技术方向
文字之外的能力：看懂图片、图文混合理解、音视频输入输出的模型与产品进展。
445 条精选近 30 天 31 条共收录 2,757 条
World Labs 宣布与 AMD 签署最终协议加入 AMD，交易预计于 2026 年底前完成，需监管审批。李飞飞将出任 AMD 执行副总裁兼首席科学家，直接向 CEO Lisa Su 汇报；Justin Johnson 与 Ben Mildenhall 将继续带领 World Labs 团队组建前沿研究组织。
推荐理由：原文说明了双方从GPU合作到收购的演进，以及核心人员的具体去向，读者可判断这次整合对空间智能方向的改变。
ElevenLabs 发布语音合成模型 Eleven v4 及低延迟变体 Eleven v4 Turbo。
推荐理由：官方完整披露了新 TTS 模型的情绪控制、延迟数字、多语言和克隆能力，读者可据此评估是否切换现有语音方案。
Meta 宣布将于今年秋季在雷朋 Display 智能眼镜、Quest 头显及新轻薄头显上推出“Hologram”功能。该功能利用生成式 AI（实时扩散模型）创建高度拟真的用户虚拟形象，替代传统摄像头画面用于 WhatsApp 视频通话。用户需通过手机 Meta AI 应用采集面部表情和语音数据完成建模。雷朋版基于音频驱动生成 2D 视频流，Quest 版支持 3D 等身立体呈现。目前存在细节粗糙、侧倾变形等技术局限。
推荐理由：Meta 将生成式 AI 深度整合进主流 XR 硬件的通信场景，标志着虚拟形象从卡通向高保真实时生成的跨越，对 AR/VR 社交体验有重要影响。
Manus 发布 Manus 2.0，推出自研 Agent 框架 Cascade、Manus Studio 工作空间及独立应用 Cue。
推荐理由：官方完整披露了 Cascade 的 token、耗时与成本降幅，以及 Studio、Automations 和 Cue 各自的能力边界，读者可以据此评估工作流变化。
Meta 在 Connect 2026 宣布将个人 AI 智能体 Muse 带入 AI 眼镜，并新增 Walmart、Sephora、GitHub、Instacart 等更多 connectors，Muse 还将拥有自己的邮箱地址。
推荐理由：原文汇总了 Muse 上眼镜、VR Glasses、新款 AI 眼镜及听力辅助等多项发布细节，可了解 Meta 硬件与个人智能体的落地节奏。
Runway 发布 DaVinci Resolve 插件，可在 Resolve Studio 内直接生成图像和视频、重绘播放头下的片段，并将结果导入媒体池和时间线。
推荐理由：官方发布说明讲清了插件的核心工作流变化和版本要求，剪辑师可以据此评估是否把生成环节搬进 Resolve。
Meta 在 Connect 上发布首款音频眼镜 Ray-Ban Meta Audio，重 43 克，预售价 349 美元起，10 月 13 日发货，单次充电可用 12 小时。
推荐理由：官方在 Connect 上同时扩充多价位与多款式 AI 眼镜产品线，给出了各款定价、续航和新市场名单，方便对照选购与产品节奏。
Meta 发布 Muse Realtime Avatar，将 Muse Realtime Voice 的语音流实时转化为带表情、手势和全身动作的交互化身，可基于参考图像驱动人像、插画、动物或日常物品。
推荐理由：原文给出了蒸馏方案、延迟数字和与商业系统的对比结果，读者可以据此评估其实时化身生成的技术路线和落地水平。
Xiaomi MiMo@XiaomiMiMo精选AI 评分7373推荐理由：官方发布全模态模型并开放权重、技术报告和训练代码，附与 Claude Opus 5、GPT-5.6 Sol 的 Agent 基准对比数据。
Qwen 发布 Qwen3.8-LiveTranslate，采用 Interleave 架构与 Hybrid-MoE Thinker–Talker 设计重构实时同声传译，平均滞后（LAAL）从上一代的 2.8 秒降至 2.3 秒。
推荐理由：官方给出了架构设计、LAAL 从 2.8 秒到 2.3 秒的数字和多语言评测结果，读者可以据此评估其实时翻译能力的实际变化。
Qwen 发布下一代原生全模态模型 Qwen3.8-Omni-Flash，支持文本、图像、音频和视频输入及 1M token 上下文窗口，29 项评测平均分较 Qwen3.5-Omni-Plus 提升超过 25%，音频输入每小时价格下降超过 98%，音视频输入每小时价格下降超过 93%。
推荐理由：官方发布同时开放 API 和开源插件与运行时，读者可以据此评估音视频智能体在剪辑、会议、实时交互等工作流中的落地方式。
蚂蚁集团 Venus 团队与清华大学在 GitHub 开源 Realtime-Venus，一个支持全双工对话与异步任务委托的实时交互系统。系统包含三个组件：Realtime-Venus-Omni（9B，流式音视频对话与主动交互）、Realtime-Venus-Audio（9B，语音交互与音频理解）以及负责后台任务执行并将结果返回同一对话的 Harness 运行时。
推荐理由：蚂蚁和清华开源了全双工对话加异步委托任务的系统，含 9B 的 Omni 与 Audio 两个模型和 Harness 运行时，可直接下载推理或跑浏览器 demo。
OpenRouter 梳理其目录中的 DeepSeek V4 系列图像输入支持情况：V4.1 Flash 原生读图（2026年9月10日上线，$0.15/$0.60 每百万 token）。
推荐理由：原文逐一列出 DeepSeek V4 各型号是否支持图像输入、价格和调用方式，并给出文本-only 型号配视觉模型的两段式替代方案。
Google 宣布其语言技术已支持超过 300 种语言、覆盖全球 86% 人口，并发布 TranslateGemma 轻量开源翻译模型（基于 Gemini 训练、支持 55 种语言、可离线运行）。
推荐理由：原文来自 Google 对其语言技术的系统性梳理，读者可以借此了解其多语言 AI 的技术路线和数据合作方式。
生数科技正式发布 Vidu S2，包含面向数字角色实时交互的 Vidu S2-Avatar 和面向视频流实时编辑的 Vidu S2-Editing，并探索面向 VR 头显的实时空间视频生成与编辑。
推荐理由：官方发布 Vidu S2 双模型，给出实时交互、编辑与空间视频的技术路线和评测数字，读者可对照判断其流式生成思路。
阶跃星辰发布 StepAudio 3 系列，包含 Realtime、ASR、TTS、Gen 和 Music 五款模型，已在阶跃星辰开放平台上线。
推荐理由：官方完整介绍了五款模型的能力与榜单成绩，可帮助读者了解语音模型在实时交互、理解和创作上的进展。
Apple 发布新一代 Apple Intelligence，推出全面重构的 Siri AI，支持个人语境理解、屏幕感知、系统级应用操作和跨设备对话，今日起以英文测试版随 2027 系统更新推出，下月扩展至法语、日语、韩语、葡萄牙语和西班牙语。
推荐理由：官方公告完整列出 Siri AI 的能力清单、设备与语言范围，以及欧盟和中国市场暂不可用等限制，读者可据此评估适用性。
Suno 发布 v6 新一代音乐模型，与 Warner Music Group、BMG、Believe 等行业伙伴合作开发。v6 分为三档：面向 Pro 和 Premier 订阅者的旗舰模型 v6、探索向的 v6-wild，以及所有人可用的更快版本 v6-mini。
推荐理由：原文出自 Suno CEO，给出三个新模型的定位差异、新编辑控制功能和与唱片行业的合作背景，读者可以据此评估创作流程的变化。
作者实测 DeepSeek V4.1 Flash，缓存命中输入降价 7 倍多、输出砍三分之二，9 月 14 日中午 12 点起所有发往 v4-pro 的请求将被强制路由到 4.1 Flash 并按其低价计费。
推荐理由：作者实测 DeepSeek V4.1 Flash 的价格、架构参数和多个生成任务，并给出与 GLM 5.3 Flash 的对比结果和暴露的缺陷。
WorkBuddy@WorkBuddy_AI精选AI 评分7070⚡ V4.1-Flash 现已在 DeepSeek API 上线，原生支持多模态。 将你的模型设置为 deepseek-flash。 🔹 V4-Flash 和 V4-Flash-Vision-Exp 已退役。为保持兼容，deepseek-v4-flash 和 deepseek-v4-flash-vision-exp 暂时路由至 V4.1-Flash。 🔹 多方测试表明，V4.1-Flash 在性能、成本、速度和总运行时间上均领先于 V4-Pro。我们正在逐步淘汰 V4-Pro。 🔹 自 2026 年 9 月 14 日 04:00 UTC 起，所有 deepseek-v4-pro 请求将按 V4.1-Flash 的费率路由至 V4.1-Flash。此安排将持续至 V4.1-Pro 发布。 🤝 官方合作伙伴 @WorkBuddy_AI（包括 Codebuddy）和 @opencode 现已全面支持 V4.1-Flash。今天就试试吧！ 4/6
推荐理由：WorkBuddy 官宣上线 DeepSeek V4.1-Flash 并给出两周免费入口，引用内容还说明了 V4-Pro 的退役与迁移安排。