豆包 SeedRealtime 1.0 API 全量上線,支援全模態即時互動
火山引擎全量上線豆包 SeedRealtime 1.0 API 服務,模型可在連續多模態資訊流中融合聲音、畫面與時序資訊,實現「邊看、邊聽、邊説」的即時互動。與級聯模型相比,SeedRealtime 1.0 的音影片對話節奏問題減少一半,並可在察覺場景變化或任務節點時主動提醒、回應和補充。
火山引擎全量上線豆包 SeedRealtime 1.0 API 服務,模型可在連續多模態資訊流中融合聲音、畫面與時序資訊,實現「邊看、邊聽、邊説」的即時互動。與級聯模型相比,SeedRealtime 1.0 的音影片對話節奏問題減少一半,並可在察覺場景變化或任務節點時主動提醒、回應和補充。
火山引擎全面上線豆包 SeedRealtime 1.0 API,模型以端到端方式整合聲音、畫面、時序與表達,支援邊看、邊聽、邊説的即時互動。相較級聯模型,SeedRealtime 1.0 的音影片對話節奏問題減少一半,並可按畫面變化或任務節點主動提醒和回應。
騰訊於 11 月 16 日推出混元 Hy4 flash,並已開源;在 WorkIndex 評測中,其單任務成本僅為 Hy4 的 1/20。模型有 224B 參數、每 token 啟用 12B,支援 100 萬 token 上下文;API 每百萬 token 輸入 0.5 元、輸出 2 元,命中快取時為 0.02 元。
推薦理由:文章結合實測任務、WorkIndex 成本數據及模型工程優化,呈現 Hy4 flash 在日常生產力場景中的定位。
Idlewild 是一款供動畫師和遊戲製作者使用的桌面表演工作室,採用 Presage SmartSpectra SDK,將用戶的呼吸、動作及生理訊號帶入角色動畫與場景。用戶可錄製一次表演,套用至不同角色或場景,並匯出影片、程序化聲音、帶有呼吸及脈搏曲線的 GLB,以及供動畫工具使用的 CSV 曲線。攝影機須經應用程式內同意才會啟用;畫面不會儲存或上載,追蹤在裝置上進行。
PReMind 提出兩階段強化學習框架,訓練個人化視覺語言助理結合視覺危險證據與用戶記憶,作出合適回應。PReMind-Bench 評估記憶提取、視覺根據、拒答及危險應對,並測試各項能力的聯合表現。4B 版本在相互依存測試集的聯合成功率由基礎模型的 12.9% 提升至 28.6%。
WorldRuler提出基於規則圖的生成式世界模型,可在儲存及載入時保留用戶定義的規則與世界狀態,並準確呈現規則對指定物件及屬性造成的視覺變化。研究以 GTA-V 和 Habitat 建立 RuleVerse 數據集,並透過動態物件綁定、屬性狀態替換及反事實重建訓練,提升規則執行與影片生成的一致性。
Kimi-K3 是一款面向長程編程、知識工作與推理的 2.8 萬億參數模型,已上架阿里雲百煉,輸入與輸出上限均為 1,048,576 Token。它採用 KDA 混合線性注意力及注意力殘差,支援原生圖像輸入且權重開源,但只提供思考模式,不支援聯網搜尋、批量推理及模型調優。華北2(北京)/全球的輸入、輸出及快取命中價格分別為 20 元、100 元、2 元/百萬 Token,且沒有免費額度。
Game2Player 提出協同開發遊戲環境與玩家的框架,大規模收集多元且可驗證的遊戲體驗。團隊建成568款經驗證的網頁遊戲、3,436項任務,收集15.7K條軌跡(307小時遊戲時間),並保留50款遊戲作為 PlayerBench。
Jeveration 將凍結的視覺語言模型改作生成模型,讓 System One 模型以單次前向傳播生成連貫圖像,並支援圖像轉圖像及密集預測。模型生成 512x512 圖像需時 78 ms,速度最高比現有統一模型快 122x。實驗顯示,其圖像質素及密集預測效能具競爭力。
阿里雲開發者社區文章介紹 Qwen3.8-Max 的定位、能力及計費方式,稱其面向複雜長任務與智能體開發。文中列出 2.4萬億參數 MoE 架構、百萬 Token 上下文、原生文字、圖片及影片輸入,以及工具調用能力。文章亦介紹按量 API 計費,輸入及輸出分別為 12 元和 36 元/百萬 Token;個人版 Token Plan 月費為 39 至 312 元。
港大博士團隊創立的 DiffuSpace 於2026年10月連續完成兩輪融資,累計融資近5億元。公司推出總參數規模350億的擴散語言模型Clover-35B-A3B-Preview,並以端側AI作為重要商業化切入方向。團隊探索以完成大規模預訓練的自回歸模型為起點,經持續訓練轉為擴散語言模型,以減少從零訓練所需資源。
HKGAI 雪巍教授團隊聯同 Dolby Laboratories,憑空間音訊研究論文獲 ACM MM 2026 最佳論文獎,論文提出 StereoGen 空間立體聲生成系統。系統由 StereoCodec、StereoGen 及 StereoCLAP 三大組件組成,可根據文字描述生成具備空間方位及移動軌跡的立體聲音訊。
Google 發佈中階模型 Gemini 4 Neon,稱其完成大部分任務的速度約為 Gemini 4 Carbon 三倍,成本低約 60%。Google 公佈的基準測試顯示,Neon 在部分任務超越 Carbon;Artificial Analysis 的 Intelligence Index 評分為 61,排名第三。
推薦理由:文章並列 Google 自行公佈的基準測試、Artificial Analysis 的 Intelligence Index 評分及同級模型定價,呈現 Neon 的效能表現與成本定位如何相互比較。
文章提出面向工業質檢、安防與自動駕駛的雲邊協同多模態 AI 決策系統,融合視覺、文本與時序數據,輸出帶置信度的動態決策。系統由邊緣端負責即時初篩與特徵提取,雲端負責複雜推理、模型迭代及全局策略下發,並以跨模態注意力機制對齊不同模態特徵。
首屆螞蟻靈波具身大模型挑戰賽讓15支決賽隊伍使用 LingBot-VLA 2.0,在松靈 COBOT MAGIC 真機平台上進行48小時任務攻堅,TARS戰隊獲得一等獎。各隊圍繞數據補充、軌跡迴流、視覺定位和動作控制採取不同方案,EVA戰隊將真機成功率由約10%提升至約70%。賽事呈現真機操作中數據工程、設備特性和物理環境反饋的重要性,也凸顯開發者實作經驗及跨本體適配等挑戰。
Google 推出 Gemini 4 Neon 付費 API,定價較 Claude Opus 5.5 低 25%,並提供 1 百萬 tokens 上下文窗口。每百萬 tokens 輸入及輸出價格分別為 $3 和 $15,較 GPT-6.2 Sol 與 Claude Sonnet 5.5 高 50%;文章建議以每項任務成本,而非 token 單價評估是否划算。
推薦理由:文章並列 API 單價、基準成績與每項任務成本,呈現比較 Gemini 4 Neon 時,為何不能只憑 token 價格判斷是否划算。
OpenAI 首款 AI 硬件計劃於 2026 年 12 月啟動出貨,由立訊精密獨家負責整機製造並供應核心零部件。產品由 OpenAI 與 LoveFrom 合作開發,據稱採用無屏「甜甜圈」式形態並整合多模態傳感器,定價傳聞為 300–400 美元(約 2004–2672 元人民幣),尚未官宣。
阿里雲百煉上線 Qwen4-Max 預覽版,並接入 Token Plan 訂閲服務,從未購買過 Token Plan 的新帳號首購套餐可享 5 折。優惠至 11月30日,Lite 折後每月 19.5 元、含 20000 Credits,Essential 折後每月 39.5 元、含 45000 Credits。
阿里雲通義千問推出 Qwen4‑Max 預覽版,提供 100萬 Token 上下文窗口及文字、圖片、影片輸入,主打複雜編程、智能體長鏈路任務和專業辦公。預覽版只可透過 Token Plan 訂閲調用;新用戶可領取超7000萬免費 Tokens,Lite 個人方案首購 5 折後為 19.5 元/月,模型調用另有短期 2 折優惠。
Google 於 2026年11月18日推出 Gemini 4 Neon,面向開發者、企業及付費訂閲用戶,主攻複雜編程、科學研究與企業工作流程。模型支援100萬token上下文,可處理多模態數據,推理級別分為 Low 至 xhigh 四檔;API 輸入/輸出費用分別為每百萬 token 3 美元/15 美元。
Google 宣佈向 Android Go 裝置開放 Gemini 應用程式,並表示重新設計後可在記憶體低至 2GB 的手機上流暢運行。應用程式涵蓋文字問答、語音交流、相機輔助理解及圖像創作,Gemini Live 支援超過 45 種語言。用戶可透過 Google Play 下載,部分受支援手機可長按電源鍵啟動;傳音等合作夥伴未來推出的裝置將預載 Gemini。
智界取得道路機動車輛獨立生產資質,成為獨立生產車輛的車企。騰訊 WorkBuddy 日活躍用戶數超過 1000 萬,日均 Token 調用量超過 100 萬億。DeepSeek API 調用模型時,服務端搜尋及網頁抓取不再收費,僅按模型 Token 用量計費。
AI 音樂生成會把音訊壓縮成 token,讓自回歸模型逐步預測,再解碼成聲音;擴散模型則從雜訊開始還原音訊。文章亦整理 Suno 的發展與方案限制,並提出由曲風、情緒、樂器、人聲風格和結構組成的五部分提示詞公式。文中引述 Deezer 數據稱,每日約有 90,000 首全 AI 生成曲目上傳,但只佔總串流 1–3%;美國版權局認為單靠提示詞不足以構成作者身份,相關版權訴訟仍在進行。
Google 於2026年11月18日宣佈,Gemini 應用程式將開放予 Android Go 裝置,適配最低配備 2GB 記憶體的 Android 手機。重構應用架構後,該版本支援文字問答、語音互動、相機即時理解及圖像生成,例如 Nano Banana。用戶可從 Google Play 下載或長按電源鍵啟動,傳音等廠商的新機將預先安裝。
Smart Online Tools 作者打造 80+ 款免費瀏覽器工具,讓 PDF、圖像及多項 AI 處理都在訪客裝置上完成,檔案不會上傳至伺服器。網站以 Next.js 靜態匯出,使用 Transformers.js、Tesseract.js 和 MediaPipe Tasks Vision,並透過 Web Worker 執行模型,按需下載及快取。
Google 向符合資格的 Google AI Ultra 訂閲用戶推出全新 Project Genie 體驗,首次開放 Genie 4 世界模型的存取權限,並加入創作智能體與社區畫廊。
香港中文大學(深圳)與微軟研究院提出多模態建模架構 ConvexLLM,以 C-Gate 將音頻表示映射至語言模型凍結文字詞向量的凸包中。ConvexLLM 在 VoiceBench 11 項任務綜合評測中取得 75.36 分,領先同量級開源權重模型。模型在 BBH 得分為 80.40%,較最強基線高 8.80 個百分點。
Google 發佈 Gemini 4 Neon,並開放世界模型 Genie 4 使用。Neon 速度為 Carbon 的 3 倍、成本為其 60%,上下文窗口為 100 萬 token(https。
推薦理由:文章並列 Gemini 4 Neon 的速度、成本與評測數據,以及 Genie 4 的互動能力和開放安排,呈現 Google 兩項產品更新的不同重點。
Google DeepMind 發佈 Gemini 4 Neon;Neon (xhigh) 的 Intelligence Index 得分為 61,較 Gemini 4 Carbon (high) 高 1 分。
Google 發佈 Gemini 4 Neon,模型即日起透過 API 提供,輸入價格為每 1M tokens $3,輸出價格為每 1M tokens $15。
Google 向符合資格的 Google AI Ultra 訂戶推出全新 Project Genie 體驗,首次開放 Genie 4,並加入 Project Genie 智能體和社羣作品集。Genie 4 可在探索途中透過新提示詞即時修改世界,並生成隨場景變化的原生音訊。Genie 3 每次生成時間由 60 秒延長至最多 3 分鐘,亦支援以 360 度全景圖建立世界及在探索時即時改變環境。
Google 已向符合資格的 Google AI Ultra 訂戶開放 Genie 4,供他們在瀏覽器原型 Project Genie 中試用。Genie 4 可讓用戶在生成過程中改變世界,並加入原生音訊;新版本亦加入可透過對話建構世界的 AI 智能體,以及供用戶分享和重混作品的社羣畫廊。
Google DeepMind 發佈 Genie 4,這款互動 3D 世界生成模型現已向 Google AI Ultra 訂戶開放。用戶可透過文字即時改變世界中的天氣、角色或故事情節,模型亦能生成配合場景的原生即時聲音;Genie 3 則新增最長三分鐘的工作階段、360 度全景支援及可串連世界。
mocktwo 結合 Tavus AI 影片對話與 Presage SmartSpectra SDK 的生理訊號測量,讓用戶練習面對客戶、面試及談判等高壓情境,並瞭解身體在對話中的反應。平台透過攝影機測量脈搏、心率變異、呼吸及眨眼和説話活動,並以脈搏控制(60%)和恢復能力(40%)計算沉着度評分。用戶可查看對話錄影、文字記錄及生理數據,回顧壓力時刻並練習改善表現。
Walt Disney Imagineering R&D 公佈三款 Audio-Animatronic 原型,利用 Amazon 的 AWS 雲端及 AI 即時回應遊客互動。
Microsoft 在 Ignite 公佈七款新模型,涵蓋編碼、安全、圖像、語音和路由,主打以較低成本支援長時間運作的 AI 智能體。Microsoft 稱,MAI Code 2 在四項基準的平均表現達 GPT-6.1 Sol 的 98%,推廣價為其成本的 40%;對 Claude Opus 5.5 的表現達 96%,成本為其 5%。
推薦理由:七款模型橫跨編碼、安全、圖像與語音等用途,文中以多項基準和定價對照外部模型,呈現 Microsoft 將自家模型導入產品時的成本取向。
作者兩度調查 AI 旁白與音樂工具後,修正兩項結論:Stable Audio 3 Medium 可在 CPU 上生成音樂,Qwen3-TTS 1.7B 則成為作者的中文本地旁白首選。
Google 於 2026 年 11 月 18 日宣佈,Project Genie 正向合資格的 Google AI Ultra 訂戶開放 Genie 4 體驗。
藝術家兼史丹福講師 Miguel Novelo 利用 Modal 建立快速流程,將二維瑪雅文字圖像轉成三維模型,探索以 AI 和雲端運算開發瑪雅銘文研究工具。他以約 100 個瑪雅音節符號起步,並計劃用展覽收集的訪客畫作持續改進流程。專用模型可結合文字形態與文化背景,補足通用大型語言模型未涵蓋的尤卡坦半島在地知識。
Senti 是一款供獨立遊戲設計師使用的 Windows 測試工具,透過 Presage SmartSpectra 分析玩家的頭部動作、語音反應及視線變化,對照設計師預設的關卡緊張曲線。工具會以可點擊的句子標示兩者不符之處,並跳轉至相應遊戲錄影片段。攝影機畫面不會儲存或上載,資料保留在本機。