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21日,NVIDIA 在 Dynamo-Triton 26.07 中启用 TensorRT 后端的多设备推理能力,一个 KIND_MODEL 实例可占用多块 GPU,并通过单个 gRPC 端点对外提供分布式推理服务;TensorRT 11.0 起完整支持该能力。官方以 Cosmos 3 Nano 视频生成为例说明,Ulysses 上下文并行把 44,160 个视频 token 分配到最多八块 GPU,端到端生成延迟从单 GPU 的 156.6 秒降至八 GPU 的 34.2 秒,transformer RPC 加速比达 6.09 倍。CP2、CP4、CP8 的输出通过 MAE ≤ 25 与 PSNR ≥ 18 dB 的质量阈值校验。该基准未测量并发吞吐、单视频成本或 TCO。目前尚无后续发展事实。
2026年9月21日,NVIDIA 在 Dynamo-Triton 26.07 中启用 TensorRT 后端的多设备推理能力,一个 KIND MODEL 实例可占用多块 GPU,并通过单个 gRPC 端点对外提供分布式推理服务;TensorRT 11.0 起完整支持该能力。官方以 Cosmos 3 Nano 视频生成为例说明,Ulysses 上下文并行把 44,160 个视频 token 分配到最多八块 GPU,端到端生成延迟从单 GPU 的 156.6 秒降至八 GPU 的 34.2 秒,transformer RPC 加速比达 6.09 倍。CP2、CP4、CP8 的输出通过 MAE ≤ 25 与 PSNR ≥ 18 dB 的质量阈值校验。该基准未测量并发吞吐、单视频成本或 TCO。目前尚无后续发展事实。
匹配字段摘要
2026年9月18日,Grok发帖邀请用户用Grok Imagine制作自己的电影场景,推广该工具的电影场景制作能力。被引用的Grok Imagine帖子称,@PJaccetturo及其工作室用9天、3,627张图像、3,043段视频完成一部试播片,生成成本2,677美元。目前没有后续发展事实,事件状态停留在这一推广动作。
匹配字段摘要
2026年9月17日,阿里云Wan官方介绍Wan3.0已能直接由模型生成单段30秒镜头,此前分别为5秒和15秒片段。该版本加入导演级控制与omni-reference,可参考最多五段视频而非五张图片,Soulscape的导演与阿里云的Johnny Mai已将其用于实际制作流程。官方称不再需要拼接大量短片段,可先生成长镜头再按剧本和故事剪辑。9月18日,Wan官方账号进一步分享AI视频创作建议,提出AI视频不应停留在比拼画面精美的技术演示,而应设计观看体验、讲述能触发情感的故事,一个30秒镜头即可;帖文提及Soulscape的创作者与阿里云Johnny Mai,并引导团队了解Wan3.0。
匹配字段摘要
2026年9月15日,Chelsea Finn发布视频,分享Pi机器人在Dandelion Chocolate的部署经验。她指出,该部署实现完全自主、无人工干预运行,最难的不是抓取箱子,而是可靠堆叠:原桌面机器人需额外摄像头才能看清堆叠,且每次放置位置不同、精度不足会导致整摞箱子在多次操作后倒塌。该部署近期改用移动机器人,可连续数小时自给自足。她表示,其真实场景数据与反馈对π预训练模型扩展很有价值。目前尚无后续发展事实。
匹配字段摘要
2026年9月14日,ElevenLabs 扩展其 MCP 连接器的能力,新增语音、音乐、图像及视频生成。据 ElevenLabs Blog 同日发布的信息,用户通过一次安装和 OAuth 登录,即可在 Claude、ChatGPT、Cursor、Grokbot、Hermes 等助手中生成语音、转录、配音、音乐、音效、图像和视频,所有产出进入 ElevenCreative 工作区。该连接器调用超过 50 个模型,无需自建服务器或管理 API 密钥,且与驱动 ElevenLabs Agents 的 MCP 为同一个,已连接过的团队无需额外设置。工作区管理员可决定连接可调用的工具,数据驻留地在连接时选择。目前尚无后续发展事实。
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9日,Google 在搜索中推出橄榄球追踪功能。据 Google AI Blog 当日发布的信息,Google Search 上线 Live Game Feed,用户搜索进行中的比赛即可看到实时回放、逐球更新、社交评论、视频集锦和 AI 洞察,该功能已在美国移动端英文上线。同一来源还提到,Search 新增比赛轮播、传球达阵和冲球码数等球员数据,并支持关联 Yahoo Fantasy 或 Sleeper 账号,通过 AI Mode 获取阵容建议。目前该功能处于已上线状态,尚无后续发展事实。
匹配字段摘要
2026年1月以来,Vimeo客户已通过AI为超过2.5万个视频完成约140万分钟配音,超过27%的企业账户尝试过该功能,平均每个视频覆盖3.3种目标语言。9月7日,Vimeo进一步集成ElevenLabs Dubbing,将转录、翻译、声音克隆和语音合成整合为单一流程,支持40种目标语言。创作者可编辑文本轨道,并在发布前检查和调整配音结果。
匹配字段摘要
2026年9月7日,微软宣布将新模型引入Copilot,扩展其自主执行能力。Copilot可处理快速问答、委派任务,并通过Autopilots持续完成数小时或数天的复杂工作。微软展示的案例中,一个由Opal驱动、运行于安全Windows 365 Cloud PC的Autopilot分析了一个月的野外相机视频,识别并标注动物影像,制作精选视频、表格和PowerPoint,随后通过Teams分享结果。
匹配字段摘要
2026年9月3日的材料显示,具身智能企业正加码建设机器人训练数据。由于提升通用操作能力需要大量来自人类视频和机器人运行的数据,而真实物理交互数据仍较稀缺,企业开始综合利用网络视频、第一视角数据、UMI、动作捕捉、遥操作及仿真合成数据。Robbyant将VLA预训练数据由3000小时扩充至2万小时后,下游任务成功率显著提高,其第二代模型的数据集进一步增至6万小时。
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
Wan 介绍 Wan3.0视频生成能力
English translation is being prepared.
匹配字段摘要
ElevenLabs 扩展 MCP语音、音乐、图像及视频生成能力
English translation is being prepared.
匹配字段摘要
2026年9月6日,有作者展示用真实乐高积木搭建的作品,并说明这些积木由 GPT-6 Astra 在 Bricklink Studio 中设计,随后在 Blender 中渲染成 4K 视频。作者称这是最不实用但最好玩的用法,并附上了可自行搭建的零件清单。目前该事件仅有这一条代表性证据,暂无后续发展事实。
匹配字段摘要
Google 面向 Google AI 订阅用户推出新的 Gemini 语音能力。用户可通过对话搜索 Gmail 收件箱、在 Keep 中整理想法和任务,以及创建新的 Docs。Sundar Pichai 特别提到 Docs Live 会比较实用,并附上演示视频和了解更多信息的链接。目前尚无后续发展事实。
匹配字段摘要