Google DeepMind 发布 Genie 4 世界模型
Google DeepMind 发布 Genie 4 世界模型,支持用自然语言实时动态改变天气、镜头和环境元素,并操控世界及其声音环境。Gemini 充当模拟的“brain”,将请求转为动作、规划复杂事件、跟踪场景变化并随故事调整;Genie 4 还加入环境音和可实时适应的互动人类对话。
推荐理由:原文同时交代了 Genie 4 的实时操控方式与底层分工,展示世界模型如何结合自然语言、环境声音和动态对话运行。
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。
34 条精选近 30 天 22 条共收录 112 条
Google DeepMind 发布 Genie 4 世界模型,支持用自然语言实时动态改变天气、镜头和环境元素,并操控世界及其声音环境。Gemini 充当模拟的“brain”,将请求转为动作、规划复杂事件、跟踪场景变化并随故事调整;Genie 4 还加入环境音和可实时适应的互动人类对话。
推荐理由:原文同时交代了 Genie 4 的实时操控方式与底层分工,展示世界模型如何结合自然语言、环境声音和动态对话运行。
OpenAI 发布 GPT-6.1 Terra,定位为以更低价格提供快速且胜任多类任务的电脑操作。该模型能理解屏幕内容、跨应用执行操作并自然写作,面向整个工作日提升使用效率。
推荐理由:原文交代了 GPT-6.1 Terra 的屏幕理解、跨应用操作和自然写作能力,以及面向整个工作日的效率与价格定位,便于判断其电脑使用方向。
DeepSeek 将 DeepSeek V4.1 Flash 更新至 V4.1-Flash-1017,官方网页端、APP 与 API 已同步切换到新模型。
推荐理由:材料同时给出新版模型的基准对比、适配框架,以及 Search/Fetch 接口 5 元/千次的价格,便于评估升级与接入成本。
Mistral AI 发布 Timestral 时间序列基础模型家族,提供 5M、28M、123M 和 209M 四种规模,支持多变量概率预测、过去协变量和已知未来协变量。
推荐理由:原文同时给出四种参数规模、CPU 推理延迟和公开基准结果,便于比较时间序列基础模型的精度、效率与部署成本。
Qwen 发布 Qwen-Image-2.1-Turbo 并开放权重,这是基于 Qwen-Image-2.1 同一 7B 视觉生成架构的加速 checkpoint,可用 8 个去噪步骤生成和编辑 2K 图像。Qwen-Image-2.1 Pro 和 Turbo API 现已正式上线,用户也可以通过 Diffusers 使用 Turbo 权重。
推荐理由:材料给出 8 步采样、2K 图像和自然语言编辑等具体信息,便于比较开放权重工作流与托管 API 的使用方式。
Mistral AI 发布 Mistral Large 4 公共预览版,这是一款 1 trillion-parameter、52 billion active parameters 的原生多模态模型,预览 API 已可在 Mistral Studio 试用。
推荐理由:文章集中披露 Mistral Large 4 的参数规模、核心基准与预览 API,并交代月底发布权重的计划,便于把握其能力范围和开放节奏。
Qwen-Image-2.1 开源,将文生图与图像编辑整合在同一模型中,视觉生成部分为 7B 参数,并原生支持透明图像的生成与编辑。该模型最多支持 10 张参考图输入,也支持圈选、涂抹和独立掩码等局部编辑方式。
推荐理由:原文同时交代了 7B 视觉生成规模、透明图像处理和最多 10 张参考图编辑能力,便于了解其在创作与设计场景中的适用范围。
Qwen3.8-LiveTranslate 发布,采用 Interleave 架构,将字均延迟(LAAL)从上一代的 2.8 秒降至 2.3 秒。模型支持 60 种语言输入音频与输出文本、29 种输出音频语言,并新增实时说话人分离、原文译文同帧同出和长上下文消歧。文章还给出了通过 DashScope API 使用实时同传客户端的示例。
推荐理由:文章给出 Qwen3.8-LiveTranslate 的 Interleave 架构、2.3 秒字均延迟和多说话人长音频评测结果,便于理解其实时同传的能力变化。
Qwen3.8-Omni-Flash 正式上线,支持文本、图像、音频和视频输入,以及 1M 长上下文。在累计 29 项评测中,相比上一代 Qwen3.5-Omni-Plus 平均得分提升超过 25%。API 每小时音频输入价格降幅超过 98%,音视频输入价格降幅超过 93%。
推荐理由:原文提供了与上一代模型的评测和价格对比,帮助判断 Qwen3.8-Omni-Flash 在音视频 Agent 场景中的变化。
DeepSeek 正式发布 552B 参数的 MoE 模型 DeepSeek V4.1 Flash,具备原生多模态视觉理解能力并同步上线 DeepSeek API。
推荐理由:文章同时交代了 DeepSeek V4.1 Flash 的架构、缓存成本变化、API 使用方式和开源入口,有助于判断其部署与使用影响。
DeepSeek 将全新的多模态视觉理解模型 DeepSeek-V4-Flash-Vision-Exp 上线 DeepSeek API,用户可通过指定 model='deepseek-v4-flash-vision-exp' 访问。
推荐理由:材料同时给出文本与多模态 Agent 基准对比,并说明 API、图片传入和 Files API 的接入方式,便于判断模型的适用场景。
DeepSeek 发布 DeepSeek V4 Pro 正式版,并同步更新至 APP、网页端和 API。模型增强了 Agent 能力,API 原生支持 OpenAI Responses API 并适配 Codex;V4-Pro 和 V4-Flash 思考模式新增 low、high、max 三档。API 将于北京时间 2026 年 8 月 17 日 0 时启用峰谷定价,闲时价格为高峰时段的一半。
推荐理由:原文同时交代了 DeepSeek V4 Pro 的 Agent 能力、Responses API 接入、思考强度与峰谷定价变化,便于评估升级成本和接入方式。
Meta Superintelligence Labs 发布 Muse Spark 1.1,这是一款面向 Agent 任务的多模态推理模型,并通过 Meta Model API 向开发者开放公开预览。
推荐理由:原文展示了 1 million tokens 上下文、工具调用和多智能体编排能力,并开放 Meta Model API 公开预览,读者可据此了解 Muse Spark 1.1 在复杂 Agent 工作流中的使用方式。
Meta Superintelligence Labs 发布 Muse Image,并预览 Muse Video。
推荐理由:文章交代了 Muse Image 的工具调用、自我优化和多参考合成机制,以及 Muse Video 的预览状态与开放范围,便于理解这次发布的能力边界。