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。
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。
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。
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。
OpenAI 發佈 GPT-6 Astra,稱其在 PC 操作評測中勝過 GPT-5.6 Sol,並首次在其 Preparedness Framework 中達到網絡安全「重大」水準。
推薦理由:文章以 GPT-5.6 Sol 作對照,列出 PC 操作及多項工作評測結果,並交代網絡安全能力對應的部署限制。
Midjourney Alpha 加入 v8.2 編輯模型,並在 lightbox 內置新編輯器。用戶可在 lightbox 開啟圖片,以文字指令編輯、附加最多 4 張參考圖片,並集中查看同一工作階段的所有編輯。更新亦修正多項錯誤,並開始測試 lightbox 的 Change Style 功能。
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。
NeoMME 推出 260M 和 800M 兩種規模的多語言多模態編碼器,並提供用於視覺文件檢索的 NeoMME-Retriever。模型從零開始以單一雙向 Transformer 處理文字 token 和原始圖像 patch;NeoMME-Retriever 單次前向傳播可輸出密集與 late-interaction 嵌入向量。
OpenAI 推出 GPT-6 Astra,稱其為迄今最智能、最符合對齊要求的模型。OpenAI 表示,模型在電腦操作、編碼、網絡安全及科學領域具備最先進能力。
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。
Alibaba Qwen 於 2026 年 9 月 2 日發佈 Qwen3.8-Max 的升級版快照 Qwen3.8-Max-0902,並透過 QwenCloud API 提供使用。
Google 於 2026 年 9 月 2 日發佈 Gemini 3.8 Flash 與 Gemini 3.8 Flash Cyber,前者加強軟件工程、智能體任務及多步推理,後者專注漏洞檢測與自動套用修補程式。
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。
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。
Google 的音樂生成模型 Lyria 3.5 正式進入一般可用(GA)階段,可生成完整歌曲。模型支援文字及圖片輸入,可生成高保真 44.1 kHz 立體聲音訊,並提升音樂連貫性和人聲自然度,提供細緻的時長及結構控制。
Anthropic 發佈 Claude Fable 5.1 和 Claude Mythos 5.1,兩者是同一模型,但網絡安全與生命科學領域的安全防護強度不同。
推薦理由:文章並列兩項基準分數及相對 Fable 5 的降費估算,涵蓋一般工作負載約 25% 和複雜編碼及 Agent 任務最高約 45%。
Gemini 3.8 Flash 已正式開放一般使用(GA),面向長週期軟件工程、自主智能體及複雜企業工作流程。Gemini API 稱它是其最智能的 Flash 模型,並提供模型頁面及指南供入門。
Intern Lumina U2 推理代碼已公開,Ascend 訓練權重已上架 Hugging Face;NVIDIA 權重、訓練代碼與技術報告將後續推出。模型為 16B-A1B MoE,採用基於 AToken 的 8-codebook 視覺表示,支援文字問答、文生圖、圖像編輯及圖像、影片和 3D 理解。
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%。
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。
Microsoft Research 公開 GigaPath-Flash 與 GigaTIME-Flash 兩款開放權重病理基礎模型,以降低大規模病理研究的計算成本。
Midjourney 開放所有用戶測試首個 V8.2 圖像編輯模型,支援按指令編輯圖片,以及最多同時使用 4 張參考圖生成圖片。模型亦可修改圖片指定區域、擴展畫布,並支援 personalization、moodboards 和 srefs。
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。
Google 發佈 gemini-omni-1.1-flash,將 Gemini Omni Flash 快速、對話式影片生成及編輯模型正式開放使用(GA)。新功能包括延長現有影片、以最多 2 張圖片生成轉場影片,以及支援 360p、720p(預設)、1080p 和 4k 輸出;1080p 和 4K 輸出會經升頻生成。
Gemini API 將 Gemini 3.5 Transcribe 與 Gemini 3.5 Transcribe Live 兩款專用語音轉文字模型開放一般使用。
IBM 發佈 Granite 4.2 語言模型,提供 3B、8B 和 30B 參數版本,並加入原生逐步推理與工具調用能力,面向企業智能體工作流程。模型基於 Granite 4.0 foundation models,採多階段強化學習;8B 和 30B 版本另經 agentic RL,並以 1 trillion tokens 的合成程式碼訓練,採 Apache 2.0 授權。
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。
DeepSeek 已在 DeepSeek API 平台提供實驗性多模態視覺理解模型 DeepSeek-V4-Flash-Vision-Exp,可透過 `model='deepseek-v4-flash-vision-exp'` 調用。
Z.ai於2026年8月14日發佈GLM-5.3,沿用GLM-5.2的7430億參數基礎模型,透過擴大事後訓練提升複雜編碼、長時間任務及漏洞分析能力。
Alibaba Cloud 的 Qwen 團隊公開 Qwen3.8-27B 開放權重;這款 270 億參數多模態模型可理解圖像和影片,採用 Apache License 2.0。
Google 於 2026 年 8 月 14 日發佈 Gemini 3.7 Flash,提升編碼、AI 智能體、Web 開發及專業業務流程的處理能力。
推薦理由:文章並列 Gemini 3.7 Flash 與前代的編碼基準,並交代上下文規格、API 價格和安全評估,可一併掌握能力變化與使用條件。
MiniMax 發佈 MiniMax Music 3,並將模型引入 ComfyUI;它可根據歌詞和音樂描述生成最長 5 分鐘、32 kHz、16-bit 立體聲完整歌曲。
Google DeepMind 發佈 Gemini 3.7 Flash,稱其在編碼、知識工作及網頁開發工作流上較 Gemini 3.6 Flash 有所提升。
推薦理由:文章列出 Gemini 3.7 Flash 在編碼、網頁開發和複雜文件基準上的對比數據,並交代入門價格,便於衡量效能與成本取捨。
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。
DeepSeek-V4-Pro GA 版本已在 APP、Web 和 API 上線,API 呼叫方式不變,將模型名稱設為 `deepseek-v4-pro` 即可使用最新版。
Google DeepMind 發佈 SL2T 多語言手語轉文字模型,為 Gboard 和 Live Transcribe 帶來手語轉文字功能,首階段支援 ASL 至英文。
推薦理由:SL2T 以簽署者的身體姿態座標直接翻譯成文字,原始影片會即時丟棄,呈現其輸入處理方式與私隱保護設計。
NVIDIA 發佈面向長時間運行 AI 智能體的開放模型 Nemotron 3.5 Lightning,以及按處理內容切換模型的開源程式庫 NeMo Switchyard。
ComfyUI 已提供 LTX-2.5 的 Day-0 支援,用戶可使用本地開放權重版本,或透過 Partner Nodes 使用託管模型。
Cursor 與 SpaceXAI 共同發佈 Grok 4.6,該模型基於 Grok 4.5,重點面向長時間運行的智能體及更複雜的互動和視覺工作。它在多項智能體編程和知識工作基準測試中展現前沿智能水平,並在由九項基準測試構成的 Artificial Analysis Intelligence Index 上與 GPT-5.6 Sol 持平。
Nvidia 推出開放模型 Nemotron 3.5 Lightning,並發佈 NeMo Switchyard 路由程式庫,供智能體工作流程按任務選擇模型。Nvidia 稱 Lightning 在相同智能指標下,吞吐量達同級模型的 4X,完成智能體任務的速度較其他模型快 30%。
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。