跳到正文
  1. The Decoder84

    美团发布 1.6 万亿参数开源多模态智能体模型 LongCat-2.5

    美团 LongCat 团队发布 LongCat-2.5 权重,这是一款总参数量 1.6 万亿、每 token 激活约 480 亿参数的 MoE 智能体模型,面向长流程编码任务,并支持文本、图像和视频输入。

    推荐理由:文章梳理了 LongCat-2.5 的开放权重、硬件适配方式与多项智能体基准表现,便于评估其部署成本和能力位置。

  1. TechCrunch · AI83

    Google 发布 Gemini 4 Hydrogen 模型并升级 Search 复杂问题解答

    Google 发布 Gemini 4 Hydrogen 模型,用于在多种智能体工作流中快速执行任务,并将相关能力接入 Search。Google 称该模型完成任务的速度是 Gemini 3.8 Flash 的 2.5 倍,在默认 high 思考级别下,其 Artificial Analysis Intelligence Index 得分超过 Gemini 4 Argon。

    推荐理由:原文梳理了 Gemini 4 Hydrogen 的速度定位、搜索改进、模型组合与可用范围,便于比较其适用场景。

  1. Google DeepMind66

    Google DeepMind 发布 AlphaGenome 2 DNA 序列模型

    Google DeepMind 发布 AlphaGenome 2,用于预测 DNA 序列及其变异对特定人类细胞类型的影响。模型基于超过 107 million 个细胞档案和 68 种组织训练,在 TenK10K 数据集上识别出的因果变异比例由 16% 提升至 30%,方向性基因效应由 23% 提升至 43%。

    推荐理由:AlphaGenome 2将DNA变异预测细化到具体细胞类型,并公开细胞条件化与跨模态预测能力,方便研究者比较其疾病相关预测效果。

  1. Google DeepMind81

    Google DeepMind 发布 Gemini Omni 1.2 Flash 视频生成模型

    Google DeepMind 开始在 Gemini API 和 Gemini for business 全面推出 Gemini Omni 1.2 Flash,新增原生 15 秒视频生成、多轮对话式编辑和增强的参考遵循能力。

    推荐理由:Gemini Omni 1.2 Flash 同时扩展视频时长并下调价格,还展示了多轮编辑与参考保持能力,可用于评估规模化视频生成的取舍。

  1. Mistral AI82

    Mistral Large 4 开放权重发布,强化编码与网络安全能力

    Mistral AI 发布改进后的 Mistral Large 4 开放权重版本,这是一款 1-trillion-parameter、原生多模态模型,强化学习后提升编码、推理效率与防御性网络安全能力。

    推荐理由:材料给出开放权重、部署入口、价格及多项编码和网络安全评测,开发者可据此评估其落地方式与性能成本。

  1. Mistral AI86

    Mistral AI 发布 Voxtral 3 语音模型与语音智能体 SDK

    Mistral AI 发布 Voxtral 3 语音模型家族及基于 LiveKit 的语音智能体 SDK,覆盖 50+ 种语言的准确转写、带情感和语速适应能力的语音合成,以及多步骤工具调用。

    推荐理由:Voxtral 3 将转写、推理、工具调用和语音生成整合为实时流式管线,并提供多语言评测与部署定价信息。

  1. Mistral AI63

    Mistral AI 发布 Timestral 时间序列基础模型系列

    Mistral AI 发布首个时间序列基础模型系列 Timestral,包含 5M、28M、123M 和 209M 四种规格,支持概率式、多变量预测及过去和已知未来的协变量。

    推荐理由:原文给出了模型规格、基准结果、推理性能与部署方式,可用于评估其在时序预测场景中的精度和效率取舍。

  1. Mistral AI85

    Mistral 发布开源权重模型 Mistral Large 4 公开预览版

    Mistral AI 发布 Mistral Large 4 公开预览版,这是一款 1T 参数、激活 52B 参数的原生多模态模型,权重计划于本月底发布。模型面向编码、智能体工作流、多模态理解和专业任务,公开预览 API 已上线 Mistral Studio,模型在 Mistral 自有欧洲数据中心训练并提供服务。

    推荐理由:文章披露了模型规模、核心基准、训练基础设施与 RL 方法,便于比较其能力边界和部署选择。

已经到底了