跳到正文

#模型发布

今日 0 条
7月30日周四
  3. Google DeepMind49

    Google 在 Flow Music 发布 Lyria 3.5，提升音乐性、歌词、人声与创作控制

    Google DeepMind 在 Google Flow Music 中推出新一代音乐生成模型 Lyria 3.5，在音乐性、歌词和人声质量上均有明显提升。新版本可生成更复杂自然的旋律结构、提示词遵循度和结构感知更强的歌词，以及更具情感表现力和发音更准确的人声，并支持更便捷地控制输出节奏与时长。该模型即日起在 Flow Music 上线。

7月28日周二
7月27日周一
7月21日周二
7月17日周五
7月15日周三
  2. Hugging Face Blog82

    Thinking Machines 发布 1T 参数多模态开源模型 Inkling 及 Inkling-Small

    Thinking Machines Lab 在 Hugging Face 发布多模态开源模型 Inkling，采用 decoder-only MoE 架构，975B 总参数、41B 激活参数，支持图像、音频、文本输入和 1M 上下文，训练数据为 45 万亿 token。

    推荐理由：Inkling 以约 1T 参数、1M 上下文原生接收图像音频文本，并给出各推理引擎的部署配置与基准对比。

7月9日周四
  1. OpenAI News60

    GPT-5.6 成为 Microsoft 365 Copilot 首选模型

    OpenAI 宣布 GPT-5.6 成为 Microsoft 365 Copilot 的首选模型，为 Word、Excel、PowerPoint、Chat 和 Cowork 提供更强的 AI 能力，以实现更快、更高质量的工作。

    推荐理由：OpenAI 官方说明 GPT-5.6 成为 Microsoft 365 Copilot 首选模型，读者可了解其在 Word、Excel 等应用中的能力变化。

7月8日周三
  1. Mistral AI65

    Mistral 发布 Robostral Navigate 具身导航模型

    Mistral AI 发布首个具身导航模型 Robostral Navigate，这是一个 8B 模型，仅用单个普通 RGB 相机、无需 LiDAR 或深度传感器，在 R2R-CE validation unseen 上达到 76.6% 成功率，比最佳单相机方案高 9.7 个百分点，比使用深度或多相机的最佳系统高 4.5 个百分点。

    推荐理由：官方给出单目 RGB 相机在 R2R-CE 上的成绩与训练方法，可对比多传感器方案的成本与效果。

7月1日周三
  1. Google DeepMind78

    Google DeepMind 发布 Nano Banana 2 Lite 与 Gemini Omni Flash

    Google DeepMind 发布 Nano Banana 2 Lite（gemini-3.1-flash-lite-image）和 Gemini Omni Flash（gemini-omni-flash-preview）两款模型，前者是 Nano Banana 家族中速度最快、成本最低的图像模型，后者支持高质量视频生成与对话式编辑。

    推荐理由：Google DeepMind 同时放出图像与视频两款新模型，并给出延迟、单价和可用入口，便于开发者评估替换与串联方案。

6月30日周二
  1. Google Research71

    Google 发布 TabFM：面向表格数据的零样本基础模型

    Google 发布 TabFM，一个面向表格数据分类与回归的零样本基础模型，将表格预测重构为上下文学习问题，无需手动训练、超参数调优和特征工程，单次前向传播即可对未见过的表格生成预测。

    推荐理由：原文给出 TabFM 的零样本表格预测机制与 TabArena 基准表现，读者可据此判断它能否替代传统树模型工作流。

6月26日周五
6月23日周二
  1. Mistral AI62

    Mistral 发布 OCR 4，支持边界框、块分类与置信度分数

    Mistral 发布 OCR 4，在提取文本之外新增边界框、块类型分类和逐页逐词置信度分数，支持 170 种语言，可单容器自托管部署。该模型在 OlmOCRBench 上取得 85.20 分，OmniDocBench 上为 93.07 分，官方称独立标注者在 600 多份文档的盲评中平均偏好率约 72%。

    推荐理由：OCR 4 把文档解析从纯文本扩展到带边界框和块分类的结构化输出，读者可据此判断它是否适合接入现有 RAG 或智能体流程。

6月22日周一
6月17日周三
  1. Hugging Face Blog82

    智谱发布 GLM-5.2：面向长程任务，支持 1M token 上下文与 MIT 开源

    智谱发布旗舰模型 GLM-5.2，面向长程任务，首次提供稳定的 1M token 上下文，并以 MIT 许可开源。新架构 IndexShare 让每 4 层稀疏注意力共享同一 indexer，在 1M 上下文下将每 token FLOPs 降低 2.9×，改进后的 MTP 层使投机解码接受长度最高提升 20%。

    推荐理由：GLM-5.2 把 1M 上下文与多档思考强度放进开源许可，读者可据此判断长程编码智能体的选型空间。

6月11日周四
6月9日周二
  1. Google DeepMind80

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

    Google DeepMind 发布 Gemini 3.5 Live Translate，这是一款音频模型，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到语音翻译，且持续输出而非等说话人说完再翻译，全程仅落后几秒。

    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 与 Google 产品入口，可据此判断实时翻译的落地方式。

6月5日周五
6月4日周四
  1. Google Research50

    Google 开源洪水预报水文建模框架

    Google Research 在 GitHub 开源其水文建模框架，让各国气象水文机构可将 AI 洪水预报集成进自身工作流。该框架为基于 PyTorch 的 Python 包，采用 LSTM 架构，训练流程使用开源 Caravan 数据集，并已与捷克水文气象研究所（CHMI）合作验证。新版模型相较 2024 年基准版本，在有测站流域将可靠预测期延长 6 天，无测站流域延长 1 天。

6月3日周三
  1. OpenAI News60

    OpenAI 为 GPT-Rosalind 推出新能力

    OpenAI 为 GPT-Rosalind 推出新能力，面向生命科学研究，增强生物推理、药物化学专长、基因组分析与实验工作流能力。

    推荐理由：OpenAI 公布 GPT-Rosalind 在生物推理、药物化学与基因组分析上的能力扩展，读者可据此了解该模型在生命科学场景的定位。

6月2日周二
  1. Hugging Face Blog71

    H Company 发布 Holo3.1 系列 Computer Use Agent 模型

    H Company 发布 Holo3.1 系列 Computer Use Agent 模型，基于 Qwen 家族，覆盖 0.8B、4B、9B 和 35B-A3B 四种尺寸，并首次提供 FP8、Q4 GGUF 和 NVFP4 量化权重。

    推荐理由：原文给出跨环境、跨框架与本地量化部署的具体数据，可据此判断端侧 Computer Use Agent 的落地条件。

6月1日周一
  1. Hugging Face Blog60

    JetBrains 发布 12B MoE 模型 Mellum2，Apache 2.0 开源

    JetBrains 发布 Mellum2，一个从零训练、覆盖自然语言与代码的 12B 参数 MoE 模型，每个 token 仅激活 2.5B 参数，以 Apache 2.0 许可开源。官方称其在相近规模模型中基准表现有竞争力，推理速度超过 2 倍，可用于路由、RAG、摘要、子智能体和高吞吐编码场景。模型已在 Hugging Face 提供下载，技术报告发布在 arXiv（2605.31268）。

    推荐理由：JetBrains 开源 12B MoE 模型，每 token 仅激活 2.5B 参数，读者可据此判断它在多模型系统中的定位。

5月20日周三
5月19日周二
5月18日周一
5月16日周六
  1. Google DeepMind87

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

    Google DeepMind 发布 Gemini 3.5 系列首个模型 3.5 Flash，主打智能体与编码能力，即日起在 Gemini app、Google Search 的 AI Mode、Google Antigravity、Gemini API 及 Gemini Enterprise 上线。

    推荐理由：Gemini 3.5 Flash 在编码与智能体基准上的表现和速度数据，可供读者判断前沿模型在长程任务上的取舍。

5月15日周五
5月7日周四
5月5日周二
  1. OpenAI News67

    OpenAI 发布 GPT-5.5 Instant，更新 ChatGPT 默认模型

    OpenAI 发布 GPT-5.5 Instant，将其作为 ChatGPT 的默认模型。官方称该版本提供更智能、更准确的回答，减少模型幻觉，并改进个性化控制。

    推荐理由：官方给出 GPT-5.5 Instant 作为 ChatGPT 默认模型的能力变化，读者可据此了解默认体验的调整方向。

4月28日周二
  1. Hugging Face Blog71

    NVIDIA 发布 Nemotron 3 Nano Omni 全模态理解模型

    NVIDIA 发布 Nemotron 3 Nano Omni，一款面向文档分析、多图推理、语音识别、长音视频理解与智能体电脑操作的全模态理解模型，在 MMlongbench-Doc、OCRBenchV2、WorldSense、DailyOmni、VoiceBench 等基准上取得领先成绩。

    推荐理由：原文给出架构、训练配方与多模态基准对比，可据此判断开源全模态模型在文档、音视频与GUI任务上的位置。

4月24日周五
4月23日周四
  2. OpenAI News69

    OpenAI 发布 GPT-5.5 模型

    OpenAI 发布 GPT-5.5，该模型面向编码、研究和数据分析等复杂任务，并支持跨工具使用。

    推荐理由：OpenAI 官方发布 GPT-5.5，读者可据此了解新模型面向编码、研究与数据分析的定位。

4月22日周三