲染量控制在 500K 至 2.5M splats 的预算内，并引入新的 .RAD 流式文件格式。Spark 为开源项目，配套命令行工具 build-lod 可将任意 3DGS 文件转换为 LoD splat 树。

    Left: Texture LoD using Mip-mapping. Right: Mesh LoD with Nanite

    #产品更新#部署/工程#开源生态

  16. World Labs Blog一手产品发布
    AI 评分63

    World Labs 发布 R2S2R 引擎早期结果，用仿真训练和评测机器人策略

    World Labs 公布其 real-to-sim-to-real（R2S2R）引擎的早期结果，该引擎由 7 月 21 日加入的 SceniX 团队开发，把真实机器人任务重建为对齐的仿真世界。官方称策略可完全在仿真中训练、零真实训练数据，并直接迁移到多种真实机器人平台，覆盖可变形线缆、铰接盒、刚性物体和杂乱抓取等任务。仿真还能预测策略在硬件上的相对表现与失败区域，用于筛选 checkpoint、降低真机评测成本。

    #行业动态#具身智能#数据/训练

  17. FireRedTeam 原创项目一手产品发布
    AI 评分58

    FireRedTeam 开源人像动画框架 DynamicPose 并发布预训练模型

    FireRedTeam 发布 DynamicPose，一个由人体姿态序列驱动人像动画的框架，支持大幅动作、非写实场景，并可从单张照片生成舞蹈视频。项目同时开源了姿态服务器与姿态对齐算法，代码采用 MIT 许可，后续将陆续放出数据清洗与预处理流程、训练脚本（DeepSpeed Zero2）以及 ComfyUI 和 Hugging Face Gradio 演示。作者也列出局限，包括侧脸易生成扭曲面部、复杂背景下难以区分人体与背景、手部持物时难以判断是否保留。

    #开源/仓库#视频#图像生成

  18. FireRedTeam 原创项目一手产品发布
    AI 评分62

    FireRedChat 开源全自托管全双工语音交互方案

    FireRedTeam 开源 FireRedChat，提供全自托管的实时语音 AI 智能体方案，集成 TTS、ASR、pVAD 和 EoT，无需依赖外部 API，数据不出本地。系统由 LiveKit RTC Server、AI-Agent Bot Server、WebUI、Redis、TTS Server 和 ASR Server 组成，LLM 需自行部署，可用 Ollama、vLLM 或 Dify。2025/09/16 已发布级联系统所需的 pVAD、turn-detector 模型以及 FireRedTTS1、FireRedASR 服务，项目采用 Apache-2.0 许可。

    #开源/仓库#语音#部署/工程

  19. FireRedTeam 原创项目一手产品发布
    AI 评分53

    FireRedTTS2 开源长时流式多说话人对话 TTS 系统

    FireRedTeam 开源 FireRedTTS2，一个面向多说话人对话生成的长时流式 TTS 系统，支持 3 分钟、4 说话人的对话，并可通过扩展训练语料支持更长对话与更多说话人。系统支持英语、中文、日语、韩语、法语、德语和俄语，具备跨语言与语码转换的零样本声音克隆能力；基于 12.5Hz 流式语音 tokenizer 和双 Transformer 架构，在 L20 GPU 上首包延迟低至 140ms。项目已发布预训练 checkpoint 与推理代码，并支持 bf16 推理，显存占用从 14GB 降至 9GB。

    #开源/仓库#语音#开源生态

  20. FireRedTeam 原创项目一手产品发布
    AI 评分60

    FireRedTeam 开源一体化语音系统 FireRedASR2S

    FireRedTeam 开源 FireRedASR2S，一套包含 ASR、VAD、LID、Punc 四个模块的一体化语音系统，各模块均称达到 SOTA。FireRedASR2 支持中文（普通话及 20 多种方言口音）、英文、中英混说以及语音和歌声转写，在 4 个普通话公开基准上平均 CER 为 2.89%，在 19 个中文方言口音基准上为 11.55%，均优于 Doubao-ASR、Qwen3-ASR-1.7B、Fun-ASR 和 Fun-ASR-Nano-2512。FireRedVAD 支持 100 多种语言的语音、歌声和音乐检测，F1 为 97.57%；FireRedLID 覆盖 100 多种语言和 20 多种中文方言，准确率 97.18%；FireRedPunc 中英文标点预测平均 F1 为 78.90%。四个模块可独立使用，模型权重与推理代码已放出，技术报告见 arXiv。

    #开源/仓库#语音#多模态