Google DeepMind 发布 Gemini 3.5 Transcribe 语音转文本模型
Google DeepMind 发布语音转文本模型 Gemini 3.5 Transcribe,主打实时转写与智能语音交互,提供实时流式(Live API)和预录音频(Interactions API)两种接入方式。
推荐理由:给出了 WER、延迟改善幅度和多语言覆盖等具体基准,并区分了实时与预录两种接入方式,便于评估在语音产品中的替换价值。
Google DeepMind 发布语音转文本模型 Gemini 3.5 Transcribe,主打实时转写与智能语音交互,提供实时流式(Live API)和预录音频(Interactions API)两种接入方式。
推荐理由:给出了 WER、延迟改善幅度和多语言覆盖等具体基准,并区分了实时与预录两种接入方式,便于评估在语音产品中的替换价值。
Grok 4.6 已在 Gemini Enterprise Agent Platform 上线,开发者可通过 Model Garden 调用,提供 500k 上下文窗口和 low、medium、high、xhigh 四档可配置推理强度。定价为输入 $2、缓存输入 $0.50、输出 $6 每百万 token,xAI 将其定位为面向长任务智能体及复杂交互与视觉工作的旗舰模型。
推荐理由:文章把 Grok 4.6 的上下文、推理档位和按 token 定价一次性给出,读者可结合 Model Garden 的接入方式评估它在企业智能体场景中的实际调用成本。
Google DeepMind 发布 Gemini 3.7 Flash,主打编码与 Agent 工作流。
推荐理由:相比 3.6 Flash,Gemini 3.7 Flash 在编码与 Agent 任务的多项基准上提升明显,并把每百万 token 入门定价下调至原来的一半。
Google DeepMind 发布手语转文本模型 SL2T,并在 Pixel 11 上的 Gboard 与 Live Transcribe 中首发 ASL→英文 实时转写功能。
推荐理由:SL2T 在 Gboard 与 Live Transcribe 上首发,文中给出了训练规模、关键基准和隐私设计,便于读者评估实际可用性。
Ai2 推出 TutorMoments 评测框架预览版,基于 462 份美国一对一数学辅导转录稿(含逾 1500 个教师标注的关键时刻),以重放方式让大模型在决策点接管辅导并按'是否适时介入或退让'打分。
推荐理由:原文给出 7 个大模型在辅导决策点的对照分数与提示词效果,读者可据此判断模型在'介入与退让'权衡上的实际难度。
Google DeepMind 在 Nature 论文中宣布其 WeatherNext AI 模型在气旋路径、强度和风结构预报上取得 state-of-the-art 准确度,其三天预报质量相当于此前模型的两天预报,平均带来超过 24 小时的预报提前量,约等于过去二十年气象领域的十年进步。
推荐理由:WeatherNext Cyclones 把气旋路径和强度的预报提前量提升超过一天,并已开源代码与权重,可被气象机构直接用于业务预报。