模型发布 最新动态

Mistral 发布 Voxtral Transcribe 2，Voxtral Realtime 以 Apache 2.0 开放权重

Mistral 发布 Voxtral Transcribe 2，包含 Voxtral Mini Transcribe V2（批量转写）和 Voxtral Realtime（实时转写）两款语音转文字模型。

Eleven v3 语音模型正式全量开放，符号与数字朗读错误率下降 68%

ElevenLabs 宣布其最先进的 Text to Speech 模型 Eleven v3 结束 Alpha 阶段，正式面向所有平台开放。新版本在测试中 72% 的场景被用户认为比 Alpha 更稳定；针对数字、符号和专业记号的处理，内部基准覆盖 8 种语言 27 个类别，错误率从 15.3% 降至 4.9%，整体减少 68%，改进集中在体育比分、货币、化学式等依赖上下文判断符号含义的场景。

MOVA 发布：32B MoE 端到端同步视频-音频生成模型全栈开源

OpenMOSS 团队发布 MOVA 音视频基础模型，总参数 32B MoE、激活 18B，支持文本或图像到音视频的端到端同步生成，最高 720p、单段 8 秒。模型采用非对称双塔架构（14B Wan 2.2 I2V 视频塔与 1.3B 音频塔）加双向 Bridge 和 Aligned ROPE 对齐时间轴，并开放模型权重、训练与推理代码及微调方案。

xAI发布Grok Imagine API

xAI推出Grok Imagine API，提供文本/图像转视频及高精度编辑功能，支持物体增删、风格转换与原生音频生成。在Artificial Analysis和LMArena基准测试中排名首位，720p视频生成延迟与成本均低于Veo 3和Sora 2；在IVEBench评测中整体表现超越Kling o1与Runway Aleph。API已开放xAI及第三方平台接入。

Arcee AI 全力投入在美国构建的开放模型

Arcee AI 发布开源大模型 Trinity Large，标志着其全面投入在美国本土构建开放模型的战略布局。该发布作为 Interconnects 第16期访谈的核心内容，彰显该公司对开源生态与数据主权的承诺。Trinity Large 的推出代表 Arcee AI 在本土 AI 基础设施建设上的关键进展，强调模型训练与开发的地理合规性及技术自主性。

Kimi 发布并开源 K2.5 模型，带来全新视觉理解、代码和 Agent 集群能力

Kimi 发布并开源迄今最智能、最全能的 K2.5 模型，原生多模态架构支持视觉与文本输入、思考与非思考模式，在 Agent、代码、图像、视频及通用智能任务上取得开源 state-of-the-art 表现。

MiniMax Speech 2.8 语音模型

MiniMax 发布新一代语音模型 MiniMax Speech 2.8，通过原生声音标签技术模拟人类口语中的"嗯"、"啊"等填充词及呼吸停顿，显著提升对话自然度。该模型支持10秒样本高保真声音克隆，精准还原音色与语速，同时消除背景噪音与数字伪影，输出录音室级纯净音质。此外，模型优化了跨语言表现，从普通话-日语对开始解决口音渗透问题，实现更接近母语者的发音效果。

差分Transformer V2

差分Transformer V2发布，其核心是改进的差分注意力机制。相较于V1，V2将查询头数量翻倍而保持键值头不变，差分操作后将维度缩减，从而在解码时能达到与标准Transformer相当的速度，且无需定制内核。新版本还解决了V1中因注意力分布均匀化导致的数值不稳定问题，特别是消除了RMSNorm层所需的巨大缩放因子（如在长序列下），从而避免了梯度爆炸，旨在实现更稳定的大规模预训练。

Overworld发布实时交互式视频扩散模型Waypoint-1

Overworld推出实时交互式视频扩散模型Waypoint-1，用户可通过文本、鼠标和键盘实时控制生成可步入的虚拟世界。该模型基于帧因果校正流变换器架构，在1万小时游戏视频及对应控制数据上训练，从一开始就专注于交互体验，支持零延迟的自由操控。其配套的高性能推理库WorldEngine在消费级硬件上可实现流畅运行，例如Waypoint-1-Small在RTX 5090上能以30 FPS（4步去噪）或60 FPS（2步去噪）生成画面。模型采用扩散强制预训练和自我强制后训练来确保生成长序列的稳定性。

Liquid AI 发布 LFM2.5-1.2B-Thinking，1.2B 参数端侧推理模型内存低于 1GB

Liquid AI 发布可在手机上完全离线运行的推理模型 LFM2.5-1.2B-Thinking，内存占用约 900 MB，已上线 Hugging Face、LEAP 和 Playground。

Baichuan AI@BaichuanAI· 11:11精选AI 评分6767

我们已正式开源新一代医疗大语言模型 Baichuan-M3，其在 HealthBench 上获得 65.1 分，并在 HealthBench Hard 上以 44.4 分夺冠。该模型在医疗领域全面超越 GPT-5.2。

美团LongCat发布重思考模式总结模型

美团LongCat推出基于5600亿参数MoE架构大模型LongCat-Flash-Thinking-2601的重思考模式（Heavy Thinking Mode），并发布LongCat-HeavyModel-Summary模型。该模式通过并行思考与总结两阶段协同扩展推理能力：前者以高温度并行生成多路径扩展宽度，后者将精炼轨迹递归反馈形成迭代循环延伸深度。模型经额外强化学习优化总结能力，已在Longcat AI平台上线。

Niji V7 正式发布！

Niji V7 图像模型正式上线。该版本专为亚洲及动漫场景优化，改进了动漫连贯性、提示词理解能力、文字渲染效果及 sref 性能。

NVIDIA发布Cosmos Reason 2模型，增强物理AI推理能力

NVIDIA在Hugging Face上发布了Cosmos Reason 2模型，旨在提升物理AI系统的推理能力。该模型通过改进的推理架构，使AI能更准确地理解和预测物理世界的动态与交互，核心升级包括对复杂场景的多步推理、不确定性量化及时间序列数据的深度理解。这一进展将推动机器人、自动驾驶等领域的发展，使AI在现实环境中的决策更可靠、更符合物理规律。

Introducing Falcon-H1-Arabic: 以混合架构突破阿拉伯语AI的边界

阿联酋技术创新研究院在Hugging Face发布了Falcon-H1-Arabic模型。该模型采用创新的混合架构，融合了自回归与自编码技术，专门针对阿拉伯语进行优化。其目标是通过提升对阿拉伯语复杂语法和丰富形态的理解与生成能力，显著推进阿拉伯语人工智能的发展。这一发布标志着阿拉伯语大语言模型在技术架构上取得了重要进展。

Liquid AI 发布 LFM2.5 端侧模型家族，预训练扩展至 28T tokens

Liquid AI 发布 LFM2.5-1.2B 模型家族，将预训练从 10T 扩展到 28T tokens 并加入强化学习后训练，覆盖 Base、Instruct、日语、视觉语言和音频语言五个变体。

OpenAI 发布 GPT-5.2-Codex 编码模型

OpenAI 发布 GPT-5.2-Codex，称其为旗下最先进的编码模型。模型主打长程推理、大规模代码改造能力，并增强了网络安全相关能力。

Gemini 3 Flash：专为速度打造的前沿智能

Gemini 3 Flash 正式发布，在大幅降低使用成本的同时提供前沿级智能，主打极速推理性能，为需要快速响应的 AI 应用提供高性价比选择。

Mistral 发布 Mistral OCR 3，整体胜率达 74%，定价 $2/1000 页

Mistral 发布 Mistral OCR 3，对比 Mistral OCR 2 在表单、扫描件、复杂表格和手写内容上取得 74% 的整体胜率。

通义实验室开源 Fun-ASR 系列语音识别模型，含方言与 31 语言版本

通义实验室发布 Fun-ASR 端到端语音识别模型系列并开源。Fun-ASR-Nano-2512 参数量 800M，基于数千万小时语音训练，支持中英日三语、7 种汉语方言和 26 种地方口音；Fun-ASR-MLT-Nano-2512 同为 800M，基于数十万小时训练，支持 31 种语言。