生成式AI
一、微软开源VibeVoice-Realtime-0.5B：实现多角色自然对话
1. 微软开源0.5B参数轻量级实时TTS模型VibeVoice-Realtime-0.5B，首包延迟仅300毫秒，支持边输入文本边朗读，发布12小时获得12.3K星标；
2. 模型采用交错窗口架构实现长文本无卡顿朗读，支持最多4个角色自然对话，具备情绪识别与表达能力，长时上下文记忆可达90分钟；
3. 同时支持中英文语音生成，LibriSpeech和SEED TTS测试集错字率约2%，说话人相似度达0.65以上，适用于AI助手、会议记录、播客生成等场景。
https://mp.weixin.qq.com/s/4IEREGutnIOp2k6ULlg3tA
二、智谱GLM-4.6V上线并开源：从看懂图片到自动完成任务
1. 智谱正式上线并开源GLM-4.6V系列多模态大模型，包括106B-A12B基础版和9B轻量版Flash，训练时上下文窗口提升至128k tokens，相较GLM-4.5V降价50%；
2. 首次在模型架构中将Function Call能力原生融入视觉模型，实现"图像即参数，结果即上下文"的多模态工具调用，打通从视觉感知到可执行行动的链路；
3. 在同参数规模下达到SOTA表现，9B版本整体超过Qwen3-VL-8B，106B参数版本比肩2倍参数量的Qwen3-VL-235B，支持图文混排、识图购物、前端复刻等应用场景。
https://mp.weixin.qq.com/s/16svJl6E1sTvdz_Q63-qLQ
三、Day5，可灵O1「主体库」&对比模板两大功能全新上线
1. 可灵O1推出"主体库"功能，支持上传多角度参考图构建专属角色、道具和场景，视频O1支持至多7个主体、图片O1支持至多10个主体随心组合；
2. 新增AI补图功能，可根据一张主要参考图自动扩展更多视角并智能生成主体描述，汇集海量官方主体库素材持续更新中；
3. "对比模板"功能一键整合多模态创作，实现Prompt、参考图、主体等所有输入与终极成品的Before & After高效同框对比，助力作品成为爆款。
https://mp.weixin.qq.com/s/mwQgTCt79yU2o78F5BRYgQ
四、美团发布LongCat-Image模型，编辑能力登顶开源SOTA
1. 美团LongCat团队发布并开源6B参数LongCat-Image模型，在ImgEdit-Bench（4.50分）、GEdit-Bench中英文（7.60/7.64分）等图像编辑基准测试中达到开源SOTA水平；
2. 采用文生图与图像编辑同源架构设计及渐进式学习策略，在中文文字生成方面ChineseWord评测以90.7分大幅领先，覆盖通用规范汉字表8105个汉字；
3. 全面开源文生图多阶段模型（Mid-training、Post-training）和图像编辑模型，GenEval 0.87分、DPG-Bench 86.8分的表现使其在生图基础能力上具备强竞争力。
https://mp.weixin.qq.com/s/YicvAPTt0nobdRB0RH2nsw
五、腾讯AI上新，混元2.0正式发布，DeepSeek V3.2率先接入
1. 腾讯自研大模型混元2.0（Tencent HY 2.0）正式发布，采用MoE架构，具备406B总参数量（激活参数32B），支持256K超长上下文窗口，推理能力处于业界领先地位；
2. DeepSeek V3.2同步在腾讯生态内接入，重点提升推理表现与长文本生成质量，在公开推理类评测中能力达GPT-5水平，略低于Gemini-3 Pro；
3. 两大模型已在元宝、ima等腾讯AI原生应用中上线，腾讯云同步开放API及平台服务，QQ浏览器、搜狗输入法、腾讯地图等多款产品正在陆续接入。
https://mp.weixin.qq.com/s/ExnYs0LGICnlt4fcCMcD0A
六、阿里Qwen3-TTS全新上线！支持9种方言+49种音色
1. 阿里通义团队发布Qwen3-TTS新一代文本转语音模型，提供49种高保真角色化音色，包括"茉兔"（活泼撒娇）、"沧明子"（低沉睿智）等具有画面感的音色体系；
2. 支持10种语言（中英德法西意葡日韩俄）和9种中文方言（普通话、粤语、闽南语、吴语、四川话、北京话、南京话、天津话、陕西话），保留真实语调与地域口音；
3. 在MiniMax TTS multilingual test set上平均WER表现优于MiniMax/ElevenLabs/GPT-4o Audio Preview，韵律控制相比上一代有明显感知级提升。
https://mp.weixin.qq.com/s/_kY8LMMrMjURJQPszlUk7w
七、ARC-AGI 2英伟达4B小模型击败GPT-5 Pro！成本仅1/36
1. 英伟达4B小模型NVARC在ARC-AGI 2测试中以27.64%公开榜成绩力压GPT-5 Pro的18.3%登顶榜首，每任务成本仅20美分，约为GPT-5 Pro单任务成本的1/36；
2. 采用零预训练深度学习方法，通过大规模合成高质量数据（320万+增强样本）和测试时微调（TTFT）技术，针对每个问题进行LoRA微调快速适应；
3. 选用Qwen3-4B小参数模型通过对话式模板简化谜题理解，借助NeMo RL框架进行监督微调，将复杂推理移至离线合成数据管道完成。
https://mp.weixin.qq.com/s/acDvA5LD9bfsPi-GpITAzA
前沿科技
八、普渡发布最新行业级自主导航四足机器人PUDU D5系列
1. 普渡机器人正式发布行业级自主导航四足机器人PUDU D5系列，提供轮足/点足两个版本，搭载NVIDIA Orin与RK3588双芯片架构，总算力高达275TOPS，支持部署端侧大模型；
2. 配备四目鱼眼相机与双192线激光雷达，实现厘米级精准定位和环境重建，可稳定承载30公斤负载，单次充电续航达14公里，整机防护IP67，工作温度范围-20℃至55℃；
3. 采用仿生轮足融合系统，最高速度可达5米/秒，具备30°斜坡攀爬与25厘米连续越阶能力，适用于园区巡检、物料输送、导购分发、科研教学等多场景应用。
https://mp.weixin.qq.com/s/TY19niRQw6IV0jrJAn4Kcw
报告观点
九、Karpathy：别再问AI「你怎么看了」，错误的提示词策略
1. Andrej Karpathy提出核心观点：不要把大语言模型看作实体，而应视作模拟器，避免使用"你怎么看"这样的提问方式，因为根本不存在"你"；
2. 建议采用更有效的提问策略："什么样的一群人适合探索xyz话题？他们会怎么说？"通过这种方式让LLM引导或模拟多种视角，而非局限于单一AI人格；
3. 强调模型的"你"是被刻意设计、工程化并硬加上去的，通过SFT和RLHF构建的复合人格本质上仍建立在Token模拟引擎之上，不是随时间构建的涌现性"心智"。
暂无评论内容