Google 发布 Genie 4 世界模型，支持实时提示词修改和音频生成
Google 发布 Genie 4 世界模型，用于通过 AI 生成交互式体验，支持用自然语言提示词实时修改场景并生成音频。模型以 Gemini 3.8 Flash 驱动模拟，单次可生成约 2 分钟体验，长于 Genie 3 的 1 分钟。
同一件事，精选收录的是《Google DeepMind 发布 Genie 4 多模态世界模型》
全部 AI 动态
The Verge · AI同事件AI 评分5757 TechCrunch同事件AI 评分7676 Google DeepMind 发布 Genie 4 世界模型，支持实时音频和模拟中交互控制
Google DeepMind 以研究预览形式发布 Genie 4 世界模型，可生成与模拟场景匹配的实时音频，并允许用户在模拟过程中输入提示改变场景。Genie 4 可保持场景最长 2 分钟，是 Genie 3 的 2 倍，并支持实时修改天气、镜头角度以及新增人物或物体。
同一件事，精选收录的是《Google DeepMind 发布 Genie 4 多模态世界模型》
Ars Technica · AI同事件AI 评分5656 Google DeepMind 发布 Genie 4 世界模型，加入音频并提升仿真真实性
Google DeepMind 发布 Genie 4 世界模型，可按指令实时逐帧生成可交互体验，并加入音频、提升物理与人物仿真的真实性。改进部分得益于 Google 更新的 Gemini 模型，DeepMind 称该技术有望为物理机器人创造无限训练环境，并支持创意领域的快速原型设计。
同一件事，精选收录的是《Google DeepMind 发布 Genie 4 多模态世界模型》
Google DeepMind精选AI 评分7272 Google DeepMind 发布 Genie 4 多模态世界模型
Google DeepMind 发布 Genie 4 世界模型，可实时生成视觉、动态交互与原生音频，并通过 Gemini 理解提示、维持场景连贯性。Gemini 3.8 Flash 作为引导智能体分解目标、检查画面并动态调整计划，支持多步骤事件与因果行为模拟。
推荐理由：官方披露了 Genie 4 的实时交互、原生音频与 Gemini 引导机制，并明确列出预览范围和当前局限，便于评估其可用边界。
量子位精选AI 评分6363 SoMark 开源 OXR 1.3B 文档解析模型，三项基准第一且完整解析快于 PaddleOCR-VL-1.6、MinerU2.5-Pro
SoMark 团队正式开源 OXR 文档解析模型，主模型仅 1.3B 参数，在 OmniDocBench、olmOCR-Bench 和 DocParsingBench 上分别取得 97.18、87.84、87.76 分，均居团队公布评测的第一。
推荐理由：三项基准与同条件速度测试并置，读者可据此评估 OXR 的解析精度、速度表现及与对照产品的相对位置。
量子位精选AI 评分6262 国产 AI 3D 模型 Hi3D V3.0 发布，Hi3D V1.0 模型代码正式开源
Hi3D 团队发布国产 AI 3D 模型 Hi3D V3.0，并正式开放基于 Sparc3D 的 Hi3D V1.0 模型代码。V3.0 被介绍为业界首个可商用的 2048³ 超高精度国产自研模型，文章示例中其生成结果比 GPT-6 Astra 更接近参考图；V1.0 基于约 200 万个筛选后的 3D 资产训练。
推荐理由：文章对比 GPT-6 Astra 与 Hi3D 的 3D 生成效果，并梳理 V1.0 开源、训练规模及 Agent 工作流，便于开发者选型。
量子位精选AI 评分8787 GPT-6.1 Terra 发布并开放实测，Agents’ Last Exam 以约十分之一 Token 价格追平 GPT-6 Astra
OpenAI 发布 GPT-6.1 Terra，标准 API 价格较 GPT-5.6 Terra 减半，主打电脑操作与多软件协同。
推荐理由：官方成绩与网友实测均围绕电脑操作、速度和成本展开，清楚呈现 GPT-6.1 Terra 与上一代及旗舰模型的取舍。
量子位精选AI 评分7474 百度文心 Unlimited OCR 2 发布并开源，峰值 KV Cache 占用从 47GB 降至 1.77GB
百度文心 Unlimited OCR 2 正式发布并开源，百页级单序列测试中的峰值 KV Cache 占用从 47GB 降至 1.77GB，减少约96%。SR-SWA按需筛选相关页面和视觉信息，无限解码机制通过分块处理、复用边界页缓存并及时释放其余缓存；16路并发端到端吞吐量从360提升至1315 Token/秒，约为标准解码的3.65倍。
推荐理由：文章通过整本书实测与技术报告，拆解SR-SWA和分块解码的降缓存机制，并对比吞吐量、速度与文档解析质量。
钛媒体精选AI 评分6666 科大讯飞发布讯飞星火X2.6，采用全国产算力训练端云一体架构
科大讯飞发布讯飞星火X2.6，采用全国产算力训练，由一个云端大模型搭配4B端侧模型，并按任务难度和数据敏感度决定本地执行、两端协同或云端处理。长程任务动态并行训练使超长上下文训练效率提升约4倍，自适应存算协同结合四层KVCache和分布式推理，使推理效率提升4.5倍。4B端侧模型将复杂智能体任务完成率推至41.9%，端云路由准确率为96.1%，敏感资料可在本地关联或脱敏后再上传。
推荐理由：端云路由、长程任务动态并行训练与存算协同给出了明确指标，呈现了国产算力受限下兼顾效率和数据本地化的实现路径。
36氪精选AI 评分4040 GO-3 Nano Preview登顶RoboDojo具身智能基准榜单
智元GO-3 Nano Preview以61.90分平均成绩和56.42%平均成功率登顶RoboDojo最新榜单，超过GPT-6 Astra。其在精细操作、长程执行和开放语义理解三个维度分别得分78.65分、68.21分和61.71分，均位列第一。
推荐理由：榜单提供平均分、成功率和三个细分维度成绩，可用于比较GO-3 Nano Preview与GPT-6 Astra的具身任务表现。
钛媒体同事件AI 评分6969 GPT-6.1 Terra 发布，主打低价与电脑操作能力
OpenAI 发布 GPT-6.1 Terra，主打更低的 API 价格和快速、强大的电脑操作能力。
同一件事，精选收录的是《OpenAI 发布 GPT-6.1 Terra，API 价格降至 GPT-5.6 Terra 的一半》
Simon Willison同事件AI 评分6969 OpenAI 发布 GPT-6.1 Terra，强化视觉推理与电脑操作
OpenAI 发布 GPT-6.1 Terra，这是一款强调视觉推理、精确电脑操作和清晰自然写作的快速高效模型。它面向提案起草、技术图纸理解、表单填写和视频编辑等日常工作，相比 GPT-5.6 Terra 有显著提升。
同一件事，精选收录的是《OpenAI 发布 GPT-6.1 Terra，API 价格降至 GPT-5.6 Terra 的一半》
The Decoder精选AI 评分8888 OpenAI 发布 GPT-6.1 Terra，API 价格降至 GPT-5.6 Terra 的一半
OpenAI 发布 GPT-6.1 Terra，API 输入和输出 token 价格分别为每百万 token $1 和 $5，均为 GPT-5.6 Terra 的一半。
推荐理由：文章对照 API 单价、每任务成本和多项基准，呈现了 GPT-6.1 Terra 相对更大模型的价格优势与性能差距。
Hacker News同事件AI 评分7575 OpenAI 发布 GPT-6.1 Terra 模型
OpenAI 发布 GPT-6.1 Terra 模型，官方介绍与开发者 API 文档均已上线。官方介绍：https://openai.com/index/introducing-gpt-6-1-terra/；API 文档：https://developers.openai.com/api/docs/models/gpt-6.1-terra。
同一件事，精选收录的是《OpenAI 发布 GPT-6.1 Terra，API 价格降至 GPT-5.6 Terra 的一半》
量子位精选AI 评分5656 炎曦动力成立 3 个月亮相 Paimon-0 具身基座模型，在 RoboColiseum 超过 GPT-6 Astra
炎曦动力公开具身基座模型 Paimon-0，在 RoboColiseum 以 0.7754 排名第一，并超过 GPT-6 Astra。它在 RoboCasa365 和 VLA-Arena 分别以 58.1、0.73 排名第一，并以 46.599 总分夺得启元机器人 IROS Workshop 双臂机器人挑战赛冠军。
推荐理由：文章以榜单成绩和端云协作为线索，解释 Paimon-0 的 query token 蒸馏、自我改进设计及其与机器人芯片方案的衔接。
量子位精选AI 评分7575 港科大、CMU与岩山科技开源EdgeRock-4B，KV Cache减少99.1%且单卡吞吐达源模型6.42倍
岩山科技旗下岩芯矩阵与港科大、CMU联合发布并开源EdgeRock-4B，256K上下文下KV Cache固定为72MiB，较源模型减少99.1%。在单张Hopper 80GB GPU、32K输入和32K输出下，模型支持512路并发，输出吞吐12124 tokens/s，是Qwen3.5-4B的6.42倍。
推荐理由：文章拆解了EdgeRock-4B以RMA固定KV Cache的机制，并对照Qwen3.5-4B及有界状态模型的吞吐、内存与推理表现。
36氪精选AI 评分6060 Vivix 公开实时交互模型 W1 和 A1，聚焦游戏与直播
Vivix 公开实时交互模型 W1 和 A1，分别面向理解、交互、生成一体化与角色交互场景。W1 在交互场景中生成下一帧画面需 300-600 毫秒，实时生成成本接近 YouTube 每小时约 0.2 美金的 CDN 带宽成本，比当前头部视频生成模型低 1-2 个数量级。
推荐理由：文章用 300-600 毫秒首帧时间及相对头部视频模型低 1-2 个数量级的成本，解释 Vivix 的实时交互路线。
Hacker News精选AI 评分6767 Destined AI 发布 Hurston-1 开源 TTS，支持多类口音与 8 kHz 电话音频
Destined AI 发布开源英语 TTS 模型 Hurston-1，支持美国南部及多类非洲英语口音。phone 模式输出 8 kHz G.711 mu-law 音频并可接入 Twilio，默认仍为 24 kHz，项目地址为 https://huggingface.co/destined/hurston-1。
推荐理由：Hurston-1 同时提供多口音合成、8 kHz 电话输出和 WER 与盲听评测，可用于构建客服及语音智能体的口音测试数据。
Hacker News精选AI 评分8080 Dream Labs 发布 Dream-1，通过公共 API 实现未见机器人的零样本控制
Dream Labs 发布 Dream-1，首个通过公共 API 提供的 World Action Model，可零样本控制未见过的双臂平行夹爪机器人。模型无需针对目标机器人微调或提供演示，官方在 27 个未见机器人模拟环境和 4 个真实机器人上进行了测试。
推荐理由：Dream-1公开了未见机器人零样本控制、API接入方式与运行成本，开发者可据此判断其跨形态迁移能力和落地门槛。
TechCrunch精选AI 评分5858 Block 发布可本地运行的全双工语音模型 Dessa
Block 发布全双工语音到语音模型 Dessa，可同时听说，并能在 MacBook M4 Max 或更高配置的消费级电脑上本地运行。该模型完全基于人类语音训练，Block 称其仅用单块 NVIDIA GPU 训练，并将情绪直接纳入语音生成。模型目前尚未公开访问，Block 邀请安全研究人员测试语音智能体误导他人的风险。
推荐理由：Dessa 的全双工语音、情绪表达与消费级设备本地运行方案交代具体，并说明暂未开放及安全测试安排，便于评估语音智能体的落地条件。
The Decoder同事件AI 评分5454 Block 发布仅用人类语音训练、可捕捉情绪的 AI 模型 Dessa
Block 发布从头训练、完全不使用文本数据的 AI 语音模型 Dessa，直接处理音频以识别文本模型遗漏的情绪、讽刺、笑声和停顿。Dessa 支持全双工通信，可同时听和说，并在 MacBook Pro M4 Max 本地运行，训练使用单个 NVIDIA GB200 NVL72。该模型尚未公开，Block 正邀请 AI 安全研究者测试潜在风险，可通过表单报名。
同一件事，精选收录的是《Block 发布可本地运行的全双工语音模型 Dessa》
Latent Space精选AI 评分8484 月之暗面发布 Kimi K3.1 Pro，承诺 2026 年 11 月 4 日开放权重
月之暗面发布多模态 MoE 模型 Kimi K3.1 Pro，总参数 2.8T、激活参数 104B，API 已上线，并承诺于 2026 年 11 月 4 日开放权重。
推荐理由：文章把独立基准、厂商宣称与社区推测分开，并结合参数规模、部署门槛和任务成本分析 K3.1 Pro 的竞争力与使用边界。
量子位精选AI 评分6868 高德发布全身基座模型 λ0，推动机器人全身动作对齐
阿里巴巴旗下高德发布全身基座模型 λ0，仅用人类行动数据即可让机器人学习移动、姿态和双手操作的全身协调。λ0 在 SIMPLE 仿真基准及多项真机评测中取得 SOTA，采集效率约为主流方法的3.4倍，真机任务成功率较最强对比基线提升22.5%。
推荐理由：λ0以人类全身数据训练机器人，披露3.4倍采集效率、22.5%真机成功率提升及开源入口，便于对照全身动作对齐的实现与迁移效果。
量子位精选AI 评分7979 模思智能与OpenMOSS开源5B参数生图模型MOSS-Image，4天获130万次下载
模思智能与OpenMOSS团队开源5B参数生图模型MOSS-Image，4天在海外社区获130万次下载，GitHub达1.4k Stars。模型采用从零预训练的单流扩散Transformer架构，以DiT为主干，结合冻结的Qwen3.5-9B文本编码器与FLUX.2 VAE，重点优化中英文文字渲染、JSON Layout和最长4096 tokens复杂提示词。
推荐理由：文章汇总MOSS-Image的文字渲染、布局控制和长提示词数据，并梳理加速、量化与推理适配，可用于判断其实际可用性。
腾讯混元精选AI 评分7474 腾讯混元发布 Hy-Nomas 交互式视频世界生成模型及 BF16 Diffusers 权重
腾讯混元发布 Hy-Nomas，一款通过文本指令与镜头控制实现自由形式多轮交互的视频世界生成模型，并提供 BF16 Diffusers 权重。模型采用分段自回归 DiT、Qwen 文本编码器和 PixelUMM 视频解码器，以 KV cache 延续上下文；示例使用 4 步去噪，输出 704 × 1280、24 FPS。
推荐理由：模型卡同时给出交互机制、推理参数与基准覆盖，开发者可据此复现多轮视频世界生成，并评估交互控制与空间记忆表现。
Simon Willison同事件AI 评分7777 Kimi K3.1 Pro 上线 Kimi API，完整权重计划于 2026 年 11 月 4 日发布
Kimi K3.1 Pro 已上线 Kimi API，尚未开放权重，Moonshot 承诺于 Nov 4, 2026 前发布完整模型权重。其 Highspeed 版本快 2-3x，价格为常规版的 2 倍，但输入 token 缓存命中价不变；标准版输入为 $2.00/million tokens，输出为 $10/million。
同一件事，精选收录的是《Kimi 发布 K3.1 Pro 与 K3.1 Pro Highspeed》
The Verge · AI同事件AI 评分5757 Block 发布基于人类语音从头训练的 Dessa 模型
Block 发布 AI 模型 Dessa，以人类对话语音从头训练，可进行端到端语音交互。官方样例显示其对话多数较自然，但偶尔显得生硬怪异；在一段与 OpenAI GPT-Live-1 语音模型的对话中，Dessa 表现得更自然。Dessa 可在 MacBook Pro M4 Max 或更高配置上本地运行，Block 计划向一小群 AI 安全研究人员提供早期访问。
同一件事，精选收录的是《Block 发布可本地运行的全双工语音模型 Dessa》
Hacker NewsAI 评分3434 Kimi K3.1 在 Artificial Analysis 得分 55，登上 Pareto 前沿
Kimi K3.1 在 Artificial Analysis 上得分 55，并位于 Pareto 前沿。页面列出 Intelligence Capability Indexes、token 使用成本、上下文窗口、输出速度、首 token 延迟和端到端响应时间等对比指标。
The Decoder精选AI 评分8181 月之暗面发布 Kimi K3.1 Pro 推理模型，位列 Artificial Analysis 智能指数第四
月之暗面发布 Kimi K3.1 Pro 推理模型，在 Artificial Analysis Intelligence Index 得分 55，排名第四，距离榜首 Claude Opus 5.5 的 58 分仅差 3 分。
推荐理由：文章汇总 Kimi K3.1 Pro 的榜单表现、速度、价格与安全数据，并与 Claude Opus 5.5 等模型对照，呈现其相对能力与取舍。
Hacker News精选AI 评分8686 Kimi 发布 K3.1 Pro 与 K3.1 Pro Highspeed
Kimi 发布 Kimi K3.1 Pro 和 Kimi K3.1 Pro Highspeed，前者提供 1-million-token 上下文窗口，后者速度为前者的 2-3×。
推荐理由：文章披露高速版速度、长上下文和多组基准表现，同时说明开放权重时间表与网络安全控制措施，便于判断产品定位。
Hacker News精选AI 评分5959 ThinkingCap 发布 Gemma-4-26B-A4B-it 模型，思考 token 平均减少 38.9%
ThinkingCap 发布 Gemma-4-26B-A4B-it 模型，在 12 项基准上将思考 token 平均减少 38.9%，平均准确率变化为 -0.15pp。
推荐理由：文章在相同 vLLM 与采样设置下对比 12 项基准，列出思考 token、准确率和循环率变化，为评估效率收益与精度代价提供了具体依据。
The DecoderAI 评分6868 Canva 发布首款自研图像生成模型 Canva Craft
Canva 发布首款自研图像生成模型 Canva Craft，由 Canva Research 从零训练，主要使用数百万个设计模板而非照片。模型最高生成 2K 分辨率图像，支持 30 多种宽高比、55 种语言文本，并可用 Magic Layers 拆分可编辑图层。
HF Daily Papers精选AI 评分5151 IQuest-Q1 论文：提出并开源面向智能体 CLI 的稀疏 MoE 基础模型
论文提出并开源 IQuest-Q1，一款面向智能体 CLI 系统的稀疏 MoE 基础模型，总参数量 320B，激活参数量 15B。模型通过预训练、中训和后训练三阶段训练，后训练结合 SFT、领域专用 RL 和 MOPD，并通过模型合并整合不同专家与检查点。arXiv 论文地址为 https://arxiv.org/abs/2610.30949。
推荐理由：论文拆解了预训练、中训和后训练三阶段方案，并披露总参数与激活参数，便于对照理解智能体编码基础模型的构建路径。
腾讯混元精选AI 评分5757 腾讯 WeChat Vision 发布 WeVisOne-VL-4B 统一视觉感知模型
腾讯 WeChat Vision 发布 WeVisOne-VL-4B，将对象级视觉任务与像素级视觉任务统一到同一模型中。模型基于 Qwen3-VL，通过结构化 next-token prediction 和 9.6M 参数轻量像素解码器，支持开放词汇目标检测、指代定位、目标计数、目标指向、OCR、指代分割及可提示 alpha 抠图。
推荐理由：模型将对象级与像素级视觉感知统一到同一架构，公开坐标标记、实例标记和 9.6M 参数像素解码器细节，便于对照研究视觉定位、分割与抠图。
36氪精选AI 评分2626 多方消息称 Kimi 即将发布 K3.1 并发布预热视频
据多方信源消息，Kimi（月之暗面）即将发布最新大模型 K3.1，并发布相关预热视频。目前 AI 行业不少开发者已经关注到这一更新并展开讨论。
推荐理由：材料提供了 K3.1 的发布传闻与预热视频线索，也提到开发者的关注反馈，可作为追踪月之暗面后续模型更新的背景参考。
36氪同事件AI 评分4646 蚂蚁数科发布决策模型 LingDT-Decision-1.0，提供4B和27B版本
蚂蚁数科于10月22日发布面向结构化决策任务的 LingDT-Decision-1.0，提供4B和27B两个版本。原文称其准确率更高、响应更快、Token成本更低，尤其适合产业AI场景。目前该模型已在蚂蚁数科 DTMaaS 平台上线，开发者可限时免费体验。
量子位精选AI 评分5757 蚂蚁数科发布 LingDT-Decision-1.0 决策模型，提供 4B 和 27B 版本
10月22日，蚂蚁数科正式发布面向结构化决策任务的 LingDT-Decision-1.0，提供 4B 和 27B 两个版本，并已在 DTMaaS 平台上线。蚂蚁数科团队在客服、风控、金融等真实业务场景测试显示，相比大语言模型，该模型 Token 消耗降低超90%，响应时效提升10倍。
推荐理由：同一任务下与大语言模型的对照数据，以及原生多选和按序决策设计，为评估其企业落地成本与适配性提供了直接参照。
36氪精选AI 评分5757 科大讯飞发布端云一体讯飞星火X2.6及SparkAudio 1.0
科大讯飞发布端云一体讯飞星火X2.6，并同步推出语音基座大模型SparkAudio 1.0。云端和端侧星火X2.6-4B能力同步提升；未来60%的应用可在本地完成，30%通过云端协同，10%需要云端大模型解决。SparkAudio 1.0支持语音识别、同传、交互、音频理解、情绪识别、实时说话人分离和环境声理解。
推荐理由：端云一体的任务分工、本地处理比例和多类语音能力，为比较模型应用的安全、效果与成本提供参考。
The Verge · AI同事件AI 评分6666 Canva 发布图像生成模型 Canva Craft，先规划设计再生成图像
Canva 发布图像生成模型 Canva Craft，采用两阶段架构，先规划设计再生成图像，以提高复杂图像的精度、一致性和控制能力。模型最高支持 2K 分辨率和 30 多种宽高比，可生成社交媒体内容、营销素材、写实场景和数字艺术等。Canva 称模型使用平台内容库中数百万个人工模板训练，目前位列 Design Arena 榜单第 4，现已向全球所有用户开放。
同一件事，精选收录的是《Canva 发布首款图像生成模型 Canva Craft》
TechCrunch精选AI 评分6969 Canva 发布首款图像生成模型 Canva Craft
Canva 发布首款图像生成模型 Canva Craft，通过两阶段流程生成最高 2K、30 种宽高比的图像。它先规划元素空间关系、相对尺度、视觉层级和文字信息，再生成图像；模型使用 Canva 的人工设计模板训练，输出可经 Canva Magic 转为分层设计，并支持不影响其他区域的精确编辑。
推荐理由：Canva Craft 先规划元素关系再生成图像，文章拆解了其模板训练、文字可读性、局部编辑和分层设计转换机制。