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。
内容类型
模型发布 最新动态
各家新模型的发布、开源与迭代：旗舰更新、开源权重放出、能力与价格变化。
233 条精选近 30 天 146 条共收录 310 条
更新
精选归档 · 第 10 页
Google DeepMind精选AI 评分7070
Hugging Face Blog精选AI 评分6464 IBM Granite 4.2 推理模型构建详解：从预训练到多阶段 RL
IBM 发布 Granite 4.2 推理模型系列，提供 3B/8B/30B 三种 dense decoder-only 规格，以 Apache 2.0 开源。
推荐理由：详细拆解了 Granite 4.2 的架构与多阶段 RL 训练流程，包含 GRPO 异步训练和真实环境智能体 RL 设计，可作为开源推理模型训练方法参考。
智谱 GLM精选AI 评分7171 智谱发布开源模型 GLM-5.3，强化编码与漏洞利用能力
智谱发布开源模型 GLM-5.3，与 GLM-5.2 共享基座，全部增益来自后训练。在自研 Z.ai Code Bench 上较 GLM-5.2 提升 50%，并在 Terminal Bench 3.0、Agents' Last Exam、CyberGym 取得开源 SOTA。
推荐理由：在同一份基准表中与八款模型横向打分，并附详细评测参数与防作弊设置，便于直接复现同口径对比。
智谱 GLM精选AI 评分7070 智谱发布 GLM-5.3-Flash 多模态模型，320B 总参数 18B 激活
智谱发布 GLM-5.3-Flash，是 GLM-5 系列首个原生多模态模型，总参数 320B、激活 18B，价格为 GLM-5.2 的十分之一，编码与智能体基准接近 Claude Opus 4.8。
推荐理由：读者可以横向比较 GLM-5.3-Flash 与 Claude Opus 4.8 在编码与智能体基准上的差距，并参考其混合注意力与稀疏激活设计评估部署成本。
智谱 GLM精选AI 评分6969 智谱发布开源模型 GLM-5.3，主打编码与漏洞利用能力提升
智谱发布开源模型 GLM-5.3，能力提升全部来自对 GLM-5.2 的后训练，底层基础模型未变；自研 Z.ai Code Bench 较 GLM-5.2 提升 50%，Terminal Bench 3.0 和 Agents' Last Exam 取得开源 SOTA，CyberGym 漏洞发现达到 SOTA，漏洞利用类基准较 GLM-5.2 翻倍以上。
推荐理由：原文列出了 GLM-5.3 在十余项编码与 Agent 基准上与闭源、开源模型的逐项分数，可作为评估开源前沿模型能力的对照参考。
Qwen精选AI 评分7373 千问开源 Qwen3.8-Flash-Next 模型，作为 Qwen4 架构实验预览
千问（Qwen）在 Hugging Face 开源 Qwen3.8-Flash-Next 的 FP8 量化权重，称其为 Qwen4 架构的实验性预览版本。该模型总参数 125B、激活 6B，并附带 51B n-gram embedding 与 4B MTP，原生 262,144 tokens 上下文可通过 YaRN 扩展至 1,000,000 tokens。
推荐理由：作为 Qwen4 架构的实验预览，文中给出的稀疏注意力与 N-gram 嵌入设计可与既有 MoE 路线横向对照。
Hugging Face Blog精选AI 评分5050 Liquid AI 发布 LFM2.5-DSpark 推测解码草稿模型，推理最高提速 3.2 倍
Liquid AI 发布 LFM2.5-DSpark 推测解码草稿模型，覆盖 LFM2.5-1.2B-Instruct、LFM2.5-2.6B 和 LFM2.5-8B-A1B 三个模型。
推荐理由：原文给出了 DSpark 推测解码在 GPU 与端侧的实测吞吐与函数调用延迟数据，并开源了 llama.cpp 与 SGLang 集成。
Google DeepMind精选AI 评分6969 Google DeepMind 发布 Gemini 3.7 Flash，主打编码与 Agent 工作流
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。
DeepSeek精选AI 评分7676 DeepSeek-V4-Pro 0813 正式发布，新增 DSpark 推测解码模块
DeepSeek 正式发布 DeepSeek-V4-Pro 0813，在预览版基础上挂载 DSpark 推测解码模块，重点强化智能体能力。该模型在 HLE 上得分 42.7/60.0（无工具/有工具），Terminal Bench 2.1 达 87.9，DeepSWE 62.7。
推荐理由：正文给出与同代模型的基准对比和 vLLM/SGLang 部署方式，读者可直接评估其相对位置并复现推理流程。
xAI News精选AI 评分7777 xAI 发布 Grok 4.6，主打长任务智能体与交互视觉能力
xAI 发布 Grok 4.6 模型，聚焦长任务智能体和更复杂的交互与视觉工作，训练过程采用了更长的补充训练流程与精选的模型生成数据，并在 SFT 与 RL 阶段做了改进。
推荐理由：原文给出多款基准的具体得分，方便对比 Grok 4.6 与 GPT-5.6 Sol 等竞品在长任务智能体上的能力差异。
Microsoft Research精选AI 评分4343 Microsoft Research 发布胸片多任务视觉语言模型 CARE-X
微软研究院发布胸片视觉语言研究模型 CARE-X，在 ReXVQA 上以 94% 准确率排名第一，比次优公开模型高 6 个百分点。
推荐理由：微软研究院给出 CARE-X 辅助头与 DAPO 强化学习结合的训练方法，并在 ReXVQA 等胸片基准上对比 CheXOne、MedGemma，可作为同类研究参考。
Hugging Face Blog精选AI 评分5454 NVIDIA Magpie TTS 多语种版本发布：开放权重，支持 12 种语言，B200 上 TTFA 低至 32ms
NVIDIA 发布多语种 TTS 模型 Magpie TTS Multilingual 新版本，开放权重，支持英语、西班牙语、法语、德语、意大利语、越南语、普通话、印地语、日语、现代标准阿拉伯语、韩语和巴西葡萄牙语共 12 种语言，参数量 364M，可在自有基础设施部署。
推荐理由：文章给出 B200 上 32ms TTFA 等具体延迟数据与帧堆叠等推理优化结构，读者可据此估算多语种语音智能体的端到端可控时延空间。
Hugging Face Blog精选AI 评分7474 Meta 开源 30B 多模态模型 Muse Glimmer，主打本地智能体场景
Meta 发布并开源 30B 多模态模型 Muse Glimmer（Apache 2.0），由 Muse 蒸馏而来，主打本地智能体场景，由 Hugging Face 在发布当日同步接入 transformers、llama.cpp、vLLM 与 Inference Endpoints，并支持基于 DFlash 的推测解码加速。
推荐理由：原文汇总 30B 多模态模型的关键基准、DFlash 加速与同日多框架支持，便于评估其在本地智能体工作流中的可用性。
MiniMax精选AI 评分6060 MiniMax 开源 Music 3 音乐生成模型，支持最长 5 分钟完整歌曲
MiniMax 开源发布 Music 3 音乐生成模型，可根据歌词和音乐描述生成长达 5 分钟的 32 kHz 立体声 WAV 完整歌曲。模型采用 8B Global LLM 与 0.6B Local LLM 的分层自回归架构，Global LLM 由 Qwen3-8B 初始化，并配合 Flow Matching 与 Flow-VAE 的连续隐状态合成模块。
推荐理由：给出了 8B Global LLM 与 0.6B Local LLM 的分层架构与 Flow Matching 合成路径，便于参考音乐生成模型的工程设计。
xAI News精选AI 评分6363 xAI 发布 Imagine Image 2.0：面向实际创意工作的图像生成与编辑模型
xAI 发布图像生成与编辑模型 Imagine Image 2.0，作为新 Quality Mode 上线 grok.com/imagine 及 iOS、Android 端。
推荐理由：原文给出了 Image 2.0 在指令遵循、版式排版和局部编辑上的具体能力，读者可以结合 Arena 排名判断它在图像生成与编辑工作流中的相对位置。
Google DeepMind精选AI 评分6868 Google DeepMind 开源 WeatherNext 2 与 WeatherNext Cyclones，气旋预报提前量提升超一天
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。
xAI News精选AI 评分6565 xAI 发布语音模型 Grok Voice Think Fast 2.0
xAI 发布语音到语音模型 Grok Voice Think Fast 2.0，AA Speech-to-Speech Quality Index 得分 82.9%，高于 GPT-Realtime-2.1 的 79.1% 和 Gemini 3.1 Flash 的 69.5%。
推荐理由：逐项给出了与 GPT-Realtime-2.1、Gemini 3.1 Flash 等模型的语音基准对比、转写在噪声环境下的优势，以及 8 月 5 日的迁移时间和 $0.08/min 定价，便于评估升级收益。
MiniMax精选AI 评分7272 MiniMax 在 Hugging Face 开源发布全模态生成系统 MiniMax-H3
MiniMax 在 Hugging Face 开源发布全模态生成系统 MiniMax-H3，统一理解文本、图像、视频与音频，并可生成最高 2K 分辨率、最长 15 秒且含原生立体声的视频。
推荐理由：原文给出 H3 三模块拆分、33B Omni-Transformer 架构与 SGLang、diffusers 部署命令，便于复现 768p 与 2K 生成流程。
xAI News精选AI 评分7171 xAI 发布 Grok 4.5 模型，主打编码与智能体任务
xAI 发布 Grok 4.5，定位为面向编码、智能体任务和知识工作的最强模型，已在 Grok Build、Cursor 与 xAI 控制台可用。
推荐理由：原文同时给出 Grok 4.5 在多个软件工程基准上的成绩、每百万 token 的定价与服务速度，方便与同级模型横向比较。
Meta AI Blog精选AI 评分6161 Meta 发布多模态推理模型 Muse Spark 1.1，主打智能体能力
Meta 推出多模态推理模型 Muse Spark 1.1，在工具调用、计算机使用、编码和多模态理解上较前代有大幅改进，支持 1M token 上下文管理，可作为主智能体调度子智能体优化延迟。开发者可通过公开预览的 Meta Model API 接入该模型，同时它在 Meta AI 应用和 meta.ai 以 Thinking 模式上线。
推荐理由：原文逐项给出 Agent、Computer Use、编码、多模态的改进点，配合 Meta Model API 公开预览，读者可直接对照工作流判断适配度。