Cloudflare 推出基于 Qwen 的开源多模态决策模型 Clef

Cloudflare 推出基于 Qwen 的开源多模态决策模型 Clef，含 Clef 与 Clef-flash 两款，分别基于 Qwen3.8-27B 和 Qwen3.5-9B。

elvis@omarsar0AI 评分5858

Tavus 发布 Griffin，称其为首个通过视频图灵测试的 Human Interaction Model，48% 的实时对话者认为它是真人，此前系统通过率低于 3%。它是一个 video-to-video 模型，能边看边听、被打断和打断对方，并 reacting 房间内发生的情况；在 NVIDIA Video Full-Duplex Benchmark 上生成得分 3.83/5，真人为 3.92。

Microsoft AI 发布 MAI-Transcribe-2-Streaming 及 MAI-Voice-2.1 语音模型

Microsoft AI 发布实时流式转写模型 MAI-Transcribe-2-Streaming，在 Artificial Analysis 的最终与部分转写准确率均排名第一，支持 60 种语言，接收到音频后约 100ms 内产出首个 partials，内部评测显示实时听写场景出词速度比最接近的竞品快 2x，年底前 introductory 价 $0.54 每小时音频。

OpenRouter@OpenRouterAI 评分4545

1/ 来自 @theunbiasedco 的 Pareto 26.10 Preview 现已在 OpenRouter 上线，输入 $0.80/M，输出 $3.20/M，而当前 Pareto 为 $2.50/$7.50。 一款面向研究、编程和智能体工作流的多模态复合模型，具备 1M 上下文、文本和图像输入，以及工具调用。

Microsoft Research@MSFTResearchAI 评分3434

微软研究院发布早期研究项目 Quine，一个面向生物学的多模态世界模型，通过连接不同生物学尺度和模态的洞察，帮助科学家在计算空间中搜索并优先排序假设，再进入实验室验证。实验结果会作为反馈，帮助研究者优化后续研究方向。

Microsoft Research 发布生物研究领域 AI 系统 Quine

Microsoft Research 推出 Quine，一个面向生物学的多模态世界模型与交互式 harness，连接科学工具、文献和研究人员。在与 Broad Institute 合作中，Quine 用于预测可驱动胰腺癌肿瘤细胞状态转变的化合物，排名第一的候选化合物在湿实验中产生了最大的预期细胞状态转变，从缩小化合物范围到确定候选名单仅用了一个周末。

inclusionAI 发布开源全模态模型 Ming-flash-omni 2.0

inclusionAI 在 Hugging Face 发布开源全模态模型 Ming-flash-omni 2.0，基于 Ling-2.0 MoE 架构，总参数 100B、激活 6B，称在开源全模态 MLLM 中达到 SOTA。

Claude@claudeaiAI 评分2929

一组 Claude Sonnet 5.5 的早期实验。 @_re_pete 用 Sonnet 5 与 Sonnet 5.5 制作的秋叶模拟器对比。

karminski-牙医@karminski3AI 评分5959

美团 LongCat 发布 LongCat-2.5-Preview 模型，总参数 1.6T、激活约 48B，支持 1M token 上下文窗口，原生多模态，面向终端、浏览器、GUI、表格和设计工具等长程任务。API 与聊天入口分别见 https://longcat.ai/platform/ 和 https://longcat.ai/chat/；作者补充定价与之前一样，图中显示输入（缓存未命中）2.00 元/百万 token，输入（缓存命中）0.04 元/百万 token，输出 8.00 元/百万 token。

Liquid AI 发布 LFM2.5-VL-3B 的 DSpark 草稿模型，解码最高提速 3.13x

Liquid AI 为视觉语言模型 LFM2.5-VL-3B 发布实验性 DSpark 草稿模型，通过投机解码在不改变输出质量的前提下加速推理。解码最高提速 3.13x（M5 Max 设备端）和 2.66x（H100），端到端最高提升 2.62x 和 2.27x。

inclusionAI 开源 Ming-UniVision-16B-A3B 统一图像理解与生成模型

inclusionAI 在 Hugging Face 开源 Ming-UniVision-16B-A3B，基于 MingTok 连续视觉 token，在单一自回归 NTP 框架内统一图像理解与生成，官方称联合训练收敛速度提升 3.5 倍。

inclusionAI 发布原生多模态模型 Ling-3.0-flash-VL

inclusionAI 发布 Ling-3.0-flash-VL，基于 Ling-3.0-flash 扩展原生图像与视频理解，总参数 124B，每 token 激活 5.5B，上下文窗口最高 256K tokens。

inclusionAI 发布 Ming-flash-omni Preview 多模态模型

inclusionAI 在 Hugging Face 发布 Ming-flash-omni Preview，基于 Ling-Flash-2.0 稀疏 MoE 架构，总参数 100B、每 token 激活 6B。

Google AI@GoogleAIAI 评分5858

Google AI 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款语音生成模型，支持 100+ 语言自定义声音和 2,000+ 现成声音，可逐行控制语气并添加 <laughs>、|mhm| 等自然提示，生成数小时一致、无毛刺的音频。

Google DeepMind 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS 语音生成模型

Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款文本转语音模型，支持用自然语言提示词设计角色声音、30 秒音频样本复刻声音，并逐行指挥表演。

Qwen@Alibaba_QwenAI 评分6464

千问（Qwen）发布 Qwen-Audio-3.1，升级 ASR、TTS 和 Realtime 三款模型，并新增面向音频创作的 TTS-Next 和面向音频理解的 ASR-Next，共五款模型覆盖理解、生成、交互与创作。

inclusionAI 开源全双工交互系统 Realtime-Venus，含 Omni 与 Audio 两个 9B 模型

inclusionAI（Venus Team，蚂蚁集团与清华大学）在 Hugging Face 开源 Realtime-Venus，包含基于 MiniCPM-o 4.5 的 9B 视听交互模型 Realtime-Venus-Omni 和纯音频模型 Realtime-Venus-Audio。

Google AI@GoogleAI精选AI 评分7474

Google AI 发布 Gemini 3.8 Live 和 3.8 Live Extended Thinking 两款语音模型。

inclusionAI 发布 MoE 块扩散视觉语言 GUI Agent 模型 LLaDA-UI

inclusionAI 在 Hugging Face 开源 LLaDA-UI，一个基于 MoE 的块扩散视觉语言 GUI Agent，总参数约 16.7B，语言骨干为 LLaDA2.0-mini-base。

Ant Ling@AntLingAGIAI 评分4949

Ling-3.0-flash-VL 两项更新： - 现已在 OpenRouter 上线，提供两周免费访问 - FP4 和 INT4 量化版本现已开源 可通过 API 试用或自行部署——由你选择。

SiliconFlow@SiliconFlowAI精选AI 评分6767

DeepSeek-V4.1-Flash 在 SiliconFlow 实现 Day 0 上线。该模型为 552B MoE，prefill 约激活 8B、decode 约激活 16B，支持原生视觉和 1M 上下文窗口，KV cache 占用相比 V4 Flash 缩小约 4 倍，采用 MIT 协议开源。

Ant Ling@AntLingAGIAI 评分5454

Novita 与蚂蚁百灵合作，在 Hugging Face 上线 Ling-3.0-flash-VL，前 14 天免费。模型总参数 124B、每 token 激活 5.5B，原生支持图像与视频理解，面向多模态推理和智能体工作流。

DeepSeek 发布 DeepSeek-V4.1-Flash，API 价格同步下调

DeepSeek 正式发布 DeepSeek-V4.1-Flash，是全新模型结构系列中最小尺寸模型，具备原生多模态视觉理解能力，设计目标是能力上限更高、推理更快、吞吐更大。

SiliconFlow@SiliconFlowAIAI 评分6464

DeepSeek-V4-Flash-Vision-Exp 现已上线 SiliconFlow，并可通过 OpenRouter 使用。该模型基于 V4 Flash 增加视觉理解，面向多模态任务与智能体，支持 1M 上下文，采用 MIT 协议，图片显示输入价格为 $0.44/M tokens，缓存输入 $0.028/M tokens，输出 $1.32/M tokens。

Google DeepMind 发布 WeatherNext 3 全球 AI 天气模型

Google DeepMind 与 Google Research 发布 WeatherNext 3，称其为最先进准确的全球 AI 天气模型。模型直接学习实时卫星数据和气象站观测，逐小时产出最高 5 公里分辨率预报，精度约为 WeatherNext 2 的五倍；中期降水预报 CRPS 相对 IMERG 提升最高 60%。

H Company 发布 NeoMME 多语言多模态编码器，含 260M 与 800M 两种规格

H Company 发布 NeoMME 系列多语言多模态编码器，有 260M 和 800M 两种规格，用单个双向 Transformer 从头训练处理文本 token 和 32×32 图像 patch，不依赖预训练视觉塔或因果语言模型。

Fei-Fei Li@drfeifeiAI 评分5757

Fei-Fei Li 宣布 World Labs 团队发布从零训练的多模态世界模型 Atlas。该模型支持像素级精准的相机控制生成帧、从单张输入图像重建大场景、通过重排视频帧模拟时空、从一或多张图像原生输出 3D 空间，以及将多张带位姿图像组合成一致的 3D 世界，潜在应用覆盖 VFX 到机器人。

Runway 发布 Interface World Model 首个模型 Solaris，实时生成可交互界面

Runway 发布 Solaris，定位为 Interface World Model 系列的首个模型，基于 Gen-4.5 改造，逐帧实时生成应用和网站界面，无需代码等中间表示。用户研究显示 250 名参与者约 7500 次成对评判中，61% 偏好其遵循指令（对比编码界面的 24%），71% 认为交互更自然；文本渲染、长会话一致性和无障碍集成仍是待解难题，现已开放早期访问申请。

Z.ai@Zai_org精选AI 评分7272

智谱（Z.ai）发布 GLM-5.3-Flash，称具备有竞争力的价格与原生多模态能力，上下文窗口为 1M token，为 320B-A18B 模型并以 MIT License 开源权重。该模型此前曾以 Ox Alpha 名义预览，完全运行于中国 AI 芯片；现已在官方平台提供权重、API、Coding Plan、ZCode、Chat 和 AutoClaw 入口。

DeepSeek@deepseek_aiAI 评分6060

DeepSeek 宣布实验性多模态模型 DeepSeek-V4-Flash-Vision-Exp 上线 DeepSeek API 平台，文本能力（含 Agent、推理、世界知识）与 DeepSeek-V4-Flash 持平。

DeepSeek 发布实验版多模态模型 DeepSeek-V4-Flash-Vision-Exp

DeepSeek 在 API 平台上线实验性多模态视觉理解模型 DeepSeek-V4-Flash-Vision-Exp，通过设置 model='deepseek-v4-flash-vision-exp' 即可调用。

Google DeepMind 发布手语转文本模型 SL2T，率先在 Pixel 11 的 Gboard 和 Live Transcribe 中支持 ASL

Google DeepMind 发布多语言手语转文本（SL2T）模型，首次将手语 AI 用于消费产品，在 Pixel 11 的 Gboard 和 Live Transcribe 中支持 ASL 转英文，后续将扩展更多语言和设备。

Google Research 推出 AMIE (Video)：实现实时音视频临床问诊，表现达到专科医生水平

Google Research 发布 AMIE (Video)，基于 Gemini 和 Project Astra 构建实时视频临床问诊系统，采用 Talker、Planner、Perception 三个并行智能体的异步架构。

Meta 发布开源多模态模型 Muse Glimmer-30B，主打本地智能体场景

Meta 发布从 Muse 蒸馏而来的 30B 多模态模型 Muse Glimmer，采用 Apache 2.0 许可，面向本地隐私场景的智能体用途。模型由 2B ViT 视觉编码器和 28B 文本解码器组成，支持图像、视频、多模态工具调用和目标检测，并附带基于 DFlash 的可选投机解码。

Google DeepMind 开源 WeatherNext 气旋预报模型，Nature 论文显示精度领先一天

Google DeepMind 发表 Nature 论文并开源 WeatherNext 2 与 WeatherNext Cyclones 模型，单模型以 SOTA 精度预测气旋路径、强度和风结构，平均多出 24 小时提前量，相当于约十年气象学进步。

Mistral AI 开源 3B 多模态安全分类器 Shieldstral

Mistral AI 发布开源多模态安全分类器 Shieldstral，权重 3B，采用 Apache 2.0 协议。模型将内容审核改写为推理时的问答任务，用户用自然语言给出政策，无需重训即可适配文本、图像和 prompt–response 对的审核。

Google DeepMind 发布 Gemini Robotics ER 2 具身推理模型，新增视频理解与多机器人协作

Google DeepMind 发布 Gemini Robotics ER 2 具身推理模型，可通过连续视频流追踪任务进度、编排多步任务，并支持多机器人协作，将运动执行交给下层 VLA 模型。

Microsoft AI 发布 MAI-Image-2.5-Pro 和 MAI-Voice-2-Flash 公开预览版

Microsoft AI 发布 MAI-Image-2.5-Pro 和 MAI-Voice-2-Flash，两款模型均进入公开预览。

Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 和 3.5 Flash Cyber

Google DeepMind 发布三款 Gemini 模型：3.6 Flash 在 Artificial Analysis Index 上输出 token 用量比 3.5 Flash 减少 17%。

Hugging Face 发布 Thinking Machines 多模态开源模型 Inkling 使用指南并推出 Inkling-Small

Thinking Machines 的开源多模态模型 Inkling 上线 Hugging Face，总参数 975B（激活 41B），原生接收图像、文本和音频输入，支持 1M 上下文和 1M token 训练语料中的 45 万亿 token 多模态训练，同日推出 276B 总参数、12B 激活参数的 Inkling-Small。