Google DeepMind 发布 Genie 4 实时世界模型
Google DeepMind 推出 Genie 4,这是 Genie 3 的后续版本,可逐帧计算场景并响应用户输入,用户用键盘移动、用文本提示词驱动事件。DeepMind 称这是其首个直接生成声音的实时世界模型,每个世界带有自己的背景音,角色之间能对话并实时反应。
Google DeepMind 推出 Genie 4,这是 Genie 3 的后续版本,可逐帧计算场景并响应用户输入,用户用键盘移动、用文本提示词驱动事件。DeepMind 称这是其首个直接生成声音的实时世界模型,每个世界带有自己的背景音,角色之间能对话并实时反应。
Google DeepMind 发布 Genie 4 世界模型,称其在几乎各个方面都改进了 Genie 3,并借助更新后的 Gemini 模型让模拟更真实。该模型无需预先渲染环境或编写交互元素,用户只需描述需求,它便能在探索过程中逐帧实时生成体验。DeepMind 将世界模型视为通往 AGI 的关键要素,认为它可用于为物理机器人构建训练环境,或加速创意领域的原型设计。
推荐理由:文章交代了 Genie 4 相对 Genie 3 的改进方向,以及世界模型被定位为通往 AGI 的关键环节。
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。新模型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 对 GPT-6.1 Terra 做了分级,并解释了公司如何为语言模型命名。他表示模型性能是多维的,多数差距归结于模型规模,但规模并非全部——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,价格却低得多。他的建议是:只看质量选 Astra,略在意价格选 Sol,非常在意价格选 Terra 或 Luna。
OpenAI 发布 GPT-6.1 Terra,官方称其结合了细致的视觉推理与精确的电脑操作,写作也更清晰自然,定位介于 GPT-6.1 Sol 与 GPT-6 Luna 之间。
OpenAI 发布 GPT-6.1 Terra,API 输入每百万 token 1 美元、输出 5 美元,均为 GPT-5.6 Terra 的一半,缓存输入降至每百万 token 0.05 美元。
推荐理由:原文列出 GPT-6.1 Terra 与 GPT-5.6 Terra、Claude Sonnet 5.5 的 API 价格和多项基准对比,可据此判断中端模型的性价比变化。
OpenAI 发布 GPT-6.1 Terra,官方称其可在规模化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,完全基于人类语音训练,可在单块 NVIDIA GPU 上本地运行,并能同时说话和倾听。该模型能表现笑声、停顿和哭腔等情绪,Block 称情绪内建于模型而非依赖语音标签驱动,目前尚未公开开放,正邀请安全研究者测试。Dessa 可在 MacBook M4 Max 或更高配置的消费级电脑上运行。
Block 发布语音模型 Dessa,称其完全基于人类语音数据从零训练、不使用任何文本数据,直接以音频形式处理语音,可实时捕捉情绪、讽刺、笑声和停顿。该模型支持全双工交流,可在 MacBook Pro M4 Max 本地运行,训练使用单台 NVIDIA GB200 NVL72。Dessa 目前尚未公开,团队先招募 AI 安全研究人员测试潜在风险。
月之暗面发布 Kimi K3.1 Pro,这是一款总参数 2.8T、激活参数 104B 的多模态 MoE 模型,支持 100 万 token 上下文,API 已上线,权重承诺于 2026 年 11 月 4 日发布。
推荐理由:材料汇总了 Kimi K3.1 Pro 的独立评测、定价与开源承诺,可据此判断开源权重与闭源前沿的差距。
Jack Dorsey 旗下 Block 发布 AI 模型 Dessa,称其完全从零基于人类对话训练,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。
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,排名第四,仅落后 Claude Opus 5.5(58 分)3 分。
推荐理由:文章用第三方指数和多项基准对比,呈现开源权重模型与闭源前沿模型的差距收窄到 3 分。
Kimi K3.1 Pro 今日上线 Kimi API,尚未开放权重,月之暗面承诺 2026 年 11 月 4 日前发布完整模型权重。定价为输入 $2.00/百万 tokens、输出 $10/百万 tokens,与 GPT-6.1 Sol 相同、为 Claude Opus 5.5 的一半,另提供速度快 2-3 倍、价格翻倍的 Highspeed 版本。
推荐理由:作者用统一提示词实测三个推理档位,并给出与前沿闭源模型的价格和榜单对比。
Canva 发布首款自研图像生成模型 Canva Craft,由其内部实验室 Canva Research 从零训练,主要使用数百万设计模板而非照片。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,最高支持 2K 分辨率和 30 多种宽高比。该模型基于平台数百万个人工模板训练,可更准确地生成含清晰文字和精确物体摆放的复杂图像,目前在全球向所有用户开放,入口为左侧菜单三点选项中的 Dream Lab。
Canva 发布首个自研图像生成模型 Canva Craft,由公司研究团队开发,用于与 Google、OpenAI、字节跳动和 Meta 的同类模型竞争。该模型分两阶段工作,先解析提示词并规划元素空间关系、相对比例、视觉层级和文字生成信息,再生成最高 2K 分辨率、支持 30 种宽高比的图像。
Ai2 发布 OlmoEarth v1.3 卫星嵌入模型,为全球每 10 米像素生成 128 维向量,前 64 维可单独使用。团队同时公开全行星预计算年度嵌入(10m、64 与 128 维)和无需登录的 OlmoEarth Embeddings Explorer 浏览器工具,模型权重、预训练数据和代码全部开放。
AI 创业公司 Recursive 发布首个语言模型 Flint,其开发过程几乎每一步都有名为 Eureka Machine 的 AI 系统参与,由该系统提出想法、实现、测试并规划后续实验。
推荐理由:读者可以看到一个由自动化研究系统参与开发的编码模型,以及它在本地硬件上的速度与开源权重细节。
IBM 在 Hugging Face 发布 Granite Timeseries Ensemble,用一套可扩展接口组合四个 Granite 时序模型,无需重训、无需拟合集成权重即可输出中位数与分位数预测。
NVIDIA 在 GTC Berlin 展示 Earth-2 开放模型家族在欧洲的实际部署,最新成员 StormScope EU 基于 EUMETSAT 卫星观测,以 10 分钟间隔预测 16 个 Meteosat 通道的云况。
AI 初创公司 Recursive 发布首个模型 Flint,这是一个可在笔记本上运行的免费编码模型,以 Apache 2.0 许可证在 Hugging Face 开放下载。
IBM 发布 Granite Speech 5.0 系列三项更新:新模型 granite-speech-5.0-2b 支持英法德西葡日六种语言转写及与英语互译。
NVIDIA 发布预训练关系基础模型 Kumo Relational,可直接在企业数据库上做预测,无需任务特定训练、特征工程或表展平。
推荐理由:原文给出预训练关系基础模型在 41 项任务上的对比结果与开源入口,可据此判断免训练预测能否替代现有 XGBoost 流水线。
Inception 发布扩散语言模型 Mercury 3,称其在 12 项基准中赢下 8 项,运行速度为 GPT-6 Luna 和 Claude Haiku 5.5 的 4 至 8 倍。
NVIDIA 发布多变量时间序列预测模型 Kumo Forecast(原 NV-Tesseract Forecasting),基于 MOMENT-1-large 骨干,约 3.4 亿参数编码器加可训练预测头,采用 Apache 2.0 许可。
NVIDIA 扩展其开源模型家族,覆盖语言、机器人、生物和量子计算,包括新的 Nemotron 3.5 Super VL 与 Nemotron 3.5 Bolt、面向结构化业务数据的 Kumo 系列、Cosmos 3.5 世界模型、面向自动驾驶的 Alpamayo 2 Edge、BioNeMo 蛋白质设计模型和量子计算模型 Ising。
推荐理由:原文一次性列出语言、机器人、生物、量子等多条开源模型线的能力与开放渠道,便于读者对照自身场景判断可复用范围。
DeepSeek 开源其生产推理栈 DeepInfer,支持分布式推理、投机解码、SWA Bounded Replay 和结构化输出,覆盖 NVIDIA 与华为昇腾平台。
推荐理由:DeepSeek 开源生产推理栈并披露单集群 155T tokens/日与缓存命中率,读者可据此理解其服务成本结构。
NVIDIA 发布 Cosmos3-H-Dreams,基于 Cosmos3-H-Embodied-Nano 的 160 亿参数模型,用临床胆囊切除手术视频与机器人运动学训练,可在单张 RTX PRO 6000 GPU 上实时交互运行。
推荐理由:原文给出模型架构、蒸馏流程与开源入口,读者可据此判断生成式手术仿真离实时交互有多近。
ElevenLabs 发布两款语音到语音模型 Eleven Realtime,其中 Max 版在 Big Bench Audio 上得分 98.8%,响应时间 0.57 秒。
Mistral AI 发布 Voxtral 3,这是一组面向实时语音智能体的语言模型,包含语音转文字模型 Voxtral Small Transcribe 3、文字转语音模型 Voxtral Mini TTS 3,以及基于 LiveKit 的语音智能体 SDK。
Mistral 发布 Voxtral 3,包含语音转写与语音合成模型以及基于 LiveKit 的语音智能体 SDK,把听、推理、工具调用和说话串成一条实时流式管线。
推荐理由:原文给出语音智能体 SDK 与转写、TTS 模型的完整能力与定价,可据此评估实时语音工作流的落地成本。
OpenAI 表示已针对 COBOL、Fortran、Visual Basic 等低资源语言改进最新模型,并构建了 MultiLangBench 和 COBOL 迁移两项评测。
推荐理由:原文给出 GPT-6 在 COBOL、Fortran 等低资源语言上的基准提升幅度,可据此判断遗留系统迁移的可用性变化。
Cloudflare 发布 AI 模型 Clairic,称其从文档中抽取数据比大语言模型更快、成本更低,已在 Workers AI 上线预览版,开放权重即将跟进。
Kling AI 发布 4.0 版本,单次可生成最长 30 秒视频,支持最多 10 张关键帧图像输入,提示词理解扩展至 8,000 tokens。新版本加入双声道立体声和十余种语言的改进口型同步,Omni Reference 单次可接受最多 15 个参考素材,并推出最高 720p、20 秒的轻量版 Kling 4.0 Flash。
MiniMax 发布推理模型 M3.1 Flash,在 Artificial Analysis 智能指数上得分 42,比前代 M3 高 13 分,单任务成本不到其一半。
推荐理由:通过多项基准与单任务成本对比,呈现 MiniMax 与 Deepseek 在低价推理模型上的互有胜负。
DeepSeek 发布 DeepSeek-V4.1-Flash-1017,已在官网、App 和 API 上线,并在 Hugging Face 与 ModelScope 开源模型权重。
推荐理由:读者可了解 DeepSeek 新 Flash 模型在智能体与编码任务上的提升,以及每任务成本降至约 0.2 美元的变化。
Meta 发布开源权重模型 Muse Spark Open,称其为美国最强开源权重模型,采用 8160 亿参数和 100 万 token 上下文窗口,原生多模态,面向复杂编码与智能体任务。
Elorian 发布首个模型 Glimpse,以研究预览形式开放 API,聊天界面需排队。Glimpse 在推理过程中可裁剪图像区域、抽取视频帧或运行代码来测量和比较所见内容,Elorian 称这一机制为视觉草稿空间。定价为每百万 token 输入 0.60 美元、输出 3 美元,Elorian 的评测称其在科学图表推理和短视频描述上超过 GPT-6 Astra。
美国新实验室 Reflection 在 Hugging Face 发布首个开源模型 Beam,采用 MoE 架构,总参数 501B、每 token 激活 23B,支持 1M token 上下文,以 Apache 2.0 许可开放。
推荐理由:文章给出 Beam 的架构细节、多精度基准与部署配置,可据此判断自托管前沿模型的门槛。
Meta 发布开源权重模型 Muse Spark Open,采用 MoE 架构,总参数约 816B、每 token 激活约 42B,支持文本、图像、音频和视频输入,上下文窗口最高 1M tokens。
推荐理由:Meta 开源 816B 多模态 MoE 模型,文中给出各推理框架的部署命令与微调配置,可据此评估本地运行门槛。