Google 的 Gemini Omni 1.2 Flash 将 AI 视频片段延长至 15 秒,价格下调 30%
Google DeepMind 将视频生成模型 Gemini Omni 1.2 Flash 正式开放使用,片段时长从最长 10 秒提升到 3 至 15 秒,720p 视频价格下降 30% 至每秒 0.07 美元。
Google DeepMind 将视频生成模型 Gemini Omni 1.2 Flash 正式开放使用,片段时长从最长 10 秒提升到 3 至 15 秒,720p 视频价格下降 30% 至每秒 0.07 美元。
Google DeepMind 发布 Gemini Omni 1.2 Flash,视频生成时长从 Omni 1.1 的 10 秒提升到 15 秒,可按 1 秒步长指定 3 至 15 秒,720p 价格下调 30% 至每秒 $0.07,并通过 Gemini API 和 Gemini for business 全面开放。
OpenAI 发布 GPT-6 Cyber,这是一款用于发现可利用漏洞并开发修复方案的网络安全模型,训练目标是让模型始终在授权范围内行动。
OpenAI 发布网络安全模型 GPT-6 Cyber,称其在测试中越界行为占比低于 1%,而 GPT-5.6 Cyber 约为 5%。在 ExploitGym 基准上 GPT-6 Cyber 得分 48.5%,高于 GPT-5.6 Cyber 的 32.1% 和 GPT-6 Astra 的 42.4%,并帮助发现 Firefox 中 81 个此前未知漏洞。
腾讯发布 Hy4 模型,首次具备图像理解能力并可自主操作软件,权重将在稍后未指定日期开放,目前仅通过腾讯云、OpenRouter 和元宝等腾讯应用提供。腾讯称在近 600 项真实金融任务上领先 DeepSeek V4.1 Flash、Kimi K3.1 Pro 和 GLM-5.3 Flash,联网搜索幻觉率从近 16% 降至约 5%。
Dharma-AI 发布 Dharma Field Extractor,一个 20 亿参数模型,可从任意类型文档中抽取指定字段并以 JSON 返回,支持无 schema 的开放抽取和按指定 schema 定向抽取两种模式。
NVIDIA Nemotron 3.5 Super VL 已上线 AWS,这是一个 120B 参数的 MoE 多模态模型,每 token 激活 12B 参数,支持最长 1M tokens 上下文和文本、图像、文档、视频输入。
Mistral 发布万亿参数开源模型 Mistral Large 4(ML4,昵称 Le Chonk)的权重,企业与政府可自行下载部署,权重已在 Hugging Face 和 API 上线。
Mistral 在公开预览三周后于 Hugging Face 放出 Mistral Large 4 权重,模型昵称 Le Chonk,总参数约一万亿、每步激活 520 亿,支持文本与图像输入并输出文本和代码。
Mistral 发布多模态 MoE 模型 Mistral Large 4(Le Chonk),总参数约 1T、激活参数 49B,上下文窗口 1M tokens,以 FP8 和 NVFP4 两种官方权重发布,采用 Mistral Ecosystem Open-Weight License。
Mistral 发布旗舰多模态模型 Mistral Large 4(代号 Le Chonk)的开放权重,参数量 1 万亿,主打编码与防御性网络安全能力。
IBM 发布 Granite Switch 4.1.1 补丁版本,与 4.1 完全向后兼容、无需迁移,基础模型未重算,仅更新适配器。此次更新包括支持 10 种语言、原生标点与大小写的 Granite Speech ASR 模型,以及在 Jev Decision Index 测试集上表现提升的 granitelib-core Decision 适配器。
Google DeepMind 发布 Gemini 4 Carbon,距 Argon 仅两周,在 Artificial Analysis Intelligence Index v5 上以 59 分排名第一,并在 HLE-Diamond、TB-Science、AA-Omniscience 和 AutomationBench 四项评测中领先。
Google DeepMind 在 Argon 发布两周后推出 Gemini 4 Carbon,该模型在 Artificial Analysis Intelligence Index v5.0 上以 59 分登顶,前代 Argon 为 50 分。
Elorian 发布首个视觉推理模型 Glimpse,并在与 Mercor 合作的 DecoyCount 基准内部测试中取得 50.48% 准确率,是唯一超过 50% 的模型。
Google 发布新一代前沿 AI 模型 Gemini 4 Carbon,但该模型无法供用户使用。Gemini 4 Carbon 本质上是 Argon 的略微改进版本。
Google 发布前沿模型 Gemini 4 Carbon,在编码、智能体任务和网络安全方面有显著提升,并在 Artificial Analysis Intelligence Index(v5.0)上排名第一,Claude Opus 5.5 和 GPT-6 Astra 位列其后。
Nvidia 发布开源语音识别模型 Nemotron 3.5 Transcribe,可用文本指令控制,支持 40 种语言转写、31 种语言与英语互译、13 种语言的说话人识别,单段录音最长 1 小时、最多 8 位说话人。
Google DeepMind 发布 Gemini 4 Carbon,称其在网络安全与长周期任务上能力最强,在 Artificial Analysis Intelligence Index v5.0 上以 59 分排名第一。
NVIDIA 发布开放权重模型 Nemotron 3.5 Transcribe,把多语言转写、说话人分离、翻译和音频问答合入同一 checkpoint,已在 Hugging Face 和 ModelScope 上线。
NVIDIA 发布免费开源权重模型 Nemotron 3.5 Transcribe,可转写最多 40 种语言的音频,并支持 31 种语言与英语互译。该模型可处理最长一小时的录音、区分最多 8 位说话人,NVIDIA 称其在 Hugging Face Open ASR Leaderboard 等基准上优于竞品。
Google DeepMind 发布 Genie 4 世界模型,称其在几乎各方面都优于 Genie 3,并借助更新后的 Gemini 模型提升模拟效果。该模型可根据指令逐帧实时生成可探索的虚拟世界,无需预渲染环境或编写交互元素。DeepMind 将其视为通往 AGI 的关键一环,可用于为实体机器人构建训练环境;文章提到,付费用户可能不久后就能使用 Genie 4。
Google DeepMind 推出 Genie 4,这是 Genie 3 的后继世界模型,逐帧计算场景并响应用户输入,用户可用键盘移动、用文本提示词改变事件。
Liquid AI 发布 LFM3 新一代 Liquid Foundation Models,以 LFM3-1.7B-Base 为统一骨干衍生出文本、视觉、音频、全模态和决策共六款 2B 级模型,全部开源权重并已在 Hugging Face 上线。
Google DeepMind 发布世界模型 Genie 4,原生支持多模态,可在生成世界的同时产出音乐、环境音与交互对话,并支持用自然语言实时修改天气、镜头和场景人物。
Google 发布 Genie 4 世界模型,用于生成可交互体验,官方称有四项主要更新:世界更真实、可用自然语言提示实时修改体验、可生成音频,底层使用 Gemini 3.8 Flash 辅助模拟。
Google DeepMind 以研究预览形式发布世界模型 Genie 4,可生成更逼真的交互世界,并支持在模拟过程中输入提示词实时改变场景。该模型还能生成与场景匹配的实时音频,包括音乐、环境音和交互对话,场景一致性最长维持两分钟,是前代 Genie 3 的两倍。
OpenAI 的 Ted Sanders 按模型尺寸、推理投入和多智能体系统等维度对 GPT-6.1 Terra 等模型分类,并给出选型法则:只重质量选 Astra,稍在意价格选 Sol,非常在意价格选 Terra 或 Luna。他表示 GPT-6.1 Terra 在技术沟通上可能优于更大的 Astra,图像处理和计算机使用大致持平但价格低得多,多数其他领域则落后。
OpenAI 发布 GPT-6.1 Terra,官方称其结合细致的视觉推理与精确的电脑操作,并具备更清晰自然的写作能力,相比 GPT-5.6 Terra 有明显提升。
OpenAI 发布 GPT-6.1 Terra,API 输入 token 每百万 $1、输出 $5,均为 GPT-5.6 Terra 的一半,缓存输入降至每百万 $0.05。
OpenAI 发布 GPT-6.1 Terra,官方称其可在大规模场景下提供快速且能力较强的 computer use。
Block 研究实验室发布语音模型 Dessa,可本地运行,并带有笑声、停顿和哭腔等类人表达。该模型为全双工语音到语音模型,可同时说话与聆听,官方称完全基于人类语音训练,能在 MacBook M4 Max 或更高配置的消费级电脑上运行。目前 Dessa 未公开开放,Block 正征集安全研究人员进行测试。
Block 发布语音模型 Dessa,称其是首个完全用人类语音、不含任何文本数据从零训练的 AI 模型,直接以音频处理语音,可实时捕捉情绪、讽刺、笑声和停顿,并支持全双工同时听说。该模型可在 MacBook Pro M4 Max 上本地运行,训练使用单台 NVIDIA GB200 NVL72。Dessa 尚未公开,团队正招募 AI 安全研究人员测试意外风险,感兴趣者可通过表单报名。
月之暗面发布 Kimi K3.1 Pro,这是一款 2.8 万亿总参数、1040 亿激活参数的多模态 MoE 模型,支持 100 万 token 上下文,已在官网。
月之暗面发布 Kimi K3.1 Pro,这是 Kimi K3 的后训练版本,在 Artificial Analysis 智能指数上得分 55,比 K3 提升 11 分,位列第四,仅落后 Claude Opus 5.5(58)、Claude Sonnet 5.5(56)和 Muse Wonder Full(56)。
Jack Dorsey 的 Block 发布 AI 模型 Dessa,称其完全基于人类对话从零训练,是真正的语音到语音模型,可在 MacBook Pro M4 Max 或更高配置上本地运行。
Kimi K3.1 Pro 今日上线 Kimi API,目前尚未开放权重,Moonshot 承诺 2026 年 11 月 4 日前发布完整模型权重。
Canva 发布首个自研图像生成模型 Craft,由其内部实验室 Canva Research 从零训练,主要使用数百万份设计模板而非照片作为训练数据。Craft 先生成构图、比例和文字,再输出最高 2K 分辨率、覆盖 30 多种宽高比的图像,支持 55 种语言的文字渲染,并可通过 Magic Layers 拆分为可编辑图层。
Canva 发布首款自研图像生成模型 Canva Craft,采用两阶段架构,先规划设计再生成图像,官方称可获得更高的精度、一致性和控制力。
Canva 发布首款自研图像生成模型 Canva Craft,由内部研究团队开发,对标 Google、OpenAI、字节跳动和 Meta 的同类模型。该模型分两阶段生成:先解析提示词并规划元素空间关系、相对尺度、视觉层级和文字信息,再输出最高 2K 分辨率、支持 30 种宽高比的图像,官方称可保证物体细节准确、文字清晰,并支持局部精确编辑。