跳到正文

#模型发布

今日 2 条
今天9月30日周三
9月29日周二
  1. OpenAI News80

    OpenAI 发布 GPT-6.1 Sol

    OpenAI 发布 GPT-6.1 Sol，定位为接近 Astra 的智能水平，面向编码、计算机操作和专业工作场景。其标准 API 输入与输出 token 价格均为 Astra 的五分之一。

    推荐理由：OpenAI 发布 GPT-6.1 Sol，价格降至 Astra 标准 API 的五分之一，读者可据此判断成本与能力取舍。

9月28日周一
9月24日周四
  1. Google Gemini 博客71

    Google 发布 Gemini 3.8 Live with Live Avatar

    Google 发布 Gemini 3.8 Live with Live Avatar，将低延迟流式视频与实时对话能力结合，为对话模型带来近实时的视觉形象。该功能支持精确唇形同步、自然表情与流畅轮次切换，并可在对话中异步调用工具、在后台获取数据。它支持 97 种语言的原生语音到语音同步，输出均带 SynthID 水印，现已在 Gemini Enterprise 提供，自定义形象仅限企业白名单申请。

    推荐理由：Gemini 3.8 Live 新增实时视频形象能力，读者可了解多模态对话在企业场景中的落地形态与开放范围。

9月23日周三
  1. Google Gemini 博客72

    Google 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS

    Google 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款文本转语音模型，前者面向角色设计与深度创作控制，后者面向高并发、低成本的配音与语音智能体场景。

    推荐理由：两款 TTS 模型把语音生成从固定音色扩展到自然语言定制与逐句导演，并给出基准排名和开放入口。

9月22日周二
9月16日周三
9月5日周六
  1. Google Gemini 博客60

    Google 在 Gemini 中上线 Lyria 3.5 音乐生成模型

    Google 在 Gemini 应用和 Gemini API 中上线音乐生成模型 Lyria 3.5，官方称其音质表现最好，人声更具表现力、编曲更丰富。Gemini 应用内支持选择或描述曲风、在带人声与纯器乐之间切换，并提供从背景音乐到生日定制曲的模板，还可选择短曲或长曲。

    推荐理由：Lyria 3.5 在音质、人声表现和编曲丰富度上的升级，以及它在 Gemini 应用与 API 中的开放范围，可供读者判断音乐生成能力当前所处的位置。

9月2日周三
  1. Google Gemini 博客85

    Google 发布 Gemini 3.8 Flash 与 3.8 Flash Cyber

    Google DeepMind 发布 Gemini 3.8 Flash 和 Gemini 3.8 Flash Cyber 两个变体，前者面向长程编码与自主智能体，后者面向漏洞发现与自动修复。

    推荐理由：官方给出 3.8 Flash 与 Cyber 两个变体的定价、基准表现和开放入口，可据此判断长程编码与安全场景的选型。

9月1日周二
  1. Meta AI Research · Muse74

    Meta 发布 Muse Voice Transcribe 实时语音感知模型

    Meta Superintelligence Labs 发布 Muse Voice Transcribe，这是其首款实时音频感知模型，支持流式 ASR、20 人以上说话人分离和端点检测。模型原生支持任意中英混说，训练覆盖 70 多种语言，其中 25 种经过充分验证，并支持超过一小时的长音频输入。官方称其在 Artificial Analysis 流式语音转文字和公开说话人分离基准上排名第一。

    推荐理由：Meta 公布实时语音感知模型的技术细节与基准排名，读者可了解流式 ASR 与说话人分离的实现路径。

8月28日周五
  1. Midjourney Updates62

    Midjourney 开放首个 V8.2 图像编辑模型测试

    Midjourney 开始让所有用户测试其首个 V8.2 图像编辑模型，支持按指令编辑图像、用最多 4 张参考图生成图像（取代 omni-reference）、局部重绘（inpainting）与画布扩展（outpainting），并可使用 personalization、moodboards 和 srefs。

    推荐理由：官方公布 V8.2 图像编辑模型的首批能力与入口，可据此了解 Midjourney 编辑能力从参考图到局部重绘的覆盖范围。

  2. Google Gemini 博客76

    Google 发布 Gemini Omni 1.1 Flash，强化生成视频控制能力

    Google DeepMind 发布 Gemini Omni 1.1 Flash，为开发者提供场景延长、首尾帧插值、360p 快速预览和最高 4K 放大等生成视频控制能力，通过 Gemini API 在 Google AI Studio 上线。

    推荐理由：官方给出场景延长、首尾帧插值与 4K 放大等具体能力，读者可据此判断生成视频工作流的可控性变化。

8月27日周四
8月20日周四
  1. Meta AI Research · Muse66

    Meta 发布 Muse Spark 1.2 多模态评测结果

    Meta 公布 Muse Spark 1.2 的新评测结果与演示，展示其在视觉编码、图表理解、视觉推理和知识密集型任务上的表现，并称多模态提升在模型可调用工具时最明显。该模型支持将图像或视频转为可运行代码、面向机器人的空间智能与音视频理解，已上线 Meta Model API 和 Muse Code，官方同时预览了内部评测 WildArtifactBench 并放出 10 个任务。

    推荐理由：官方给出 Muse Spark 1.2 在多模态任务上的新评测与演示，可了解其在视觉编码、机器人和音视频理解上的能力边界。

8月10日周一
8月5日周三
  1. Meta AI Research · Muse78

    Meta 发布 Muse Code 终端编码智能体与 Muse Spark 1.2 模型

    Meta 发布终端编码智能体 Muse Code（beta），由新模型 Muse Spark 1.2 驱动，可在 macOS 或 Linux 安装，面向大型代码仓库的规划、写码与结果验证，并能协调多个常驻子智能体。

    推荐理由：官方披露了 Muse Spark 1.2 的编码训练重点与 Muse Code 的运行时设计，可据此判断终端编码智能体的工程取舍。

7月31日周五
  1. ByteDance Seed78

    字节跳动 Seed 发布新一代视频创作模型 Seedance 2.5，在长叙事、多模态参考和编辑能力上做了升级。该模型支持单次生成 30 秒高质量音视频片段，单次可输入最多 30 张图片、10 段视频和 10 段音频作为参考素材，并提供时间戳级控制以对音视频内容做定向编辑。项目主页为 https://seed.bytedance.com/seedance2_5。

    推荐理由：官方给出单次生成时长、参考素材上限和时间戳级编辑三项能力，可据此判断视频创作流程的变化。

7月30日周四
  2. Google Labs 博客58

    Google 发布音乐生成模型 Lyria 3.5，上线 Flow Music

    Google 发布新一代音乐生成模型 Lyria 3.5，并已在 Google Flow Music 中上线。官方称其在音乐性、歌词、人声和创作控制四方面均有提升：可生成更丰富自然的旋律结构，歌词质量与提示词遵循度、结构感知更好，人声更具表现力和情感且发音改善，同时更易控制输出的节奏与时长。

7月29日周三
  1. Ideogram62

    Ideogram 发布 Ideogram 4.0，这是一个 9.3B 参数的开源权重 Diffusion Transformer 图像模型，官方称其在 LMArena 和 Design Arena 上超过所有开源权重图像模型，英文 OCR 文本渲染得分为 0.97，行业平均为 0.30–0.50。该模型运行在 AMD Instinct MI350X GPU 上，配备 288 GB HBM3 显存和 8 TB/s 带宽，Ideogram 表示与 AMD 合作将 Ideogram 4.0 规模化交付。

    引用AMD Data Center@AMDServer

    Enterprise-grade AI visual design, powered by AMD Instinct. Ideogram just released Ideogram 4.0, a 9.3B-parameter open-weight Diffusion Transformer that outperforms all open-weight image models in LMArena and Design Arena, with a 0.97 X-Omni English OCR text-rendering score (vs. an industry average of 0.30–0.50). The engine behind it? AMD Instinct MI350X GPUs, 288 GB of HBM3 memory and 8 TB/s of bandwidth, delivering the throughput enterprise diffusion workloads demand. Read how @ideogram_ai and AMD are scaling production-grade visual AI from millions to billions of images per month 👉 https://bit.ly/3TosU1m

7月25日周六
  1. Midjourney Updates50

    Midjourney 发布 V8.2 图像模型

    Midjourney 发布 V8.2 图像模型，本次更新聚焦美学、图像质量与个性化。官方称图像将更具创意、大胆、精致、前卫和新颖，低质量图像出现的随机情况应会大幅减少。个性化功能将更好地理解用户品味，V8.2 的个性化配置文件拥有更大且更优质的图像池可供选择。

7月9日周四
  1. Meta AI Research · Muse85

    Meta 发布 Muse Spark 1.1 多模态推理模型并开放 Meta Model API 预览

    Meta Superintelligence Labs 发布 Muse Spark 1.1，这是 Muse Spark 的升级版多模态推理模型，面向智能体任务，在工具与电脑操作、编码和多模态理解上有明显提升。

    推荐理由：Meta 发布面向智能体任务的多模态推理模型，并首次开放 Meta Model API 公共预览，读者可据此了解其能力定位与接入方式。

6月11日周四
  1. Midjourney Updates71

    Midjourney 将 V8.1 设为默认模型

    Midjourney 在用户测试和反馈后，将默认模型从 V7 更新为 V8.1。V8.1 对详细提示词的遵循更好、文字渲染更强，开启 HD 模式后图像尺寸是 V7 的两倍、分辨率为 4 倍，SD 出图约 4 秒、HD 约 12 秒；风格参考、个性化和美学设置与 V7 保持一致。V7 omni-reference 仍可使用，V8.0 alpha 模型将在两周后弃用。

    推荐理由：官方说明 V8.1 成为默认模型并列出速度、分辨率与提示词遵循的变化，可据此判断是否切换工作流。

6月5日周五
6月3日周三
5月20日周三
  1. Google Labs 博客88

    Google I/O 2026：Gemini 3.5 Flash、Gemini Omni 与 Antigravity 2.0 发布

    Google 在 I/O 2026 发布 Gemini 3.5 Flash，官方称其对比 3.1 Pro 在几乎所有基准上更好，输出速度是其他前沿模型的 4 倍，价格不到同类前沿模型的一半，即日起在 Google 全线产品与 API 提供，Gemini 3.5 Pro 将于下月推出。

    推荐理由：Google 一次性放出 Gemini 3.5 Flash、Gemini Omni 与 Antigravity 2.0，读者可据此判断其智能体产品线的整体走向。

5月14日周二
  1. Sam Altman Blog88

    OpenAI 发布 GPT-4o，免费向 ChatGPT 用户开放并推出语音视频模式

    OpenAI 发布 GPT-4o，Sam Altman 表示已在 ChatGPT 中免费提供这一模型，且不含广告。他称新的语音与视频模式是自己用过最好的计算机界面，达到接近人类的响应速度和表现力，并提到后续会加入可选个性化、访问用户信息以及代为执行操作等能力。

    推荐理由：OpenAI 官方说明 GPT-4o 免费开放与语音视频模式，读者可了解其能力定位与商业化取舍。