相关文章
495 篇高质量内容
GPT Images 2.5 突发上线！网友的「灵魂画作」一个比一个离谱
OpenAI 正式发布 ChatGPT Images 2.5，重点提升图片细节质量、生成速度、编辑精度及多轮修改一致性；新增 Sketch 手绘参考、创作模板、图片评论编辑等功能；同步推出 GPT Image 2.5 Flare 与 Sunburst 两款 API 模型；用户每周通过该系列模型生成超 30 亿张图片。
技术解读｜复杂人声干扰下，如何让 ASR “听对人”
本文剖析ASR在多说话人场景下的核心挑战：问题不在“听不清”，而在“听对人”。指出背景人声因具备语言结构，易被误转录；提出Target-Speaker ASR（依赖声纹注册）与前景说话人转录（依赖距离、方向、上下文等场景线索）两条技术路线；强调二者任务语义不可混用，但可共享数据底座；指出有效前景数据需明确定义时间、能量与空间三组关系。
DeepSeek Harness 更新-v0.1.2-alpha.1：体验全面打磨，子代理也能"点菜"选模型
DeepSeek Harness v0.1.2-alpha.1 版本实现能力与体验双升级：子代理首次支持按任务指定模型（含 Claude Code、Codex 等外部提供方），多模态图片回显与 Token 计入修复、持久终端等待状态精准识别、工程层统一 Remote 网关与 dsh profile 启动模式，并完成页面加载、会话交互、折叠导航等系统级体验优化。
GLM-5.3-Flash开源：人人都可低成本获得前沿智能
智谱发布开源模型GLM-5.3-Flash（320B-A18B），首个原生多模态GLM-5系列模型，在AA综合智能指数中获57分，能力对标Claude Opus 4.8，但定价仅为后者的1/40。其采用稀疏+线性混合注意力、流形约束超连接等架构创新，激活参数量与层数减半，并全程基于国产芯片集群实现高效推理。
GLM 5.3 Flash 这价格太离谱了，新的斩杀线
GLM 5.3 Flash Vision 正式发布，国产芯片支撑日均超100T算力供应；AI指数达57分，与Opus 4.8持平；限时定价为Opus 4.8的1/40，原价亦低于ds flash；采用320B参数、18B激活参数新架构，宣称实现高性能与低成本兼顾；强调原生多模态能力，支持视觉环境感知与Blender自主建模。
扔个 PPT 进去，30 秒吐出一条视频：拆解阿里 Wan3.0
8月24日阿里通义万相Wan3.0正式上线，支持PPT、PDF、Excel等办公文档直转30秒1080p视频，主打‘文档即视频’能力。其单次生成时长达30秒，为当前主流闭源模型中最长；输入支持文档类型为竞品所无。该模型未开源权重，仅通过阿里云百炼、千问AI平台及wan.video提供API与体验入口。
Qwen3.8-Flash：全新架构，更强更稳更划算
通义千问发布Qwen3.8-Flash多模态MoE模型，主模型125B参数+51B N-gram Embedding，每token激活6B。采用GDN+QSA混合注意力、Gated Residual、N-gram Embedding与Muon Optimizer四大架构升级，支持262K原生上下文（可扩至1M），训练开销仅为Qwen3.7-Plus的1/9，API定价为每百万tokens输入1元、输出3元。
DeepSeek小模型长了眼睛，Agent基准干翻顶级闭源模型
DeepSeek发布V4-Flash-Vision-Exp多模态视觉实验版，在Agents' Last Exam和ZeroBench等Agent基准测试中超越Opus-4.8等顶级闭源模型；视觉能力加入后文本性能未下降，且图片token消耗仅384个，Files API免费；该模型聚焦Agent工作流闭环，验证了轻量级多模态Agent能力的可行性。
V4-Flash-Vision-Exp 上线，开启多模态 API 服务
DeepSeek 推出实验性多模态视觉理解模型 V4-Flash-Vision-Exp，通过 API 提供图文混合输入支持。该模型在纯文本能力上与 V4-Flash 持平，在多模态 Agent 基准测试中表现接近 Opus-4.8。支持 Chat Completions 等三种调用格式及 Files API 图片复用，计费按 token 统一标准。
DeepSeek Harness 更新：官方多模态支持
DeepSeek Harness 连续发布 v0.1.0-rc.7、v0.1.0-rc.8 和 v0.1.1-rc.1 三个版本，重点增强多模态能力（新增 DeepSeek-V4-Flash-Vision-Exp 模型支持图文输入）、子代理协作灵活性（Codex/Claude Code 接入 Job Panel）及稳定性（修复长会话、终端兼容等问题）。MCP/ACP 支持图片附件持久化，PTC Mode 支持转发嵌套图片。
DeepSeek终于长出“眼睛”，V4 Flash视觉模型上线
DeepSeek于8月21日上线deepseek-v4-flash-vision-exp，为其V4 Flash模型首次引入原生图片输入能力。该模型支持1M上下文、384K输出长度，沿用V4 Flash同档定价，图片按尺寸折算为Token计费。其发布紧随Harness框架更新之后，旨在补全Agent系统的感知入口，当前仍标注为实验版本（Exp）。
昨夜，DeepSeek Harness首发新版本：14项更新，多模态能力拉满！
DeepSeek Harness于8月20日发布v0.1.0-rc.8版本，共14项更新，重点增强多模态输入能力，支持原生图片请求与图文混合指令；新增OCR、颜色统计、像素扫描等工具链，使纯文本模型可间接处理图像；Claude Code与Codex接入子代理体系，Windows终端体验优化，并修复流式生成、大图请求、自定义网关调用等关键问题。
DeepSeek Harness重磅更新：原生解锁多模态
DeepSeek Harness RC.8版本发布，原生支持多模态图文输入，/goal、/plan等命令可接收图片；Claude Code与Codex作为Profile Bundle按需安装；修复图片载荷过高导致请求失败等问题，并优化SQLite后端性能与界面交互体验。
Qwen3.8-27B：可在高端笔记本本地运行的前沿级编码与智能体模型
阿里巴巴发布开源多模态模型Qwen3.8-27B，仅需17GB显存即可在消费级设备运行，支持图像/视频理解、超长上下文与智能体工作流，在多项编程与智能体基准中媲美Claude Opus等专有模型。
太快了！聊聊 DeepSeek Harness 必装的插件。
DeepSeek Harness 基于 Cordis 插件系统构建，社区已快速开发出覆盖开发体验（WebUI 增强、TUI、桌面端）、视觉/多模态（识图、OCR、本地视觉模型代理）、记忆与工作流（本地三层记忆、自动化任务、多 Agent 调度）、工具集（数据库连接、设计画布、插件市场）等方向的数十个插件。文章逐一介绍 dsh-better-sidebar、dsh-TUI、deepseek-harness-desktop、dsh-vision-toolkit、dsh-mnemon、dsh-workflow 等核心插件的功能、安装方式与适用场景。
17GB内存就能跑！阿里开源最强27B多模态Qwen3.8，消费级显卡直接上
阿里开源Qwen3.8-27B原生多模态稠密模型，支持26.2万token上下文（可扩展至100万），Apache 2.0协议。Unsloth提供Dynamic GGUF量化方案，4bit仅需17–19GB内存，2bit可压至11–13GB，消费级显卡或24GB内存Mac即可本地部署。视觉能力原生集成，编码（SWE-bench Pro 61.7）、办公（CoWorkBench 70.7）及长视频理解表现突出。
智体新境｜从模型到端侧，Google AI 开发全链路升级
2026 Google 开发者大会集中展示 Google AI 在模型能力、多模态、智能体开发与端侧部署四个层面的最新进展。Gemini 3 系列与 Gemma 4 开放模型提供差异化选择；Gemini Omni Flash、Lyria 3 和 Live API 推进多模态交互；AI Studio、Antigravity 2.0 与 Gemini API 构建智能体开发闭环；MediaPipe Tasks、LiteRT-LM 与 LiteRT 形成分层端侧技术栈。
Meta 发布 Apache 2.0 许可的 30B 多模态智能体模型 Muse Glimmer，支持 24GB 消费级硬件本地运行
Meta 推出开源权重模型 Muse Glimmer（29.6B 参数），采用 Apache 2.0 许可证，专为本地自主智能体设计，支持文本-图像交错输入、工具调用与错误恢复，并可在 24GB VRAM 设备上量化运行。
微软开源Orchard：一个让AI智能体“动手干活”的统一平台
微软开源Orchard框架，提供统一的Orchard Env操作环境服务，支持AI智能体在代码、浏览器与通用计算机环境中执行真实任务。其核心价值在于标准化沙箱基础设施、预置主流Agent Harness、高效并行能力（1000环境/26秒）及三类落地Recipe（SWE/GUI/Claw），并开源107K条SWE轨迹与3K条GUI多模态数据集。
Qwen3.8-Max发布：2.4万亿参数MoE多模态模型挑战智能体计算前沿
阿里巴巴Qwen团队发布Qwen3.8-Max，2.4万亿参数混合专家多模态大模型，在OSWorld-Verified等智能体计算基准中超越GPT-5.6 Sol Max与Fable 5，并承诺下周开源权重；其长周期任务执行能力、计算机使用能力和经济性定价引发企业级智能体部署新讨论。