模型
全球大模型的发布、更新、开源、价格变化和评测动态。
共 191 条 · 海外
- Black Forest Labs 发布开源机器人模型 FLUX 3 Action
Black Forest Labs 发布面向机器人的开源模型 FLUX 3 Action，基于多模态模型 FLUX 3 构建，训练数据以视频为主，也包含图像和音频。作为 world-action 模型，它接收机器人工作区的多摄像头视频流，预测智能体下一步动作以及环境将如何变化。在 RoboLab-120 榜单上，该模型以 70 亿参数刷新成功率纪录，据 BFL 称，其规模不到此前最佳开源模型的一半，运行速度最高快 3.95 倍。BFL 表示大型推理模型规划能力强，但对机器人而言往往过慢、过大，这种效率对端侧部署至关重要。权重已在 Hugging Face 上开放。
The Decoder09/25海外新模型发布42
- Google 发布 Gemini 3.8 Flash TTS 语音模型
Google 推出两款 Gemini 3.8 Flash TTS 语音模型：标准版面向互动娱乐、游戏开发和长音频旁白，Flash-Lite 版面向自动配音、客服对话和高吞吐翻译。模型提供 100 多种语言、2000 多个预置音色，取代原有 30 个固定音色。在 Hume AI 语音设计基准上，标准版综合得分 71.4，口音建模 60.8 居首；Hume AI 整体质量指数中标准版第一、Lite 版第二。支持单脚本双人对话、多小时音频稳定输出，并可在文本中插入 <laughs>、<sigh> 等非语言标记。语音克隆需 30 秒参考录音加本人语音同意声明，生成文件嵌入 SynthID 水印。
AI News09/25海外新模型发布42
- Google DeepMind 新负责人：Gemini 4 已进入打磨阶段
Google DeepMind 新任负责人 Koray Kavukcuoglu 首次接受媒体采访称，Gemini 4 正处于 refinement 阶段，公司计划「尽快」发布早期 post-training 版本，时间点「远早于」年底。Google 自 2025 年 11 月 Gemini 3 系列后未再发布旗舰模型，期间 OpenAI 的 GPT-6 和 Anthropic 的 Mythos 系列均已上线且性能超过 Gemini 3。CEO Sundar Pichai 曾在 5 月 I/O 大会上预告 6 月推出 Gemini 3.5 Pro，但该模型最终未发布。Kavukcuoglu 称公司「后退一步」转而优先推出更快、更轻量的 Flash 模型。
The Verge AI09/24海外新模型发布2 个信源57
- Meta 发布 Muse 实时语音与虚拟形象架构
Meta 公布 Muse Realtime Voice 与 Muse Realtime Avatar，两者通过共享的语音 token 流组成统一流式架构。Voice 生成同时编码内容与韵律的语音 token，Avatar 消费同一 token 流生成流式视频。系统以固定长度历史作为后续分块的动作上下文，使任意长度对话下的计算量保持有界，并同步生成语音、唇动和表情。原文未披露模型规模、延迟数据与开放时间。
X @AIatMeta09/24海外新模型发布40
- Contrastive-LM 发布 CLM-8B：给 Agent 动作打分比 Jev 快 9 倍
Contrastive-LM 发布 CLM-8B，首个开源 Contrastive Language Model（CLM）。它不生成文本，而是对候选动作打分并返回概率，对标 TypeSafe AI 的专有 System One 模型 Jev。Apache-2.0 授权，头部权重仅 75 MB，单张 NVIDIA GPU 即可运行，用 vLLM 服务 Qwen3-8B 编码器。训练分三阶段：约 6000 万 Nemotron DQA 问答对预训练、约 3000 万 Gemini 2.5 Flash-Lite 合成难负样本中期训练、约 100 万条 Agent 轨迹后训练。在约 10 万条留出问题上，仅预训练 top-1 准确率 52.1%，中期训练提升至 69.2%。T-Rex 游戏任务延迟 16.5 ms 对 Jev 的 149.8 ms，即 9 倍加速；
MarkTechPost09/24海外新模型发布42
- TypeSafe AI 发布 Jev：不生成文本，只返回类型化决策
TypeSafe AI 推出首个 System One 模型 Jev，不生成任何文本，而是接收程序状态和一组类型化问题，返回选项、分数和是/否概率，供代码直接分支。官方 Python SDK 为 typesafe-sdk 0.7.0，输入 token 定价 0.042 美元/百万，输出 token 免费。教程演示了置信度门控路由、代码内保留权重的复合评分、类型化函数调用，以及用 Pydantic 响应模型、asyncio 异步扇出、重试策略和成本账本构建生产形态。
- Google 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS
Google 发布两款 Gemini Audio 系列语音模型：Gemini 3.8 Flash TTS 面向创意配音与角色设计，Flash-Lite TTS 面向高并发低成本生产，均通过 Gemini API 和 AI Studio 提供，仅 API 调用、不开源权重。新模型支持用自然语言逐句指导语气、节奏、方言，可从文本提示生成新音色，覆盖 100 多种语言和方言，并提供 2000+ 现成音色库。语音复刻需 30 秒样本和声音所有者口头同意录音，所有输出带 SynthID 水印。
- NVIDIA 开源 100M 参数说话人分离模型 Nemotron 3
NVIDIA 在 Hugging Face 发布开源权重模型 Nemotron 3 Diarization，100M 参数，最多同时跟踪 8 位说话人，支持语音重叠场景，一个 checkpoint 同时覆盖离线录音与实时流式。权重采用 OpenMDW License 1.1，允许商用，通过 NVIDIA NeMo 在 Linux 上运行，支持 Ampere、Ada Lovelace、Hopper、Blackwell GPU。相比此前支持 4 人的 Streaming Sortformer，说话人上限翻倍。模型接收 16 kHz 单声道音频，输出每位说话人的活动概率，提供 4 档延迟配置：离线 30.4 s 缓冲 DER 12.73%，最低推荐 0.32 s 缓冲 DER 13.55%。
- Anthropic 发布 Claude Opus 5.5，长上下文编码成本降 40%
Anthropic 称 Claude Opus 5.5 在典型按 token 计费的工作负载上，运行成本比 Opus 5 低约 40%。具体调整包括：输入与输出 token 价格下调 20%，缓存读取价格下调 60%。官方数据显示，2026 年 3 月至 9 月，Claude Code 单次请求上下文增长 2.6 倍，输入输出 token 比从 189:1 升至 324:1，每个 prompt 的模型调用次数增加超 40%，中断减少 68%。Anthropic 称缓存未命中的输入减少超过 50%。
Claude 博客09/24海外新模型发布46
- LangChain 介绍 TypeSafe AI 的 Jev 模型：分类任务快 200 倍
TypeSafe AI 发布新模型 Jev，官方称在分类任务上推理速度最高快 200 倍、成本低 400 倍。Jev 不是传统 LLM，不生成文本，而是所谓 System One 模型：接收一个 state 和若干问题，返回带类型的答案与概率，用强化学习做校准决策（RLCD）训练。支持三类问题：Choice（多选一，返回各选项概率）、Score（按低中高打分，返回连续分数与分布）、Noul（是/否，返回为真的概率）。同一请求可并行问多个问题，增加问题几乎不增加响应时间。LangChain 发文介绍其如何嵌入 Agent 循环，替代每次决策都调用完整 LLM。
LangChain09/23海外新模型发布41
- Claude Opus 5.5 与 GPT-6 Sol/Luna 同日发布，价格战开打
Anthropic 发布 Claude Opus 5.5，约一小时后 OpenAI 发布 GPT-6 Sol 和 GPT-6 Luna。GPT-6 Luna 定价 $0.10/M 输入、$0.50/M 输出，是 GPT-5.6 Luna 的一半，也是 OpenAI 史上最便宜的模型之一（仅弱于 GPT-4.1 Nano 和 GPT-5 Nano）。GPT-6 Sol 为 $2/M 输入、$10/M 输出，与 GPT-5.6 Terra 同价。Claude Opus 5.5 输入输出价格从 $5/$25 降至 $4/$20，降幅 20%，缓存读取价格下降 60%，对长 Agent 对话意义明显。
Simon Willison09/23海外新模型发布47