OpenAI 在 API 中推出新的实时语音模型
OpenAI 在 API 中推出新的实时语音模型，可进行推理、翻译和语音转写，用于构建更自然、更智能的语音体验。
推荐理由：OpenAI 在 API 中上线新的实时语音模型，读者可了解其在推理、翻译与转写上的能力方向。
#模型发布
#模型发布
今日 0 条OpenAI News精选AI 评分6262
OpenAI News精选AI 评分6868 OpenAI 发布 GPT-5.5 Instant，更新 ChatGPT 默认模型
OpenAI 发布 GPT-5.5 Instant，将其作为 ChatGPT 的默认模型更新，带来更智能、更准确的回答，减少模型幻觉，并改进个性化控制。
推荐理由：OpenAI 更新 ChatGPT 默认模型，读者可据此了解回答准确性与个性化控制的变化。
Hugging Face Blog精选AI 评分7171 NVIDIA 发布 Nemotron 3 Nano Omni：面向文档、音频与视频智能体的长上下文全模态模型
NVIDIA 发布 Nemotron 3 Nano Omni，一款覆盖文本、图像、视频与音频的全模态理解模型，基于 Nemotron 3 Nano 30B-A3B 骨干，搭配 C-RADIOv4-H 视觉编码器和 Parakeet-TDT-0.6B-v2 音频编码器。
推荐理由：NVIDIA 开源的全模态模型，给出架构、训练配方与多榜单对比，可据此判断长文档与音视频智能体的选型空间。
Hugging Face Blog精选AI 评分8888 DeepSeek-V4 发布：面向智能体任务的百万 token 上下文
DeepSeek 发布 V4，在 Hub 上提供两个 MoE 检查点：DeepSeek-V4-Pro 总参数 1.6T、激活 49B，DeepSeek-V4-Flash 总参数 284B、激活 13B，均支持 1M token 上下文窗口。
推荐理由：原文给出 V4 在长上下文推理成本与智能体后训练上的具体设计，可据此判断开源模型跑长任务时的部署取舍。
OpenAI News精选AI 评分7878 OpenAI 发布 GPT-5.5
OpenAI 发布 GPT-5.5，官方称该模型面向编码、研究和数据分析等跨工具的复杂任务。
推荐理由：OpenAI 官方发布 GPT-5.5，面向编码、研究与数据分析等复杂任务，读者可据此了解其定位。
OpenAI News精选AI 评分6262 OpenAI 发布 Privacy Filter 开源权重模型
OpenAI 发布 Privacy Filter，这是一个开放权重模型，用于检测并脱敏文本中的个人身份信息（PII），官方称其准确率达到当前最优水平。
推荐理由：OpenAI 开源 PII 检测与脱敏模型，读者可据此了解文本隐私处理的新可选方案。
OpenAI News精选AI 评分7070 OpenAI 发布生命科学研究模型 GPT-Rosalind
OpenAI 发布 GPT-Rosalind，一款面向生命科学研究的前沿推理模型。该模型用于加速药物发现、基因组分析、蛋白质推理和科研工作流。
推荐理由：OpenAI 面向生命科学推出前沿推理模型，读者可了解其瞄准的药物发现与基因组分析场景。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 Gemini 3.1 Flash TTS 语音模型
Google DeepMind 发布 Gemini 3.1 Flash TTS，一款主打可控性、表现力和音质的文本转语音模型，已在 Gemini API 和 Google AI Studio 面向开发者预览，企业版在 Vertex AI 预览，Workspace 用户可通过 Google Vids 使用。
推荐理由：官方给出 Elo 1211、70+ 语言与 audio tags 等具体指标，可据此判断语音生成的可控性进展。
Google DeepMind精选AI 评分6666 Google DeepMind 发布 Gemini Robotics-ER 1.6，新增仪表读数能力
Google DeepMind 发布 Gemini Robotics-ER 1.6，这是其面向机器人推理的模型升级版，强化了空间推理与多视角理解，并新增仪表读数能力，可读取压力表、液位计和数字读数。
推荐理由：官方给出与前代及 Gemini 3.0 Flash 的对比，并新增仪表读数能力，可据此判断机器人在真实场景的推理进展。
Hugging Face Blog精选AI 评分6262 Overworld 发布 Waypoint-1.5 实时视频世界模型，消费级 GPU 可跑 720p 60FPS
Overworld 发布实时视频世界模型 Waypoint-1.5，在 RTX 3090 至 5090 等桌面硬件上可生成最高 720p、60 FPS 的实时环境，并新增面向更广消费级硬件的 360p 档位，后续将支持 Apple Silicon Mac。
推荐理由：Waypoint-1.5 给出 720p 与 360p 两档本地实时世界模型，读者可据此判断消费级硬件跑交互式生成世界的门槛。
Google DeepMind精选AI 评分8484 Google DeepMind 发布 Gemma 4 开源模型家族
Google DeepMind 发布 Gemma 4 开源模型家族，包含 E2B、E4B、26B MoE 和 31B Dense 四个尺寸，采用 Apache 2.0 许可。
推荐理由：Gemma 4 以四个尺寸覆盖端侧到工作站，并给出 Apache 2.0 许可与首日工具支持，读者可据此判断本地部署与微调的选择空间。
Hugging Face Blog精选AI 评分8888 Google DeepMind 发布 Gemma 4 多模态模型家族
Google DeepMind 的 Gemma 4 多模态模型家族已在 Hugging Face 上线，采用 Apache 2 许可，支持图像、文本和音频输入并生成文本，共五个尺寸：E2B、E4B、12B Unified、31B 和 26B A4B。
推荐理由：Gemma 4 五档尺寸与 12B 无编码器统一多模态的架构取舍，为端侧多模态选型提供了具体参照。
Hugging Face Blog精选AI 评分6262 TII 发布 Falcon Perception 与 Falcon OCR 模型
阿布扎比 TII 的 Falcon Vision 团队发布 Falcon Perception，一个 0.6B 参数的早期融合 Transformer，用自然语言提示做开放词汇定位与分割，在 SA-Co 上达到 68.0 Macro-F1，高于 SAM 3 的 62.3，但在存在性校准上落后（MCC 0.64 对 0.82）。
推荐理由：原文给出 0.6B 早期融合模型在 SA-Co 与 PBench 上的分项对比，可据此判断单栈架构相对模块化流水线的取舍。
Hugging Face Blog精选AI 评分6262 IBM 发布 Granite 4.0 3B Vision 企业文档多模态模型
IBM 发布 Granite 4.0 3B Vision，一个面向企业文档理解的紧凑型视觉语言模型，以 LoRA 适配器形式叠加在 Granite 4.0 Micro 之上，采用 Apache 2.0 许可并在 Hugging Face 上线。
推荐理由：Granite 4.0 3B Vision 以 LoRA 适配器形式发布，并给出图表与表格抽取的基准对比，可据此判断小模型在企业文档场景的可用性。
Google DeepMind精选AI 评分7676 Google DeepMind 发布 Gemini 3.1 Flash Live 语音模型
Google DeepMind 发布 Gemini 3.1 Flash Live，称其为目前质量最高的音频与语音模型，具备更高精度和更低延迟。该模型在 ComplexFuncBench Audio 上以 90.8% 领先上一代，在 Scale AI 的 Audio MultiChallenge 上开启 thinking 后得分为 36.1%。
推荐理由：官方给出语音模型的基准成绩与多产品接入路径，可据此判断实时语音智能体的可用性变化。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 Lyria 3 Pro 音乐生成模型
Google DeepMind 发布 Lyria 3 Pro，可生成最长 3 分钟的曲目，并具备结构感知能力，能按前奏、主歌、副歌和桥段等元素进行提示。
推荐理由：官方给出 Lyria 3 Pro 的时长、结构控制与多产品接入范围，可据此判断音乐生成在创作流程中的可用性。
Mistral AI精选AI 评分7171 Mistral AI 发布 Voxtral TTS 语音合成模型
Mistral AI 发布首个文本转语音模型 Voxtral TTS，4B 参数，支持英语、法语、德语、西班牙语、荷兰语、葡萄牙语、意大利语、印地语和阿拉伯语 9 种语言，具备情感表达与零样本跨语言音色适配能力。
推荐理由：原文给出 4B 参数、9 种语言与 70ms 延迟等具体指标，读者可据此判断语音智能体的成本与可用性。
Hugging Face Blog精选AI 评分6262 H Company 发布 Holotron-12B 高吞吐 computer-use 智能体模型
H Company 发布 Holotron-12B，一个基于 NVIDIA Nemotron-Nano-2 VL 后训练的多模态 computer-use 模型，现已在 Hugging Face 上线，采用 NVIDIA Open Model License。
推荐理由：模型基于 Nemotron 架构做后训练，给出吞吐与 WebVoyager 数据，可对照现有 computer-use 智能体的部署成本。
OpenAI News精选AI 评分6565 OpenAI 发布 GPT-5.4 mini 与 nano
OpenAI 发布 GPT-5.4 mini 和 nano，两者是 GPT-5.4 的更小、更快版本。官方称其针对编码、工具调用、多模态推理以及高并发 API 和子智能体负载做了优化。
推荐理由：OpenAI 在 GPT-5.4 之下补出 mini 与 nano 两档，读者可据此判断小模型在编码与子智能体负载上的定位。
Mistral AI精选AI 评分7878 Mistral 发布 Mistral Small 4 开源模型，统一推理、多模态与编码能力
Mistral AI 发布 Mistral Small 4，这是 Mistral Small 系列的下一个重要版本，也是首个把 Magistral 的推理、Pixtral 的多模态和 Devstral 的智能体编码能力统一到单一模型的 Mistral 模型，采用 Apache 2.0 许可。
推荐理由：Mistral 把推理、多模态与编码能力合并进单一开源模型，并给出可调推理强度与部署门槛，便于评估其替代多模型组合的可行性。
Mistral AI精选AI 评分6262 Mistral 发布 Leanstral：面向 Lean 4 的开源代码智能体
Mistral 发布 Leanstral，这是首个面向 Lean 4 的开源代码智能体，采用 6B 激活参数的稀疏架构，权重以 Apache 2.0 许可开放，并接入 Mistral Vibe 与免费 API 端点 labs-leanstral-2603。
推荐理由：Mistral 开源面向 Lean 4 的代码智能体，给出与 Claude 系列和开源模型的成本与得分对比，可据此判断形式化验证路线的性价比。
OpenAI News精选AI 评分8686 OpenAI 发布 GPT-5.4 前沿模型
OpenAI 发布 GPT-5.4，称其为面向专业工作能力最强且高效的前沿模型。该模型具备 state-of-the-art 的编码、computer use、工具搜索能力，并支持 1M-token 上下文。
推荐理由：OpenAI 公布 GPT-5.4 的编码、computer use 与 1M token 上下文等能力定位，可据此判断其面向专业工作的边界。
OpenAI News精选AI 评分6262 OpenAI 发布 GPT-5.4 Thinking 系统卡
OpenAI 发布 GPT-5.4 Thinking 系统卡，正文内容未能获取。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 Gemini 3.1 Flash-Lite
Google DeepMind 推出 Gemini 3.1 Flash-Lite，定位为 Gemini 3 系列中速度最快、成本最低的模型，即日起通过 Gemini API 在 Google AI Studio 和 Vertex AI 面向开发者预览。
推荐理由：官方给出价格、速度与基准数据，可据此判断高并发场景下是否值得替换现有轻量模型。
OpenAI News精选AI 评分6262 OpenAI 发布 GPT-5.3 Instant，主打更顺畅的日常对话
OpenAI 发布 GPT-5.3 Instant，官方称其在日常对话中更顺畅、更实用。原文正文未抓取到，暂无更多细节。
OpenAI News精选AI 评分6262 OpenAI 发布 GPT-5.3 Instant 系统卡
OpenAI 发布 GPT-5.3 Instant 系统卡，目前仅有标题信息，正文内容尚未获取。
Google DeepMind精选AI 评分8282 Google DeepMind 发布 Nano Banana 2（Gemini 3.1 Flash Image）图像模型
Google DeepMind 发布 Nano Banana 2（Gemini 3.1 Flash Image），把 Nano Banana Pro 的世界知识、画质与推理能力带到 Flash 速度。
推荐理由：官方给出 Nano Banana 2 与 Pro 的能力分工和上线范围，读者可据此判断该选哪个模型。
Google DeepMind精选AI 评分7878 Google DeepMind 发布 Gemini 3.1 Pro，ARC-AGI-2 得分 77.1%
Google DeepMind 发布 Gemini 3.1 Pro，定位为面向复杂任务的核心推理升级，在 ARC-AGI-2 上取得 77.1% 的验证分数，超过 3 Pro 推理性能的两倍。
推荐理由：官方给出 ARC-AGI-2 上 77.1% 的验证分数与 3 Pro 的对比，可据此判断核心推理能力的提升幅度。
Google DeepMind精选AI 评分8282 Google DeepMind 发布 Gemini 3 Deep Think 升级，面向科研与工程推理
Google DeepMind 发布 Gemini 3 Deep Think 重大升级，这一专用推理模式面向科学、研究与工程难题。
推荐理由：官方给出 Deep Think 在 HLE、ARC-AGI-2、Codeforces 等基准上的具体成绩与开放入口，可据此判断其科研推理定位。
OpenAI News精选AI 评分7171 OpenAI 发布 GPT-5.3-Codex-Spark 实时编码模型
OpenAI 发布 GPT-5.3-Codex-Spark，称其为首个实时编码模型，生成速度提升 15 倍，支持 128k 上下文。该模型目前面向 ChatGPT Pro 用户开放研究预览。
推荐理由：OpenAI 发布首个实时编码模型，给出 15 倍生成速度和 128k 上下文，可据此判断编码工作流的响应变化。
OpenAI News精选AI 评分8080 OpenAI 发布 GPT-5.3-Codex
OpenAI 发布 GPT-5.3-Codex，这是一个 Codex 原生的智能体，将前沿编码性能与通用推理能力结合，用于支持长周期、真实世界的技术工作。
推荐理由：OpenAI 发布 Codex 原生的 GPT-5.3-Codex，读者可了解其在前沿编码与通用推理上的定位。
OpenAI News精选AI 评分7272 OpenAI 发布 GPT-5.3-Codex 系统卡
OpenAI 发布 GPT-5.3-Codex 系统卡，称其为迄今能力最强的智能体编码模型。该模型把 GPT-5.2-Codex 的前沿编码性能与 GPT-5.2 的推理和专业领域知识能力结合在一起。
推荐理由：官方系统卡披露 GPT-5.3-Codex 把编码能力与推理、专业知识合并，可据此判断智能体编码模型的能力边界。
Mistral AI精选AI 评分7878 Mistral 发布 Voxtral Transcribe 2 语音转写模型家族
Mistral 发布 Voxtral Transcribe 2，包含面向批量转写的 Voxtral Mini Transcribe V2 和面向实时场景的 Voxtral Realtime 两款语音转文字模型。
推荐理由：官方给出两款语音转写模型的延迟、错误率与定价对比，可据此判断实时语音应用的落地成本。
Hugging Face BlogAI 评分4242 H Company 发布 Holo2-235B-A22B Preview，UI 定位刷新 SOTA
H Company 发布迄今最大的 UI 定位模型 Holo2-235B-A22B Preview，在 ScreenSpot-Pro 上以 78.5% 刷新 SOTA，OSWorld G 达 79.0%，模型已在 Hugging Face 开放。该模型单步在 ScreenSpot-Pro 上达 70.6%，配合智能体式定位可在 3 步内迭代提升精度，各尺寸 Holo2 模型相对提升 10-20%。
Hugging Face Blog精选AI 评分7474 Overworld 发布实时交互视频扩散模型 Waypoint-1
Overworld 发布实时交互式视频扩散模型 Waypoint-1，可通过文本、鼠标和键盘控制，权重已上线 Hugging Face Hub，先开放 Waypoint-1-Small，Medium 版本即将推出。
推荐理由：Waypoint-1 把实时交互式视频扩散模型与推理库一并开源，读者可据此了解世界模型从预训练视频微调转向交互优先训练的思路。
Google DeepMind精选AI 评分6262 Google DeepMind 发布 4D 重建与追踪模型 D4RT
Google DeepMind 发布 D4RT（Dynamic 4D Reconstruction and Tracking），用统一的编码器-解码器 Transformer 架构完成动态场景的 4D 重建与追踪，通过查询机制并行回答像素在任意时间、任意相机视角下的 3D 位置。
推荐理由：D4RT 把动态场景重建统一进单一框架，并给出相对既有方法的效率倍数与单芯片实测耗时。
Google Research精选AI 评分6262 Google 发布 MedGemma 1.5 4B 与医疗语音模型 MedASR
Google 发布 MedGemma 1.5 4B，新增对 CT、MRI 和全切片病理等高维医学影像的支持，并保留 2D 图像与文本能力。官方称在内部基准上，CT 病灶分类准确率从 58% 提升到 61%，MRI 从 51% 提升到 65%，MedQA 从 64% 提升到 69%。
推荐理由：官方给出 MedGemma 1.5 与 MedASR 的基准对比和开源入口，可据此判断医疗多模态模型的可用边界。
Hugging Face Blog精选AI 评分6262 NVIDIA 发布 Cosmos Reason 2，面向物理 AI 的推理视觉语言模型
NVIDIA 发布 Cosmos Reason 2，一款面向物理 AI 的开源推理视觉语言模型，在 Physical AI Bench 和 Physical Reasoning 榜单上位列开源模型第一。
推荐理由：NVIDIA 官方发布 Cosmos Reason 2，给出 2B/8B 规格、256K 上下文与多项评测提升，可据此判断物理 AI 视觉推理的可用边界。
Hugging Face BlogAI 评分3838 Hugging Face 发布 Falcon-H1-Arabic：混合 Mamba-Transformer 架构的阿拉伯语模型家族
Hugging Face 发布 Falcon-H1-Arabic 阿拉伯语模型家族，含 3B、7B、34B 三个规模，采用 Mamba 与 Transformer 注意力并行的 Falcon-H1 混合架构。
Hugging Face BlogAI 评分4242 AprielGuard：面向现代 LLM 系统的安全与对抗鲁棒性护栏模型
Hugging Face 发布 8B 参数安全护栏模型 AprielGuard，可检测 16 类安全风险及提示注入、越狱、思维链污染、记忆投毒、多智能体攻击序列等对抗攻击，并覆盖工具调用与推理轨迹等智能体工作流场景。模型提供推理与非推理两种模式，兼顾可解释分类与低延迟生产部署。