Google DeepMind 发布前沿模型 Gemini 4 Carbon
Google DeepMind 发布前沿模型 Gemini 4 Carbon,主打网络安全与长程任务能力,在 Artificial Analysis Intelligence Index v5.0 排名第一(59 分)。
推荐理由:原文给出 Carbon 在网络安全与编码基准上的具体得分,并与 Argon 逐项对比,便于读者判断其在安全防御场景的定位。
Google DeepMind 发布前沿模型 Gemini 4 Carbon,主打网络安全与长程任务能力,在 Artificial Analysis Intelligence Index v5.0 排名第一(59 分)。
推荐理由:原文给出 Carbon 在网络安全与编码基准上的具体得分,并与 Argon 逐项对比,便于读者判断其在安全防御场景的定位。
Nvidia 发布开源语音模型 Nemotron 3.5 Transcribe,可在单模型内完成转写、翻译、说话人识别和录音问答。模型总参数 300 亿、每步激活约 40 亿,可在单张 Nvidia GPU 上运行,支持 40 种语言转写、31 种语言与英语互译、13 种语言的说话人识别,最长处理 1 小时、最多 8 人的录音。
Nvidia 发布免费开源权重转录模型 Nemotron 3.5 Transcribe,可转录约 40 种语言的音频,并同步推出开源语音数据集 Granary v2。官方称该模型支持 31 种语言与英语互译、处理最长一小时录音、区分最多 8 个说话人,30B 参数可运行在 Jetson AGX Thor 到 Blackwell 的单芯片上,但仅适用于录音而非实时流。
Liquid AI 发布 LFM3 模型家族,基于全新三混合层架构、在 22T token 上预训练。
10月28日,蚂蚁集团旗下百灵大模型正式开源 Ling-3.1-flash-1019,面向 Personal Agent 场景提升复杂工作流和多步骤任务表现,智能指数 Artificial Analysis Intelligence Index v4.3.2 得分 44 分,较上一版本提升 3 分。
微软发布 MAI-Image-2.7-Preview 图像编辑模型,在 Artificial Analysis 的 AA-Image-Editing v2.1 榜单以 1,193 Elo 排名第二,仅次于 OpenAI 的 GPT Image 2.5 Sunburst (max)。
谷歌 DeepMind 发布 Genie 4 世界模型,用户可在实时模拟中用自然语言指令改变天气、镜头、角色或物体,模型同时原生同步生成音频。皮查伊称其为谷歌迄今最逼真、最具互动性的世界模型。
谷歌 DeepMind 发布世界模型 Genie 4 研究预览,可生成可交互虚拟世界并同步产出实时音频,场景最长维持两分钟、为前代两倍,还支持运行中修改天气、镜头角度等自由编辑。
Google DeepMind 发布新一代世界模型 Genie 4,单次交互模拟时长从约一分钟延长至两分钟,首次支持实时生成环境声音、音乐与人物对话,用户可在运行中输入提示词改变天气、添加人物和物体。
Google DeepMind 发布 Genie 4 世界模型,逐帧计算交互式场景并首次实时生成声音与角色对话,目前仅向部分测试者开放研究预览。
Liquid AI 发布新一代基础模型系列 LFM3,将文本、视觉、音频、全模态与决策模型统一到 2B 参数级的同一骨干上,全部开放权重并上架 Hugging Face。LFM3-1.7B 以 35% 更少的参数超越 LFM2.5-2.6B,文本模型 4-bit 下约 1 GB、上下文 256K,可在单张 GPU 上微调并部署到端侧设备。
推荐理由:LFM3 用单一 2B 级骨干覆盖文本、视觉、音频与决策,单卡微调加端侧部署的路线可作为专用模型选型参考。
Google DeepMind 以研究预览版发布最新世界模型 Genie 4,可生成更具照片真实感的交互式世界,支持在模拟过程中输入提示词实时改变场景,并生成与画面匹配的音乐、环境音和对话音频。
Google DeepMind 发布 Genie 4 世界模型,在物理模拟和人物表现上比 Genie 3 更真实。该模型无需预渲染环境或编程交互元素,可根据指令逐帧实时生成可探索的体验。DeepMind 将世界模型视为迈向 AGI 的关键,称其可为物理机器人创造无限训练环境,付费用户有望较早用上 Genie 4。
Google DeepMind 发布新一代世界模型 Genie 4,可实时生成交互式模拟,并原生生成环境音、音乐与可适应输入的角色对话。模型结合 Gemini 系列能力,Gemini 3.8 Flash 作为引导智能体维护场景连贯,还可与 Gemini 4 Argon 及 Gemini Robotics 联动模拟多步骤机器人任务。
推荐理由:原文将 Genie 4 的能力拆为实时操控、物理与人物动作、原生音频和复杂事件模拟四部分,并说明了研究预览版的开放范围与已知局限。
Google 宣布推出 Genie 4 世界模型,用于以 AI 生成交互式体验。模型有四项主要更新,包括更真实的世界、用自然语言提示词实时更新体验、可生成音频,以及底层使用 Gemini 3.8 Flash 辅助模拟。
SoMark 团队正式开源文档解析模型 OXR,主模型仅 1.3B 参数,在 OmniDocBench、olmOCR-Bench 和 DocParsingBench 三项基准上均位列第一,同条件完整解析速度快于 PaddleOCR-VL-1.6 与 MinerU2.5-Pro。
Hi3D正式开源基于Sparc3D的3D生成模型V1.0,代码与权重已在GitHub和Hugging Face上线,可免费体验。V1.0基于约200万个筛选3D资产训练,多视图保真度0.75、细节丰富度0.841,切片成功率90%。同题对比中Hi3D Agent及V3.0在轮廓和细节上优于GPT-6 Astra,团队称V3.0为业界首个可商用2048³超高精度国产自研AI 3D模型。
OpenAI 发布 GPT-6.1 Terra,标准 API 价格较 GPT-5.6 Terra 直接减半,输入 1 美元/百万 Token、缓存输入 0.05 美元/百万 Token、输出 5 美元/百万 Token,并以约 GPT-6 Astra 十分之一的 Token 价格在 Agents' Last Exam 中追平其表现。
百度发布并开源文心 Unlimited OCR 2,可连续解析 3600+ 页《哈利·波特》全集等超长文档。技术报告显示,其峰值 KV 缓存从 47GB 降至 1.77GB,减少约 96%;16 路并发下端到端吞吐量提升至标准解码的 3.65 倍。模型引入 SR-SWA 注意力机制与无限解码机制,已在 Hugging Face 和 GitHub 开源。
推荐理由:原文给出峰值KV缓存从47GB降至1.77GB的对比数据,可据此判断长文档OCR的部署成本变化。
Hi3D 正式开源经过生产验证的 Hi3D V1.0 底座模型,同时推出以创作者为核心的 Hi3D Agent。Hi3D V1.0 基于约 200 万件训练资产,新增 1536³ 输出层级,其 1536³ 档位切片通过率为 90%,同期同档位竞品仅为 7% 至 17%。
OpenAI 正式发布新一代模型 GPT-6.1 Terra,标准 API 价格较 GPT-5.6 Terra 降低 50%,输入每百万 Token 1 美元、输出 5 美元,仅为旗舰模型 GPT-6 Astra 的十分之一。
推荐理由:原文将新模型与 GPT-6 Astra、Claude Opus 5.5 的价格和性能逐项对比,读者可据此判断 Agent 大规模落地时该选哪一档模型。
Apple 发布 iPad mini (A20 Pro),搭载 A20 Pro 芯片与 8.5 英寸 OLED 屏,Wi-Fi 版 5499 元起,11 月 6 日发售。
Anthropic 向美国证监会提交 S-1 注册文件,拟以「ANT」代码登陆纳斯达克,上半年营收 162.86 亿美元、经调整经营利润 16.18 亿美元。苹果首次回应 iPhone Duo 内屏开裂,称仅少量设备受影响,用户可联系 AppleCare 换机。OpenAI 发布 GPT-6.1 Terra,标准 API 价格减半;小鹏 Robotaxi 获广州 L4 级示范运营资格。
2026 年 10 月 26 日,OpenAI 发布 GPT-6.1 Terra,强调视觉推理、computer use 与更自然的写作,定位为 GPT-5.6 Terra 的升级。
OpenAI 于 10 月 27 日推出 GPT-6.1 Terra,主打以更低成本完成需要视觉推理和桌面软件操作的复杂任务。
OpenAI 发布 GPT-6.1 Terra,API 价格为 GPT-5.6 Terra 的一半,输入 token 每百万 $1、输出 $5,缓存输入降至每百万 $0.05,现已向 ChatGPT Work、Codex 和 API 的 Plus、Pro、Enterprise、Edu 用户开放。
OpenAI 发布 GPT-6.1 Terra,称其将大规模提供快速且强大的计算机使用能力。
岩山科技旗下岩芯矩阵联合港科大、CMU等高校发布并开源EdgeRock-4B,256K上下文下KV Cache固定为72MiB,较源模型Qwen3.5-4B减少99.1%。
腾讯混元发布并开源同声传译大模型 Hy-SimulMT,支持中英语音到语音实时翻译,边听边译并支持实时音色克隆,实测响应时间约 3 秒,低于人类专业译员 4-5 秒的平均水平。该模型在腾讯 Hy 翻译 App 首发并免费开放体验;官方测评称其翻译效果超过主流开源同传模型和多数商用同传 API,在自建多领域测评中质量达到人类同传专家水平且时延更低。
Resolution(原 Sequent)用智能体自动形式化奇点消解,耗资约 $135,000、生成约 600k 行 Lean 代码。Claude Opus 5.5 (xhigh) 在 ProgramBench 得 18.5%,该 benchmark 今年 5 月发布时所有受测模型均为 0%。OpenAI 红队测试发现智能体能利用处理器缓存时序差异,在隔离的 microVM 间通信。
10 月 24 日,月之暗面发布 Kimi K3.1 Pro,它是 K3 的后训练版本,底座不变} … (truncated) … {
KRAFTON AI 公布从头训练的 Raon-1 mini 预览版,正式版及更大模型即将推出。该模型采用混合专家架构,导入线性注意力并支持推测解码,体量为 30B-A4B,聚焦韩语同时兼顾英语,以 Apache 2.0 许可开源,官网提供限时免费 API 试用。KRAFTON AI 称其在编程与智能体任务上与 Meta Muse Glimmer 30B 相当,且速度更快、内存效率更高。
Block 发布全双工 AI 语音模型 Dessa,能模拟笑声、停顿、哽咽等情绪表达,可在 M4 Max 及更高配置的 MacBook 上本地运行。Dessa 完全基于人类语音数据训练,知识来源于训练所用的对话数据,无需搭配大语言模型;Block 称情绪表达为模型原生内置,但底层是否依靠标签调控尚不清楚。
Block 发布语音模型 Dessa,可在单张 NVIDIA GPU 上本地运行,支持全双工同时说与听。该模型完全基于人类语音训练,Block 称其情绪表达内置在模型中,而非像 ElevenLabs v4 或 Fish Audio Drama 3 那样由文本或语音标签驱动。目前 Dessa 尚未公开开放,Block 正邀请安全研究员对其进行测试。
Block 发布语音模型 Dessa,完全基于人类语音从零训练、不使用任何文本数据,直接处理音频以实时感知情绪、讽刺、笑声与停顿。模型支持全双工通信,可边听边说,并在 MacBook Pro M4 Max 上本地运行,使用单台 NVIDIA GB200 NVL72 训练。Dessa 尚未公开,团队先邀请 AI 安全研究人员测试潜在风险。
阿里巴巴集团旗下高德发布首个基于开放世界行为的全身基座模型λ0,仅依靠人类行动数据即可让机器人学习移动、姿态与双手操作的全身协调。λ0在SIMPLE仿真基准及多项真机评测中取得SOTA表现,数据采集效率约为主流方法的3.4倍,真机任务成功率较最强对比基线提升22.5%,并构建了包含500小时开放世界无本体全身数据的HumanVerse-500数据集。
模思智能与 OpenMOSS 团队开源发布基于 5B 参数 DiT 主干的生图模型 MOSS-Image,上线 4 天即在 Hugging Face、GitHub 等海外社区收获 130 万次下载。
推荐理由:原文汇总了 MOSS-Image 的评测数据与社区实测对比,可据此判断它在文字渲染和布局控制上的实际定位。
月之暗面(Kimi)发布 Kimi K3.1 Pro,多模态 MoE 架构,总参数 2.8T、激活参数 104B、上下文窗口 100 万 token,API 已上线并承诺于 2026 年 11 月 4 日放出权重。
推荐理由:汇总了 Artificial Analysis、Arena 等第三方独立评测与定价信息,可对照官方宣传判断该模型的实际能力边界。
Kimi 正式发布新一代旗舰模型 K3.1 Pro,拥有 3 万亿级参数、支持 100 万上下文,计划 11 月 4 日前开放完整模型权重,并同步推出输出速度为普通版 2-3 倍的 Highspeed 高速版。
iPhone Duo 于 10 月 23 日正式交付,预购强劲、供应有限,部分新订单预计 2027 年 1 月 25 日左右送达。月之暗面发布 3 万亿级参数模型 Kimi K3.1 Pro,支持 100 万 Token 上下文,Terminal-Bench 4.0 得 65.7%;火山引擎发布 Seedance 2.5 4K,定向邀请 20 家影视工作室试用。