跳到正文

#模型发布

今日 6 条
8月5日周三
  1. 字节 Seed:研究51

    字节 Seed 发布音视频全双工大模型 SeedRealtime,已在豆包 App 全量上线

    字节 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,已在豆包 App 全量上线。官方端到端人工评测称,相比级联模型其音视频对话节奏问题减少一半;模型可分辨多人对话中谁在说话、按画面变化主动提醒并调用工具。

    决策要点

    字节把全双工音视频交互从演示推进到消费级产品全量上线,实时看画面对话开始具备规模化可用性。

    • 影响语音与视频结合的客服、导览、陪练类场景多了一种交互形态参考;实时多模态对话进入大众 App,同类能力的用户预期和接入门槛会随之变化;当前能力结论均出自官方评测,采购前需自建测试。
    • 参考可考虑在客服、展厅导览、教学陪练中挑一个视频交互场景做小流量试点,在嘈杂与多人环境下实测接话时机和抗干扰表现;值得同时盘点现有级联语音方案的时延与成本作对照。
7月31日周五
  1. 字节 Seed:研究62

    字节 Seed 发布 Seedance 2.5 视频生成模型,单次生成时长提升至 30 秒

    字节 Seed 正式发布视频生成模型 Seedance 2.5,单次生成时长从 15 秒提升至 30 秒,支持多轮延长生成数分钟连贯内容。模型支持单次输入最多 30 张图片、10 段视频、10 段音频作参考,新增时间戳精准编辑及绿幕、视角等编辑能力,将陆续上线即梦 AI、豆包专业版,API 近期上线火山方舟。

    决策要点

    视频生成模型的比拼正从单段画质转向叙事长度与可控编辑,官方明确以影视广告等专业生产流程为目标。

    • 影响官方称多轮延长可减少拆分镜头与反复拼接的成本;合成视频数据为机器人训练和自动驾驶低频场景测试提供新样本来源;即梦、豆包入口降低了视频物料制作门槛。
    • 参考可考虑在广告样片、教学视频等场景先做小规模对比测试,记录与传统拍摄的耗时和成本差异;制造与出行企业值得评估用生成视频补充训练样本的可行性。
7月30日周四
  1. Google DeepMind:Blog47

    Google DeepMind 发布 Gemini Robotics ER 2,强化机器人视频理解与多机协作

    Google DeepMind 发布机器人具身推理模型 Gemini Robotics ER 2,将其定位为机器人上层大脑,可编排多步任务、通过连续视频追踪进度,并把运动执行交给 VLA 模型等低层控制接口。

    决策要点

    具身推理被做成可经 API 调用的上层大脑,上层思考与底层执行解耦,机器人智能开始按软件方式分层组合。

    • 影响上层大脑改为 API 调用后,集成商可替换底层执行模型而不必重写编排逻辑;视频进度核验直接针对任务完成判定这一落地难点;多机协作让不同形态机器人分担同一工作流成为可能。
    • 参考可考虑用官方 GitHub 示例在仿真环境复现编排 demo,评估与现有 VLA 或导航接口的兼容性;值得盘点在手机器人流程中哪些环节需要视频进度核验,再决定是否申请企业平台私有预览。
  2. Google DeepMind:Blog30

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

    Google DeepMind 发布音乐生成模型 Lyria 3.5,今日上线 Google Flow Music,改进集中在旋律性、歌词、人声与创作控制四个方面。官方称模型可生成更丰富自然的旋律结构,歌词质量与提示词遵循度提升,人声更真实、情绪表达更细腻并改善发音;用户还能更方便地控制输出曲目的节奏与时长。

    决策要点

    Lyria 3.5 的官方卖点不只在音质,更在让创作者掌控节奏与时长等可调参数。

    • 影响有营销音频、片头曲类需求的内容团队多了一个官方生成工具选项;效果均为官方口径,商用是否达标要按自有场景实测;节奏与时长可控让产出更易匹配固定时长用途。
    • 参考可考虑在播客片头、营销短音频等低风险场景做对比试用,用自有歌词测提示词遵循度;先算清单条音频人工制作与生成的成本基准。
7月29日周三
  1. xAI:News66

    xAI 发布 Grok Voice Think Fast 2.0 语音模型,定价 $0.08/分钟

    xAI 发布语音到语音模型 Grok Voice Think Fast 2.0,定价 $0.08/分钟音频,8 月 5 日起 grok-voice-latest 将默认切换到新版,现有提示词无需改动。

    决策要点

    语音模型竞争从对话质量转向智能体落地,xAI 以自家电话业务数据和固定分钟计价,把卖点对准销售与客服通话场景。

    • 影响语音客服与电话销售场景可按 $0.08/分钟直接折算单通成本,试点预算更好算;grok-voice-latest 8 月 5 日自动切换,沿用别名的现有集成会被动升级;转写提升与 Starlink 转化数据均为官方口径,选型对比时需留出独立复测空间。
    • 参考可考虑选一通典型客服或外呼电话,按 $0.08/分钟先算出单通成本再定试点;8 月 5 日前盘点使用 grok-voice-latest 的集成,决定跟随升级或固定版本号;官方转写倍数可用自家真实通话录音抽样复测。
7月28日周二
  1. Google DeepMind:Blog53

    Google DeepMind 发布 Gemini Robotics 2,带来机器人全身控制与多机协作

    Google DeepMind 发布 Gemini Robotics 2 系列模型,定位为下一代可适应机器人的智能层,包含全身控制的 VLA 模型、具身推理模型 ER 2 与可本地离线运行的 On-Device 模型。

    决策要点

    机器人控制正从预编程单一任务转向可适应的通用智能,Google 试图以分层模型成为各类机器人的大脑。

    • 影响机器人整机与自动化厂商可不必自研智能层,转而接入基础模型缩短开发周期;几小时换体适配和本地离线运行降低多本体部署成本;模型现阶段仅向早期伙伴开放,落地集中在合作厂商。
    • 参考做机器人硬件或产线自动化的企业可评估申请早期接入资格;值得先盘点自有场景中无网运行、多本体适配与长程多步任务三类需求的占比,再决定接入哪一层模型。
7月21日周二
  1. Google DeepMind:Blog76

    Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 与安全模型 3.5 Flash Cyber

    Google DeepMind 发布 Gemini 3.6 Flash 和 3.5 Flash-Lite,主打智能体场景的 token 效率与低延迟,即日起经 Gemini API、Gemini Enterprise 和 Gemini app 提供。

    决策要点

    Google 此轮把 Flash 系列的竞争点放在单位任务成本上,用 token 效率和更低定价争夺规模化智能体负载。

    • 影响跑批量智能体和文档处理的企业可重算模型成本账本,输出 token 用量与单价同时下降会改变单任务成本结构;Flash Cyber 只对政府和可信伙伴有限开放,一般企业暂无法获得;旗舰 3.5 Pro 尚未上线,升级窗口还没到。
    • 参考可考虑把现有智能体工作流在 3.6 Flash 和 3.5 Flash-Lite 上各跑一轮对比,记录 token 消耗、延迟与任务成功率再定切换;高吞吐场景值得先按 350 output tokens/s 和 $2.5/1M 输出价测算单条任务成本。
7月20日周一
  1. 字节 Seed:研究52

    字节 Seed 发布 Seed Audio 1.0 音频创作模型,统一框架生成完整声音场景

    字节 Seed 发布音频创作模型 Seed Audio 1.0,在统一框架下联合建模人声、音效和环境声,端到端生成完整声音场景,已在火山方舟体验中心上线。模型时间控制支持 100ms 间隔精度,单次可生成约 2 分钟音频并延展保持音色一致,覆盖中文、英文等 20+ 语种。

    决策要点

    字节把人声、音效和环境声放进同一个模型端到端生成,音频制作从多模型拼接转向完整场景创作。

    • 影响配音、短剧、广告等内容的音频制作有机会省去多工具拼接和反复试音环节;出海内容可用同一音色扩展多语言版本,减少逐市场重制;现有数字均为官方自评,引入前需自行验证。
    • 参考可考虑选一个视频配音或广告片场景,与现有拼接流程对比耗时和返工率;多语种业务值得测算用一个音色批量生成多语言版本的成本。
7月17日周五
  1. Google DeepMind:Blog61

    Google DeepMind 发布轻量网络安全模型 Gemini 3.5 Flash Cyber

    Google DeepMind 发布基于 3.5 Flash 微调的轻量网络安全模型 Gemini 3.5 Flash Cyber,用于快速查找、验证和修补软件漏洞。

    决策要点

    漏洞发现的成本降到轻量模型级别,防守方跑得起高频扫描,也正因双用途风险 Google 限量开放而非公开发布。

    • 影响AI 找漏洞的速度已超过防守方修复速度,漏洞暴露窗口在收窄;轻量模型让高频扫描和提交管道成本可控;模型本体暂不向一般企业开放,通用能力要走 Gemini Enterprise Agent Platform。
    • 参考可考虑关注 Gemini Enterprise Agent Platform 上 CodeMender 能力的开放节奏,评估是否接入自家提交扫描流程;值得先盘点现有漏洞从发现到修复的平均时长,作为衡量这类工具收益的基线。
  2. Kimi:研究博客73

    月之暗面 Kimi 发布 2.8T 参数模型 K3,称其为首个开放 3T 级模型

    月之暗面 Kimi 发布 2.8T 参数模型 K3,官方称其为全球首个开放 3T 级模型,支持原生视觉与 1M token 上下文窗口,权重将于 2026 年 7 月 27 日前开放(https://www.kimi.com/blog/kimi-k3)。

    决策要点

    月之暗面把开放模型的参数规模推到 3T 级,官方口径下能力仍不及最强闭源模型,主打长程智能体与编码场景。

    • 影响编码与长程智能体场景多了一个可自托管的开源选项,权重开放后可评估私有化部署与 API 成本;官方提示的思考历史敏感与过度主动问题要求接入前确认框架兼容;体验敏感型应用仍需闭源模型兜底。
    • 参考可考虑用内核优化或仓库级编码任务做与现有模型的并排试点,按输入 $0.30 至 $3.00/MTok、输出 $15.00/MTok 测算成本;值得先盘点现有 Agent 框架能否完整回传思考历史,再决定接入范围。
7月16日周四
  1. xAI:News69

    xAI 发布 Grok 4.5,主打编程与智能体任务

    xAI 于 7 月 16 日发布 Grok 4.5,官方称其为迄今最强模型,主打编程、智能体任务与知识工作。定价为每百万输入 token $2、输出 $6,官方称服务速度 80 TPS,SWE Bench Pro 每任务平均输出 15,954 个 token,约为 Opus 4.8 (max)(67,020)的 1/4.2,整体 token 效率约为同类领先模型 2 倍。

    决策要点

    Grok 4.5 的竞争点不在单项榜单第一,而是以更低 token 消耗和更快速度主打单位时间与成本内的智能。

    • 影响编码和智能体类任务的单任务成本可按 token 单价与官方称的 2 倍效率重新核算;免费开放期降低了试用门槛;文中评测排名互有胜负,不同工程负载下的表现需自行实测。
    • 参考可考虑在 Grok Build 与 Cursor 免费期内用自有代码任务对比现有模型的耗时与输出 token 量;值得把每任务平均 token 开销纳入模型选型的成本核算。
7月8日周三
  1. 字节 Seed:研究57

    字节 Seed 发布 Seedream 5.0 Pro 图像生成模型,主打高密度信息图与精准编辑

    字节 Seed 正式发布多模态图像生成模型 Seedream 5.0 Pro,已上线火山方舟体验中心,将陆续登陆豆包与即梦。官方称其具备复杂信息可视化、交互式精准编辑、真实影像人像质感、原生多语种输入四大能力,支持十余种常用语言,可生成含时间轴、图表与密集文字的高密度信息图。官方同时承认在更细粒度文字渲染与像素级编辑保持方面仍有进步空间。

    决策要点

    图像生成竞争从画面美观转向生产可用性,Seedream 5.0 Pro 以精准编辑和高密度信息图为主打,直接瞄准设计生产环节。

    • 影响信息图、促销海报等高文本物料多了一条模型直出路径;局部编辑能力若实测达标,可降低反复重绘整图的返工成本;现有展示均为官方演示口径,引入前宜用自有素材实测。
    • 参考可考虑选促销海报或科普信息图场景,用自有文案实测文字渲染准确率并记录返工轮次;值得盘点设计流程中高频微调环节,评估点选编辑与图层分离能否承接。
7月1日周三
  1. Google DeepMind:Blog62

    Google DeepMind 发布 Nano Banana 2 Lite 图像模型与 Gemini Omni Flash 视频模型

    Google DeepMind 发布 Nano Banana 2 Lite 与 Gemini Omni Flash 两个生成式模型,即日起在 Google AI Studio 和 Gemini API 面向开发者开放。

    决策要点

    Google 把图像与视频生成同时压进低价高速档位,生成式媒体的规模化调用成本进入可按量精算的区间。

    • 影响图像按 $0.034 一张、视频按 $0.10 一秒计价,批量素材生产的预算可以直接精算;官方自列 10 秒时长上限与角色一致性限制,重交互或长片场景需要保留降级路径。
    • 参考可考虑用旧版 Nano Banana 的调用量重算换成 Lite 后的成本变化;值得选一条图生视频链路如商品图转展示视频做小规模试点,并按官方列出的限制先定验收标准。
6月17日周三
  1. xAI:News59

    xAI 宣布 Grok 4.3 上线 Amazon Bedrock,官方称幻觉率为前沿模型中最低

    xAI 宣布 Grok 4.3 在 Amazon Bedrock 正式可用,已支持区域内的开发者均可调用。官方称其幻觉率为前沿模型中最低,提供 100 万 token 上下文窗口,可配置 none、low、medium、high 四档推理强度,定价为输入 $1.25、输出 $2.50 每百万 token。

    决策要点

    Grok 4.3 进入 Amazon Bedrock 是 xAI 借 AWS 分发渠道切入企业 Agent 市场的动作,以低幻觉和单位成本为卖点。

    • 影响已部署在 AWS 上的企业可沿现有云合同与合规路径接入该模型;官方的定价与单位智能宣称,为客服 Agent 和长文档场景提供了新的比价基准;前沿模型进入云平台货架后,多云比价与替换成本更容易核算。
    • 参考可考虑在 Bedrock 上用自有客服或文档理解数据复测该模型,替代榜单口径;值得按 $1.25 与 $2.50 的百万 token 单价重算现有长文本链路成本;接入前先确认所在 AWS 区域是否已支持。
6月16日周二
  1. xAI:News42

    xAI 发布 Grok Imagine Video 1.5,视频生成速度接近翻倍

    xAI 发布 Grok Imagine Video 1.5 图生视频模型,已在 Imagine API 以 grok-imagine-video-1.5 正式开放,Video 1.5 Fast 同步上线 grok.com/imagine 及 iOS 和 Android 应用。

    决策要点

    这轮升级把图生视频的音画同步、运动一致性和速度短板一起补,重心开始从模型能力转向创作者日常工作流。

    • 影响短视频与广告类素材的图生视频制作耗时进一步压缩,单镜头试错成本随之下降;音效对白与画面一次生成,后期配音和口型修正环节有压缩空间;Projects 与并行生成等配套功能把竞争从单条生成延伸到日常创作流程。
    • 参考可考虑拿 6 秒 720p 短镜头做试点,对比现有视频制作流程的出片耗时;值得盘点素材生产中配音、口型修正的外包成本,再决定是否接入 Imagine API 试一条生产线。
6月11日周四
  1. Google DeepMind:Blog62

    Google DeepMind 发布开放模型 DiffusionGemma,GPU 文本生成最高提速 4 倍

    Google DeepMind 发布开放实验模型 DiffusionGemma,用文本扩散并行生成整段文本,官方称专用 GPU 上推理最高提速 4 倍,单张 H100 超 1000 token/秒。

    决策要点

    Google 把 Gemini Diffusion 研究做成开源实验模型,用输出质量换取本地生成速度,瞄准低并发、低延迟的交互场景。

    • 影响本地低延迟交互类应用多了一个 Apache 2.0 开源选项,可自行部署和微调改造;官方明言质量低于标准 Gemma 4,高并发云端场景并行解码收益递减、成本可能更高;已有高端 GPU 的团队试用门槛主要是 18GB 显存。
    • 参考可考虑选行内编辑或代码补全这类低延迟场景做本地试点,在 H100 或 RTX 5090 上实测吞吐与质量差距;值得把现有云端推理账单和 GPU 库存放在一起算,判断低并发负载是否值得本地化。
6月9日周二
  1. Google DeepMind:Blog67

    Google 发布 Gemini 3.5 Live Translate,支持 70 多种语言近实时语音翻译

    Google DeepMind 发布音频模型 Gemini 3.5 Live Translate,提供 70 多种语言的近实时语音到语音翻译。模型连续生成译文而非等讲话者说完,全程仅落后数秒,保留语调、节奏和音高,可自动识别多语言输入并具备抗噪能力。

    决策要点

    Gemini 3.5 Live Translate 把语音翻译从逐句等待转向边听边译的流式输出,跨语言会议与通话开始接近同传体验。

    • 影响跨国会议、多语言通话和现场接待的实时翻译可用性提高;Google Meet 企业私测先行,Google Workspace 商业客户或最先接触;移动端落地依赖 Google Translate 应用和用户接听习惯。
    • 参考可考虑在多语言客服或跨国会议场景申请 Google Meet 私测;开发团队可在 Google AI Studio 用 Gemini Live API 搭语音翻译原型;值得先测算现有同传与翻译服务成本作对比。
  2. Google DeepMind:Blog61

    Google DeepMind 发布 Gemma 4 12B,无编码器统一架构多模态模型

    Google DeepMind 发布 Gemma 4 12B,一款无编码器统一架构的开源多模态模型,可在 16GB 内存的消费级笔记本上本地运行。官方称其基准成绩接近自家 26B MoE 模型而总内存占用不到一半,并首次在中型尺寸支持原生音频输入,视觉与音频输入直接进入 LLM 主干。

    决策要点

    多模态能力下探到 16GB 内存的消费级笔记本,开源许可让企业本地跑多模态智能体的硬件门槛进一步降低。

    • 影响语音与图像等敏感数据的处理可评估在本地完成,减少数据外送环节;Apache 2.0 许可降低商用集成的授权顾虑;内存门槛下降让智能体试点的硬件预算更可控。
    • 参考可考虑选语音质检或单据图像这类固定流程做本地试点,对比云端调用的时延与成本;值得先盘点现有设备中满足 16GB 内存的机型清单。
6月3日周三
  1. xAI:News39

    xAI 发布图生视频模型 Grok Imagine 1.5 Preview

    xAI 于 6 月 3 日发布图生视频模型 grok-imagine-video-1.5-preview,现以预览版形式通过 xAI API 开放。模型输入一张静态图和描述动作的提示词即可生成视频,涵盖镜头运动、氛围与物理效果,分辨率最高 720p,并保留原图细节与光影;官方称支持逐帧编排并串联成整段风格一致的长场景,可用几行 Python 代码调用。

    决策要点

    xAI 把图生视频能力做成 API 预览版开放,内容团队获得一个可用代码调用的视频生成入口。

    • 影响营销与内容团队可把静态素材经代码批量转成视频片段,用于广告或社媒生产;预览版上限 720p,效果只有官方口径,需用自家素材实测后再扩量。
    • 参考可考虑挑一批品牌静态图做小规模试跑,记录与人工动画的成本和质感差异;先核对接投渠道是否接受 720p 素材,再定试点范围。
6月1日周一
5月29日周五
  1. xAI:News49

    xAI 将编程模型 Grok Build 0.1 开放 API 公测

    xAI 发布编程模型 Grok Build 0.1,现经 xAI API 开放公测,与驱动 Grok Build 的是同一模型。模型专为智能体编程任务训练,覆盖 Web 开发、调试并支持 MCP,服务速度超 100 tokens/秒,定价为输入 $1/m tokens、输出 $2/m tokens。

    决策要点

    xAI 以输入 $1/m tokens、输出 $2/m tokens 的定价放出高速编程模型,把智能体编程的使用成本压到更低水位。

    • 影响经 API 接入编程工具的企业多了一个高速低价的模型选项;通用智能体与工具调用场景也能用该模型控制成本,模型选型与 API 预算可据此重新比价。
    • 参考可考虑先算出当前编程场景的月均 token 用量,按 $1/m tokens 输入、$2/m tokens 输出估算账单变化;值得在 Cursor 或 OpenCode 里用真实任务对比速度与产出。
5月18日周一
  1. Google DeepMind:Blog72

    Google 发布 Gemini Omni Flash,支持任意输入生成视频

    Google 发布 Gemini Omni 系列首个模型 Gemini Omni Flash,可组合图像、音频、视频和文本输入生成视频,并通过自然语言进行多轮对话式编辑。

    决策要点

    视频生成正从一次性产出转向多轮可控编辑,Gemini 的知识储备被直接接入创作链路。

    • 影响内容与营销团队可先评估对话式编辑能否替代部分拍摄和后期工序;YouTube Shorts 提供免费入口,试错成本不高;生成视频带 SynthID 水印,商用素材发布前可先核对平台披露要求。
    • 参考可考虑让内容团队用既有素材在 Gemini 应用或 Google Flow 做多轮编辑试点,记录可用场景和节省工时;值得先确认订阅档位覆盖,API 开放后再评估接入。
5月16日周六
  1. Google DeepMind:Blog74

    Google DeepMind 发布 Gemini 3.5 系列,首发 3.5 Flash 主打智能体与编程

    Google DeepMind 发布 Gemini 3.5 模型系列,首个型号 3.5 Flash 当天面向全球上线,主打智能体工作流与编程能力。

    决策要点

    Google 把旗舰级智能体能力压进 Flash 档的速度与价格区间,智能体任务的成本门槛成为新一轮竞争点。

    • 影响智能体与编程任务的耗时和成本参照系需要重算,银行与金融科技的多周流程自动化已有合作案例;Flash 当天进入 Gemini 应用与 Search 默认位,企业与个人可用入口同步扩大;3.5 Pro 下月跟进,模型选型的比较需要重做。
    • 参考可考虑选一个自家长程编程或文档流程做实测,记录与现有模型的耗时和费用对比;值得盘点 Gemini API、Antigravity、Gemini Enterprise 各入口的适用范围再定接入方式。
4月24日周五
  1. One Useful Thing(Ethan Mollick)65

    沃顿教授 Ethan Mollick 实测 GPT-5.5,称能力提升仍在加速

    Ethan Mollick 提前试用 GPT-5.5,认为模型、应用与工具连接三方面同时进步,AI 能力提升在加速。同题 3D 港口城镇演化编码任务中,仅 GPT-5.5 Pro 真正建模出演化的城镇,用时 20 分钟,上一代 GPT-5.4 Pro 为 33 分钟。

    决策要点

    GPT-5.5 的意义不在单项跑分,而在模型、应用与工具三层同时进步,复杂任务一次委托已接近可交付。

    • 影响编码与研究类交付的外包门槛进一步降低,AI 可完成从数据到成稿的整链路,专家角色转向把关假设与结论;长篇创作与因果论证仍是短板,需要人工补位;模型迭代周期变短,已有选型结论更容易过时。
    • 参考可考虑选一个真实业务场景,用四条以内提示测试从数据到成稿的完整链路并记录人工修改量;值得按模型、应用、工具三层盘点现有 AI 使用方式,检查团队是否只停留在网页聊天入口。
4月23日周四
  1. xAI:News62

    xAI 发布 grok-voice-think-fast-1.0 语音模型,经 API 开放

    xAI 发布 grok-voice-think-fast-1.0 旗舰语音智能体模型,现已可通过 API 调用,面向客服支持、电话销售和企业应用中的多步骤流程。

    决策要点

    语音智能体进入生产部署阶段,xAI 把客服和电销的电话渠道交给自主智能体,并给出了运营数据。

    • 影响客服和电销的电话渠道多出一个可选模型;官方口径 70% 自主解决率若成立,人工坐席与外包成本结构需要重算;硬件换新和服务补偿发放交给模型自主执行,会抬高权限与稽核要求。
    • 参考客服团队可考虑选话务量大的固定流程用 API 试点该模型,对比现有语音方案的解决率和单通成本;值得在上线前先划出服务补偿与换新发放的审核边界,保留高风险操作的人工复核。
4月20日周一
  1. Kimi:研究博客71

    月之暗面开源 Kimi K2.6,主打长程编码与智能体蜂群

    月之暗面开源最新模型 Kimi K2.6,主打长程编码、智能体蜂群与持续自主执行,已上线 Kimi.com、Kimi App、API 和 Kimi Code。

    决策要点

    开源模型竞争焦点转向长时程自主执行的可靠性,Kimi 借 K2.6 宣称在智能体编码上可比肩闭源旗舰。

    • 影响编码 Agent 场景多了一个主打长程任务的开源选项,成本权衡需要重算;蜂群与 Claw Groups 把多智能体编排做成产品能力,企业自建编排的需求可能减少;各项数字以官方与伙伴口径为主。
    • 参考可考虑用官方 API 复现基准,再按 Kimi Vendor Verifier 核查第三方服务精度;值得选一个长程编码任务与现用模型跑同题对比,记录工具调用成功率与耗时。
4月16日周四
  1. Google DeepMind:Blog56

    Google DeepMind 发布 Gemini 3.1 Flash TTS,用 audio tags 精细控制语音表达

    Google DeepMind 发布文本转语音模型 Gemini 3.1 Flash TTS,主打更细的语音控制、更强表现力和音质。模型新增 audio tags,在文本中嵌入自然语言指令即可控制语气、语速与表达;官方转引 Artificial Analysis 盲测榜单称其 Elo 得分 1,211,并入选其高质量低成本象限。

    决策要点

    语音合成的卖点从音质转向可控表达,导演式控制加低成本定位让有声内容制作门槛继续下移。

    • 影响客服语音、有声内容和产品讲解等场景可用更细的语气控制提升听感;70+ 语言与低成本定位降低多语言配音的制作门槛;SynthID 水印为企业识别 AI 生成音频提供了检测手段。
    • 参考可考虑挑一个客服播报或多语言讲解场景,在 Google AI Studio 试用 audio tags 并导出 API 代码做小样对比;值得先核算现有配音外包成本,评估替换或混合方案的节省空间。
4月2日周四
  1. 智谱 Z.ai:研究55

    智谱发布GLM-5V-Turbo,面向视觉编程的多模态Coding基座模型

    智谱今日发布GLM-5V-Turbo,一款面向视觉编程的多模态Coding基座模型,从预训练阶段融合视觉与文本,能看懂设计稿、截图和网页界面并直接生成完整可运行代码。

    决策要点

    智谱把视觉理解前置到编程基座的预训练阶段,国内Coding模型竞争从纯文本代码生成扩展到看图写码与GUI自主操作。

    • 影响设计稿到代码的自动还原可能压缩前端原型环节成本;Agent具备视觉后,报告生成、图表解读等任务进入自动化范围;多模态基座会改变现有纯文本Coding模型的选型依据。
    • 参考可考虑用自家设计稿和界面截图在BigModel API上跑小样本还原度对比;值得盘点现有Coding流程中依赖屏幕理解的环节,Coding Plan申请通道已开放。
3月16日周一
  1. 智谱 Z.ai:研究59

    智谱发布GLM-5-Turbo 面向OpenClaw龙虾场景优化的基座模型

    智谱于2026年3月15日发布基座模型GLM-5-Turbo,针对OpenClaw龙虾Agent场景强化工具调用、指令遵循、定时任务与长链路执行能力。官方称其在自研基准ZClawBench取得国产第一,用户盲测中90%受访者认为表现优于其他国产模型;阿里、字节、美团、快手等团队在内测中给出正面评价。

    决策要点

    智谱把Agent长链路执行能力前移到基座模型训练阶段,再用套餐定价与安全管控把模型按AI员工的方式打包出售。

    • 影响Agent任务tokens消耗远超普通对话,模型选型需把执行稳定性与tokens成本一起核算;企业引入多Agent协同需同步建权限、审计与人工审批机制;国产模型竞争焦点正向Agent执行层集中。
    • 参考可考虑用已公开的ZClawBench题库验证模型在自身场景的表现;先测算典型Agent任务的tokens消耗再选套餐档位;自动化流程上线前值得明确人工审批节点。
1月31日周六
  1. Kimi:研究博客73

    月之暗面发布开源多模态模型Kimi K2.5,主打百级子智能体并行与视觉编程

    月之暗面发布开源原生多模态模型 Kimi K2.5,基于 K2 用约 15T 混合视觉与文本 token 继续预训练,官方称其为迄今最强开源模型。新特性 Agent Swarm 可自组织最多 100 个子智能体、并行执行最多 1,500 次工具调用,官方内测称端到端运行时间最多缩短 4.5 倍,该功能在 Kimi.com 处于 Beta 并向高档付费用户提供免费额度。

    决策要点

    月之暗面把开源模型的竞争点从单轮问答转向多智能体并行执行与办公任务自动化,直接瞄准知识工作场景。

    • 影响官方称并行调度最多可省4.5倍时间,复杂智能体任务的时延成本存在下降空间;模型开源并提供API与命令行工具,企业试用和自部署门槛较低;文档、表格、幻灯片等办公任务被纳入智能体直接交付范围。
    • 参考可考虑选前端页面生成或办公文档类任务做试点,实测单智能体与Agent Swarm的耗时差异;若对比第三方服务商,可参考官方KVV工具核验输出质量;复现跑分建议用官方API。
1月23日周五
  1. MiniMax:新闻42

    MiniMax 发布语音大模型 Speech 2.8,支持原生语气词与 10 秒音色克隆

    MiniMax 于 2026-01-23 发布语音大模型 Speech 2.8,主打合成语音的真实感,已在 MiniMax 开放平台和 MiniMax Audio 上线。模型首次引入自然语气标签,对嗯、呃等口语填充词原生建模并保留停顿节奏;音色克隆经优化后仅需 10 秒原声片段;官方称升级后消除了背景杂音和机械毛刺感,并率先修正中文音色合成日语时的发音偏移,覆盖 40+ 种语言。

    决策要点

    语音合成的主打卖点从清晰准确转向像真人说话,语气词、呼吸和 10 秒克隆成为正式产品能力,声音资产的制作门槛随之降低。

    • 影响客服、有声内容与广告配音等场景的语音自然度可预期改善;10 秒克隆降低品牌声音资产制作与多语种复用的成本;中日双语内容是本次优先覆盖的语言组合。
    • 参考可考虑用现有客服话术或广告文案与现用语音方案做听感对比测试;计划克隆品牌声音的团队值得先建立声纹授权与样本管理流程;有中日双语内容需求的可先试该组合。
12月9日周二
  1. 智谱 Z.ai:研究61

    智谱开源手机智能体 AutoGLM,核心模型与工具链一并开放

    智谱宣布开源手机智能体 AutoGLM,训练好的核心模型以 MIT 许可证开放,代码以 Apache-2.0 托管在 GitHub(github.com/zai-org/Open-AutoGLM)。

    决策要点

    智谱把手机操作智能体的模型权重与工具链完整开源,Phone Use 能力从少数厂商的私有能力转向行业可共同打磨的公共底座。

    • 影响企业可借私有化部署让数据和日志留在自身合规环境;销售、客服等重复触屏操作有了可自托管的智能体选项;同业可基于同一开源底座二次开发,自研门槛随之下降。
    • 参考可考虑盘点内部仍依赖人工在 App 里重复点击的流程,挑一个低风险场景用开源模型加私有化部署做试点;值得先确认 MIT 与 Apache-2.0 条款对商用改造的要求。
9月23日周二
  1. 通义千问 Qwen:Blog51

    通义千问开源 Qwen3Guard 安全护栏模型,支持逐 token 实时审核

    通义千问发布 Qwen3Guard 安全护栏模型系列,对用户提示词和模型回复输出风险等级与违规类别,官方称在主要安全基准上达到 SOTA(官方口径,暂无独立验证)。

    决策要点

    内容安全审核可以从生成后整段拦截前移到逐 token 的生成中拦截,且以开源权重提供,企业可自行部署风控层。

    • 影响自建大模型服务的企业多了一个可私有化部署的内容风控组件,数据不必出内网;三档标签便于按业务场景调节审核松紧;0.6B 小规格降低了部署资源门槛。
    • 参考可考虑选客服或内容生成场景试点 Stream 变体,实测逐 token 审核的延迟和拦截效果;值得用自家历史违规样本对比现有审核方案,并按场景设定 Controversial 档的松严。
8月19日周二
  1. 通义千问 Qwen:Blog49

    阿里千问发布图像编辑模型 Qwen-Image-Edit,支持中英文文字精准修改

    阿里千问发布图像编辑模型 Qwen-Image-Edit,基于 20B 的 Qwen-Image 构建,用户可在 Qwen Chat 选择图像编辑功能体验。模型将输入图像同时送入 Qwen2.5-VL 做语义控制、VAE Encoder 做外观控制,支持物体旋转、风格迁移、增删元素等编辑能力,并可对图中中英文文字直接增删改且保留原字体、字号与样式。

    决策要点

    图像编辑能力从局部修补扩展到语义级改写与中英文文字精准修改,官方定位其为图像编辑的基础模型。

    • 影响海报改字、背景替换、风格迁移和 IP 素材衍生这类需求可直接交给模型处理,减少设计环节的修图工作量;官方 SOTA 是自评口径,引入前需用自有素材实测;中文文字精准编辑对中文营销物料场景价值更直接。
    • 参考可考虑用自有海报和商品图各选几张,在 Qwen Chat 实测文字修改与外观编辑的成品率;值得让设计团队逐类记录可用比例与返工次数,作为是否接入现有制作流程的依据。
8月4日周一
  1. 通义千问 Qwen:Blog54

    通义千问发布 Qwen-Image 图像基础模型,主打中英文文字渲染与精准图像编辑

    通义千问发布 20B 参数的 MMDiT 图像基础模型 Qwen-Image,主打复杂中英文文字渲染与精准图像编辑。官方称模型在 GenEval、DPG、GEdit、ImgEdit 等生成与编辑基准以及 LongText-Bench、ChineseWord 等文字渲染基准上全面领先现有模型(官方口径,暂无独立验证),中文渲染优势尤为突出。

    决策要点

    中文文字渲染被做成图像模型的核心卖点,中文海报、PPT 类物料的提示词直出变得可尝试。

    • 影响内容与营销团队可评估用提示词直接产出海报、配图和幻灯片,压缩设计与外包环节;全部基准成绩为官方自评,采购或接入前需要先用自己的素材试测实际可用率。
    • 参考可考虑让市场或电商团队挑一个海报或商品配图场景做提示词试点,对比现有人工出图耗时与修改轮次;值得同步测试文字编辑功能在存量素材改字上的收益。
7月24日周四
  1. 通义千问 Qwen:Blog51

    通义千问发布 Qwen-MT 更新 qwen-mt-turbo,支持 92 种语言互译

    通义千问发布 Qwen-MT 更新版 qwen-mt-turbo,经 Qwen API 提供,支持 92 种语言互译,官方称覆盖全球 95% 以上人口。

    决策要点

    机器翻译被做成了低价专用 API,多语言内容的成本基准和用词可控性都有了一个新的参照。

    • 影响多语言内容本地化的单位成本可按每百万输出 token $0.5 重算;术语干预和领域提示让机器翻译能进入对用词一致性要求高的场景;评测结论均出自官方,切换前需用自有语料验证。
    • 参考可考虑用自有翻译语料对 qwen-mt-turbo 做小规模对比评测,重点看术语一致性和领域风格;值得盘点现有翻译外包中适合迁到 API 的部分。
7月22日周二
  1. 通义千问 Qwen:Blog72

    通义千问发布 Qwen3-Coder 代码模型,480B MoE 版本主打智能体编程

    通义千问发布代码模型 Qwen3-Coder,首发最强版本 Qwen3-Coder-480B-A35B-Instruct,为 480B 参数 MoE、激活 35B 参数,原生支持 256K 上下文、外推可达 1M tokens,预训练数据 7.5T tokens 且代码占比 70%。

    决策要点

    千问把智能体编程能力推到开源阵营头部,官方口径对标 Claude Sonnet 4,成绩属厂商自报。

    • 影响代码智能体的开源选项接近闭源旗舰,API 成本议价与私有化部署可行性提高;480B 自建部署门槛不低,多数企业更可能经 API 或 Claude Code、Cline 接入;配套工具已开源,迁移路径现成。
    • 参考可考虑在仓库级问答或缺陷修复场景做小规模对比试点,记录与现用模型的耗时和费用;值得先算出现有代码 API 账单,再评估 qwen3-coder-plus 的替换空间。
6月27日周五
  1. 通义千问 Qwen:Blog41

    通义千问发布 Qwen-TTS 语音合成更新,新增北京话、上海话、四川话三种方言

    通义千问发布 Qwen-TTS 语音合成模型更新,提供 qwen-tts-latest 与 qwen-tts-2025-05-22 版本,经 Qwen API 开放调用,新增北京话、上海话、四川话三种中文方言合成。

    决策要点

    方言与情感表现力成为语音合成的差异点,方言语音内容的生产门槛降到一次 API 调用的程度。

    • 影响面向地方市场的客服外呼、有声内容与短视频配音多出方言选项;按 API 调用的模式便于把配音成本与外包录音直接比较;目前效果均为官方口径,采购决策前应以自有文本试听为准。
    • 参考可考虑用三种方言样音和自有业务文本试听自然度;值得把现有配音、外呼预算按 API 调用重新核算,再选客服或内容场景做小规模试点。
6月26日周四
  1. 通义千问 Qwen:Blog52

    千问发布统一多模态模型 Qwen VLo 预览版,支持自然语言指令改图

    千问团队发布统一多模态理解与生成模型 Qwen VLo 预览版,可通过 Qwen Chat 用自然语言直接生成和修改图片。模型支持风格迁移、改文字、换背景等开放式指令编辑,也能通过编辑指令完成深度图、分割、检测等感知任务,支持中英文指令与动态分辨率,极端长宽比如 4:1 和 1:3 以及多图输入尚未正式上线。官方说明预览版仍存在生成不准确、与原图不一致、不遵循指令等不稳定性。

    决策要点

    图像编辑从专门工具走向统一模型一条指令完成,理解与生成合并后连检测分割也能用改图方式输出。

    • 影响营销与设计团队的素材改稿和海报制作可尝试用自然语言指令完成,减少多轮修图往返;官方自认预览版存在生成不准与不遵循指令问题,直接进生产流程有出错与返工风险。
    • 参考可考虑挑一批真实改图需求做小样本对比,先算出指令改图与现有设计流程的耗时和返工差异;值得让设计团队试一版含中英文文字的海报,检验长文本生成的可控性。
6月5日周四
  1. 通义千问 Qwen:Blog55

    通义千问开源 Qwen3 Embedding 嵌入与重排序系列,8B 版居 MTEB 多语言榜第一

    通义千问发布 Qwen3 Embedding 系列,含 0.6B、4B、8B 三档嵌入模型与三档重排序模型,已在 Hugging Face 和 ModelScope 以 Apache 2.0 许可开源,技术报告与代码发布在 GitHub。

    决策要点

    阿里把检索环节的嵌入与重排序模型以 Apache 2.0 开源并拿下 MTEB 多语言榜首,自建检索和 RAG 的模型选型成本门槛下移。

    • 影响检索与 RAG 项目可零许可成本获得多语言、32K 上下文的嵌入组件;0.6B 到 8B 的尺寸梯度让本地小模型部署与高精度方案可分别匹配;向量维度可自定义,向量存储成本可按需权衡。
    • 参考可考虑在现有 RAG 检索链路中用 Qwen3-Embedding-0.6B 替换当前嵌入模型,先跑一轮召回质量与耗时对比;值得按自有算力在 0.6B、4B、8B 之间先算出部署成本再做选型。