Cursor 發佈編碼智能體模型 Composer 2.5,與 SpaceXAI 合作將訓練計算量增至前代 10 倍
Anysphere 於 2026 年 5 月 18 日推出面向編碼智能體的 AI 模型 Composer 2.5,並針對 Cursor 內的工具使用、檔案編輯及終端操作作出調整。
Anysphere 於 2026 年 5 月 18 日推出面向編碼智能體的 AI 模型 Composer 2.5,並針對 Cursor 內的工具使用、檔案編輯及終端操作作出調整。
Hugging Face 發佈六款基於 Ettin ModernBERT encoder 的 Sentence Transformers CrossEncoder reranker,參數規模由 17.6M 至 1.00B,並公開訓練數據及完整訓練方案。
推薦理由:文章以 MTEB(eng, v2) Retrieval、NanoBEIR 及多種硬件吞吐測試比較六種尺寸,呈現 Ettin Reranker 在排序品質與速度間的取捨。
Gemini API 發佈 gemini-3.5-flash 正式版,並公開預覽 Managed Agents,供開發者在 Google 託管的安全隔離 Linux 沙盒中建立及部署自主、有狀態的智能體。
Google DeepMind 推出 Gemini Omni 系列首個模型 Gemini Omni Flash,可結合圖像、影片、文字及語音參考生成影片,並支援透過對話編輯。
推薦理由:材料把 Gemini Omni Flash 的多模態輸入、對話式影片編輯和分階段上線平台放在一起,便於理解新模型如何連接生成能力與實際使用入口。
Google DeepMind 發佈 Gemini 3.5 模型系列,首款 Gemini 3.5 Flash 即日起透過 Gemini app 和 Google Search 的 AI Mode 向全球用户開放。
推薦理由:Gemini 3.5 Flash 列出代理任務、編碼及多模態基準成績,並比較每秒輸出 tokens 的速度,讓性能主張有多項指標可供對照。
IBM Granite 發佈兩款採 Apache 2.0 授權的多語嵌入模型:97M 參數的 granite-embedding-97m-multilingual-r2 和 311M 參數的 granite-embedding-311m-multilingual-r2。
推薦理由:文章提供 97M 與 311M 版本在多語檢索、長文及程式碼基準的比較,並交代 Matryoshka 維度選項對儲存與部署取捨的影響。
百度正式發佈 ERNIE 5.1,稱其在維持旗艦級智能的同時,總參數約為 ERNIE 5.0 的三分之一、活躍參數約為二分之一。其預訓練計算成本約為同規模可比模型的 6%。在 Arena Search 排行榜上,ERNIE 5.1 於 5 月 9 日得分 1,223,全球排名第 4、在中國模型中排名第 1。
OpenAI 在 API 推出新的即時語音模型,可對語音進行推理、翻譯和轉錄。這些模型旨在支援更自然、智能的語音體驗。
Google 發佈 Gemini 3.1 Flash-Lite 的 GA 版本,該模型針對速度、規模化及成本效益作出最佳化。gemini-3.1-flash-lite-preview 將於 2026 年 5 月 11 日棄用,並於 2026 年 5 月 25 日關閉。
OpenAI 將 GPT-5.5 Instant 設為 ChatGPT 預設模型,並稱其回答更聰明、更準確,模型幻覺也有所減少。更新亦改善個人化控制。
推薦理由:更新既涉及回答表現,也涵蓋個人化控制,讀者可從兩個層面瞭解 GPT-5.5 Instant 成為 ChatGPT 預設模型後的變化。
Ling-2.6-1T 正式開源,定位為面向複雜任務的萬億級綜合旗艦模型。
gemini-robotics-er-1.5-preview 已停用,請改用 gemini-robotics-er-1.6-preview。
Granite Team(IBM)詳述 Granite 4.1 的 3B、8B 和 30B 模型構建流程,涵蓋預訓練、監督式微調和多階段強化學習。預訓練以約 15T tokens 分五階段進行,並將上下文窗口擴至最高 512K tokens;其後以約 4.1M 經整理樣本作微調,採用 on-policy GRPO 配合 DAPO loss 進行強化學習。
推薦理由:文章梳理 Granite 4.1 從約 15T tokens 預訓練、約 4.1M 樣本微調到多階段強化學習的流程,呈現 dense 模型的訓練設計取捨。
NVIDIA 發佈 Nemotron 3 Nano Omni,這款長上下文多模態模型面向文件分析、音訊與影片理解、智能體電腦操作及通用推理。
推薦理由:文章並列 Nemotron 3 Nano Omni、Nemotron Nano V2 VL 與 Qwen3-Omni 的多項基準結果,另列系統效率數據,提供文件、影音和 GUI 任務的比較依據。
DeepSeek於2026年4月24日發布DeepSeek-V4系列預覽版,開放網頁及API使用,並公開開放權重。兩款模型均支援1M上下文窗口:DeepSeek-V4-Pro總參數為1.6T、活躍參數49B;DeepSeek-V4-Flash則為284B及13B。
推薦理由:兩款模型同具1M上下文窗口,但在參數規模、推理表現與回應速度上定位不同,可看出 DeepSeek-V4 系列的型號取捨。
OpenAI 於 2026年4月23日發佈 GPT-5.5,提升模型在智能體編碼、電腦操作、知識工作和科學研究方面的能力。
推薦理由:文章並列 GPT-5.5 的基準測試表現、與 GPT-5.4 相同的 token 延遲,以及完成相同 Codex 任務所需 token 較少的情況,呈現能力和效率的對照。
深度求索(DeepSeek)發佈 DeepSeek-V4,Pro、Flash 系列各有 instruct 與 base 版本,四款 checkpoint 均支援 1M-token 上下文。
推薦理由:文章把 KV cache 成本、混合注意力設計與智能體工作流串連起來,並以基準數據呈現長上下文能力在工具任務中的表現。
DeepSeek API 現已支援 V4-Pro 和 V4-Flash。兩款模型可透過 OpenAI ChatCompletions 介面及 Anthropic 介面使用,base_url 維持不變,model 參數應設為 deepseek-v4-pro 或 deepseek-v4-flash。
OpenAI 介紹 GPT-5.5,這是一款面向跨工具複雜任務的模型,涵蓋編碼、研究與數據分析。
OpenAI 於 2026 年 4 月 21 日發佈圖像生成模型,ChatGPT 版本名為「ChatGPT Images 2.0」,開發者 API 版本名為「GPT Image 2」。
推薦理由:內容同時列出非拉丁文字及複雜版面的提升,並交代物理世界一致性與精確圖表仍是限制,呈現其能力範圍。
OpenAI 發佈 Privacy Filter,一款用於在文本中偵測及遮蔽個人身份識別資訊(PII)的開放權重模型。OpenAI 稱這款模型具備 state-of-the-art accuracy。公告網址為 https://openai.com/index/introducing-openai-privacy-filter。
Gemini API 將 gemini-embedding-2 正式開放使用(GA)。更多資訊可參閲 Embeddings 頁面。
Moonshot AI 於 2026年4月21日發佈開源原生多模態智能體模型 Kimi K2.6,文章稱其在 Kimi Code Bench 的長期編碼任務中較 Kimi K2.5 大幅改善。
推薦理由:Kimi K2.6 同時更新長時間編碼與 Agent Swarm 規模;相較 Kimi K2.5 的 100 個子代理、1,500 步,新版的 300 個子代理、4,000 步呈現長流程協作的升級重點。
Moonshot AI 開源 Kimi K2.6,主打編碼、長程執行及智能體羣組(Agent Swarm)能力。模型現可透過 Kimi.com、Kimi App、API 及 Kimi Code 使用;Agent Swarm 可協調 300 個子智能體,在 4,000 個步驟中同時執行,較 K2.5 的 100 個子智能體及 1,500 個步驟有所擴展。
Google 於 2026 年 4 月 15 日推出文字轉語音模型 Gemini 3.1 Flash TTS,提升生成音訊的品質與表現力,並加強語音控制能力。模型提供 30 種語音選項,支援 70 多種語言;新加入的 Audio Tags 可透過文字指令設定語音風格、説話方式及節奏。
OpenAI 推出 GPT-Rosalind,這是一款旨在加速藥物發現、基因組分析、蛋白質推理及科學研究工作流程的前沿推理模型。
Google DeepMind 發佈 Gemini 3.1 Flash TTS,提升文字轉語音的可控性、表現力與品質,並加入音訊標籤細調語音表現。模型支援 70+ 種語言及原生多説話者對話,在 Artificial Analysis TTS leaderboard 的 Elo 分數為 1,211。
推薦理由:文章聚焦音訊標籤如何細調語氣、節奏與表達,並列出 Gemini 3.1 Flash TTS 面向開發者、企業及 Workspace 用户的推出渠道。
OpenAI 擴展 Trusted Access for Cyber,新增級別,讓通過額外認證的部分用戶可在較高級別申請使用 GPT-5.4-Cyber。該模型是為網絡安全用途微調的 GPT-5.4 版本,放寬正當防禦工作的拒答標準,支援包括無需原始碼的二進制逆向工程在內的進階防禦流程。
Gemini API 推出 Gemini 3.1 Flash TTS Preview,這是一款具成本效益、富表現力且可操控的文字轉語音模型。相關文字轉語音文件可供查閲。
OpenAI 擴大 Trusted Access for Cyber 計劃,向經審核的防禦者引入 GPT-5.4-Cyber。OpenAI 同時在 AI 網絡安全能力持續進展之際加強防護措施。
Gemini API 發佈 gemini-robotics-er-1.6-preview,新增儀器讀數能力,並改善空間及物理推理能力。gemini-robotics-er-1.5-preview 將於 2026 年 4 月 30 日 9AM PST 停用。
Google DeepMind 發佈 Gemini Robotics-ER 1.6,提升機械人的空間與多視角推理能力,並新增儀表讀數能力。模型在指點、計數、任務成功檢測等方面較 Gemini Robotics-ER 1.5 和 Gemini 3.0 Flash 有所提升,並透過 Gemini API 和 Google AI Studio 向開發者提供。
美團 LongCat 開源 LongCat-Next 及其 tokenizers;這是一個以單一自回歸目標處理文字、視覺及音訊的原生多模態模型。模型以 LongCat-Flash-Lite MoE(A3B)為骨幹,透過 DiNA 將多種模態納入共享 token 空間。技術報告稱,模型在 28× 壓縮率下仍保持強生成品質,並具備進階語音理解、低延遲語音對話和可自訂聲線複製能力。
Meta 於 2026 年 4 月 8 日發佈 Muse Spark,這是 Muse 家族首個原生多模態推理模型,支援工具使用、視覺鏈式推理及多智能體協作。
Overworld 推出 Waypoint-1.5 即時影片世界模型,提升視覺保真度並擴大可本地運行的硬件範圍。桌面硬件 RTX 3090 至 5090 可生成最高 720p、60 FPS 的即時環境;另有面向更廣泛消費級硬件(包括遊戲筆電)的 360p 版本,Apple Silicon Mac 支援即將推出。
推薦理由:Waypoint-1.5 分設 720p 與 360p 檔位,並列明 RTX 3090 至 5090 可達最高 720p、60 FPS,呈現其畫質與本地硬件覆蓋方案。
FireRedTeam 發佈 FireRed-Image-Edit-1.1,基於 FireRed-Image-Edit-1.0,優化人像一致性、多元素融合、風格化文字參照及人像妝效。內置 Agent 可自動處理超過 3 張輸入圖片的區域偵測、裁切拼接及提示詞改寫。項目提供的加速推理配置標示使用 30GB VRAM,生成約 4.5s/sample。
美團 LongCat 發佈 LongCat-AudioDiT,這款非自回歸擴散式文字轉語音模型直接在波形潛在空間運作,提供 1B 和 3.5B 版本。作者報告,3.5B 版本在 Seed-ZH 和 Seed-Hard 的 SIM 分數分別為 0.818 和 0.797,較文中所述先前 Seed-TTS 的 0.809 和 0.776 高。
美團 LongCat 發佈 LongCat-AudioDiT-3.5B,這款非自回歸擴散式文字轉語音模型直接在波形潛在空間運作。在 Seed 基準上,LongCat-AudioDiT-3.5B 的 Seed-ZH 與 Seed-Hard 説話人相似度(SIM)分別為 0.818 和 0.797。
NII公開 LLM-jp-4 8B 和 LLM-jp-4 32B-A3B,兩款模型以約12兆 tokens 語料訓練,並採用開源授權。兩者分別採用 Llama 2 架構和 Qwen3 MoE 架構,並以英語及日語的22種指令微調數據進行調校。
Google 於 2026年4月2日以 Apache 2.0 授權發布 Gemma 4 開放模型,提供 E2B、E4B、26B MoE 和 31B Dense 四種規模。
推薦理由:Gemma 4 提供四種規模,並以較小版本支援離線多模態處理、較大版本支援長上下文推理,呈現本地部署在不同硬件場景的配置方式。