跳到正文
11月18日周三
  1. TechCrunch · AI50

    Daydream 推出全新 AI 智能体:化身私人造型师,还能帮你购物

    Daydream 发布 "Daydream Agent" AI 智能体,可充当私人造型师,帮助用户规划穿搭、虚拟试衣并一键完成购买。该智能体能记住用户的风格、版型偏好和预算,从超 10,000 个品牌的目录中实时获取信息以优化推荐。Daydream 还引入人类造型师 Francesca Salih 参与搭配建议,其应用自 2025 年 6 月上线以来已有超 200 万用户。

11月17日周二
  1. IT之家62

    谷歌为移动版 Gemini 应用推出 66 种地区语音,覆盖 7 类语言

    谷歌宣布为移动平台 Gemini 应用推出 66 种地区语音,覆盖美式英语、英式英语、印度英语、印地语、巴西葡萄牙语、印度尼西亚语和韩语 7 个语言类别。英国用户可选 10 余种地区口音,包括纽卡斯尔、利物浦、伯明翰、苏格兰、威尔士、北爱尔兰口音以及多元文化伦敦英语。

  2. Latent Space50

    Black Forest Labs 对话:Andreas Blattmann 与 Dustin Podell 谈构建视觉智能

    Black Forest Labs(BFL)由 Stable Diffusion 核心成员创立,其 FLUX 3 将静态图像、运动镜头与音效三种信号联合训练,可同时生成视频与声音。FLUX 3 的视频超分模型复用同一骨干网络以保持时序一致性,FLUX Kontext 则能在编辑图像时保留人物身份。两位嘉宾还讨论了自回归与扩散路线的取舍以及视觉智能的下一步方向。

  3. The Decoder78

    阿里发布 Qwen4-Max,以更低价格对标 Opus 5.5、GPT-6 与 Kimi K3.1 Pro

    阿里发布旗舰模型 Qwen4-Max,对标 Opus 5.5、GPT-6 与 Kimi K3.1 Pro。模型采用混合专家架构,总参数 2.4 万亿、每 token 仅激活 710 亿,原生处理图像并提供 100 万 token 上下文窗口,通过三层压缩加一层筛选的混合注意力降低长上下文计算成本。

    同一新闻,精选展示《阿里千问 4 Max 正式发布:2.4 万亿参数,单任务成本降 58%》

11月16日周一
  1. 量子位34

    是石科技发布多模态模型服务:视频生成提速2.48倍且画质不掉线

    是石科技发布多模态模型服务,其基于历史缓存残差的自适应加速技术实现视频生成端到端平均2.48倍加速,同时保持生成质量。该服务结合SGLang优化缓存与显存管理,其免训练的模态自适应Token压缩在WorldSense评测中实现1.33倍加速。基于全模态模型的Context Engine则将素材理解结果转化为结构化信息,衔接多模态理解与视频生成链路。

  2. 爱范儿77

    实测腾讯 Hy4 flash:花两毛钱,就能让 AI 从零做个 3D 交互网页

    腾讯 Hy4 flash 正式发布,总参数量 224B、激活参数 12B,支持多模态与 1M 上下文,输入价格 0.5 元每百万 Token、输出 2 元每百万 Token,并在 WorkBuddy 提供 11 月 16 日至 11 月 30 日的限时免费额度。

    推荐理由:原文用相同任务对比了 Hy4 flash 与 DeepSeek V4.1 Flash 的时间和 Token 消耗,读者可据此判断高频 Agent 场景下的成本取舍。

  3. IT之家42

    <title_zh> KTC 推出 VMAX 全感知智能体主机,配备 VMAX GO 随行屏

    <summary_zh> 康冠旗下 KTC 推出 VMAX 全感知智能体主机,在 Windows 迷你主机基础上整合云台摄像头、阵列麦克风与 VMAX GO 随行屏。主机本地集成视觉、音频算法及对话与会议纪要大模型,可本地运行复合型 AI 工作负载并支持语音交互。磁吸可拆卸的 VMAX GO 随行屏脱离后可作为便携录音副屏独立采集音频,放回主机后自动同步数据并生成结构化会议纪要。

  4. IT之家79

    腾讯混元 Hy4 flash 模型发布:224B 总参、12B 激活,单任务成本约 Hy4 的 5%

    腾讯混元团队发布 Hy4 flash 模型,总参数量 224B、每 token 激活 12B,支持多模态输入与 100 万 token 上下文。官方称其通过预训练、后训练和推理三阶段协同优化,KV cache 降至 Hy4 的 1/6,解码速度超过 150 tps;在 WorkIndex 评测集上单任务成本仅为 Hy4 的 1/20,综合效果略优于 Hy4 preview。

    推荐理由:原文给出 Hy4 flash 与 Hy4、DeepSeek-V4.1-Flash 的单任务成本对比及内部盲测结果,读者可据此判断它适合哪类日常任务。

  5. IT之家80

    不调用图像模型,Anthropic Claude Fable 5.2 用 Python 代码模拟真实画笔作画

    Anthropic 发布 Claude Fable 5.2 与 Claude Mythos 5.2 模型,其中 Fable 5.2 不调用图像生成模型,而是编写 Python 代码模拟画笔、颜料与画布逐笔作画。

    推荐理由:原文给出 Fable 5.2 用代码逐笔作画的实现细节,并与 GPT-6 Astra 在机器人控制基准上对比,可看出两类模型的能力差异。

11月15日周日
  1. 博客园23

    SuperOcr:批量图片文字识别与关键词分类工具

    SuperOcr 是一款 AI 图片文字识别工具,支持批量图片按关键词自动筛选归类、批量文字内容检索及单图识别快速复制文字。面对上万张图片、数十个关键词也能快速准确完成筛选,可节省 99% 的人力时间。实际示例为在 6000 张图片中查找包含"万科城"或"金茂府"的图片,设置关键词后一键运行即可自动分类。

  2. The Decoder79

    美团开源 LongCat-2.5:1.6 万亿参数智能体模型,全程基于中国芯片训练

    美团发布 LongCat-2.5 的模型权重,这是一个总参数 1.6 万亿、每 token 激活约 480 亿的 MoE 智能体模型,完全在中国芯片上训练。

    推荐理由:原文给出它与 Claude Opus 5、GPT-5.6 Sol 的多项基准对比,以及 194 颗华为芯片的自托管部署细节,读者可据此评估其工程可行性。

11月14日周六
  1. IT之家38

    全家共用一块屏幕,私人消息怎么办?苹果解释 HomeView 如何守护隐私

    苹果 HomeView 无需手动登录或切换个人资料,可识别最多 6 名家庭成员,并在用户离开后自动撤下其个人信息。系统显示私人内容前会检查配对 iPhone 是否在网络中以及近期是否解锁;实测中他人进入摄像头视野,设备便立即停止显示个人信息,直至画面中只剩使用者一人。消息、日历等私人内容仅从 iPhone 获取,不会永久保存在 HomeView 上,用户带 iPhone 离开时内容随之离开。

11月13日周五
  1. 爱范儿80

    李飞飞 World Labs 正式开放世界模型 Atlas,上线网页应用与开发者 API

    World Labs 正式向所有用户开放世界模型 Atlas,同步上线网页应用和开发者 API,新用户注册即送 10000 积分。这次开放带来 Viewfinder 和 Chisel 两款新 Web 应用,配合 Relight 和 Splat to mesh 覆盖从单图生成场景到导出 GLB 网格的完整链路。

    推荐理由:原文实测了 Atlas 从提示词到可导出 3D 资产的完整工作流,读者可据此判断它能否接入自己的创作或开发管线。

  2. IT之家68

    腾讯混元发布实时语音模型 Hy Realtime,支持唱歌与工具调用,已在元宝语音通话等上线

    腾讯混元发布实时语音模型 Hy Realtime,新增 Agentic 工具调用与唱歌能力,已在元宝语音通话、腾讯客服等产品上线,近期将上线腾讯云并提供 API 服务。该模型可结合上下文还原口齿含糊、话说半截等不完整输入的意图,并能按歌手、专辑、曲风、语种、年份与热度组合点歌演唱。官方表示下一步将重点提升双工交互、长期个性化记忆与前后台 Agent 交互能力。

  3. Google DeepMind88

    Google DeepMind 发布 Gemini 4 Hydrogen

    Google DeepMind 发布 Gemini 4 Hydrogen,定位日常编码与智能体工作流的快速执行模型,即日起在 Gemini API、AI Studio、Gemini app、Google Search 等全端开放。

    推荐理由:Hydrogen 与 Carbon、Argon 形成快慢分工,并带来多模型编排入口,读者可据此重新规划编码与智能体工作流。

11月12日周四
  1. IT之家60

    科大讯飞星火语音基座大模型 SparkAudio 1.0 上线 API 服务,支持 99 种语言、202 种方言

    科大讯飞宣布星火语音基座大模型 SparkAudio 1.0 在讯飞开放平台上线 API 服务,开发者可直接接入调用。SparkAudio 1.0 支持文本和语音输入、文本输出,覆盖 99 种语言、202 种方言,可用于语音转写、多语言翻译、多方言识别、环境音理解、说话人分离、情感分析及音频问答等任务。官方称相较上一代模型在多语言处理、多维音频理解和场景覆盖上升级,并采用全国产算力训练。