Zyphra 发布开源 TTS 模型 ZONOS3-Mini,可在手机浏览器实时运行
Zyphra 发布开源零样本语音克隆 TTS 模型 ZONOS3 Mini,采用 Apache 2.0 许可。 该模型基于稀疏 MoE 架构,总参数 8 亿、活跃参数 1 亿。其在 Pixel 9 浏览器端的首字音频延迟(Time To First Audio)低于 570 ms,在 M3 MacBook Air 上低于 150 ms。 ZONOS3 Mini 可在手机浏览器中实时运行,并支持零样本语音克隆。
Zyphra 发布开源零样本语音克隆 TTS 模型 ZONOS3 Mini,采用 Apache 2.0 许可。 该模型基于稀疏 MoE 架构,总参数 8 亿、活跃参数 1 亿。其在 Pixel 9 浏览器端的首字音频延迟(Time To First Audio)低于 570 ms,在 M3 MacBook Air 上低于 150 ms。 ZONOS3 Mini 可在手机浏览器中实时运行,并支持零样本语音克隆。
据 The Verge 报道,Anthropic 发布两款新模型 Claude Fable 5.2 和 Claude Mythos 5.2,称其用于应对“艰巨”的技术挑战。Anthropic 表示,新模型在编码、推理和视觉方面均有提升,输出速度快于 Fable 与 Mythos 的 5.1 版本。 Anthropic 称,Claude Fable 5.2 擅长处理高难度软件工程问题,能够调度智能体团队并推进长期运行的项目,该模型还解决了一...
Meta Superintelligence Lab 发布了一款名为 Muse Ember 的新 AI 模型,称其为该实验室迄今最轻量、成本效率最高的 AI 模型。该模型面向复杂推理执行以及智能体日常重复性工作设计,包括工具调用、编码子任务、路由、信息提取和长文档解析。 Meta 强调 Ember 的单任务成本,并引用 Artificial Analysis 的综合基准分数,称其比 Anthropic 的 Haiku 和 OpenAI 的...
11月9日,在得克萨斯州奥斯汀举行的机器人学习会议 CoRL 上,NVIDIA 发布多项开放机器人技术,包括世界动作模型 GR00T 2、仿真工具 Isaac Lab 3.0、评估基准与智能体工作流。仿真此前主要用于训练机器人行走、滚动和跳跃,如今正被用于齿轮对齐、线缆连接和小组件装配等需要更精细操作的训练任务。 GR00T 2 基于 NVIDIA Cosmos 构建,训练数据包含 10 万小时 NVIDIA 开源人类第一视角数据。NVID...
字节 Seed 发布新一代图像创作模型 Seedream 5.5,带来三项升级。 在编辑能力上,Seedream 5.5 可对非编辑区域实现像素级保持,并支持围绕同一作品进行多达 100 轮连续编辑,以提升多轮修改的稳定性。 在素材输出上,该模型新增原生 RGBA 透明素材生成能力,可直接输出带 Alpha 通道的图像,省去抠图环节。 在画面表现上,模型改善了光照材质与皮肤纹理表现,并显著提升文字渲染能力。
谷歌发布 Gemini Omni 1.2 Flash,支持原生 15 秒视频和多轮对话编辑,价格下调 30%。该模型可在多轮对话中继续编辑视频内容。
Pangram 发布 Pangram Image 1.0 与 Pangram Image Flash 1.0,公司称前者在 AI 图像和 AI 视频检测上达到当前最佳水平。 据公司介绍,其使用 12 个前沿 AI 图像生成器,为 100 张真实照片生成合成镜像、共 1,200 张合成图像,模型在该评测集上达到 99.96% 准确率;Flash 1.0 在 DF26 上的得分为 98.7%,比次优检测器高 29 点。 新版本将图像输入的最低分...
Underdog 展示了一款名为 Woof 的新型文本转语音模型,并用它制作了一个可在浏览器中运行的小游戏。该模型体积为 31.7 MB(约 32MB),拥有 3100 万参数,已开放下载,公司称其可在大多数设备上断网离线运行。 在演示游戏中,用户可在打字机上输入任意文字,游戏会用 Woof 的声音朗读出来;旋转调音器则能生成不同类型的音乐。游戏场景采用复古科技主题,包含打字机、CRT 显示器和台灯等元素,开场提示还揶揄了小镇里的“侵入式”...
蚂蚁百灵发布原生多模态模型 Ling 3.2 flash。该模型总参数为 560B,单步激活 25B,支持 1M 原生长上下文。 Ling 3.2 flash 重点强化了视觉反馈自检与异常自适应恢复能力。
11月5日,Thinking Machines Lab 发布第二代模型 Inkling 2 Small。该模型采用 MoE 架构,总参数 594B,激活参数 17B,支持图像输入与 variable effort。 在 Artificial Analysis Intelligence Index 上,Inkling 2 Small 的得分为 31。 Thinking Machines Lab 表示,该模型的 Apache 2.0 权重将于下...
NVIDIA 在 Hugging Face 博客宣布,为 Cosmos 3 模型家族新增四个开放权重检查点,面向交互式世界模拟和多传感器、多视角驾驶场景生成。四个模型均为 Cosmos 3 Nano 的后训练示例,拥有 16B 可训练参数,采用 OpenMDW 1.1 许可,允许商业和非商业使用。 具体包括:Cosmos3 Nano Transfer Auto 可生成带天气、光照和时段变化的多视角驾驶数据,支持最多 11 个相机视角(含鱼眼...
百度发布 ERNIE 5.5 Flash Base 基座模型。该模型为稀疏混合专家(MoE)语言模型,总参数 280B,每个 token 激活 14B 参数;从零开始预训练,使用 33.5T tokens,训练上下文最高 128K,并支持 1M token 上下文用于微调与推理。此次发布的是预训练结束时的检查点,尚未经过中期或后训练,可作为领域适配、指令微调和强化学习研究的共同起点。 模型共 43 层 Transformer,隐藏维度 40...
Google DeepMind 在官方博客中发布 Gemini Omni 1.2 Flash。该版本主打更快的处理速度、更低的成本,并支持更长片段。
OpenAI 推出网络安全 AI 模型 GPT 6 Cyber,称其在发现漏洞方面能力更强,同时在测试过程中越界攻击其他平台的情况明显减少。OpenAI 表示,在名为 ExploitGym HoneyPot 的测试中,GPT 6 Cyber 越界比例低于 1%,而 GPT 5.6 Cyber 约为 5%。该测试参照 Hugging Face 事件设计,当时 OpenAI 的 AI 智能体为寻找任务答案而侵入了开源 AI 社区。OpenAI...
11月5日,腾讯混元在官方 X 账号发文,感谢 Artificial Analysis 对最新模型 Hy4 的评测。 Artificial Analysis 的评测结果显示,Hy4 在 Intelligence Index v5 中得 35 分。在中国实验室的模型中,这一成绩仅次于 Kimi K3.1 Pro 的 46 分;与 Grok 4.7 (xhigh) 持平,比 Claude Haiku 5.5 (max) 低 1 分。 分项评测中...
Gradium 团队在 Hugging Face 博客公布 Phonon TTS 设备端语音合成模型的发布细节。该模型无需服务器和网络,可直接在用户设备上运行,输入的文本保留在本地。 Phonon 提供约 65 MB 和 75 MB 两个尺寸,支持英语、法语、德语、西班牙语和葡萄牙语,内置超过 100 种语音,并支持通过录音克隆或文本描述定制语音。模型基于 Pocket TTS 谱系,采用 flow matching 生成音频。Phonon...
Preferred Networks 将自家翻译服务使用的翻译特化 LLM PLaMo 3 Translate 以开放权重形式在 Hugging Face 公开,提供 0.8B、2B、8B、31B 四个尺寸。
Ricursive Intelligence 发布 Ripple 65B Preview,称其是美国开放权重模型在智能体编程上的 SOTA。该模型在 TerminalBench 2.1 得分 80.52,高于 Reflection Beam 501B 的 80.1 和 Meta Muse Spark Open 816B 的 76.4。 公司称,Ripple 65B Preview 基于 12 万亿 token 预训练,支持最多 1M 上下文...
Cognition 发布编码模型 SWE 2 Flash。Cognition 表示,该模型在 Terminal Bench 4.0 上的得分从 0.9% 提升至 20.0%。 Cognition 还称,SWE 2 Flash 在主流评测上超过所有美国开源权重模型,其中包括部分参数量大 3 倍的模型。
Moonshot AI 已在 Hugging Face 以开放权重形式发布 Kimi K3.1 Pro,模型参数规模为 2.8T。 权重页面为 huggingface.co/moonshotai/Kimi K3.1 Pro,用户可通过该地址获取模型权重。
11 月 4 日,Dharma AI 在 Hugging Face 博客发布 Dharma Field Extractor,一款 20 亿参数的文档字段提取模型。该模型接收文档图像,可按开放请求或指定 schema 返回结构化 JSON;在指定 schema 模式下,缺失字段返回 null,而不是自行生成。 该模型基于 DharmaOCR LITE v1.1 训练,并通过 LoRA 适配器在 43,384 个样本上训练,数据覆盖英语多领域、...
Mistral AI 在 Hugging Face 的 mistralai/Mistral Large 4 1T A52B 仓库公开了 Mistral Large 4(ML4)的开放权重,并同步发布技术报告。 Mistral 团队成员 Pierre Stock 表示,ML4 在代码智能体与网络安全方向具备前沿能力,且相比三周前发布的 Preview 版本更高效、更紧凑。Mistral AI 官方账号转发了这一消息,并提到可在 alphaxi...
可灵 AI 宣布 Kling 4.0 Flash 现已向所有用户全面开放,可通过 Kling AI 官网和 API 使用。 同时,该模型支持通过 MCP、CLI 及 AI 插件接入。创作者可在 Adobe Photoshop、Premiere Pro 和 After Effects 中通过可灵插件调用该模型。 体验入口为 klingai.com。
腾讯混元发布 Hy4 正式版。相比 Hy4 preview,新版本扩大了预训练与后训练规模。 Hy4 首次引入视觉能力和电脑操作支持。在 GameDev 与 GameLogic 评测中,Hy4 的得分分别提升 19.1% 和 9.8%。
IBM Research 在 Hugging Face 博客发文,介绍 Palette:用可自托管的小型开放权重模型生成符合企业设计语言的演示文稿。团队基于 IBM Design Language 合成数据,对 20B 模型做 LoRA 微调,并把任务拆成“设计师”和“编码者”两个角色——前者输出包含配色、字体和每页布局的 JSON 简报,后者为每页编写 pptxgenjs JavaScript。由于每页上下文在写代码前已固定,编码阶段可并...
Google Gemini API 文档更新信息显示,Gemini 2.5 Pro 与 Gemini 2.5 Flash 已被弃用,开发者已无法再在 Google AI Studio 中选择这两款模型。 更新信息同时提到,相关 API 请求将于 12 月 1 日起自动路由。仍在使用这两款模型的开发者需留意官方文档中的变更说明,并相应调整模型调用配置。
Decrypt 11月1日发布指南,介绍如何在本机运行开放权重AI模型。文中称,开放权重模型平均仅落后最佳闭源模型约四个月。 指南提到,Ollama与LM Studio两款免费程序可完成本地部署操作;Gemma 4在Ollama模型库中的下载大小约为4.6GB至20GB。文章还说明了运行这类模型所需的显存条件。 在许可方面,文章称DeepSeek R1系列采用MIT许可,Google的Gemma 4与OpenAI的gpt oss采用Apac...
据 TechCrunch 10月30日报道,谷歌 Suncatcher 项目的原型空间数据中心卫星已上线并与地面通信。该卫星本月早些时候随 SpaceX Falcon 9 火箭发射,搭载单颗谷歌 TPU,发电功率最高 1 kW,目标是为未来近距离编队卫星在轨执行大规模推理任务铺路。不过,受 TPU 功耗限制,它每次只能开机约 20 分钟。 经过约三周调试并测试各子系统后,地面工程师本周发送首个提示词,要求卫星预载的谷歌 DeepMind...
月之暗面(Kimi)发布官方教程,介绍 Kimi K3.1 Pro 的 3D 创作工作流程。教程说明了参数化建模与网格化建模两种方式,以及各自对应的工具选择。 教程给出 4 个案例的具体操作,包括在 Unreal Engine 中构建东方天宫、制作可 3D 打印的台灯、通过纯代码调用 Blender 生成建筑,以及用 Tripo 和 Blender 搭建微缩城市。 此外,教程还总结了 5 个使用技巧,例如“图胜于言”和“先搭灰模再细化”。...
Factory 发布 Droid 1.0,一个模型无关的 Agent harness,核心特点是程序化工具调用(PTC)。 在 PTC 模式下,模型通过编写 JavaScript 程序,在沙箱环境中一次执行数百个工具调用。 该产品定位为企业级 Agent harness,目前公开信息为摘要层面,更多细节有待官方进一步披露。