字节跳动 SeedRealtime 音视频全双工大模型：原生融合三种模态，对话节奏问题减少一半
字节跳动 Seed 团队推出原生音视频全双工大模型 SeedRealtime。它的核心主张可以用一句话概括：基于统一架构原生融合音频、视频与文本，实现「边看、边听、边说」的实时多模态交互。官方披露其具备音视频联合理解、主动交互与流畅对话节奏…
最新文章 第 125 页 共 174 页
微软开源 Mage 多模态模型家族：4B 参数含 Mage-VL 与 Mage-Flow，视觉 Token 减少 75%
微软开源了 4B 参数的多模态模型家族 Mage，包含两个成员：专注流式视频与图像理解的 Mage-VL，以及负责图像生成与编辑的 Mage-Flow。几个数字相当亮眼——Mage-VL 采用 Codec-Native 编码，视觉 Toke…
Loopit 开源实时交互视频世界模型 Zing-0.5：5B 参数支持键盘操控，单卡 RTX 5090 超 24 FPS
Loopit 开源了实时交互视频世界模型 Zing-0.5。这是一组相当有冲击力的数字：5B 参数（基于 Wan2.2-TI2V-5B），支持键盘操控与自然语言语义改写的联合控制，单卡 RTX 5090 可跑超过 24 FPS 实时生成，一…
英伟达开源自动驾驶推理模型 Alpamayo 2 Super：LingoQA 登顶，商用许可开放微调
英伟达推出开源智能汽车推理模型 Alpamayo 2 Super。它基于 Cosmos 3 Super Reasoner 构建，采用 OpenMDW 1.1 商业许可——这意味着允许商用与微调，这在自动驾驶领域并不常见。能力层面，模型在 L…
腾讯混元 Hy-MT2-1.8B 端侧翻译模型：Sherry 1.25-bit 量化压缩，33 语种支持离线实时翻译
腾讯混元正式推出端侧翻译模型 Hy-MT2-1.8B。这款模型最值得关注的不是参数规模，而是量化压缩——通过 2-bit 与自研 Sherry 1.25-bit 技术把原本 3.3GB 的模型做到极致压缩，同时保持翻译质量几乎无损，官方披露…
腾讯混元开源投机解码框架 AngelSpec：DFly 平均加速 1.98–2.40 倍，代码数学峰值 2.86 倍
结论先行：腾讯混元团队开源了投机解码框架 AngelSpec，覆盖从 drafter 训练、架构设计到线上部署的完整链路。同时开源的还有 Hy3-A21B 的 MTP 与 DFly drafter 权重及训练代码。实测数据相当亮眼：DFly…
英伟达开源 Nemotron 3 Embed 文本嵌入模型：8B 版 RTEB 78.5% 登顶，1B 版保留 95% 检索精度
结论先行：英伟达开源了文本嵌入模型系列 Nemotron 3 Embed，专为检索增强生成（RAG）与智能体检索设计。系列包含 8B 与 1B 两种参数规模，支持 32k 上下文窗口与 34 种语言。旗舰版 8B 模型在 RTEB 多语言检…
Qwen-UI-Agent 发布：阿里通义 GUI 智能体基座模型，100+ 真机 150+ 应用训练超越 GPT、Claude、Gemini
结论先行：阿里通义推出 GUI 智能体基座模型 Qwen-UI-Agent，覆盖手机、电脑、网页以及深度搜索四类场景。它的训练数据来自 100+ 台真机与 150+ 应用，在 MobileWorld、OSWorld、WebArena 等多项…
微软 MAI-Code-1.1-Flash 编程模型上线：Terminal-Bench 2.1 提升 22%，价格降至初代四分之一
结论先行：微软推出升级版编程模型 MAI-Code-1.1-Flash，在代码能力、速度和价格三个维度同时做了大幅调整——Terminal-Bench 2.1 测试表现提升 22%，.NET 任务提升 15%，Token 生成速度提升 25…
Qwen-Audio-3.0 语音模型系列上线千问平台：ASR、TTS、Realtime 三箭齐发
结论先行：阿里通义把 Qwen-Audio-3.0 系列三款语音模型一次性推上千问 AI 平台，开发者可以通过 API 或 Token Plan 两种方式调用。这不是单模型的版本号刷新，而是把「听清—说话—实时对话」这条链路拆成了三款可以独…