相关文章
553 篇高质量内容
Google DeepMind 多模态 Agent 评测体系技术拆解
Google DeepMind 提出四维多模态 Agent 评测体系，强调高保真交互环境、空间对齐的几何化评估、长程规划的轨迹归因与系统级状态验证。该体系摒弃静态截图打分，转而通过硬断言检查数据库、文件系统等底层状态变化，并引入动态扰动、失败三层归因和任务树对齐等机制，直面真实落地中感知偏差、错误累积与环境不可控等工程瓶颈。
ASR 评测：语音输入时代，哪个模型最好用？
本文基于80条覆盖日常口语、中英混合、轻声耳语、噪声干扰、长语音等场景的实测录音，对比11种ASR模型在听写质量、关键信息识别、边界输入鲁棒性及使用体验四类维度的表现。结果显示：小米MiMo 2.5 ASR总体CER最低（4.01%），腾讯混元ASR 3.0与百炼Fun-ASR综合均衡；本地Qwen3-ASR 0.6B在数字和否定词识别上稳定但轻声识别弱；多模型在90秒长语音、静音控制上表现良好，但轻声与中英混合仍是共性短板。
实时字幕只出字还不够，它还得知道谁在说
微软新发布的 VibeVoice-ASR-Streaming 实现端到端流式语音识别与说话人归属联合生成，延迟约2秒，支持10种语言。其核心价值在于实时场景中准确绑定语句与说话人，适用于会议纪要、客服质检和多人语音Agent。论文显示7B模型在说话人归属指标上12/13项达最优，但流式代价是WER/cpWER较非流式版本下降0.75–6.67点。
你的 Agent 记不住用户，多半是把"记忆"当成了"上下文"
本文指出当前多数 Agent 将记忆简单等同于上下文拼接或向量检索，导致信息过载、冲突难解、时效混乱。阿里云百炼提出区分知识库与记忆库，定义记忆为可写、可改、可检索、可演化的四维能力，并通过事实/画像/技能三类记忆结构、自动抽取与动态更新、多模态支持、白盒化配置及全链路可观测等设计实现工程级落地。
快速注册 Muse
本文介绍使用 Airtap 云手机绕过设备限制注册 Muse AI 智能体的方法，涵盖打开网站、注册兑换邀请码、用中文一句话生成分镜视频三步操作，并提示绑卡风险与优化提示词技巧。
fal发布FLUX 3 Max视频模型：宣称生成速度达Seedance 2.5的22倍，图像到视频质量并列第一
fal.ai联合Black Forest Labs推出FLUX 3 Max视频模型，10秒视频生成仅需12.45秒，速度较Seedance 2.5提升约22倍；Artificial Analysis榜单中以1138 Elo分与后者并列第一，但置信区间重叠，质量优势未达统计显著性。
刚刚，OpenAI三大新模型深夜短暂上线！
OpenAI API后台曾短暂出现代号为「极光（Aurora）」的三个Alpha模型：aurora-red-alpha、aurora-green-alpha、aurora-blue-alpha，随后迅速撤回。实测发现它们并非代码或语言模型，而是图像生成模型，在Arena中以不同风格生成猫咪等图像，疑似OpenAI下一代图像生成底座Image-3或视觉多模态引擎底座。
当 AI 开始评价声音:Qwen-Audio-Jev 带来的新启发
阿里巴巴团队发布的 Qwen-Audio-Jev 提出一种结构化音频决策范式，将传统生成式回答转为 CHOICE／NOUL／SCORE 三类直接输出，在 NISQA 数据集上语音质量预测与人工 MOS 评分的 Pearson 相关系数达 0.821。该模型不直接解决‘什么是好声音’，而是降低判断成本、明确评价标准，为汽车音响等场景的声音体验工程化提供新思路。
开源与端侧：英伟达新AI模型的战略逻辑
英伟达发布三款完全开源的Nemotron 3.5系列大模型，涵盖1200亿参数多模态旗舰版及两款轻量级对话模型，全部开放权重、数据集与训练配方，并上线Hugging Face。此举强化其开源生态战略，应对中国低成本高性能开源模型竞争，同时支撑GPU硬件生态与本地智能体部署。
Grok Bot设计师访谈：一段语音，怎样变成可操作的原型
Grok Bot设计师John Bai通过截图、语音和已有设计规则，驱动AI助手完成图标排版与交互原型生成。关键依赖包括Figma MCP工具连接、预设工作习惯及可参照样例。语音本身不具魔力，真正支撑高效交办的是环境中的稳定结构与权限配置。
Meta发布Muse Spark Open：迄今最强美国开源权重大模型，支持双Mac桌面部署
Meta推出参数量8160亿的Muse Spark Open，称其为当前能力最强的美国开源权重模型，可在两台M5 Ultra Mac Studio上本地运行。该模型支持百万级上下文与多模态输入，但仅输出文本；商用许可设2000万美元收入门槛，下载需提交完整企业及个人身份信息。
一台围绕 Agent 来设计的手机长什么样｜阶跃 STEPX Neo体验
阶跃终端发布首款大模型原生Agent手机STEPX Neo，搭载Step AOS操作系统与个人智能体Amoo，支持自然语言指令、长期记忆、跨应用执行与多模态搜索。用户可通过AI键、背屏、主屏滑动等多种方式唤起Agent，并利用Step Studio开发Skill与App。其技术架构强调「软硬模」协同、端云模型调度、双域六层三步记忆及H2A2A意图服务协议。
NVIDIA 推出开源多模态模型 Nemotron 3.5 Super VL 与本地智能体系列 Bolt
NVIDIA 发布开源多模态大模型 Nemotron 3.5 Super VL（120B 参数），支持跨 PDF、图表、表格与网页的视觉-语言理解，并推出面向本地部署的 Bolt 系列模型，强调企业可自主后训练、安全部署及工具调用能力。
谷歌EG 2模型+Milvus实测：最适合低成本本地部署的多模态embedding模型来了
Google开源的EmbeddingGemma 2（EG2）以740M参数规模支持文本、图片、视频、音频统一编码，可按模态加载编码器并裁剪向量维度至256维或128维。本文通过Milvus实测其与Nomic、qwen3.7-text-embedding-flash、Qwen3-VL-Embedding的横向对比，在Flickr8k和ESC-50数据集上验证其文本/图文/音频检索能力及256维向量的精度-存储平衡点。
iPhone断网跑35B多模态！国产开源新模型，只占3G内存
面壁智能与OpenBMB开源MiniCPM-V 4.7，含35B-A3B（MoE结构，仅激活3B）和1B两个版本，可在iPhone 17 Pro Max等端侧设备断网运行，解码速度超13 token/s，内存占用约3GB。模型在MMBench、OmniDocBench等基准测试中领先，支持iOS/安卓/鸿蒙及主流推理框架。
微信又上大分了！又偷偷更新了两个 AI 新功能，我赌你一个都没发现
微信偷偷更新了两个实用AI新功能，大部分人都没发现，快来了解。 核心内容： 1. 微信输入法内置AI录音笔功能的特色与实用性讲解 2. 微信聊天内置AI P图功能的入口与便捷性优势 3. AI P图四大核心功能的具体作用介绍
0.6B起！Jev对手模型来了，开源多模态，登上全球测评榜一
vLLM Semantic Router开源Decision 3.0系列决策模型，参数规模覆盖0.6B至27B，支持文本、图片与视频输入，不生成长文本，仅输出结构化判断结果及置信度。在Jev Decision Index榜单中，旗舰模型d3文本与视觉分均位列第一，超越Jev与微软Decision-1。模型权重已开源，支持本地部署与边缘推理。
技术解读｜会议 ASR 的下一站：让大模型自己学会听懂会议
本文探讨会议语音识别（ASR）的技术演进方向，指出传统模块化系统在真实会议场景中面临声学复杂性、多人重叠说话、专业术语混杂等挑战；提出ASR大模型应将声学鲁棒性、多说话人结构理解、长上下文一致性与输出克制等能力内生化，直接从原始音频生成带说话人归属与时间戳的结构化转写。
一个工具，十几分钟搞定：录屏字幕生成+错误字幕修正+多语言版本生成 | 开发者案例
阿里云百炼开发者 oil-oil 开源的 qwen-subtitle 工具，利用 ASR 语音识别与视觉理解模型协同纠错，解决录屏视频中专有名词（如 html2pptx→html to ppt）被误识别的问题；支持自动纠错、断句去水词、多语种字幕生成及配音合成，全流程由百炼 CLI 驱动，5 步约 15 分钟完成。
知识库里一半答案是图，检索却只认字：一个 740M 免费模型把盲区填上了——我们跑通给你看
Google DeepMind 于2026年10月6日发布开源多模态嵌入模型 EmbeddingGemma 2（740M 参数，Apache 2.0 许可），支持文本、代码、图像、视频、音频五种模态统一映射至同一向量空间。实测表明，该模型可使纯图答案（如报错弹窗截图、PPT流程图）进入检索候选集，解决企业知识库中图文资产割裂导致的检索盲区问题。