MiniMax 发布开放权重音乐生成模型 Music 3.0
MiniMax 发布开放权重音乐生成模型 Music 3.0，可基于创意描述和可选歌词一次性完成最长五分钟完整歌曲的作曲、编曲与制作。
推荐理由：原文给出架构细节和三方面能力升级，读者可以了解其开放权重音乐模型的技术路径。
多模态
全部主题文本之外的能力：视觉理解、图文混合、音视频输入输出的模型与产品进展。
当前仅显示精选新闻最新精选
第 101–120 条 · 共 241 条MiniMax Blog精选AI 评分6161 Suno Blog精选AI 评分6565 Suno Studio 2.0 发布，面向 Premier 订阅者新增 MIDI 编辑与自动化等功能
Suno 发布 Studio 2.0，现向 Premier 订阅者开放。新增时间线 MIDI 导入、录制与编辑，可用 MIDI 剪辑作为生成提示词，附带新的 wavetable 合成器；另推出 Chat bar（beta）协作创作、高级 stem 分离、音频效果与自定义插件、自动化曲线，并支持无损导出 32-bit/48kHz 多轨与 stems。插件创建目前不消耗 credits。
推荐理由：官方发布新增 MIDI、Chat bar、自动化等能力，音乐创作者可据此判断 Suno Studio 2.0 是否融入现有工作流。
Google DeepMind精选AI 评分7171 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。
推荐理由：官方介绍 SL2T 的技术路径、训练数据和实测限制，读者可以了解手语翻译从实验到消费产品的落地方式。
Google Research精选AI 评分6666 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。
推荐理由：原文给出异步多智能体架构与随机对照实验设计，读者可以据此了解视频问诊 AI 的能力边界和评估方法。
Hugging Face Blog精选AI 评分8181 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。
推荐理由：原文给出架构组成、基准对比和各推理框架的 day-0 用法，读者可以据此评估本地部署的可行路径。
Google DeepMind精选AI 评分8383 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。
推荐理由：官方Nature论文和模型开源同时落地，读者可据此了解AI气象预报达到的精度水平并直接获取代码权重。
NVIDIA Blog精选AI 评分7171 NVIDIA 发布 Cosmos 3 开放世界基础模型系列
NVIDIA 发布 Cosmos 3 开放世界物理 AI 基础模型系列，基于 mixture-of-transformers 架构，融合视觉推理、世界生成与动作预测能力。
推荐理由：原文列出 Cosmos 3 三个尺寸的定位与多项基准排名，读者可据此判断开放世界模型在物理 AI 中的分工。
InfoQ · 微信公众号精选AI 评分8181 阿里发布 Qwen3.8：2.4T 规模，自主编程 16 天产出 Hermes Agent 级框架
阿里巴巴 8 月 3 日正式发布新一代基座大模型 Qwen3.8，旗舰版 Qwen3.8-Max 总参数量 2.4T、激活 95B，支持视觉理解与 1M Tokens 上下文。
推荐理由：原文列出 2.4T 总参数、激活 95B 与 API 定价，读者可据此比较旗舰模型的规模与成本取舍。
ByteDance Seed Research精选AI 评分6868 字节 Seed 发布音视频全双工大模型 SeedRealtime 并在豆包 App 全量上线
ByteDance Seed 发布原生音视频全双工大模型 SeedRealtime，用统一架构融合音频、视频与文本，支持音视频联合理解、主动交互与流畅对话节奏。端到端人工评测显示，相比级联模型，音视频对话节奏问题减少一半。模型已在豆包 App 全量上线，用户更新后在对话框选择“打电话”进入视频通话即可体验。
推荐理由：原文给出统一架构、端到端评测数字和豆包 App 开放入口，可据此了解音视频全双工交互的能力与体验变化。
Black Forest Labs Blog精选AI 评分7474 Black Forest Labs 发布 FLUX 3 Video，支持文生视频与图生视频
Black Forest Labs 的 FLUX 3 Video 初版正式通过 BFL API 和部分合作方开放。模型可生成最长 20 秒、带原生音频的视频，支持 HD（720p）与 Full HD（1080p），并提供文本生视频、图生视频与关键帧、视频续写（最多 4 秒素材）、单次生成多镜头、多语言对话与精确口型同步、Draft Mode 快速预览等能力。
推荐理由：官方公布了模型能力和自评基准数据，并说明后续开源权重与图像版本的路线，可帮助读者评估其在视频生成工作流中的位置。
Mistral AI精选AI 评分6464 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。
推荐理由：原文解释了用问答式策略接口替代固定分类体系的设计思路，并给出训练数据构建方法，读者可以借鉴其小模型超越大模型的数据策略。
AI前线 · 微信公众号精选AI 评分7878 阿里正式发布 Qwen3.8，2.4T 规模，自主编程 16 天做出 Hermes Agent 级框架
阿里巴巴正式发布新一代基座大模型 Qwen3.8，旗舰版 Qwen3.8-Max 总参数量 2.4 万亿、激活 95B，采用稀疏 MoE 架构与混合注意力机制，支持视觉理解，上下文长度达 1M Tokens。
推荐理由：原文给出 2.4T MoE 旗舰模型的参数规模、编程能力表现和 API 定价，便于比较其性价比定位。
MiniMax Blog精选AI 评分7070 MiniMax 发布通用多模态生成模型 H3，计划近期开放权重
MiniMax 发布通用多模态生成模型 MiniMax H3，统一理解文本、图像、视频和音频上下文，可生成最长 15 秒、默认 2K 分辨率、带原生立体声的视频。
推荐理由：官方公布 H3 的统一任务设计、核心技术组件与 2K 定价对比，并预告即将开放模型权重，可了解其训练范式思路。
DeepSeek API updates精选AI 评分6565 DeepSeek 发布 V4.1-Flash 多模态模型并下调 API 价格
DeepSeek 发布全新模型结构系列中最小尺寸的 DeepSeek-V4.1-Flash，具备原生多模态视觉理解能力，GPQA Diamond 90.9、HLE 36.8、Codeforces Rating 3471。
推荐理由：DeepSeek 官方更新日志给出 V4.1-Flash 的基准成绩、API 调用方式与定价变化，可据此判断多模态小模型的落地成本。
ByteDance Seed Research精选AI 评分7373 字节 Seed 发布视频生成模型 Seedance 2.5
ByteDance Seed 正式发布视频生成模型 Seedance 2.5，延续 Seedance 2.0 的多模态音视频联合生成架构，单次生成时长从 15 秒提升至 30 秒并支持多轮延长，可生成数分钟连贯内容。
推荐理由：官方公布单次生成 30 秒、30 张图参考和时间戳编辑等具体能力变化与上线入口，读者可据此评估视频创作工作流。
Google DeepMind精选AI 评分6767 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。
推荐理由：官方公布具身推理模型的能力指标与 API 入口，开发者可以据此评估它在实体机器人任务编排中的可用性。
AI科技评论 · 微信公众号精选AI 评分8686 Kimi K3 发布开放权重与 47 页技术报告，披露三项核心架构改动
Kimi K3 发布开放权重并公开 47 页技术报告，包含 2.8T 总参数、104B 激活参数和 100 万 token 上下文。报告重点在 KDA、AttnRes 与 Stable LatentMoE 三项架构改动，分别处理模型变长、变深、变宽后的信息流问题。
推荐理由：技术报告披露的 KDA、AttnRes 与 LatentMoE 三项架构改动，可帮读者理解长上下文和长程 Agent 训练的工程取舍。
AI寒武纪 · 微信公众号精选AI 评分8484 Kimi K3 正式开源，2.8 万亿参数技术报告公布核心架构改动
月之暗面正式开源 Kimi K3，参数量 2.8 万亿、激活参数 1040 亿，支持 100 万 token 上下文并具备原生视觉理解，同步发布技术报告。
推荐理由：技术报告公开了注意力、跨层残差与 MoE 负载均衡的具体改动，可借此看清单个开源模型在万亿参数规模上的工程取舍。
量子位 · 微信公众号精选AI 评分8484 月之暗面开源 Kimi K3：2.8 万亿参数 MoE，权重、技术报告与训练 Infra 全部公开
月之暗面开源 Kimi K3 的模型权重和技术报告，2.8 万亿参数 MoE，具备原生视觉理解能力，支持 100 万 token 上下文窗口。
推荐理由：权重、技术报告与训练 Infra 一并公开，呈现 2.8 万亿参数 MoE 从架构到线上服务的工程链路。
IT Home精选AI 评分8282 月之暗面开源 2.8 万亿参数模型 Kimi K3
月之暗面开源 Kimi K3 模型，参数规模 2.8 万亿，同步放出模型权重、技术报告以及 MoonEP、FlashKDA、AgentEnv 三项支撑训练的 Infra 技术。
推荐理由：2.8 万亿参数开源模型把权重、技术报告与训练 Infra 一并放出，可对照开源模型的规模上限与工程路径。