微软 AI 发布面向语音智能体的转写与语音合成模型
微软 AI 发布实时转写模型 MAI-Transcribe-2-Streaming，支持 60 种语言，首个部分结果延迟略超 100 毫秒，微软称其在 Artificial Analysis 准确率排名第一，年底前音频价格为每小时 0.54 美元。
全部AI 动态
全部动态
今日 3 条The DecoderAI 评分6565 TechCrunch · AIAI 评分5656 AWS 发布开源决策模型 Strands Decider 2B
AWS 发布开源决策模型 Strands Decider 2B，基于 Qwen3.5-2B 构建，可在本地运行，用于在预设选项中做选择并给出置信度。该模型由 AWS 杰出工程师 Marc Brooker 在看过 TypeSafe 的 Jev 后自行开发，曾在同规模模型的 Jevbench 排名上短暂登顶，随后由 Strands Labs 整理发布。
The DecoderAI 评分7171 Cloudflare 发布 Clef 与 Clef-flash 决策模型
Cloudflare 发布 Clef 和 Clef-flash 两款面向 AI 智能体的决策模型，返回带概率的简短分类而非长文本，并称智能体决策不再必须有人参与。
Hugging Face Blog精选AI 评分6262 Ai2 开源科学报告生成模型 AstaBrief 8B
Ai2 开源 AstaBrief 8B，一个把研究问题和检索到的文献片段转成带引用报告的模型，基于 Qwen3-8B 训练，已在 Asta 的 Generate a report 功能中作为 Fast mode 上线，与 Claude 驱动的 Thinking mode 并列。
推荐理由：原文给出了从 Qwen3-8B 出发的 SFT 与 DPO 数据构造细节，以及引用密度过滤带来增益的对比经验。
BestBlogs.dev精选AI 评分8282 谷歌发布 Gemini 4 系列首款旗舰模型 Argon
谷歌于 9 月 30 日发布 Gemini 4 系列首款旗舰模型 Argon，在软件工程、金融研究、法律研究及企业自动化等领域评测中表现领先。Argon 支持最高 100 万单次词元输出，高于此前的 6.4 万，缓存输入价格较前版本降低 95%，并能自主发现、验证并修复软件漏洞，目前已向部分合作方开放。随着 Argon 落地，谷歌取消了原定于 6 月发布的 Gemini 3.5 Pro 迭代计划。
推荐理由：谷歌 Gemini 4 系列首款旗舰模型 Argon 的能力与定价变化，以及随之取消的 Gemini 3.5 Pro 迭代计划。
BestBlogs.devAI 评分6262 微软发布三款语音 AI 模型，MAI-Transcribe-2-Streaming 登顶实时转录测评
微软发布三款自研语音 AI 模型：实时转录模型 MAI-Transcribe-2-Streaming，以及文本转语音模型 MAI-Voice-2.1 和低延迟版 MAI-Voice-2.1-Flash。
BestBlogs.dev精选AI 评分8080 谷歌发布 Gemini 4 Argon：多项基准登顶，首批仅限审核团队
谷歌发布新一代旗舰模型 Gemini 4 Argon，在 DeepSWE v1.1（77.9%）、CWE-bench v1（68%）、Vals Index（68.90%）和 Text Arena（1525 分）等评测中领跑，但在 Code Arena 仅排第八。
推荐理由：汇总了 Gemini 4 Argon 的多项基准成绩、定价与首批开放范围，并附上内部员工对跑分与实际编程表现的争议。
Latent Space精选AI 评分8282 Google DeepMind 发布 Gemini 4 Argon，支持 1M 输出 token
Google DeepMind 发布 Gemini 4 Argon，面向编码、企业知识工作和网络防御，先在 Fairwind 计划的政府用户与可信网络防御者中开放，后续再向开发者、企业和消费者开放。
推荐理由：汇总 Gemini 4 Argon 的基准、定价与第三方评测分歧，可对照其与 Astra、Opus 5.5 的能力与成本差异。
Ars Technica · AIAI 评分3232 Google 发布 Gemini 4 Argon AI 模型，但暂不可用
Google 宣布推出 Gemini 4 Argon AI 模型，但目前用户尚无法使用。此前外界预期的 Gemini 3.5 Pro 并未出现。
Google DeepMind精选AI 评分8080 Google DeepMind 发布 Gemini 4 Argon 前沿模型
Google DeepMind 发布新前沿模型 Gemini 4 Argon，先通过 Fairwind Program 向受信任的网络安全防御方开放，随后逐步扩展至开发者、企业和消费者。
推荐理由：官方给出 Argon 在编码、企业知识与网络安全防御上的基准表现和分阶段开放路径，可据此判断前沿模型的能力边界与落地节奏。
Google DeepMind精选AI 评分7171 Google DeepMind 推出 SynthID Bio，为 AI 生成蛋白质嵌入可验证水印
Google DeepMind 推出 SynthID Bio，将水印技术用于合成生物学，把不可感知的签名直接嵌入生物代码，使水印在数字模型和合成出的实体蛋白质上都能被验证，同时实验室测试显示其不损害蛋白质的生物功能。
推荐理由：Google DeepMind 把水印从数字内容延伸到合成生物，读者可了解其技术路径与生物安全筛查的衔接方式。
Simon WillisonAI 评分2020 GPT 6.1 Sol：以五分之一价格实现接近 Astra 的智能水平
Simon Willison 于 9 月 29 日发文点评 GPT 6.1 Sol，称其以五分之一的价格提供接近 Astra 的智能水平。
Hugging Face Blog精选AI 评分7171 NVIDIA 发布 Kumo Tabular 表格基础模型，登顶四个基准
NVIDIA 发布开源表格基础模型 Kumo Tabular，属于 NVIDIA Kumo Structured 模型集合，已在 Hugging Face 上线，可在单次前向传播中完成分类与回归预测，无需训练、调参和特征工程。
推荐理由：原文给出模型规模、训练数据来源与四个基准排名，读者可据此判断表格基础模型的准确率与效率取舍。
Microsoft Research精选AI 评分6262 微软研究院发布 Quine：面向生物学复杂性的 AI 研究系统
微软研究院发布 Quine，一个面向生物学复杂性的 AI 研究系统，由生物世界模型和连接模型、科学工具、文献与实验人员的交互式 harness 两部分组成。该系统与 Broad Institute 合作用于胰腺导管腺癌研究，预测并排序数千种化合物以推动肿瘤细胞状态转变，最高排名化合物在湿实验中产生了最大的预期转变，整个筛选到候选验证过程仅用一个周末。
推荐理由：微软研究院公开 Quine 的多模态生物世界模型与实验闭环设计，并给出胰腺癌化合物筛选的湿实验验证结果。
Simon Willison精选AI 评分8080 Anthropic 发布 Claude Sonnet 5.5
Anthropic 发布新 Sonnet 模型 Claude Sonnet 5.5，官方称其运行速度快 30% 以上、多数工作成本最多降低 30%，定价与 Sonnet 5 相同但在各项基准上均优于 Sonnet 5。
推荐理由：作者实测了 Sonnet 5.5 的编码与思考预算表现，并对比了它与 Opus 5.5、ChatGPT 免费层的差异。
Hugging Face Blog精选AI 评分7171 H 公司发布 Holo4 系列智能体模型，含 27B 稠密与 35B-A3B MoE 两个版本
H 公司发布 Holo4 系列智能体模型，包含 27B 稠密版和 35B-A3B MoE 版，两者已在 H Models API 上线，权重以 BF16、FP8、NVFP4 和 4-bit GGUF 格式开源在 Hugging Face。
推荐理由：Holo4 同时给出两种尺寸、多接口能力与 OSWorld 2.0 分数，可对照前沿闭源模型看成本与参数差距。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 Gemini 3.8 Live with Live Avatar
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，在 Gemini 3.8 Live 的原生实时对话模型上加入近实时视频生成，实现带口型同步、自然表情和流畅轮次的视觉化对话。
推荐理由：官方给出 Live Avatar 的实时音视频对话能力、97 种语言切换与企业定制入口，可据此判断多模态智能体的落地形态。
Hugging Face BlogAI 评分4040 Liquid AI 发布 LFM2.5-VL-DSpark 草稿模型，为 LFM2.5-VL-3B 加速视觉语言推理
Liquid AI 发布实验性 DSpark 草稿模型 LFM2.5-VL-DSpark，为视觉语言模型 LFM2.5-VL-3B 加入投机解码路径，解码最高提速 3.13x（端侧）和 2.66x（H100），端到端最高提升 2.62x 和 2.27x。该草稿模型约 280M 参数，仅使部署模型参数量增加 8.9%，并首日支持 llama.cpp、MLX-VLM 和 SGLang。
Google DeepMind精选AI 评分7676 Google DeepMind 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS
Google DeepMind 推出 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款语音生成模型，前者面向角色设计与逐行表演控制，后者面向高并发、低成本的配音与语音智能体场景。
推荐理由：两款 TTS 模型给出语音克隆、逐行表演控制与多语言覆盖的具体能力，可据此判断语音生成工作流的变化。
Simon WillisonAI 评分6666 TypeSafe AI 发布 Jev，推出只输出概率决策的 System One 模型
TypeSafe AI 发布 Jev，这是其称为 System One 模型的新类别，输入文本后不返回文本，而是返回对应类别、是/否问题、评分的浮点数及置信度。
Google DeepMind精选AI 评分8282 Google DeepMind 发布 Gemini 3.8 Live 与 3.8 Live Extended Thinking
Google DeepMind 发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 两款实时语音对话模型，前者面向规模化与成本效率，后者面向高复杂度任务与多步推理。
推荐理由：两款语音对话模型同时发布，给出语音智能体在实时推理与工具调用上的能力边界和开放入口。
Google DeepMind精选AI 评分7676 Google DeepMind 发布 WeatherNext 3 全球天气 AI 模型
Google DeepMind 与 Google Research 发布 WeatherNext 3，称其为目前最先进、最准确的全球天气模型，直接学习实时卫星观测数据，可每小时生成一次预报。
推荐理由：原文给出分辨率、更新频率与降水精度提升幅度，读者可据此判断 AI 天气预报在 Google 产品中的实际可用程度。
Hugging Face BlogAI 评分4242 Hugging Face 发布 NeoMME：260M 与 800M 多语言多模态编码器
Hugging Face 推出 NeoMME 系列多语言多模态编码器，含 260M 和 800M 两个规模，用单个双向 Transformer 同时处理文本 token 与 32×32 图像 patch，无需独立视觉塔或因果语言模型。
Google ResearchAI 评分5050 Google 发布 TimesFM-3：面向多变量预测的零样本基础模型
Google 推出 TimesFM-3，一款原生预训练支持多变量预测的时间序列基础模型，参数量 3.3 亿，在超 1 万亿时间点的真实与合成语料上预训练。它单次前向传播即可联合预测多条共演化序列，支持多目标、历史协变量和已知未来协变量，并输出 10 至 90 分位共 9 个分位数。
Microsoft ResearchAI 评分3737 微软发布 GigaPath-Flash 与 GigaTIME-Flash：高效病理基础模型迈向人群级发现
微软研究院推出 GigaPath-Flash 和 GigaTIME-Flash，以蒸馏自十亿参数 GigaPath 编码器的 22M 参数 ViT-S 骨干替代原模型，在 PANDA 前列腺分级和 EBRAINS 脑肿瘤分型基准上以约 50 倍更少算力达到原 GigaPath 3% 以内的性能。
Hugging Face Blog精选AI 评分6262 IBM 发布 Granite 4.2 推理模型家族，含 3B、8B、30B 三个规模
IBM Granite 团队发布 Granite 4.2，这是其首个稠密、decoder-only 的推理模型家族，包含 3B、8B、30B 三个规模，基于 Granite-4.1 基座后训练而来，全部采用 Apache 2.0 许可。
推荐理由：Granite 4.2 公开了从预训练到多阶段 RL 的完整构建流程，可对照其数据配比与奖励设计理解推理模型的训练取舍。
Hugging Face Blog精选AI 评分6262 Liquid AI 发布 LFM2.5-DSpark 草稿模型，推理最高提速 3.2 倍
Liquid AI 为 LFM2.5-1.2B-Instruct、LFM2.5-2.6B 和 LFM2.5-8B-A1B 发布 DSpark 草稿模型检查点，通过投机解码在不改变输出质量的前提下提升吞吐，GPU 上最高 3.18 倍、端侧最高 2.87 倍。
推荐理由：Liquid AI 给出三个 LFM2.5 模型的 DSpark 草稿模型与 H100、MacBook 实测吞吐数据，可据此判断投机解码在端侧与 GPU 上的实际收益。
Hugging Face BlogAI 评分3838 OlmoEarth Studio 推出自定义嵌入向量导出功能
Hugging Face 的 OlmoEarth Studio 现已支持计算并导出嵌入向量，用户可通过 UI 或 API 选择区域、时段、编码器变体（Nano 128 维 1.4M 参数、Tiny 192 维 6.2M 参数、Base 768 维 89M 参数）、分辨率及影像源，输出 int8 格式的 Cloud-Optimized GeoTIFF。
Hugging Face Blog精选AI 评分6262 NVIDIA 发布 Magpie TTS 多语言开源权重模型，新增阿拉伯语、韩语和巴西葡萄牙语
NVIDIA 发布 Magpie TTS Multilingual，一个 364M 参数的开源权重语音合成模型，支持 12 种语言，新增现代标准阿拉伯语、韩语和巴西葡萄牙语，并通过更新训练数据提升了多种既有语言的质量。
推荐理由：原文给出 364M 开源权重模型的多语言覆盖与 TTFA 实测数据，可据此判断自建语音链路的延迟与部署方式。
Hugging Face Blog精选AI 评分8282 Meta 发布开源多模态模型 Muse Glimmer 30B，面向本地智能体场景
Meta 发布 Muse Glimmer，一个从 Muse 蒸馏到 30B 参数的多模态模型，采用 Apache 2.0 许可，面向本地智能体场景，可用于编码、文档分析和个人助手等隐私敏感应用。
推荐理由：Meta 开源 30B 多模态模型并给出本地智能体场景的基准对比，可据此判断本地部署的可行性。
Google DeepMindAI 评分5858 Google DeepMind 在 Google Flow Music 发布 Lyria 3.5 音乐生成模型
Google DeepMind 发布新一代音乐生成模型 Lyria 3.5，并在 Google Flow Music 中上线。官方称其在音乐性、歌词、人声和创作控制四方面均有提升，包括更丰富自然的旋律结构、提示词遵循与结构感知更好的歌词、更具情感表达和发音更准确的人声，以及更易控制输出节奏与时长。
Hugging Face BlogAI 评分5151 NVIDIA 发布 Cosmos-H-Dreams 实时手术机器人生成式模拟器
NVIDIA 发布 Cosmos-H-Dreams，一个面向手术机器人的实时、动作条件生成式模拟器，将 Cosmos-H-Surgical-Simulator 蒸馏为因果少步学生模型，并通过 FlashDreams 推理库提供服务。
Hugging Face BlogAI 评分2222 DharmaOCR 在巴西葡萄牙语 OCR 基准上超越 Mistral OCR4 与 Unlimited-OCR
DharmaOCR 在葡萄牙语专用基准上取得 0.925 分，高于 Mistral OCR4 的 0.798 和 Unlimited-OCR 的 0.7587。该模型通过葡萄牙语监督微调加 DPO 两阶段训练，将全部参数集中于巴西葡萄牙语，从而在提取质量与稳定性上保持优势。
Hugging Face Blog精选AI 评分8888 Thinking Machines 在 Hugging Face 发布 Inkling 多模态大模型及 Inkling-Small
Thinking Machines 在 Hugging Face 发布 Inkling，一个约 1T 参数、支持 1M 上下文、原生接收图像文本音频输入的开源多模态 MoE 模型，同时发布 276B 总参数 12B 激活参数的 Inkling-Small。
推荐理由：原文给出 Inkling 的架构细节、部署配置与多模态评测数据，可据此判断开源大模型在长上下文与多模态推理上的进展。
Google Research精选AI 评分7272 Google 发布表格数据零样本基础模型 TabFM
Google 发布面向表格数据分类与回归的基础模型 TabFM，将表格预测建模为上下文学习问题，无需手动训练、超参数调优和特征工程，单次前向传播即可对未见过的表格生成预测。
推荐理由：Google 把零样本思路搬到表格数据，读者可了解其架构设计与在 TabArena 上的对比表现。
Google Research精选AI 评分6262 Google 用冻结多 Token 预测加速 Pixel 上的 Gemini Nano 模型
Google Research 提出一种新架构，把多 Token 预测（MTP）头接到已冻结的 Gemini Nano v3 模型上，在 Pixel 9 和 10 系列上实现开箱即用的加速。
推荐理由：Google 把 MTP 头接到冻结的 Gemini Nano v3 上，读者可了解端侧推测解码如何在内存受限下提速。
Hugging Face BlogAI 评分5858 PP-OCRv6 上线 Hugging Face：1.5M 到 34.5M 参数、支持 50 种语言
PaddleOCR 发布新一代通用 OCR 模型家族 PP-OCRv6，已在 Hugging Face 上线，提供 tiny、small、medium 三档，参数量从 1.5M 到 34.5M。
Hugging Face BlogAI 评分3838 OlmoEarth v1.1 发布：更高效的地球观测模型系列
Hugging Face 发布 OlmoEarth v1.1，一个将计算成本最多降低 3 倍、同时保持 v1 性能的地球观测模型系列。该系列通过将 Sentinel-2 各分辨率合并为单一 token 缩短序列长度，并修改预训练方案以避免性能下降，提供 Base、Tiny、Nano 三种规模权重及训练代码。
Hugging Face BlogAI 评分4141 Hugging Face 发布 Ettin Reranker 系列：六款 CrossEncoder 重排序模型
Hugging Face 发布 Ettin Reranker 系列六款 Sentence Transformers CrossEncoder 重排序模型，参数规模覆盖 17m、32m、68m、150m、400m 到 1b，均基于 Ettin ModernBERT 编码器构建。
Hugging Face BlogAI 评分3838 Granite Embedding Multilingual R2 发布：Apache 2.0 多语言嵌入模型，32K 上下文，Sub-100M 检索质量最佳
Hugging Face 发布两款基于 ModernBERT 的 Apache 2.0 多语言嵌入模型 granite-embedding-97m-multilingual-r2 和 granite-embedding-311m-multilingual-r2。