跳到正文
9月8日週二
  1. FireRedTeam:原創語音與多模態項目65

    FireRedTeam 發佈 FireRedAudio 通用音訊語言模型及 PyTorch 程式碼

    FireRedTeam 發佈 FireRedAudio,一款以共用 9B 參數 LLM 為基礎、涵蓋音訊理解與語音生成的音訊語言模型。Audio Encoder 負責理解、RedAE pathway 負責生成;模型支援 ASR、音訊理解、零樣本及指令式 TTS、語音編輯,並可處理最長一小時的錄音。除 ASR 外,其他功能只支援中文和英文。

9月6日週日
  1. OpenMOSS / 復旦NLP / 上海創智 / MOSI59

    OpenMOSS 發佈 0.1B 參數多語言語音生成模型 MOSS-TTS-Nano

    OpenMOSS 團隊與 MOSI.AI 發佈開源語音生成模型 MOSS-TTS-Nano,參數量為 0.1B,支援 20 種語言。模型提供聲音複製和串流生成,並採用 Audio Tokenizer + LLM 純自回歸架構。ONNX CPU 版本在團隊測試中處理效率接近原版的 2 倍,並可在 MacBook Air M4 單核流暢運行。

  2. OpenMOSS / 復旦NLP / 上海創智 / MOSI59

    OpenMOSS 團隊開源發佈 MOSS-Audio 4 款音訊理解模型

    OpenMOSS 團隊開源 MOSS-Audio,推出 4B、8B 的 Instruct 和 Thinking 版本。模型支援語音、環境音及音樂理解、音訊描述、時間感知問答與複雜推理,並採用跨層特徵注入和時間標記設計。在 MMAU、MMAU-Pro、MMAR 和 MMSU 四項通用音訊理解基準中,MOSS-Audio-8B-Thinking 的平均準確率為 71.08。

9月4日週五
9月3日週四
  1. Google DeepMind75

    Google DeepMind 與 Google Research 發佈 WeatherNext 3 全球天氣 AI 模型

    Google DeepMind 與 Google Research 發佈 WeatherNext 3,利用即時地球同步衞星資料逐小時生成全球天氣預報,部分地表變數解析度達 5 公里。

    推薦理由:WeatherNext 3 以即時衞星觀測支援逐小時全球預報,並為部分變數提供 5 公里解析度;文中列出降水預測相對 IMERG、MRMS 等基線的 CRPS 改善幅度。

  2. Runway:News(網頁)71

    Runway 介紹 GWM Worlds 2 即時互動環境生成模型

    Runway 介紹 GWM Worlds 2,一款將高保真影片及音訊生成轉化為即時互動模擬的自回歸擴散模型。模型採用 WorldPrompt 描述持續場景上下文、帶時間戳的文字動作及逐影格鏡頭輸入,可生成 720p、24 fps 影片和 48,000 Hz 音訊,亦可作為智能體評估及訓練的模擬環境。目前仍屬研究預覽,即時生成在保真度與速度之間有所取捨,快速鏡頭旋轉可能令細節、紋理和幾何退化。

  3. OpenAI News74

    GPT-6 Astra 安全概覽:網絡安全能力達 Preparedness Framework 的 Critical 級別

    OpenAI 的 GPT-6 Astra 安全概覽指出,該模型是其目前廣泛部署中能力最強的模型。它也是首個在 Preparedness Framework 下達到網絡安全能力 Critical 級別的模型。

    推薦理由:這段安全概覽同時交代 GPT-6 Astra 的部署定位與網絡安全能力級別,可供讀者把模型能力描述放回 Preparedness Framework 的評估框架理解。

  4. Google DeepMind76

    Google DeepMind 發佈 Gemini 3.8 Flash 和 Gemini 3.8 Flash Cyber

    Google DeepMind 發佈 Gemini 3.8 Flash 與 Gemini 3.8 Flash Cyber,並稱 Gemini 3.8 Flash 是其迄今推理與編碼能力最強的模型,速度和成本與 3.7 Flash 相同。

    推薦理由:兩款模型共享基礎智能,普通版面向長程編碼與智能體任務,Cyber 版則限可信防守者使用,提供漏洞發現與修補能力。

9月2日週三
9月1日週二
  1. Runway:News(網頁)67

    Runway 介紹 Solaris,首個即時生成互動介面的 Interface World Model

    Runway 介紹 Solaris,這是其首個 Interface World Model,以逐幀即時生成介面,並根據用戶操作持續回應。與 Claude Opus 5 生成的程式化介面比較時,250 名參與者評估了 30 個互動案例;指令遵循方面,Solaris 獲 61% 偏好、程式化結果獲 24%、兩者相若佔 13%;場景自然度方面則分別為 71%、21% 和 6%。

  2. Google Research51

    Google Research 發佈 TimesFM-3 零樣本多變量時間序列預測基礎模型

    Google Research 發佈 TimesFM-3,一款原生支援多變量零樣本預測的時間序列基礎模型,可在單次前向傳播中預測多條相關序列。它有 330 million parameters,使用超過 1 trillion time points 的真實及合成時間序列資料預訓練,並能結合多個目標、歷史協變量和已知未來協變量,無需任務專用微調。

8月28日週五
8月27日週四
  1. Google DeepMind69

    Google DeepMind 發佈 Gemini 3.5 Transcribe 語音轉文字模型

    Google DeepMind 發佈 Gemini 3.5 Transcribe,這是一款面向智能語音互動的語音轉文字模型。它可透過 Live API 以低於一秒的延遲進行即時串流,亦可經 Interactions API 處理預錄音訊,提供説話者歸屬及逐字時間戳。

    推薦理由:材料同時提供串流與非串流 WER,以及相較 Chirp 3 的最終轉錄時間改善幅度,讓準確度與延遲兩項表現有具體數據可供對照。

8月26日週三
8月25日週二
  1. Comfy Blog71

    Wan 3.0 登陸 ComfyUI,支援最長 30 秒影片生成及多素材參考控制

    Wan 3.0 已在 ComfyUI 上線,支援單次生成最長 30 秒影片,並可使用最多 10 張圖像、5 段影片及 5 段音訊作為參考素材。模型接受最多 20,000 字元提示詞,可解析文件及網頁,亦可按指令編輯或延長既有影片。輸出支援 480p、720p、1080p,片長為 2 至 30 秒;可更新 ComfyUI 至 v0.33.4,或透過 Comfy Cloud 使用。

8月21日週五
8月15日週六
8月14日週五
8月13日週四
  1. Gemini API:更新日誌64

    Google Gemini 3.7 Flash 正式開放使用

    Google 宣佈 Gemini 3.7 Flash 正式開放使用(GA),並將其定位為面向編碼和智能體工作流程的主力模型。Google 表示,該模型在軟件工程、網頁開發及智能體工作流程方面均有顯著改進。推出初期價格安排有效至 2026 年 12 月 31 日。

8月12日週三
8月11日週二
  1. gihyo.jp78

    Meta 發佈面向本地 AI 智能體的 30B 開放權重模型 Muse Glimmer

    Meta 於 2026年8月10日發佈開放權重模型 Muse Glimmer,面向可在本地持續運行的 AI 智能體,規模約 30B 參數。模型以 Apache License 2.0 公開,提供約 4-bit 量化版本;Meta 稱模型可在 24GB 或 32GB 記憶體環境運行,並支援多階段推理、工具呼叫及長時間任務。

    推薦理由:文章比較 Muse Glimmer 與 Gemma4-31B、Qwen3.6-27B 的基準表現,並説明 24GB、32GB 記憶體環境的量化配置,呈現本地部署條件與任務表現。