跳到正文
只看模型#多模态
  1. Google DeepMind90

    Google DeepMind 发布 Gemini 4 Hydrogen，一款面向编程和智能体工作流的更快的 Gemini 4 模型

    Google DeepMind 推出了 Gemini 4 Hydrogen，这是一款 Gemini 4 模型，专为快速的日常编程和智能体执行而构建，而非 Gemini 4 Carbon 和 Argon 那种长程推理。在其默认的高思考级别下，它在 Artificial Analysis Intelligence Index 上得分为 51，而 Argon 为 50；在新的 xhigh 设置下达到 54；其定价在其 100 万 token 上下文窗口内统一为每百万输入 token 1.50 美元和每百万输出 token 7.50 美元。Google 还在 Google Antigravity 中推出了 Orchestrator，它可以在会话内在 Carbon 和 Hydrogen 等模型之间切换，并在 Terminal-Bench 4.0 上达到接近 Carbon 的任务成功率，同时使用的配额减少 24%，完成速度快 19%。

    推荐理由：Google 的 Gemini 4 Hydrogen 面向快速的日常编程和智能体工作，在 100 万上下文窗口内统一为每百万 token 1.50/7.50 美元的定价，并推出了可在 Gemini 4 模型之间切换的新 Orchestrator。

  1. The Decoder80

    Google DeepMind 发布 Gemini Decisions API 和 Gemini Decision 1 模型

    Google DeepMind 推出了 Gemini Decisions API，专为封闭式决策而构建，例如是/否问题、多项选择和基于量表的评分，其底层的 Gemini Decision 1 模型可在单次处理中跨文本、图像、音频、视频和 PDF 处理多达 1,000 个独立问题。它以 150 至 250 毫秒的速度返回带有置信度值的概率，每百万输入 token 收费 0.10 美元，且不收取输出 token 费用，Google 称这比 Gemini 3.5 Flash-Lite 便宜约五倍。该 API 现已通过 Google AI Studio 提供，OpenRouter、LangChain 和 Vercel 的集成正在陆续推出，Google 表示其内部已将其用于 Gemini Notebook 中的模型路由、Stitch 中的设计原型制作以及 Google 搜索中的安全检查。

    推荐理由：Google 进入封闭式决策 API 领域，展示了供应商如何为路由和安全检查打包快速、低成本的评分，并提供了定价和延迟数据以供比较。

  1. Simon Willison82

    Simon Willison 在 Antigravity IDE 中测试 Gemini 4 Carbon，谷歌向所有用户开放访问

    两周前面向部分网络安全防御者发布的 Gemini 4 Carbon 现已向所有人开放，输入价格为每百万 token 2 美元，输出价格为每百万 token 10 美元，价格定于 12 月 1 日翻倍至 4/20 美元。Simon Willison 在谷歌的 Antigravity IDE 中进行了测试，使用 OpenStreetMap 数据生成了一个机甲踩踏纽约市的 Three.js 动画，并指出谷歌 CEO Sundar Pichai 重点介绍了 Antigravity 的 /swarm 功能，该功能利用 Blender 资产、WebGL 着色器和 Lyria 音乐构建了一个开放世界 3D 游戏。

    推荐理由：Simon Willison 在 Antigravity IDE 中测试了 Gemini 4 Carbon 的编码和 3D 生成能力，在 12 月 1 日价格翻倍之前，提供了对谷歌最新模型的亲身体验。

  1. Claude YouTube78

    Anthropic 发布 Claude Fable 5.2，面向高难度技术工作

    Anthropic 发布了 Claude Fable 5.2，这是一款为最艰巨的技术挑战和雄心勃勃的开放式项目而设计的模型，在编码、推理和视觉方面均有提升。公司建议大多数编码和知识任务从 Opus 5.5 开始使用；Fable 5.2 即日起在 Pro、Max、Team 和 Enterprise 套餐中提供。

    推荐理由：Claude Fable 5.2 面向雄心勃勃的开放式技术工作，据称在编码、推理和视觉方面有所提升，而 Opus 5.5 仍是大多数编码和知识任务的推荐默认选择。

  1. Meta AI Research Blog78

    Meta 发布 Muse Ember，其最小、最高效的智能体任务模型

    Meta 发布了 Muse Ember，这是其最小、最高效的模型，面向智能体全天执行的重复性工作，例如工具调用、编码子任务、路由、抽取和长文档解析。Meta 称其在约三分之一成本下达到 Claude Haiku 5.5 的最佳分数，并击败 GPT-6 Luna 的所有配置，价格为每百万输入 token 0.10 美元、每百万输出 token 0.50 美元。该模型配备 100 万 token 上下文窗口、最高 51.2 万输出 token，原生支持文本、图像、音频和视频输入，即日起在 Muse Code 和 Meta Model API 上以 muse-ember-1.0 提供。

    推荐理由：Meta 最小的模型瞄准高吞吐的智能体步骤，其与 Claude Haiku 5.5 和 GPT-6 Luna 的每任务成本对比说明了效率主张的来源。

  1. Google DeepMind78

    Google DeepMind 发布 Gemini Omni 1.2 Flash，支持 15 秒片段，价格降低 30%

    Google DeepMind 推出 Gemini Omni 1.2 Flash，现已在 Gemini API 和 Gemini for business 中全面可用，支持原生 15 秒视频生成、多轮对话式编辑和更强的参考遵循能力。价格较 Gemini Omni 1.1 下降 30%，720p 视频为每秒 0.07 美元，用户可先以 360p 或 720p 草稿生成，再升级至 1080p 或 4K。片段时长可在 3 至 15 秒之间以一秒为增量设置，输出内容带有不可感知的 SynthID 水印。

    推荐理由：Gemini Omni 1.2 Flash 将原生片段时长提升至 15 秒，并将 720p 视频价格降低 30% 至每秒 0.07 美元，多轮对话式编辑现已全面可用。

  2. Google Blog · AI80

    Google 发布 Gemini Omni 1.2 Flash，支持 15 秒片段并降价 30%

    Google DeepMind 推出 Gemini Omni 1.2 Flash，并在 Gemini API 和 Gemini for business 中全面开放。该模型可生成和编辑最长 15 秒的原生片段（Omni 1.1 为 10 秒），支持多轮对话式编辑，并能更一致地保持角色、产品和风格参考；720p 视频现价为每秒 0.07 美元，比 Omni 1.1 低 30%。输出内容带有 SynthID 水印，该模型正在 Flow、Google Vids、Gemini 应用和 Google Ads 中逐步推出。

    推荐理由：Gemini Omni 1.2 Flash 将 720p 视频价格降低 30% 至每秒 0.07 美元，同时将原生片段延长至 15 秒，为大规模制作视频的团队提供了一个可与先前版本比较的更便宜选择。

  1. Preferred Networks News71

    PFN发布面向边缘设备的开放权重翻译大模型PLaMo 3 Translate

    Preferred Networks于11月5日在Hugging Face上以开放权重模型形式发布了PLaMo 3 Translate，这是其PLaMo Translation服务中使用的翻译专用大语言模型。该模型提供0.8B、2B、8B和31B四种规模，支持包括日语和英语在内的53种语言，可在智能手机、笔记本电脑和内部服务器上运行，无需连接云端。

    推荐理由：PFN发布了四种规模（从0.8B到31B）的翻译专用大语言模型，使企业和个人无需云端访问即可在设备端运行53种语言的翻译。

  1. Meta AI Research Blog88

    Meta 发布 Muse Spark Open：一个 816B 开放权重多模态模型，可在两台 Mac Studio 上运行

    Meta 发布了 Muse Spark Open 的权重，这是一个开放权重的原生多模态模型，总参数 816B（激活参数 42B），上下文窗口为 1M token，定位面向编程和智能体任务。它是同类模型中首个借助 MLX 框架、在两台 Apple M5 Ultra Mac Studio 上于桌面端运行的模型，并可通过 Baseten、Fireworks AI、Groq、Modal、Nebius、OpenRouter 和 Together AI 等 API 合作伙伴获取，权重已在 Hugging Face、Amazon SageMaker AI、Google Cloud Model Garden 和 Microsoft Foundry Models 上提供。Meta 表示，该模型在 SGLang 中附带可自动调优的 Helion GPU 内核，在 NVIDIA 和 AMD GPU 上实现 1.03-3.95 倍的内核级加速，在 AMD MI350 上实现 3% 的端到端加速。

    推荐理由：Meta 发布了一个 816B 参数多模态模型的开放权重，该模型可在两台 Mac Studio 上运行，为开发者提供了一个用于长程编程和智能体任务的本地选项。

  1. Mistral AI82

    Mistral 发布 Mistral Large 4 预览版：1T 参数多模态模型，权重将于本月发布

    Mistral 已推出 Mistral Large 4 的公开预览版，这是一个 1 万亿参数的原生多模态模型，拥有 520 亿活跃参数，现可通过 Mistral Studio API 使用。Mistral 表示，该模型可与最强的开源模型竞争，并优于美国和欧洲的其他开放权重模型，在 Artificial Analysis Cyber Index 漏洞复现与修补测试中得分 82%，在其综合 Coding Agent Index 中得分 49.8%。权重将于本月底发布，此前已与网络安全合作伙伴和主管部门进行红队测试；Mistral 表示，该模型是在其自有欧洲数据中心内的 3,800 块 NVIDIA Grace Blackwell GPU 上从零开始训练的。

    推荐理由：Mistral 迄今最大的模型声称在网络安全和智能体编程方面拥有开放权重领先地位，并承诺月底发布权重。

  1. MiniMax Blog71

    MiniMax 发布 Music 3.0，一款可生成最长五分钟完整歌曲的开放权重音乐生成模型

    MiniMax 推出了 Music 3.0，这是一款开放权重音乐生成模型，能够根据创意概念和可选歌词，在单次生成中作曲、编曲并制作出最长五分钟的完整歌曲。该流程将一个基于 Qwen3.5-8B 初始化的 8B Global LLM 与一个 0.6B Local LLM 配对，融合二者连续的隐藏状态来为 2.4B 流匹配模块和 123M Flow-VAE 提供条件，并使用八层 RVQ 以及随时间描述情感、配器和演唱方式的结构化字幕（Structured Captions）。MiniMax 表示，这能更准确地理解创作意图，编曲更丰满，人声更清晰、更自然。

    推荐理由：MiniMax 的架构拆解展示了 8B 全局 LLM 如何与 0.6B 局部模型及流匹配技术栈配合，以解决长歌曲的连贯性问题。

  1. MiniMax Blog82

    MiniMax 发布 H3：一款原生立体声 2K 通用多模态生成模型

    MiniMax 发布了 H3，这是一款通用多模态生成模型，可将文本、图像、视频和音频理解为统一上下文，并生成最高 15 秒、2K 分辨率且带原生立体声的视频。该公司称，2K 输出的每秒成本不到主流模型的三分之一，并计划在符合适用法律法规的前提下于未来几天开放模型权重。H3 基于 Contextual Omni Representation、H3-VAE、H3-Omni Transformer 和 In-Context Regeneration 构建，MiniMax 表示完整技术报告即将发布。

    推荐理由：MiniMax 的 H3 将文本、图像、视频和音频生成统一在一个模型中，并声称 2K 定价低于主流模型的三分之一，同时承诺很快开放权重。

  1. MiniMax Blog87

    MiniMax M3 发布，具备 100 万上下文、前沿编程能力与原生多模态

    MiniMax 发布了 M3，这是一款开放权重模型，据称是首个将前沿编程与智能体性能、100 万 token 上下文窗口以及原生图像和视频输入结合在一起的模型。M3 采用 MiniMax 新的 MSA 稀疏注意力架构，公司报告称该架构将 100 万上下文下的每 token 计算量降至上一代的 1/20，并将预填充速度提升 9 倍以上、解码速度提升 15 倍以上。它在 SWE-Bench Pro 上得分 59.0%，在 Terminal-Bench 2.1 上得分 66.0%，在 MCP Atlas 上得分 74.2%，可通过 MiniMax Code、Token Plan 和 API 使用，权重和技术报告承诺在 10 天内发布。

    推荐理由：MiniMax M3 将 100 万 token 上下文、前沿编程与智能体得分以及原生图像和视频输入结合在一个开放权重模型中，MSA 降低了长上下文下的每 token 计算量。

已经到底了