โปรเจกต์ NIL-3B ได้เผยแพร่บิลด์ GGUF ชื่อ nil-3b-q4_k_m.gguf สำหรับรันโมเดลในเครื่องด้วยรันไทม์การอนุมานที่รองรับ GGUF ผู้ใช้ติดตั้ง dependencies แล้วรัน `python -m src.chat` ซึ่งคาดหวังไฟล์ GGUF ไว้ที่ root ของโปรเจกต์ รีโประบุว่า LICENSE ครอบคลุมเฉพาะซอร์สโค้ด และไม่ได้ยืนยันสิทธิ์ด้านไลเซนส์หรือการเผยแพร่ต่อสำหรับน้ำหนักโมเดลหรือข้อมูลฝึก
Google เปิดตัว Gemini 4 Hydrogen โมเดลแบบ closed-weights จาก Google DeepMind ที่วางตำแหน่งต่ำกว่า Gemini 4 Carbon และ Argon ในฐานะโมเดลหลักสำหรับงานเขียนโค้ดและเวิร์กโฟลว์แบบเอเจนต์ โดยมีหน้าต่างรวม 1,048,576 โทเคน มีสี่ระดับการคิดโดยค่าเริ่มต้นคือ high และราคา API อยู่ที่ $1.50/$7.50 ต่อ 1M โทเคนอินพุต/เอาต์พุต เท่ากันตลอดหน้าต่างทั้งหมด Google รายงานผล 57% บน Terminal-Bench 4.1 เทียบกับ 18.2% ของ Gemini 3.8 Flash และ 51 บน Artificial Analysis Intelligence Index แต่โมเดลนี้อยู่อันดับเพียง #5 บน Agent Arena; การจับคู่กับ Carbon ใน Antigravity ใช้โควตาน้อยลง 24% และเสร็จเร็วกว่า Carbon เดี่ยว 19%
เหตุการณ์เดียวกัน รายการคัดสรรอ้างถึง“Google DeepMind releases Gemini 4 Hydrogen, a faster Gemini 4 model for coding and agentic workflows”
inclusionAI เปิดตัว Duo-1.0-distill-quant ซึ่งเป็นน้ำหนัก Realization แบบสี่สเต็ปที่ผ่านการควอนไทซ์เป็น FP8 และกลั่นแล้ว สำหรับโมเดลโลกมัลติโหมดแบบฟูลดูเพล็กซ์ Duo 1.0 น้ำหนักนี้จะซ้อนทับบนชุด inclusionAI/Duo-1.0-causal-base ซึ่งจัดเตรียม Intent, โคเดก, โมเดลเสียงพูด และแกนหลัก Realization ที่ใช้ร่วมกัน และจำเป็นต้องมีรันไทม์ที่รองรับรูปแบบ ModelOpt FP8 ที่แพ็กเกจมา น้ำหนักเหล่านี้เริ่มต้นจาก MiniMax H3 แล้วจึงฝึกโดยทีม Duo
inclusionAI ได้เปิดตัว Duo-1.0-distill ซึ่งเป็นน้ำหนัก Realization แบบกลั่นสี่ขั้นสำหรับ Duo 1.0 โมเดลโลกมัลติโหมดแบบฟูลดูเพล็กซ์สำหรับการโต้ตอบเสียง-ภาพแบบเรียลไทม์ น้ำหนักนี้จัดส่งในรูปแบบ PyTorch Distributed Checkpoint overlay บนชุด inclusionAI/Duo-1.0-causal-base โดยใช้ Euler sampler จำนวน 4 ขั้นและ flow shift 5.0 น้ำหนักเหล่านี้เริ่มต้นจาก MiniMax H3 แล้วจึงฝึกโดยทีม Duo
Sing VL S1 โมเดลตัดสินใจมัลติโหมดัลขนาด 4B พารามิเตอร์ที่สร้างบน Qwen3.5 ขณะนี้มี GGUF release สำหรับการอนุมานบน CPU ผ่าน llama.cpp แล้ว จัดส่งในรูปแบบ decoder BF16 (8.42 GB), Q8_0 (4.48 GB) และ Q4_K_M (2.71 GB) พร้อม vision projector F16 ที่ใช้ร่วมกัน โดยมี context ขนาด 4096 โทเคนเป็นค่าเริ่มต้น การตรวจสอบ GGUF ครอบคลุม 9 ตัวอย่างและ 11 คำถาม คะแนนสาธารณะแบบเต็มสำหรับ GGUF variants ยังอยู่ระหว่างรอ
Google เปิดตัว Gemini 4 Hydrogen โมเดลต้นทุนต่ำที่สุดในตระกูล Gemini 4 ในราคา 1.50 ดอลลาร์ต่อล้านโทเค็นอินพุต, 0.075 ดอลลาร์สำหรับอินพุตแคช และ 7.50 ดอลลาร์ต่อล้านโทเค็นเอาต์พุต Simon Willison ตั้งข้อสังเกตว่า Carbon และ Argon มีราคา 2.00/0.10/10.00 ดอลลาร์จนถึงวันที่ 30 พ.ย. 2026 และจะเพิ่มเป็นสองเท่าตั้งแต่ 1 ธ.ค. 2026 ดังนั้น Hydrogen ในปัจจุบันจึงถูกกว่าโมเดลพี่น้องที่ใหญ่กว่าเพียงประมาณ 25% ซึ่งช่องว่างนี้จะกว้างขึ้นเป็นประมาณ 75% หลังจากการขึ้นราคา Hydrogen ยังเป็นโมเดลระดับฟรีใหม่และจะขับเคลื่อนฟีเจอร์ AI ใน Google Search
เหตุการณ์เดียวกัน รายการคัดสรรอ้างถึง“Google DeepMind releases Gemini 4 Hydrogen, a faster Gemini 4 model for coding and agentic workflows”
Google เปิดตัว Gemini 4 Hydrogen โมเดลที่สร้างขึ้นเพื่อการประมวลผลที่รวดเร็วในงานเขียนโค้ดประจำวันและเวิร์กโฟลว์แบบเอเจนต์ โดยเปิดให้ใช้งานทั่วโลกผ่าน Gemini API, AI Studio, Gemini for business, แอป Gemini, Google Search และ Google Antigravity
เหตุการณ์เดียวกัน รายการคัดสรรอ้างถึง“Google DeepMind releases Gemini 4 Hydrogen, a faster Gemini 4 model for coding and agentic workflows”
Cloudflare Workers AI ได้เปิดตัว Clairic ในรูปแบบพรีวิว ซึ่งเป็นโมเดลสกัดข้อมูลแบบ strongly typed ที่ดึงข้อมูล คำนวณ ประมาณการ และพยากรณ์ค่าจากอินพุต พร้อมส่งคืนคะแนนความเชื่อมั่นและความน่าจะเป็นสำหรับแต่ละเอาต์พุต โมเดลนี้มีหน้าต่างบริบท 65,536 โทเคน รองรับวิชัน มีการเก็บข้อมูลเป็นศูนย์ และมีราคา $0.10 ต่อ 1 ล้านโทเคนอินพุต ในตัวอย่างใบแจ้งหนี้ที่ dokumented ไว้ Clairic สกัดฟิลด์ต่างๆ เช่น หมายเลขใบแจ้งหนี้ วันครบกำหนด และยอดรวม ส่งคืน null พร้อม p_null 1 สำหรับหมายเลข PO ที่หายไป และให้ค่ามัธยฐาน 30 พร้อมช่วง p10-p90 ที่ 21 ถึง 38 สำหรับ days_to_pay
Fish Audio เปิดตัว Live 3 โมเดลเสียงแบบฟูลดูเพล็กซ์สำหรับเอเจนต์เสียงแบบเรียลไทม์ ที่ยังคงฟังอยู่ขณะพูด และเรียนรู้การผลัดกันพูดจากบทสนทนาของมนุษย์จริง แทนที่จะใช้กฎไปป์ไลน์ที่ปรับแต่งด้วยมือ Fish Audio กล่าวว่าสามารถตัดสินใจตอบสนองได้ภายในเวลาเพียง 186 มิลลิวินาทีสำหรับการตอบสนองสั้นๆ อย่าง "อืม-ฮึม" แม้ว่าตัวเลขดังกล่าวจะเป็นค่าต่ำสุดสำหรับการตอบสนองเล็กๆ น้อยๆ ไม่ใช่เวลาถึงเสียงแรกสำหรับการตอบกลับเต็มรูปแบบ และยังไม่มีการเผยแพร่คะแนน benchmark ใดๆ Live 3 ทำงานบน Fish Agent Platform (เบต้าสาธารณะ), Fish Audio API และแบบ on-premises สำหรับองค์กร โดยมีราคา 0.035 ดอลลาร์ต่อนาทีจนถึงวันที่ 31 ธันวาคม 2026 เทียบกับราคาปกติ 0.07 ดอลลาร์ และรองรับเฉพาะภาษาอังกฤษเท่านั้น
Edge0 เปิดซอร์ส Edge0-145B และ Edge0-120B พร้อมเฟรมเวิร์กอินเฟอเรนซ์แบบรวมศูนย์และเครื่องมือสำหรับการดีพลอย โดยอ้างว่า Edge0-145B เป็นโมเดลออนดีไวซ์ขนาด 145B พารามิเตอร์ตัวแรกที่เปิดซอร์ส บริษัทรายงานว่ามีหน่วยความจำสูงสุด 29GB, พรีฟิลล์เกิน 1,100 โทเคน/วินาที, ดีโค้ดเกิน 80 โทเคน/วินาที และใช้พลังงานทั่วไปประมาณ 120W บนแล็ปท็อปที่รองรับ โดยมีคอนเท็กซ์ 128K–256K บริษัทอ้างคะแนนภายในที่ 64.6 บน DeepSWE 1.1, 86.52 บน Terminal-Bench 2.1, 90.4 บน GPQA-Diamond และ 80.6 บน IFBench และระบุว่าน้ำหนักโมเดลอยู่บน Hugging Face พร้อมรองรับ macOS, Windows และ Linux ตั้งแต่วันแรก
ทำไมเรื่องนี้สำคัญ: Edge0 เปิดซอร์สโมเดลออนดีไวซ์ขนาด 145B ที่รายงานหน่วยความจำสูงสุด 29GB และดีโค้ดเกิน 80 โทเคน/วินาที ซึ่งเป็นข้อมูลเชิงประจักษ์ว่าการอินเฟอเรนซ์ในเครื่องสามารถขยายขนาดได้ไกลเพียงใด
Liquid AI เปิดตัว LiquidCodec โทเคไนเซอร์เสียงพูดแบบสตรีมมิ่งขนาดประมาณ 74M พารามิเตอร์ ซึ่งขับเคลื่อนโมเดล LFM3-Audio-2B และ LFM3-Omni-2B โดยเผยแพร่เวตบน Hugging Face โคเดกนี้บีบอัดเสียง 24 kHz เป็น 12 สตรีมโทเคนที่เฟรม 12.5 Hz และทำงานบน CPU เธรดเดียว โดย Liquid AI รายงานว่าการเข้ารหัสเร็วแบบเรียลไทม์ประมาณ 361 เท่า และถอดรหัส 87 เท่า Liquid AI กล่าวว่าเอาชนะ X-Codec 2, NanoCodec และ Mimi ในด้าน ViSQOL และระยะเมลในทั้ง 8 ชุดทดสอบ แม้ว่า NanoCodec ยังคงนำใน PESQ (WB) ใน 7 จาก 8 ชุด
Google เปิดตัว Gemini 4 Hydrogen โมเดลใหม่ที่บริษัทกล่าวว่าให้คำตอบที่เป็นประโยชน์มากขึ้นสำหรับคำถามที่ซับซ้อน รวมถึงคำถามที่มีหลายส่วน พิมพ์ผิดที่เข้าใจยาก หรือคำขอที่เฉพาะเจาะจงมาก เปิดให้ใช้งานได้ตั้งแต่วันนี้ใน Search, แอป Gemini, Google AI Studio ทุกระดับ, Gemini API, Gemini for business และ Google Antigravity สำหรับสมาชิก AI Pro และ Ultra และ Robby Stein รองประธาน Google Search กล่าวว่าโมเดลนี้เป็นโมเดลเริ่มต้นใน AI Mode และถูกใช้สำหรับคำถามที่ยากที่สุดใน AI Overviews
เหตุการณ์เดียวกัน รายการคัดสรรอ้างถึง“Google DeepMind releases Gemini 4 Hydrogen, a faster Gemini 4 model for coding and agentic workflows”
Google ได้เปิดตัว Gemini 4 Hydrogen โมเดลอเนกประสงค์ที่รวดเร็วสำหรับนักพัฒนาและผู้ใช้ทั่วไป ในราคา 1.50 ดอลลาร์ต่อล้านโทเค็นอินพุต และ 7.50 ดอลลาร์ต่อล้านโทเค็นเอาต์พุต พร้อมหน้าต่างบริบทหนึ่งล้านโทเค็น Google ระบุว่า Hydrogen ได้คะแนน 51 บน Artificial Analysis Intelligence Index ที่ระดับการคิดสูงเริ่มต้น และ 54 ที่ระดับ xhigh ใหม่ เทียบกับ 50 สำหรับ Gemini 4 Argon รุ่นใหญ่กว่า การทดสอบอิสระโดย Artificial Analysis พบว่า Hydrogen อยู่ในระดับเดียวกับ Claude Sonnet 5.5 ที่การคิดสูงสุดโดยประมาณ แต่ด้อยกว่าในงานเทอร์มินัลแบบเอเจนต์ โดยได้ 54 เปอร์เซ็นต์บน Terminal-Bench 4.0 เทียบกับ 64 เปอร์เซ็นต์ของ Claude Sonnet 5.5
เหตุการณ์เดียวกัน รายการคัดสรรอ้างถึง“Google DeepMind releases Gemini 4 Hydrogen, a faster Gemini 4 model for coding and agentic workflows”
IBM เปิดตัวโมเดลพรีวิวเชิงทดลองสองรุ่น คือ granite-4.1-3b-LLMON-preview และ granite-4.1-8b-LLMON-preview ซึ่งพัฒนามาจากเช็กพอยต์ฐาน Granite 4.1 และฝึกให้อ่านและสร้าง LLMON ซึ่งเป็นภาษามาร์กอัปที่ออกแบบมาเพื่อ LLM โดยเฉพาะ ใช้ตัวคั่นโทเคนพิเศษที่สงวนไว้สำหรับกำกับคำสั่ง ข้อมูล และข้อกำหนด บนเบนช์มาร์ก OPI โมเดลเหล่านี้หลีกเลี่ยงการโจมตีแบบ indirect prompt injection ได้มากกว่าโมเดล frontier ที่ดีที่สุดที่ทดสอบถึง 47% และมากกว่าโมเดลโอเพนซอร์สที่ดีที่สุดถึง 95% ขณะที่ประสิทธิภาพบนเบนช์มาร์กมาตรฐานอยู่ในระดับเดียวกับ Granite 4.1 Instruct การเปิดตัวครั้งนี้มาพร้อมชุดเครื่องมือบน GitHub ที่มีตัวแปลง JSON-to-LLMON แบบไม่สูญเสียข้อมูล และผู้เขียนระบุว่าพรีวิวนี้มีไว้เพื่อการสำรวจ ไม่ใช่สำหรับการใช้งานจริง
ทำไมเรื่องนี้สำคัญ: IBM ฝึกโมเดลพรีวิวบน Granite 4.1 ที่สามารถอ่านและเขียนแท็ก LLMON ได้ โดยใช้การแยกคำสั่งและข้อมูลอย่างชัดเจนเพื่อลดอัตราความสำเร็จของการโจมตีแบบ indirect prompt injection บนเบนช์มาร์ก OPI ให้ใกล้ศูนย์ ขณะที่ยังคงความสามารถทั่วไปไว้ได้
Google ได้เปิดตัว Gemini 4 Hydrogen ซึ่งเข้ามาแทนที่ Gemini 3.8 Flash ทั่วทั้งผลิตภัณฑ์ของบริษัท โดยเปิดให้ใช้งานได้ทันที แทนที่จะเป็นการเปิดตัวแบบทยอยเป็นขั้นและจำกัดเฉพาะแพ็กเกจแบบเสียค่าใช้จ่ายเหมือนกับการเปิดตัว Argon และ Carbon เมื่อเร็วๆ นี้ Google ระบุว่า Hydrogen ทำงานที่หนึ่งในสี่ระดับการคิด (low, medium, high และ xhigh ที่ใหม่) และเร็วกว่า Flash 3.8 ถึง 2.5 เท่าแม้ในโหมด high พร้อมลดข้อกล่าวอ้างที่กุขึ้นได้มากกว่า 5 เท่า นอกจากนี้ยังทำคะแนน Terminal-Bench ได้มากกว่าสามเท่าของ 3.8 Flash และทำได้ 54 คะแนนบน Artificial Analysis Intelligence Index ในโหมด xhigh เทียบกับ 50 ของ Argon
เหตุการณ์เดียวกัน รายการคัดสรรอ้างถึง“Google DeepMind releases Gemini 4 Hydrogen, a faster Gemini 4 model for coding and agentic workflows”
Google เปิดตัว Gemini 4 Hydrogen โมเดลที่ทำงานเร็ว ซึ่งบริษัทเรียกว่าการปรับปรุง Search ที่ใหญ่ที่สุดเท่าที่เคยมีมา และกำลังทยอยอัปเดตให้ผู้ใช้ Search ทั่วโลก Google ระบุว่า Hydrogen ทำงานเสร็จเร็วเป็น 2.5 เท่าของ Gemini 3.8 Flash และเอาชนะ Gemini 4 Argon ที่ทรงพลังกว่าได้บน Artificial Analysis Intelligence Index ที่ระดับการคิดสูงเริ่มต้นของมัน ใน Search มันช่วยปรับปรุงความเข้าใจเจตนา การจัดการคำผิด การแตกคำค้นย่อย และการตอบสนองแบบภาพใน AI Mode และยังจะมาถึง AI Studio, Gemini API, Gemini App และ Antigravity ด้วย
เหตุการณ์เดียวกัน รายการคัดสรรอ้างถึง“Google DeepMind releases Gemini 4 Hydrogen, a faster Gemini 4 model for coding and agentic workflows”
Google DeepMind เปิดตัว Gemini 4 Hydrogen โมเดล Gemini 4 ที่สร้างขึ้นสำหรับการเขียนโค้ดในชีวิตประจำวันอย่างรวดเร็วและการทำงานแบบเอเจนต์ มากกว่าการให้เหตุผลระยะยาวของ Gemini 4 Carbon และ Argon โดยได้คะแนน 51 บน Artificial Analysis Intelligence Index ที่ระดับการคิดสูงเริ่มต้น เทียบกับ 50 ของ Argon และสูงถึง 54 ที่การตั้งค่า xhigh ใหม่ โดยมีราคาคงที่ 1.50 ดอลลาร์ต่อล้านโทเค็นอินพุต และ 7.50 ดอลลาร์ต่อล้านโทเค็นเอาต์พุตตลอดหน้าต่างบริบท 1 ล้านโทเค็น Google ยังเปิดตัว Orchestrator ใน Google Antigravity ซึ่งสลับระหว่างโมเดลอย่าง Carbon และ Hydrogen ภายในเซสชันเดียว และทำอัตราความสำเร็จของงานใกล้เคียง Carbon บน Terminal-Bench 4.0 โดยใช้โควตาน้อยลง 24% และเสร็จเร็วขึ้น 19%
ทำไมเรื่องนี้สำคัญ: Gemini 4 Hydrogen ของ Google มุ่งเป้าที่การเขียนโค้ดในชีวิตประจำวันอย่างรวดเร็วและงานแบบเอเจนต์ ด้วยราคาคงที่ 1.50/7.50 ดอลลาร์ต่อล้านโทเค็นตลอดหน้าต่างบริบท 1M และ Orchestrator ใหม่ที่สลับระหว่างโมเดล Gemini 4
ElevenLabs เปิดตัวโมเดลถอดเสียงเป็นข้อความสองรุ่น ได้แก่ Scribe v3 สำหรับไฟล์เสียงที่บันทึกไว้ และ Scribe v3 Live สำหรับการใช้งานแบบเรียลไทม์ที่มีความหน่วงต่ำ ทั้งสองรุ่นใช้งานได้ผ่านอินเทอร์เฟซสำหรับนักพัฒนา ElevenAPI และแพลตฟอร์ม ElevenAgents บริษัทระบุว่า Scribe v3 ลดข้อผิดพลาดระดับคำได้ประมาณ 25 เปอร์เซ็นต์เมื่อเทียบกับรุ่นก่อนหน้าข้าม 102 ภาษา และ Scribe v3 Live ใช้บริบทของการสนทนาเพื่อ判斷ว่าผู้พูดพูดจบจริงหรือไม่ แทนที่จะพึ่งตัวจับเวลาการหยุดชั่วคราว ผลการทดสอบมาตรฐานอิสระจาก Artificial Analysis จัดให้ Scribe v3 อยู่ในกลุ่มโมเดลถอดเสียงที่แม่นยำที่สุด เป็นรองเพียงโมเดลพรีวิวของ Alibaba แต่พบว่ามีความเร็วด้อยกว่าและมีราคา 3.33 ดอลลาร์ต่อ 1,000 นาที
Google DeepMind ได้เปิดตัว AlphaGenome 2 โมเดลจีโนมิกส์ที่ทำนายว่าตัวแปร DNA ส่งผลต่อเซลล์มนุษย์ชนิดใดชนิดหนึ่งโดยเฉพาะ และค้นพบการเปลี่ยนแปลงของยีนที่เกี่ยวข้องได้เกือบสองเท่าเมื่อเทียบกับรุ่นก่อนหน้า โมเดลนี้ฝึกฝนจากโปรไฟล์เซลล์แต่ละเซลล์มากกว่า 107 ล้านโปรไฟล์จาก 68 เนื้อเยื่อในมนุษย์และหนู โดยรับสถานะทางชีวภาพของเซลล์เป็นอินพุตเพิ่มเติม แทนที่จะทำนายแบบกว้างครอบคลุมหลายเนื้อเยื่อพร้อมกัน
Google ได้เปิดตัว Gemini Decision 1 ซึ่งเป็น API โมเดลสำหรับการตัดสินใจที่รองรับคำถามแบบใช่/ไม่ใช่ แบบเลือกตอบ และแบบให้คะแนนตามเกณฑ์ โดยเข้ามาอยู่ในหมวดหมู่โมเดลสำหรับการตัดสินใจร่วมกับ Jev และ OpenAI โดยมีราคาอยู่ที่ 10 เซนต์ต่อล้านโทเค็นอินพุต และเอาต์พุตฟรี และแตกต่างจาก Jev ที่รองรับเฉพาะอินพุตข้อความ มันรองรับข้อความ รูปภาพ เสียง วิดีโอ และ PDF ในการทดสอบกับวิดีโอหุ่นยนต์ Gemini ส่งค่าความน่าจะเป็น เช่น 0.9234 สำหรับหุ่นยนต์ และ 0.0498 สำหรับมังกร แทนที่จะเป็น 1.0 หรือ 0.0 ที่ Jev และ OpenAI ส่งคืน
Google DeepMind เปิดตัว AlphaGenome 2 โมเดล DNA แบบ sequence-to-function เชิงเงื่อนไขที่อ่านหน้าต่าง DNA ขนาด 1 Mb พร้อมสถานะเซลล์เป้าหมาย และทำนายผลกระทบของตัวแปรสำหรับหนึ่งชนิดเซลล์ต่อการเรียกใช้หนึ่งครั้ง บน TenK10K single-cell eQTLs ใน 28 ชนิดเซลล์ภูมิคุ้มกัน ความสามารถในการเรียกคืนตัวแปรเชิงสาเหตุที่ความแม่นยำ 90% เพิ่มขึ้นจาก 16% สำหรับ AlphaGenome 1 ที่ปรับแต่งละเอียดเป็น 30% และความสามารถในการเรียกคืนทิศทางของผลกระทบเพิ่มขึ้นจาก 23% เป็น 43% โมเดลนี้พร้อมใช้งานผ่าน AlphaGenome API สำหรับการวิจัยที่ไม่ใช่เชิงพาณิชย์ โดยสัญญาว่าจะเปิดเผยน้ำหนักโมเดลเมื่อเผยแพร่ฉบับสมบูรณ์ และการใช้งานเชิงพาณิชย์อยู่ในช่วงพรีวิวแบบส่วนตัว
Google DeepMind เปิดตัว Gemini Decisions API ซึ่งสร้างขึ้นสำหรับการตัดสินใจแบบปิด เช่น คำถามใช่/ไม่ใช่ ตัวเลือกหลายข้อ และการให้คะแนนตามมาตรา โดยมีโมเดลพื้นฐาน Gemini Decision 1 ประมวลผลคำถามอิสระได้สูงสุด 1,000 ข้อในการเรียกครั้งเดียว ครอบคลุมข้อความ รูปภาพ เสียง วิดีโอ และ PDF โดยส่งคืนความน่าจะเป็นพร้อมค่าความเชื่อมั่นใน 150 ถึง 250 มิลลิวินาที และมีค่าใช้จ่าย $0.10 ต่อล้านโทเค็นอินพุต โดยไม่มีค่าใช้จ่ายโทเค็นเอาต์พุต ซึ่ง Google กล่าวว่าถูกกว่าประมาณห้าเท่าเมื่อเทียบกับ Gemini 3.5 Flash-Lite API นี้พร้อมใช้งานแล้วผ่าน Google AI Studio พร้อมการผสานรวมสำหรับ OpenRouter, LangChain และ Vercel ที่กำลังทยอยเปิดตัว และ Google กล่าวว่าบริษัทใช้มันภายในอยู่แล้วสำหรับการกำหนดเส้นทางโมเดลใน Gemini Notebook การสร้างต้นแบบการออกแบบใน Stitch และการตรวจสอบความปลอดภัยใน Google Search
เหตุการณ์เดียวกัน รายการคัดสรรอ้างถึง“Google launches Gemini Decisions API and Gemini Decision 1 model for fast closed-set decisions”
Google DeepMind ประกาศเปิดตัว AlphaGenome 2 โมเดลลำดับ DNA รุ่นใหม่ที่ทำนายว่าลำดับ DNA และตัวแปรของลำดับนั้นส่งผลต่อเซลล์มนุษย์ชนิดเฉพาะอย่างไร โมเดลแบบมีเงื่อนไขนี้ฝึกจากโปรไฟล์เซลล์แต่ละเซลล์มากกว่า 107 ล้านโปรไฟล์จาก 68 เนื้อเยื่อ สามารถระบุตัวแปรที่เปลี่ยนการแสดงออกได้เกือบสองเท่าของโมเดลก่อนหน้า และบนชุดข้อมูลเซลล์ภูมิคุ้มกัน TenK10K สามารถเรียกคืนตัวแปรเชิงสาเหตุได้ 30% เทียบกับ 16% ของ AlphaGenome เดิมที่ปรับแต่งบนข้อมูลเซลล์เดี่ยว ใช้งานได้สำหรับการวิจัยที่ไม่ใช่เชิงพาณิชย์ผ่าน AlphaGenome API และอยู่ในช่วงพรีวิวแบบส่วนตัวสำหรับการวิจัยเชิงพาณิชย์
ทำไมเรื่องนี้สำคัญ: AlphaGenome 2 เปลี่ยนจากค่าเฉลี่ยระดับเนื้อเยื่อไปสู่การปรับเงื่อนไขระดับเซลล์เดี่ยว ทำให้การเรียกคืนตัวแปรเชิงสาเหตุบนข้อมูลเซลล์ภูมิคุ้มกันเพิ่มขึ้นราวสองเท่า ซึ่งสำคัญต่อการเชื่อมสัญญาณ GWAS เข้ากับเซลล์ชนิดเฉพาะ
Google DeepMind ได้เปิดตัว AlphaGenome 2 ซึ่งเป็นรุ่นสืบทอดจาก AlphaGenome ของปีที่แล้ว โดยทำนายว่าตัวแปรทางพันธุกรรมส่งผลต่อเซลล์แต่ละชนิดและสถานะของเซลล์อย่างไร แทนที่จะเป็นค่าเฉลี่ยของเนื้อเยื่อในภาพรวม โมเดลนี้ฝึกด้วยโปรไฟล์เซลล์แต่ละเซลล์มากกว่า 100 ล้านโปรไฟล์จาก 68 เนื้อเยื่อ และระบุตัวแปรที่สามารถเปลี่ยนการแสดงออกของยีนได้เกือบสองเท่าของโมเดลล้ำสมัยรุ่นก่อน และสามารถทำนายเกี่ยวกับชนิดเซลล์และสถานะทางชีวภาพใหม่ๆ ได้โดยไม่ต้องฝึกใหม่ Google เสนอให้ใช้เพื่อการวิจัยที่ไม่ใช่เชิงพาณิชย์ผ่าน AlphaGenome API เริ่มตั้งแต่วันนี้ พร้อมการทดลองใช้แบบส่วนตัวแบบจำกัดสำหรับการใช้งานเชิงพาณิชย์ Žiga Avsec จาก DeepMind กล่าวว่าการทำนายที่ละเอียดขึ้นนั้นใช้พลังการประมวลผลสูงขึ้น จึงยังไม่แทนที่ AlphaGenome ในเร็วๆ นี้
MBZUAI的基础模型研究所发布了PAN 2，这是一个29B参数的开源世界模型，接收场景加文本动作，并将结果模拟为视频，权重、训练代码和推理代码均以Apache 2.0许可发布。它将一个编写结构化JSON世界状态的LLM规划器与一个29B MMDiT扩散Transformer配对，后者以冻结的Qwen3.5-9B编码器为条件，IFM报告在100个多步骤任务上全计划完成率为34.0%，领先于MiniMax-H3的32.50%，但在单动作和人类偏好（Elo 1595对1620）上落后于MiniMax-H3。IFM的消融实验显示，移除LLM规划器会使全计划完成率降至0.0%，步骤完成率从75.1%降至8.7%。
Tether AI Research เปิดตัว BotPsy โมเดลเอเจนต์ขนาด 0.8B พารามิเตอร์ที่สร้างบน Qwen3.5-0.8B สำหรับการใช้งานเครื่องมือของผู้ช่วยส่วนตัวบนอุปกรณ์ โดยทำคะแนนเอเจนต์ได้ประมาณสองเท่าของโมเดลฐาน โดย BFCL v4 เพิ่มจาก 23.4 เป็น 44.0 และ τ-bench จาก 23.2 เป็น 51.5 และเอาชนะทุกโมเดลที่มีพารามิเตอร์สูงถึง 1.2B ที่ทดสอบในหกเบนช์มาร์กการใช้เครื่องมือ อีกทั้งลดการตอบสนองที่ไม่ปลอดภัยเหลือ 21% จาก 36% และใช้โทเคนการให้เหตุผลน้อยลงประมาณ 3 เท่าใน GPQA Diamond
inclusionAI เปิดตัว LemonDecider 4B v3 โมเดลตัดสินใจที่ผ่านการ fine-tune จาก Qwen3.5-4B ซึ่งคืนค่าความน่าจะเป็นของตัวเลือก ใช่/ไม่ใช่ หรือลำดับ ผ่านการ forward pass แบบร่วมเพียงครั้งเดียว แทนการสร้างโทเค็นคำตอบ ฝึกบนข้อมูล decision/QA ประมาณ 1.20M แถว และได้คะแนน 61.67 บนชุดทดสอบสาธารณะ Decision Index 0.4 โดยมีค่ามัธยฐานของเวลาแฝงต่อคำขอที่ 49.9 ms
inclusionAI เปิดตัว SingVL S1 โมเดลตัดสินใจมัลติโมดัลขนาด 4B ที่สร้างบน Qwen3.5 ซึ่งตอบคำถามที่ระบุชื่อได้จากข้อความหรือ JSON และรูปภาพสูงสุดสี่รูปในการประมวลผลไปข้างหน้าหนึ่งครั้งของ Transformers รองรับคำถามแบบตัวเลือก แบบใช่/ไม่ใช่ (noul) และแบบให้คะแนน 2–10 ระดับ โดยได้คะแนน 73.94 บน Public Vision Index และ 69.76 บน Public Text Index โมเดลนี้มาพร้อมโค้ดอนุมานภาษา Python และเซิร์ฟเวอร์ HTTP แบบ FastAPI
Gemini 4 Carbon ซึ่งประกาศเมื่อสองสัปดาห์ก่อนสำหรับกลุ่มผู้ป้องกันไซเบอร์บางส่วน ขณะนี้พร้อมให้ทุกคนใช้งานในราคา 2 ดอลลาร์ต่อล้านโทเค็นอินพุต และ 10 ดอลลาร์ต่อล้านโทเค็นเอาต์พุต โดยราคามีกำหนดจะเพิ่มเป็นสองเท่าเป็น 4/20 ดอลลาร์ในวันที่ 1 ธันวาคม Simon Willison ทดสอบใน Antigravity IDE ของ Google โดยสร้างแอนิเมชัน Three.js ของหุ่นยนต์ Mech เดิน stomp ทั่วนิวยอร์กซิตี้โดยใช้ข้อมูล OpenStreetMap และตั้งข้อสังเกตว่า Sundar Pichai CEO ของ Google เน้นย้ำฟีเจอร์ /swarm ของ Antigravity ที่สร้างเกม 3D โลกเปิดด้วยแอสเซ็ต Blender, WebGL shaders และเพลง Lyria
เหตุการณ์เดียวกัน รายการคัดสรรอ้างถึง“Google DeepMind releases Gemini 4 Carbon for agentic coding, cybersecurity and scientific reasoning”
inclusionAI ได้ปล่อยน้ำหนักรูปแบบ GGUF สำหรับ ZoomGain-9B ซึ่งแปลงด้วย llama.cpp ครอบคลุมโมเดลภาษาและตัวเข้ารหัสภาพ/โปรเจกเตอร์ (mmproj) ในรูปแบบ FP16, Q8_0 และ Q4_K_M การป้อนภาพต้องจับคู่โมเดลภาษากับไฟล์ mmproj ที่ตรงกัน และรีโปได้จัดทำเอกสารการอนุมานผ่าน CLI ด้วย llama-mtmd-cli และการตั้งค่าแชทเว็บผ่าน llama-server จำเป็นต้องใช้บิลด์ llama.cpp ที่รองรับมัลติโมดัลของ Qwen3.5 และการควอนไทซ์อาจส่งผลต่อความแม่นยำ
Latent Space 测试了 NaiveAI 的开源权重模型 Naive-N0.5-Flash，这是一个源自小米 MiMo-V2.5 的编码模型，搭配 NaiveRT 推理引擎，并与 DeepSeek V4.1 Flash 1017 和 GLM 5.3 Flash 进行了对比。在作者的运行中，其峰值接近每秒 2,000 个 token，在思考密集型任务中持续约每秒 1,000 个 token，中位响应时间为 3.1 秒，而两个对比模型分别为 5.3 秒和 10.1 秒。在困难的 HLE 问题上，开启思考时平均完成约 108,500 个 token，约为 GLM 5.3 Flash 的九倍和 DeepSeek V4.1 Flash 1017 的 11 倍，作者指出每个难度级别的样本为 10 个问题，且未进行准确性评分。
MiniMax เปิดตัว H3-Image โมเดลสร้างภาพแบบน้ำหนักเปิดที่สร้างบน H3 รองรับการสร้างภาพจากข้อความ การสร้างจากภาพอ้างอิง และการแก้ไขภาพ และสามารถสร้างภาพขนาด 4096 × 4096 ได้ในไม่ถึง 10 วินาที บริษัทกล่าวว่าโมเดลรองรับภาพอ้างอิงได้สูงสุด 16 ภาพ อ้างว่ามีความสามารถในการทำตามพรอมต์ระดับแนวหน้าของโมเดลน้ำหนักเปิด และรายงานความเร็วสูงกว่าคู่แข่งกระแสหลักถึง 5 เท่า H3-Image ใช้งานได้ผ่าน MiniMax API Platform, MiniMax Code และ Hailuo AI ในราคา 50–70% ของผลิตภัณฑ์ที่เทียบเคียงได้ โดยมีส่วนลด 50% สำหรับคำขอขนาด 4K ขึ้นไปในช่วงสัปดาห์เปิดตัว
ทำไมเรื่องนี้สำคัญ: MiniMax เปิดตัว H3-Image แบบน้ำหนักเปิด อ้างว่าสร้างภาพ 4K ได้ในไม่ถึง 10 วินาที และตั้งราคาที่ 50–70% ของผลิตภัณฑ์กระแสหลักที่เทียบเคียงได้ มอบทางเลือกแบบเปิดใหม่ให้นักพัฒนาสำหรับงานภาพความละเอียดสูง
Google DeepMind เปิดให้ developers, องค์กร, นักวิทยาศาสตร์ และผู้บริโภคใช้งาน Gemini 4 Carbon ได้แล้ว โดยวางตำแหน่งให้เหนือกว่า Gemini 4 Argon สำหรับงานที่ต้องใช้การให้เหตุผลเชิงลึกและโทเคนมากขึ้น Carbon ครองอันดับ 1 บน CursorBench 4.0, WANDR ของ Perplexity และ AutomationBench ของ Zapier ด้วยต้นทุนต่องานต่ำกว่าโมเดลภายนอกที่ดีที่สุดเป็นอันดับถัดไปกว่า 2 เท่า และมีราคาอยู่ที่ 2 ดอลลาร์ต่อล้านโทเคนอินพุต และ 10 ดอลลาร์ต่อล้านโทเคนเอาต์พุต ซึ่งเป็นราคาเปิดตัวเดียวกับ Argon Google ยังได้พรีวิว /swarm ใน Google Antigravity ซึ่งเปลี่ยนพรอมป์เดียวให้กลายเป็นทีมเอเจนต์ที่ทำงานประสานกัน และรายงานว่า Carbon สามารถบล็อกเส้นทางการโจมตีได้ 99% ในการทดสอบจำลองการโจมตีทางไซเบอร์
ทำไมเรื่องนี้สำคัญ: บันทึกการเปิดตัวของ Google อธิบายว่า Gemini 4 Carbon แลกกับการใช้โทเคนที่สูงขึ้นเพื่อการให้เหตุผลที่ลึกขึ้น โดยครองอันดับ 1 บน CursorBench 4.0, WANDR และ AutomationBench ด้วยต้นทุนต่องานต่ำกว่าครึ่งหนึ่งของโมเดลภายนอกอันดับถัดไป
Amazon เปิดตัว Mitra-v2 โมเดลพื้นฐานสำหรับข้อมูลตารางรุ่นที่สองสำหรับการจำแนกประเภทและการถดถอย โดยเผยแพร่พร้อมโมเดลที่ผ่านการปรับแต่งละเอียดและโค้ดสำหรับการอนุมานและการปรับแต่งละเอียดภายใต้สัญญาอนุญาต Apache-2.0 บน Hugging Face โมเดลนี้ผ่านการฝึกล่วงหน้าบนตารางสังเคราะห์ที่มีจำนวนแถวมากกว่า Mitra-v1 ถึง 10 เท่าและมีจำนวนคอลัมน์มากกว่าประมาณ 3 เท่า โดยใช้ไพรเออร์ SCM แบบไฮบริดใหม่และออปติไมเซอร์แบบไฮบริด ขณะที่ยังคงสถาปัตยกรรม Transformer ไว้ไม่เปลี่ยนแปลง บน TabArena ซึ่งเป็นเกณฑ์มาตรฐานสาธารณะที่มีชุดข้อมูลจริง 51 ชุด Mitra-v2 อยู่ในอันดับนำในกลุ่มโมเดลเดี่ยว เอาชนะ Mitra-v1 ได้บน 32 จาก 33 ชุดข้อมูลที่ทั้งสองรันแบบเนทีฟ และรันเสร็จทั้ง 51 ชุดภายในงบเวลาหนึ่งชั่วโมง นอกจากนี้ Mitra-v2 ที่ผ่านการปรับแต่งละเอียดยังอยู่ในอันดับหนึ่งบน ScoringBench
ทำไมเรื่องนี้สำคัญ: Mitra-v2 แสดงให้เห็นว่าการขยายข้อมูลฝึกล่วงหน้าสังเคราะห์ แทนที่จะเพิ่มความลึกของเครือข่าย ช่วยยกระดับโมเดลพื้นฐานสำหรับข้อมูลตารางขึ้นสู่อันดับนำในกลุ่มโมเดลเดี่ยวของ TabArena
Google DeepMind เปิดเผย Gemini Robotics 2.5 ซึ่งเป็นเวอร์ชันใหม่ของโมเดล vision-language-action ที่สร้างการกระทำของหุ่นยนต์ โดยระบุว่ามีประสิทธิภาพดีขึ้นมากในงานที่ต้องใช้ความคล่องแคล่วสูง โมเดลนี้ได้รับการประเมินในกิจกรรมกว่า 200 รายการ รวมถึงการเสิร์ฟอาหารด้วยคีมและใช้ปิเปต และหุ่นยนต์ฮิวแมนนอยด์ Apollo 2 ของ Apptronik ที่รันโมเดลนี้สามารถผูกโบว์ด้วยมือทั้งห้านิ้วได้แล้ว DeepMind ยังเปิดตัวเกณฑ์มาตรฐานความปลอดภัยแบบโอเพนซอร์ส ASIMOV-jailbreak ขณะที่เตรียมพร้อมสำหรับหุ่นยนต์ที่จะทำงานร่วมกับมนุษย์ และระบุว่าหุ่นยนต์ Gemini บางตัวได้ทำงานจริงในโรงงานของ Mercedes-Benz
Meta AI เปิดตัว Muse Ember ซึ่งอธิบายว่าเป็นโมเดลที่เล็กที่สุดและมีประสิทธิภาพที่สุด มุ่งเป้าไปที่การเรียกใช้เครื่องมือ งานย่อยด้านการเขียนโค้ด การกำหนดเส้นทาง การสกัดข้อมูล และการแยกวิเคราะห์เอกสารยาว สำหรับพรอมต์ที่สั้นกว่าคิดราคาที่ 0.10 ดอลลาร์ต่อล้านโทเค็นอินพุต และ 0.50 ดอลลาร์ต่อล้านโทเค็นเอาต์พุต เท่ากับ GPT-6 Luna และ Claude Haiku 5.5 ขณะที่อัตราสำหรับพรอมต์ยาวที่ 0.30 ดอลลาร์อินพุต และ 1.50 ดอลลาร์เอาต์พุตเมื่อเกิน 200k โทเค็น ทำให้อยู่ระหว่างทั้งสอง Simon Willison ตั้งข้อสังเกตว่าโมเดลนี้อยู่บนเส้น Pareto ของกราฟ Intelligence Index เทียบกับ Cost per Task ของ Artificial Analysis และระดับการให้เหตุผลทั้งหกระดับของมันสร้าง SVG รูปนกกระทุงที่มีคุณภาพเทียบเท่า Muse Wonder ในราคาสูงกว่า 40 เท่า
Anthropic เปิดตัว Claude Fable 5.2 และ Claude Mythos 5.2 ซึ่งขึ้นอันดับต้นในลีดเดอร์บอร์ดอิสระส่วนใหญ่ รวมถึง Artificial Analysis Intelligence Index v5 ที่ 65 และ SemiAnalysis GDPx ที่ 16.4% ราคาลดลง 20% เหลือ $8/$40 ต่อ 1M โทเคนอินพุต/เอาต์พุต แต่ SemiAnalysis รายงานว่าต้นทุนต่องาน GDPx เพิ่มจาก $67.16 เป็น $88.15 เพราะโมเดลเขียนกรณีทดสอบหลายร้อยถึงหลายพันกรณีและสร้าง subagent เพื่อตรวจงานของตัวเอง การประเมินหลายชุดแสดงให้เห็นว่าระดับความพยายามสูงสุด (max effort) ให้ผลด้อยกว่าระดับ high และ Fable ถูกจำกัดที่ 50% ของขีดจำกัดการสมัครสมาชิกรายสัปดาห์
ทำไมเรื่องนี้สำคัญ: Anthropic เปิดตัว Fable 5.2 และ Mythos 5.2 พร้อมลดราคาต่อโทเคน 20% แต่การประเมินอิสระกลับพบต้นทุนต่องานสูงขึ้น และการตั้งค่าความพยายามสูงสุดให้ผลด้อยกว่าระดับ high
Google DeepMind เปิดตัว Gemini Robotics 2.5 ซึ่งเป็นโมเดล vision-language-action ที่มีความสามารถสูงที่สุดจนถึงปัจจุบัน ขยายขอบเขตทักษะที่หุ่นยนต์สามารถเรียนรู้ได้และเร่งความเร็วในการเรียนรู้ ทดสอบบนงานที่แตกต่างกัน 200 งาน โมเดลมีอัตราความสำเร็จสูงกว่าฐานอ้างอิงก่อนหน้า 30% ถึง 100% พร้อมทั้งทำงานเสร็จเร็วขึ้น 20% ถึง 30% และในการทดสอบแนวคิดบนสายการผลิตของ Mercedes-Benz หุ่นยนต์มนุษย์ Apollo 2 ของ Apptronik หยิบและบรรจุชิ้นส่วนยานยนต์ด้วยอัตราความสำเร็จ 96% การเปิดตัวยังเพิ่มคำแนะนำการให้เหตุผลระหว่างการอนุมานเพื่อความปลอดภัยทางกายภาพ ซึ่งเพิ่มความสำเร็จของงานที่ปลอดภัยขึ้น 33% เมื่ออยู่รอบสิ่งกีดขวางและ 43% เมื่ออยู่รอบผู้คนใกล้เคียง พร้อมทั้ง ASIMOV-Jailbreak ซึ่งเป็นเกณฑ์มาตรฐานโอเพนซอร์สที่ Gemini 4 Argon มีความต้านทานการ jailbreak ถึง 99.5%
ทำไมเรื่องนี้สำคัญ: Gemini Robotics 2.5 ปรับปรุงอัตราความสำเร็จบน 200 งานขึ้น 30% ถึง 100% และมีอัตราความสำเร็จในการหยิบและวาง 96% ในการนำร่องบนสายการผลิต Mercedes-Benz ซึ่งให้ข้อมูลอ้างอิงสำหรับประเมินการติดตั้งใช้งานจริงของโมเดล VLA
Anthropic เปิดตัว Claude Fable 5.2 โมเดลที่ออกแบบมาสำหรับความท้าทายทางเทคนิคที่ยากที่สุดและโครงการเปิดกว้างที่ทะเยอทะยาน โดยมีการปรับปรุงด้านการเขียนโค้ด การให้เหตุผล และการมองเห็น บริษัทแนะนำให้เริ่มต้นด้วย Opus 5.5 สำหรับงานเขียนโค้ดและงานความรู้ส่วนใหญ่ Fable 5.2 เปิดให้ใช้งานแล้ววันนี้ในแผน Pro, Max, Team และ Enterprise
ทำไมเรื่องนี้สำคัญ: Claude Fable 5.2 มุ่งเป้าไปที่งานเทคนิคแบบเปิดกว้างที่ทะเยอทะยาน โดยมีรายงานการปรับปรุงด้านการเขียนโค้ด การให้เหตุผล และการมองเห็น ขณะที่ Opus 5.5 ยังคงเป็นค่าเริ่มต้นที่แนะนำสำหรับงานเขียนโค้ดและงานความรู้ส่วนใหญ่
Zyphra เปิดตัว ZONOS3-Mini โมเดล text-to-speech แบบ sparse MoE ที่มีพารามิเตอร์ใช้งานจริง 100M และพารามิเตอร์รวม 800M ภายใต้สัญญาอนุญาต Apache 2.0 ฝึกบน NVIDIA H100 จำนวน 112 ตัวใน 2.5 วัน ทำเวลา time-to-first-audio ได้ต่ำกว่า 570 ms ในเบราว์เซอร์บน Pixel 9 และต่ำกว่า 150 ms บน M3 MacBook Air พร้อมรันไทม์สำหรับ WebGPU, SGLang, vLLM และ GGML โมเดลนี้เพิ่มการควบคุมอัตลักษณ์ สำเนียง คุณภาพ อารมณ์ และการแสดงออก รวมถึงการปรับระดับคำ และ Zyphra รายงานว่าอยู่อันดับหนึ่งในกลุ่มโมเดลเปิดบน benchmark ใหม่ ZTTS2-Eval
ทำไมเรื่องนี้สำคัญ: โมเดล TTS แบบ MoE ขนาดกะทัดรัดของ Zyphra ผสานการโคลนเสียงแบบ zero-shot เข้ากับการควบคุมการแสดงออกระดับคำ พร้อมรันแบบเรียลไทม์บนโทรศัพท์และแล็ปท็อป