Thinking Machines Lab 发布本地多模态模型 Inkling 2 Mini
Thinking Machines Lab 发布面向本地部署的多模态 MoE 模型 Inkling 2 Mini,约有 26B 物理总参数、每个 token 激活 3B 参数,支持 1M-token 上下文及图文输入。
推荐理由:文章拆解循环层与跨轮消息机制,并给出多套本地推理路径,便于比较模型容量、速度和显存之间的取舍。
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。
18 条精选近 30 天 12 条共收录 63 条
Thinking Machines Lab 发布面向本地部署的多模态 MoE 模型 Inkling 2 Mini,约有 26B 物理总参数、每个 token 激活 3B 参数,支持 1M-token 上下文及图文输入。
推荐理由:文章拆解循环层与跨轮消息机制,并给出多套本地推理路径,便于比较模型容量、速度和显存之间的取舍。
Google DeepMind 向符合条件的 Google AI Ultra 订阅者开放 Genie 4,并上线新版 Project Genie 体验。Genie 4 支持在探索过程中用提示词实时修改环境,并加入随场景变化的原生音频。此次更新还带来 Project Genie 智能体、社区画廊,以及最长 3 分钟的 Genie 3 单次生成;所有生成视频和音频均含 SynthID 水印。
推荐理由:Genie 4把会话中实时改写世界与原生音频结合,Project Genie智能体和社区画廊也呈现了从生成到分享的完整流程。
Vals AI 对八家提供商的模型进行测试,发现多数模型会在真实及逼真合成的无人机和卫星图像中,将平民、救护车、医护、记者和投降士兵标为军事目标,且上游安全过滤器未阻止任何请求。
推荐理由:这项跨模型测试量化了游戏化提示对拒绝率和目标获取率的影响,为自主武器场景的安全评估提供了可比较数据。
OpenAI 推出用于识别儿童性虐待材料(CSAM)的图像分类器,并在 ChatGPT 中加入警告和临时封禁机制。该分类器也能检测 AI 生成的 CSAM,部分公司可通过 API 免费使用;早期测试中,它在检出相同数量虐待图像时少标记48%的图像。ChatGPT 将警告尝试相关提示词的用户并暂停账户24小时,重复违规可能导致账户被永久移除。
推荐理由:早期合作测试显示,该分类器在检出相同数量虐待图像时少标记48%的图像,可直接减轻审核人员的筛查负担。
Qwen4-Max 在 Artificial Analysis Index 获得 43 分,比 Muse Wonder 低 1 分。Qwen4 Max(xhigh)比 Qwen3.8 Max(xhigh)高 9 分,比 Kimi K3.1 Pro(max,46)低 3 分;它还以 14.7k 次真实智能体会话的 +7.5% 净提升位列 Agent Arena 第 14 名。
推荐理由:材料并列呈现外部基准成绩与官方内部评测数据,便于比较 Qwen4-Max 相对前代的能力、token 消耗和调用成本。
QwenTeam 正式发布 Qwen4-Max,该模型基于 Qwen4 系列新架构,拥有 2.4T 主干参数、原生视觉能力和百万 token 上下文窗口。相比 Qwen3.8-Max,Qwen4-Max 在 Work360 的 Xhigh 和 High 推理强度下 token 消耗分别减少约 24% 和 35%,单个任务平均费用从 26.58 元降至 11.16 元,降低 58%。
推荐理由:原文同时披露了 Qwen4-Max 的架构变化、评测结果和成本下降,便于比较它相对 Qwen3.8-Max 在能力与 token 效率上的改进。
DeepSeek 正式开放全家桶应用 API,将 DeepSeek App 的搜索、文件输入、链接阅读、语音及安全能力接入原有 API。V4.1-Flash(deepseek-flash)在 Messages、Responses 与 Chat Completions 接口下支持相关能力,Search、Fetch、OCR、ASR、TTS 也可独立调用。
推荐理由:文章具体展示 DeepSeek 如何把搜索、文件解析、链接阅读和语音能力接入 API,并列出独立接口与调用价格,便于评估集成成本。
Google DeepMind 发布 Gemini 4 Hydrogen,并将其面向开发者、企业和消费者全球开放,用于快速执行与智能体工作流。
推荐理由:文章同时给出 Hydrogen 的性能、价格与安全数据,并说明 Orchestrator 如何在 Carbon 与 Hydrogen 间切换,便于理解其在开发工作流中的定位。
Google 发布 Gemini Decision 1 模型与 Gemini Decisions API,支持在一次请求中对文本、图片、音频、视频和 PDF 进行最多 1,000 个 yes/no、choice 或 rubric-scoring 问题评估。
推荐理由:原文给出单次处理多模态输入和 1,000 个问题的接口设计,并列出延迟、价格与置信度输出,便于评估其在路由和审核流程中的适用性。
AI at Meta 发布 Muse Ember,并将其带到 GoogleCloud;Muse Wonder 和 Muse Spark 1.3 也一同被带到 GoogleCloud。Muse Ember 是其最小且高效的模型,支持 1M-token 上下文窗口,以及文本、图像、音频和视频的原生理解,可跨应用串联工作流、按序调用工具、运行测试并定向修复代码。
推荐理由:原文同时交代了 Muse Ember 的模型定位、1M-token 上下文窗口和多模态输入,以及跨应用调用工具、测试与定向修复代码的智能体工作流。
Mistral AI 发布改进版 Mistral Large 4(Le Chonk)的模型权重,这款 1-trillion-parameter 原生多模态模型提供 Low、Medium、High 三种推理模式,并提升编码、防御性网络安全和推理效率。
推荐理由:原文把编码、防御性网络安全和推理效率的公开评测,与开放权重及自部署路径放在一起,便于判断模型的工程使用价值。
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。
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。
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。
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。