内容类型
各家新模型的发布、开源与迭代：旗舰更新、开源权重放出、能力与价格变化。
853 条精选近 30 天 63 条共收录 4,069 条
Ming-VideoMAR 是一款仅解码器的自回归图像到视频生成模型，采用连续令牌统一视觉表征。它首次将时间因果性与空间双向性作为视频自回归核心原则，并提出了整合掩码生成的下一帧扩散损失。该模型首次实现了视频生成的零样本分辨率缩放，能灵活生成远超训练分辨率的视频。其在训练与推理效率上表现突出，参数量、训练数据量和GPU消耗仅为之前最佳模型Cosmos的极小比例（9.3%、0.5%和0.2%），同时在定量与定性评估中均实现超越。模型代码与检查点已开源，论文已被NeurIPS 2025接收。
推荐理由：蚂蚁把自回归视频生成的训练成本砍到 Cosmos 的 0.2% 还能赢，这个效率信号比分数本身更值得关注，做视频生成的团队该认真看看它的课程学习和渐进分辨率策略。
Liquid AI 发布 LFM2-Audio-1.5B，一个支持音频与文本输入输出的端到端基础模型，扩展了 LFM2 家族。
推荐理由：官方给出了 VoiceBench、ASR 词错率和低于 100ms 的延迟数据，读者可以据此评估 1.5B 参数模型在端侧实时语音场景的可用性。
OpenAI 发布视频生成模型 Sora 2，支持同步的对白与音效。Sora 产品目前不再可用。
推荐理由：官方宣布视频生成模型 Sora 2 的发布，提到同步对白与音效能力，读者可借此了解该模型的基本定位。
OpenAI 发布 Sora 2，称其为新一代最先进的视频与音频生成模型。官方介绍其相比此前的视频模型改进了物理准确性、真实感、音画同步、可控性，并扩展了风格范围。
推荐理由：官方列出了 Sora 2 在物理准确性、真实感和音画同步上的具体改进点，读者可以据此与前代视频模型的能力边界做比较。
Claude@claudeai精选Anthropic 发布 Claude Sonnet 4.5，称其为全球最佳编程模型。该模型在构建复杂智能体与计算机使用方面表现最强，推理和数学测试成绩也有显著提升。
推荐理由：Claude Sonnet 4.5 发布，官方称最强编程与 Agent 能力
DeepSeek 发布实验性模型 DeepSeek-V3.2-Exp，在 V3.1-Terminus 基础上引入 DeepSeek Sparse Attention（DSA）稀疏注意力机制，在几乎不影响输出效果的前提下大幅提升长文本训练和推理效率，公开评测表现与 V3.1-Terminus 基本持平。
推荐理由：稀疏注意力在几乎不影响效果的前提下大幅降低长文本成本，API 降价 50% 让依赖长上下文的应用获得了更现实的部署条件。
inclusionAI团队推出了MingTok-Audio，这是首个能有效融合语义与声学特征的统一连续语音分词器，适用于语音理解与生成任务。该模型基于纯因果Transformer架构，去除了卷积层以提升效率，并采用VAE进行连续特征建模以实现高质量音频重建。在语音重建性能上，其帧率为50，在SEED-ZH和SEED-EN测试集上的PESQ分别达到4.21和4.04，SIM为0.96，STOI为0.98，显著优于对比模型。在下游ASR任务中，其在多个方言数据集上取得了更低的错误率，例如在Hunan Minnan数据集上WER低至9.80%。
推荐理由：蚂蚁把语音 tokenizer 做到了 PESQ 4.2 的离谱分数，比第二名翻了快一倍，做语音理解和生成的团队值得拿这个当新 baseline 跑一下。
Anthropic 发布 Claude Sonnet 4.5，定位为复杂智能体和编程场景的最佳模型，拥有最高综合智能水平。同时推出 Amazon Bedrock 和 Vertex AI 的全球端点定价、新的 `model_context_window_exceeded` 停止原因、记忆工具（beta）以及上下文编辑功能（beta），后者可在接近 token 限制时自动清理旧工具结果与调用。
推荐理由：这是Anthropic放出的Sonnet 4.5，瞄准编码和复杂Agent场景，Memory工具和上下文编辑也一起开了，对靠API搞产品的开发者算大版本更新，但普通用户不必自己折腾。
Liquid AI 发布 Liquid Nanos 系列，包含 350M 至 2.6B 参数的任务专用 LFM2 模型，可完全在手机、笔记本和嵌入式设备上运行。
推荐理由：原文给出各款小模型的参数量、任务定位和评测对比，读者可判断端侧专用模型能否替代云端大模型。
DeepSeek-V3.1 已更新至 DeepSeek-V3.1-Terminus 版本，在保持原有能力基础上，缓解了中英文混杂、偶发异常字符等问题，并优化了 Code Agent 与 Search Agent 的表现。官方 App、网页端、小程序与 DeepSeek API 均已同步更新，开源版本已发布至 Hugging Face。
推荐理由：V3.1-Terminus 重点改进了语言混杂和 Agent 表现，开源权重与 API 已同步，适合评估多语言应用和工具调用的稳定性提升。
xAI 发布 Grok 4 Fast，主打高性价比推理，实现与 Grok 4 相当的基准表现，同时平均少用 40% 思考 token，达到同等前沿基准性能的价格降低 98%。
推荐理由：官方给出了与 Grok 4 等模型的基准对比、token 效率提升和 API 定价，读者可据此评估其成本与性能取舍。
Jeff Dean@JeffDean精选Gemini 2.5 Deep Think 高级版本在 2025 年 ICPC 世界总决赛中取得金牌级别成绩，标志着 Gemini 模型编程能力持续精进，在竞赛级编程任务中表现卓越。
推荐理由：Gemini 2.5 Deep Think 在顶级编程竞赛 ICPC 中斩获金牌级别成绩，代码推理能力再突破
Noam Brown@polynoamial精选我们发布 GPT-5-Codex —— 这是 GPT-5 的一个版本，针对 Codex 中的智能体编程做了进一步优化。 可在 Codex CLI、IDE 扩展、网页、移动端中使用，并可用于 Github 中的代码审查。https://openai.com/index/introducing-upgrades-to-codex/
推荐理由：GPT-5-Codex 发布，针对 Agentic 编码优化，可动态分配计算资源，简单查询快 10 倍
OpenAI 在 GPT-5 系统卡附录中公布新模型 GPT-5-Codex，是针对 Codex 智能体编码进一步优化的 GPT-5 版本。该模型会根据任务复杂度更动态地调整思考力度，简单对话或小任务快速响应，复杂任务则可独立工作更长时间。
推荐理由：官方说明新模型按任务复杂度动态调整思考力度，读者可以据此判断它在快问快答与长任务间的取舍。
Hugging Face 与 JHU 团队发布多语言编码器模型 mmBERT，基于 ModernBERT 架构，在 3T+ tokens、1833 种语言的数据上训练，官方称其首次在多语言任务上超越 XLM-R。
推荐理由：原文给出了 1833 种语言的训练策略和基准数据，读者可以据此评估它对多语言编码器选型的影响。
Google 发布 EmbeddingGemma，一个面向端侧的多语言嵌入模型，参数量 308M，支持 2K 上下文窗口和 100 多种语言，量化后 RAM 占用低于 200 MB。
推荐理由：原文给出模型架构、MRL 截断维度和多框架用法，读者可以据此评估它在移动端 RAG 和检索场景的可行性。
FireRedTeam 发布 FireRedTTS-2，一款面向播客和聊天机器人的长对话流式 TTS 系统，支持最多 3 分钟、4 个说话人的多语种对话生成，覆盖中英日韩法德俄语并支持零样本跨语言音色克隆。
推荐理由：官方开源了长对话流式语音合成模型，给出多语言支持、延迟数据和部署方案，适合关注播客与对话生成的读者参考。
Microsoft AI（MAI）发布语音生成模型 MAI-Voice-1，单张 GPU 可在一秒内生成一分钟音频，已用于 Copilot Daily 和 Podcasts。
推荐理由：官方公布两款自研模型的技术细节与试用入口，可据此了解其训练规模和落地进展。
xAI发布轻量级编程模型Grok Code Fast 1，采用全新架构，基于真实PR数据训练，精通grep、终端和文件编辑等工具。推理速度达190 tokens/秒，定价输入$0.20/百万tokens、输出$1.50/百万tokens，SWE-Bench-Verified得分70.8%。目前已在GitHub Copilot、Cursor、Cline等平台限时免费开放。
推荐理由：xAI发布专为Agentic Coding优化的极速编程模型，已集成Cursor、Copilot等主流工具，价格极具竞争力
DeepSeek 正式发布 DeepSeek-V3.1，采用混合推理架构，一个模型同时支持思考与非思考模式，官方 App、网页端及 API 均已同步升级。
推荐理由：混合推理架构统一思考与非思考模式，Agent基准提升具体，API兼容Anthropic格式直接降低Claude Code接入门槛。