OpenAI 详解 Astra：关键能力与前沿安全保障
OpenAI 宣布 Astra 是其首个在准备度框架（Preparedness Framework）下达到关键网络安全能力阈值的模型。针对该模型的能力水平，官方为其设置了更严格的发布安全保障措施。
推荐理由：内容展示了 OpenAI 准备度框架中关键网络安全阈值的落地情况，读者可据此了解前沿模型在发布前针对高风险能力所设定的防护标准。
模型发布
全部主题新模型的发布、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。
最新精选
第 21–40 条 · 共 142 条OpenAI精选AI 评分6666
Google DeepMind精选AI 评分7878 Google DeepMind 发布 Gemini Omni 1.1 Flash，增强生成式视频控制能力
Google DeepMind 推出 Gemini Omni 1.1 Flash，为开发者提供更可控的专业级生成式视频能力，已通过 Google AI Studio 中的 Gemini API 正式开放。该版本支持基于前 10 秒上下文将场景单次延伸并累积至最长 40 秒，新增首尾关键帧过渡插值与 3 秒视频参考输入，并提供速度提升达 60% 的 360p 预览以及最高 4K 分辨率生成。
推荐理由：原文详细说明了视频场景延伸与关键帧插值的控制机制，开发者可以据此评估多模态视频生成在工业化制作管线中的落地可行性。
Google DeepMind精选AI 评分7474 Google 推出语音转文字模型 Gemini 3.5 Transcribe
Google 推出语音转文字模型 Gemini 3.5 Transcribe，能够直接将原始音频转换为排版工整、去除语气词和自纠错口语的结构化文本。模型提供用于亚秒级双向交互的实时流式接口与用于录音分析的处理接口，在流式与非流式场景下的平均词错误率分别为 4.0% 和 2.6%，支持超 85 种语言、自定义词库以及函数调用。
推荐理由：该模型相比前代Chirp 3显著降低了词错误率与延迟，并通过实时流式接口与意图理解为语音智能体落地提供了更可用的方案。
Google DeepMind精选AI 评分8383 Google DeepMind 发布 Gemini 3.7 Flash
Google DeepMind 正式推出 Gemini 3.7 Flash，主打编码与 AI 智能体工作流，在年底前以原版半价即每百万输入 tokens 0.75 美元、输出 tokens 3.75 美元提供服务。
推荐理由：模型在软件工程和复杂文档基准上较前代有显著提升，且调用价格降低一半，有助于开发者降低高频智能体工作流的运行成本。
Google DeepMind精选AI 评分6969 Google DeepMind 发布手语转文本模型 SL2T
Google DeepMind 推出多语种手语转文本翻译模型 SL2T，并率先在 Pixel 11 上的 Gboard 和 Live Transcribe 中落地美式手语（ASL）听写功能。
推荐理由：该模型跳过中间手语标注直接将骨骼位姿映射为文本，并兼顾端侧隐私与流式低延迟，为无障碍交互提供了软硬件结合的落地参考。
Hugging Face精选AI 评分6666 NVIDIA 开源多语言语音合成模型 Magpie TTS
NVIDIA 开源多语言文本转语音模型 Magpie TTS Multilingual，参数量为 364M 并开放模型权重与生产级 NIM 容器。该模型支持普通话、韩语和阿拉伯语等 12 种语言，在 B200 GPU 上的单流首包音频延迟可达 32ms。技术上采用双帧堆叠与局部 Transformer 架构兼顾吞吐量与音质，旨在帮助开发者在自有基础设施上构建低延迟语音智能体。
推荐理由：该开源模型通过双帧堆叠与局部注意力降低了首包音频延迟，适合需要自建低延迟多语言语音流水线的团队参考。
Hugging Face精选AI 评分8383 Meta 开源端侧多模态模型 Muse Glimmer-30B，主打本地智能体场景
Meta 推出专为本地智能体设计的开源多模态模型 Muse Glimmer-30B，采用 Apache 2.0 协议开源并已上线 Hugging Face。该模型由 2B 视觉编码器和 28B 文本解码器构成，支持视频理解、多模态工具调用与 DFlash 投机解码加速。
推荐理由：该模型展示了 30B 级别端侧多模态模型通过智能体指令实现自我量化、云端部署与推理自优化的工程实践。
Google DeepMind精选AI 评分6262 Google DeepMind 在 Flow Music 中推出音乐生成模型 Lyria 3.5
Google DeepMind 宣布在 Google Flow Music 中上线最新音乐生成模型 Lyria 3.5，提升了音乐性、歌词质量与人声表现。该模型支持生成更自然复杂的旋律结构，并改善了歌词的提示词遵循度与发音表现力。此外，新版本还增强了创作控制功能，允许用户更便捷地调整生成音轨的节奏与时长。
推荐理由：新版本在音乐生成中引入了节奏与时长的精细调节能力，有助于评估AI在结构化音乐编排中的实用性。
Google DeepMind精选AI 评分7676 Google DeepMind 推出 Gemini Robotics 2 具身智能模型系列
Google DeepMind 推出 Gemini Robotics 2 具身智能模型系列，包含视觉语言动作模型 VLA、具身推理模型 ER 2 以及轻量化的 On-Device 2。
推荐理由：该系列将控制范围从桌面操作扩展至全身协调与多机协作，端侧模型仅需数小时即可适配新硬件，展示了具身模型跨形态落地的实际路径。
Hugging Face精选AI 评分6262 NVIDIA 发布手术机器人实时生成式仿真模型 Cosmos-H-Dreams
NVIDIA 推出面向手术机器人的实时动作条件生成式仿真模型 Cosmos-H-Dreams，支持人类或控制策略进行闭环交互控制与策略评估。
推荐理由：该工作将手术世界模型蒸馏为自回归因果架构，使原本耗时的物理手术仿真能在单卡上实时闭环交互。
Google DeepMind精选AI 评分6363 Google DeepMind 推出网络安全专用模型 Gemini 3.5 Flash Cyber
Google DeepMind 推出轻量网络安全模型 Gemini 3.5 Flash Cyber，基于 3.5 Flash 微调，专用于快速发现、验证和修补代码漏洞。模型与安全智能体 CodeMender 结合，通过多次调用扩大代码路径搜索空间，在 V8 引擎测试中捕获 55 个独立确认问题，表现优于通用模型。考虑到双重用途安全风险，该模型初期仅向政府和受信任合作伙伴提供限量试用。
推荐理由：原文展示了轻量安全模型在多轮并发调用下兼顾代码覆盖面与推理成本的实测数据，为工程团队设计自动化审计流水线提供了参考依据。
Hugging Face精选AI 评分8282 Thinking Machines 发布开源多模态大模型 Inkling 与 Inkling-Small
Thinking Machines 推出开源原生多模态 MoE 模型 Inkling 及轻量版 Inkling-Small，原生支持文本、图像与音频输入并具备 1M 上下文窗口。
推荐理由：原文系统梳理了万亿参数原生多模态架构设计与基准表现，并提供了覆盖主流推理框架的开源部署及量化适配方案。
OpenAI精选AI 评分6464 GPT-5.6：随雄心扩展的前沿智能
OpenAI 推出 GPT-5.6，主打从每个 token 中获取更高智能并提升单位成本性能。官方表示该模型可在应对高难度任务时按需提供更强的能力支持。
OpenAI精选AI 评分7676 OpenAI 推出新一代语音模型 GPT-Live
OpenAI 推出面向自然人机交互的新一代语音模型 GPT-Live。该模型目前已开始为 ChatGPT Voice 提供支持。
Google DeepMind精选AI 评分8080 Google DeepMind 发布 Nano Banana 2 Lite 与 Gemini Omni Flash 模型
Google DeepMind 宣布面向开发者开放图像生成模型 Nano Banana 2 Lite 与视频生成编辑模型 Gemini Omni Flash，现已上线 Google AI Studio 与 Gemini API。
推荐理由：Google将轻量图像模型与对话式视频模型串联开放，为开发者以较低成本构建连续图生视工作流提供了完整范式。
Hugging Face精选AI 评分6363 PP-OCRv6 上线 Hugging Face：参数量 1.5M 至 34.5M，支持 50 种语言 OCR
PaddleOCR 推出新一代通用 OCR 模型家族 PP-OCRv6 并上线 Hugging Face，提供 tiny、small 和 medium 三种规格，参数量涵盖 1.5M 至 34.5M。
推荐理由：新模型将参数量控制在1.5M至34.5M并统一覆盖50种语言，为端侧设备到服务端管道的低成本OCR落地提供了灵活选型参考。
Hugging Face精选AI 评分8484 智谱开源 GLM-5.2 旗舰模型：支持 1M 上下文与长流程编码任务
智谱推出新一代旗舰开源模型 GLM-5.2，采用 MIT 协议完全开源，原生支持 1M token 上下文，主打面向长流程（long-horizon）的软件工程与智能体任务。
推荐理由：GLM-5.2 将实用工程评测与 1M 上下文推理架构结合，为需要长时间自主运行的编码智能体提供了兼顾开源与高吞吐的落地参考。
Google DeepMind精选AI 评分8282 Google DeepMind 发布 Gemini 3.5 Live Translate 音频模型
Google DeepMind 发布音频模型 Gemini 3.5 Live Translate，支持 70 多种语言的近实时语音到语音互译。该模型通过流式处理连续生成翻译语音并保留原说话人的语调、语速与音高，全程仅滞后说话人数秒。
推荐理由：模型通过流式生成将双向同传延迟缩短至数秒并保留原声语调，同时打通了开发者接口与办公终端的集成路径。
Google DeepMind精选AI 评分8383 Google DeepMind 推出 Gemma 4 12B：采用无编码器统一架构的多模态端侧模型
Google DeepMind 正式推出多模态模型 Gemma 4 12B，采用无编码器的统一架构，使视觉与原生音频输入直接融入大语言模型主干进行处理。该模型在标准基准上的性能接近 26B MoE 模型，显存占用减半且仅需 16GB 内存即可在笔记本本地流畅运行。
推荐理由：该模型舍弃了独立多模态编码器并将音频与视觉直接投影至大语言模型主干，为在消费级硬件上低显存部署多模态智能体提供了轻量架构参考。
Hugging Face精选AI 评分6767 NVIDIA 发布 Nemotron 3.5 Content Safety 多模态安全审核模型
NVIDIA 正式发布多模态安全模型 Nemotron 3.5 Content Safety 及开源训练数据集，将多模态输入联合评估、自定义策略与审计推理整合至单次推理。
推荐理由：该方案把多模态审查、自定义规则与紧凑推理集成在 4B 模型中，为企业构建低成本且可审计的内容风控提供了实践参考。