跳到正文

模型发布

新模型的发布、开源与迭代：大模型厂商的旗舰更新、开源权重放出、性能与价格变化的第一时间记录。

101条精选相关主题产品更新论文研究开源生态

最新精选

第 81–100 条 · 共 101 条
9月1日周二
  1. 上海人工智能实验室 InternLM：原创项目63

    上海AI实验室发布 InternLumina-U2：16B-A1B 多码本扩散统一多模态模型

    上海AI实验室发布 InternLumina-U2，一个 16B 参数（激活 1B）的 MoE 扩散语言模型，用 8 码本全离散视觉表示统一覆盖文本问答、文生图、图像理解与编辑、视频及 3D 理解。

    推荐理由：原文给出多码本全离散统一架构的设计细节、基准分数和双硬件适配说明，读者可以了解统一理解与生成模型的一条新路线。

  2. Runway：News（网页）67

    Runway 发布 Interface World Models 首个模型 Solaris，实时逐帧生成可交互界面

    Runway 发布 Solaris，称其为新模型家族 Interface World Models 的第一个模型，由世界模型实时逐帧生成界面并对点击、拖拽等交互作出响应，无需代码等中间表示。

    推荐理由：官方完整披露了模型机制、用户研究和局限，读者可以据此理解去除中间表示后界面生成与智能体训练的路径。

  3. Meta 官方70

    Muse Voice Transcribe 发布，实时转写支持多说话人与语言切换

    Muse Voice Transcribe 提供流式语音识别、说话人区分和端点检测，已用于 Meta AI、Muse Code 并通过模型 API 提供。模型训练覆盖七十多种语言，其中二十五种经过深入验证；支持语言切换不代表所有语言质量完全相同。

    推荐理由：实时转写同时输出说话人和语言变化，为会议及编程助手保留对话结构，便于后续检索和任务处理。

8月31日周一
  1. IT之家（RSS）77

    DeepSeek-V4-Flash-Vision-Exp 模型已开源，多模态 Agent 能力接近 Opus-4.8

    DeepSeek 于 8 月 31 日在 Hugging Face 开源首个多模态模型 DeepSeek-V4-Flash-Vision-Exp，采用 MIT License，公开模型文件、Tokenizer、Prompt Encoding 参考实现及最小化 PyTorch 推理实现。

    推荐理由：原文梳理了模型开源内容与能力定位，读者可据此评估其在多模态 Agent 场景中的可用性。

8月28日周五
  1. Google DeepMind71

    Google DeepMind 发布 Gemini Omni 1.1 Flash

    Google DeepMind 发布 Gemini Omni 1.1 Flash，为开发者带来场景延长、首尾帧插值、360p 快速草稿和最高 4K 放大等生成视频控制能力。

    推荐理由：官方给出场景延长、首尾帧插值与 4K 放大等具体能力与开放入口，可据此判断生成视频工作流的变化。

8月27日周四
  1. Google DeepMind71

    Google 发布 Gemini 3.5 Transcribe 语音转文字模型

    Google 发布 Gemini 3.5 Transcribe，称其为目前最精确的语音转文字模型，可将原始音频直接转为准确、格式化文本。据 Artificial Analysis 测量，流式场景平均词错误率 4.0%，非流式 2.6%；相比上一代 Chirp 3，最终转写时间改善 70%，FLEURS 基准上流式 WER 为 5.50%、非流式为 5.04%。

    推荐理由：Gemini 3.5 Transcribe 的 WER、延迟与多语言数据，可用来判断实时语音转写当前的能力水位。

8月14日周五
8月12日周三
8月6日周四
  1. Google DeepMind71

    Google DeepMind 发布 WeatherNext 气旋预报模型并开源

    Google DeepMind 在 Nature 发表论文，称 WeatherNext AI 模型在预测气旋路径、强度和风场结构上达到 SOTA，平均为预报员多争取一天预警时间，三天预报精度相当于此前模型的两天水平。

    推荐理由：原文给出气旋预报多出一天预警时间的实测结果与开源入口，读者可据此判断气象 AI 的可用边界。

7月30日周四
  1. Google DeepMind71

    Google DeepMind 发布 Gemini Robotics ER 2 具身推理模型

    Google DeepMind 发布 Gemini Robotics ER 2，定位为机器人的高层大脑，可理解物理世界、规划多步任务，并把动作执行交给底层 VLA 模型，同时支持调用 Google Search 等工具。

    推荐理由：官方给出 ER 2 相对 ER 1.6 的能力升级与开放入口，读者可据此判断机器人在视频理解与多机协作上的进展。

7月28日周二
  1. Google DeepMind74

    Google DeepMind 发布 Gemini Robotics 2，实现机器人全身控制

    Google DeepMind 发布 Gemini Robotics 2，由 Gemini Robotics 2、Gemini Robotics ER 2 和 Gemini Robotics On-Device 2 三款模型组成，首次实现对人形机器人从脚到指尖的全身控制，并支持双手与夹爪的精细操作和多机器人协作。

    推荐理由：官方给出三款模型的定位与开放入口，可据此判断机器人全身控制与端侧适配的进展。

7月21日周二
7月17日周五
  1. Google DeepMind71

    Google DeepMind 发布 Gemini 3.5 Flash Cyber 网络安全模型

    Google DeepMind 发布 Gemini 3.5 Flash Cyber，这是基于 3.5 Flash 微调的轻量网络安全模型，用于快速发现、验证和修补漏洞，在 CyberGym 等基准上以多次调用取得接近更大模型的成绩。

    推荐理由：Google 把轻量 Flash 微调成专用安全模型，并给出 CyberGym 与 Chrome 流水线的实测对比，可看专用小模型在漏洞挖掘上的取舍。

7月1日周三
6月11日周四
6月9日周二
  1. Google DeepMind78

    Google DeepMind 发布 Gemini 3.5 Live Translate 实时语音翻译模型

    Google DeepMind 发布音频模型 Gemini 3.5 Live Translate，可自动检测 70+ 语言并生成保留说话人语调、节奏和音高的近实时语音翻译，全程仅落后说话人数秒。

    推荐理由：Gemini 3.5 Live Translate 支持 70+ 语言连续语音翻译，并同步开放 API、Meet 与 Translate 入口，可据此判断实时翻译的落地节奏。

  2. Google DeepMind78

    Google DeepMind 发布 Gemma 4 12B：统一无编码器多模态模型

    Google DeepMind 发布 Gemma 4 12B，一款面向笔记本本地运行的多模态模型，采用无编码器统一架构，视觉和音频输入直接进入 LLM 主干。该模型在标准基准上性能接近 26B MoE 模型，内存占用不到其一半，可在 16GB 显存或统一内存的设备上运行，并首次在中型模型中支持原生音频输入。

    推荐理由：Gemma 4 12B 用无编码器架构把视觉和音频直接接入 LLM，读者可据此判断本地多模态智能体的硬件门槛。

5月18日周一
5月16日周六
  1. Google DeepMind88

    Google DeepMind 发布 Gemini 3.5 Flash，主打智能体与编码

    Google DeepMind 发布 Gemini 3.5 系列首个模型 3.5 Flash，定位面向智能体与编码的前沿性能，即日起通过 Gemini app、Google Search 的 AI Mode、Google Antigravity、Gemini API、Android Studio 及 Gemini Enterprise 等渠道开放。

    推荐理由：Gemini 3.5 Flash 的基准成绩、速度与开放渠道一并给出，可据此判断智能体与编码任务的成本变化。

4月16日周四
  1. Google DeepMind71

    Google DeepMind 发布 Gemini 3.1 Flash TTS 语音模型

    Google DeepMind 发布 Gemini 3.1 Flash TTS 文本转语音模型，在 Artificial Analysis TTS 榜单上取得 1,211 Elo 分数，并支持 70 多种语言和原生多说话人对话。

    推荐理由：官方给出 Gemini 3.1 Flash TTS 的 Elo 分数、音频标签控制方式和多平台开放入口，可据此判断语音生成的可控性变化。