Google DeepMind 发布 Gemini 3.1 Flash TTS，新增 audio tags 精细语音控制
Google DeepMind 发布文本转语音模型 Gemini 3.1 Flash TTS，提升语音质量、表现力与可控性。
推荐理由：官方给出了模型能力细节、榜单成绩和开放入口，读者可以判断它对语音应用开发的实际改动。
全部AI 动态
全部动态
今日 46 条Google DeepMind：Blog（RSS）精选AI 评分6161
Google DeepMind：Blog（RSS）AI 评分5858 Google DeepMind 发布 Gemini Robotics-ER 1.6，强化机器人具身推理
Google DeepMind 发布 Gemini Robotics-ER 1.6，相比 Gemini Robotics-ER 1.5 和 Gemini 3.0 Flash 提升了空间与物理推理能力，包括指向、计数、成功检测和多视角理解。
Alibaba：GitHub 新仓库AI 评分3636 阿里巴巴开源 verl-recipe：基于 verl 的端到端 RL 训练示例集
阿里巴巴在 GitHub 上线 verl-recipe 仓库，提供一组基于 verl 的端到端强化学习训练示例。该仓库为 fork 版本，用于贡献代码，所有改动计划以 PR 形式提交至上游。
Google DeepMind：Blog（RSS）精选AI 评分8686 Google DeepMind 发布 Gemma 4 开源模型，含 E2B、E4B、26B MoE 和 31B 四个尺寸
Google DeepMind 发布 Gemma 4 开源模型，主打高级推理与智能体工作流，采用 Apache 2.0 许可，提供 E2B、E4B、26B MoE 和 31B Dense 四个尺寸。
推荐理由：官方给出四个尺寸、榜单排名、上下文长度和开放许可等具体信息，读者可以据此判断选型与部署空间。
蚂蚁 inclusionAI：GitHub 新仓库AI 评分3737 蚂蚁 inclusionAI 开源 cuLA：线性注意力 CUDA 内核库
蚂蚁 inclusionAI 在 GitHub 开源 cuLA，提供多种线性注意力变体的 CUDA 内核，使用 CuTe DSL 与 CUTLASS C++ 编写。该仓库目前仅披露技术栈，未公布支持的模型、性能数据或开源许可等细节。
Together AI 研究与产品博客（RSS）AI 评分4545 Together AI 开源基于 RL 的推测解码框架 Aurora
Together AI 开源 Aurora，一个基于 RL 的推测解码框架，可从实时推理轨迹中持续学习并异步更新 draft 模型，在 Qwen3 和 Llama3 等模型上比静态 speculator 额外提速 1.25 倍。
美团 LongCat：HuggingFace 新模型AI 评分5757 美团 LongCat 开源 LongCat-AudioDiT 扩散 TTS 模型
美团 LongCat 发布基于扩散模型的非自回归 TTS 模型 LongCat-AudioDiT，直接在波形潜空间运行，只需 Wav-VAE 加扩散骨干。
美团 LongCat：HuggingFace 新模型AI 评分5555 美团 LongCat 发布扩散 TTS 模型 LongCat-AudioDiT，开源 1B 与 3.5B 权重
美团 LongCat 发布 LongCat-AudioDiT，一个直接在波形潜空间工作的非自回归扩散 TTS 模型，模型权重和代码以 MIT License 开源。
美团 LongCat：HuggingFace 新模型AI 评分5858 美团 LongCat 开源 LongCat-Next 原生多模态模型
美团 LongCat 团队开源原生多模态模型 LongCat-Next，基于 LongCat-Flash-Lite MoE（A3B），在单一自回归框架内统一文本、视觉和音频处理，采用 DiNA 离散原生自回归范式，结合 SAE 与 RVQ 构建语义完整的离散视觉表示，并提出 dNaViT 视觉接口。
美团 LongCat：HuggingFace 新模型AI 评分5454 美团 LongCat 发布开源 560B 参数 MoE 模型 LongCat-Flash-Prover，主攻 Lean4 形式化推理
美团 LongCat 在 HuggingFace 发布 560B 参数开源 MoE 模型 LongCat-Flash-Prover，通过智能体工具集成推理（TIR）推进 Lean4 原生形式化推理，将任务拆解为自动形式化、sketching 和证明三项能力，并提出 HisPO 算法稳定 MoE 长程训练。
Mistral AI：News（网页）精选AI 评分7070 Mistral 发布开源模型 Mistral Small 4，统一推理、多模态与编码能力
Mistral 发布 Mistral Small 4，首个将 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开源版本，采用 Apache 2.0 许可证。
推荐理由：官方发布文给出完整架构参数、性能对比和部署门槛，可以了解这款统一推理与多模态的开源模型是否适配自己的场景。
Mistral AI：News（网页）精选AI 评分6161 Mistral 发布开源 Lean 4 证明代码智能体 Leanstral
Mistral 发布 Leanstral，一个面向 Lean 4 的开源代码智能体，权重以 Apache 2.0 许可开放，同时在 Mistral Vibe 中以 agent 模式提供，并通过免费 API 端点 labs-leanstral-2603 开放。
推荐理由：原文给出 FLTEval 分数和与 Claude 系列的成本对比，读者可据此评估它在形式化证明工程中的性价比。
Noam Shazeer@NoamShazeerAI 评分6161Google 发布 Gemini 3.1 Flash-Lite，定位最快最高效、面向高负载工作负载的模型，官方称在推理、可靠性和可扩展性上超过 2.5 Flash 且成本更低。
FireRedTeam：原创语音与多模态项目AI 评分4141 FireRedTeam 发布 FireRedVAD：工业级语音活动检测与音频事件检测
FireRedTeam 推出 FireRedVAD，一款工业级语音活动检测（VAD）与音频事件检测模型，支持 100+ 语言，性能超越 Silero-VAD、TEN-VAD、FunASR-VAD 和 WebRTC-VAD。该项目定位为 SOTA 工业级方案，具体参数规模与开源方式尚未披露。
Ahead of AI（RSS）精选AI 评分7676 Sebastian Raschka 解析 2026 年 1-2 月 10 个开源权重 LLM 架构
Sebastian Raschka 按时间顺序梳理 2026 年 1-2 月的十个主要开源权重模型发布，包括 Arcee Trinity Large 400B。
推荐理由：作者以架构对比视角梳理近两个月主要开源权重模型发布，读者可以借此看清各家的注意力机制和效率设计选择。
通义 QwenAudio：原创语音项目AI 评分5555 QwenLM 开源 WebWorld 网页世界模型
QwenLM 在 GitHub 开源 WebWorld，一个大规模网页世界模型，用于在模拟浏览器环境中训练 web agent。该方式可避开真实网页带来的延迟和安全问题。原文仅提供简要介绍，更多细节见 https://github.com/QwenLM/WebWorld。
FireRedTeam：原创语音与多模态项目AI 评分5050 FireRedTeam 开源工业级一体化语音识别系统 FireRedASR2
FireRedTeam 发布 FireRedASR2，一个集 ASR、VAD、LID 和标点模块于一体的工业级语音识别系统。
FireRedTeam：原创语音与多模态项目AI 评分4545 FireRedTeam 开源 FireRed-Image-Edit 图像编辑基础模型
FireRedTeam 开源图像编辑基础模型 FireRed-Image-Edit，宣称达到开源 SOTA 水平。该模型具备精准指令跟随、高保真生成、优异的身份一致性和多元素无缝融合能力。
Baichuan AI@BaichuanAIAI 评分4949引用Baichuan AI@BaichuanAIBaichuan-M3 Technical Report is live. 🚀 Report：https://arxiv.org/abs/2602.06570 Models: https://hf.co/collections/baichuan-inc/baichuan-m3 Try: https://ying.ai Built for clinical decision support, not trivia QA, optimized on the real outpatient workflow: Inquiry → Lab Testing → Diagnosis 🧑⚕️→🔬→🧾
- Baichuan AI@BaichuanAIAI 评分5151
美团 LongCat：HuggingFace 新模型AI 评分5555 美团开源 LongCat-Flash-Lite：68.5B 参数 MoE 模型，主打 N-gram 嵌入与推理效率
美团发布 LongCat-Flash-Lite，非思考型 68.5B 参数 MoE 模型，激活参数约 3B，支持 256k 上下文，权重以 MIT 协议开源在 HuggingFace。模型集成 N-gram 嵌入表提升性能与推理速度，官方评测显示其 SWE-Bench 达 54.40，agentic 与编码能力在同规模模型中具竞争力，并给出 transformers 与 SGLang 部署方案。
Claude：YouTube（RSS）AI 评分7171 Anthropic 发布 Claude Opus 4.6
Anthropic 官方发布视频，介绍 Claude Opus 4.6。
Mistral AI：News（网页）精选AI 评分6464 Mistral 发布 Voxtral Transcribe 2 语音转写模型，实时版开放权重
Mistral 发布 Voxtral Transcribe 2 系列语音转写模型，含 Voxtral Mini Transcribe V2 批量转写和 Voxtral Realtime 实时转写两款。
推荐理由：官方给出了两个语音转写模型的能力、延迟配置和 API 定价，其中实时版以 Apache 2.0 开放权重，便于评估落地成本。
美团 LongCat：HuggingFace 新模型AI 评分5151 美团发布 LongCat-Image-Edit-Turbo 蒸馏版图像编辑模型
美团 LongCat 在 HuggingFace 发布 LongCat-Image-Edit-Turbo，是 LongCat-Image-Edit 的蒸馏版本，仅需 8 次 NFE 即可实现高质量图像编辑，推理延迟极低。
通义 QwenAudio：原创语音项目AI 评分5858 阿里云 Qwen 团队开源 Qwen3-ASR 语音识别模型系列
阿里云 Qwen 团队在 GitHub 开源 Qwen3-ASR 系列 ASR 模型，支持多语言语音、音乐和歌曲识别，并提供语言检测与时间戳预测功能。仓库地址：https://github.com/QwenLM/Qwen3-ASR。
美团 LongCat：HuggingFace 新模型AI 评分5757 美团 LongCat 发布 LongCat-Flash-Lite：68.5B 参数 MoE 模型，引入 N-gram 嵌入
美团 LongCat 发布 LongCat-Flash-Lite，一个非思考型 68.5B 参数 MoE 模型，激活参数约 3B，通过 YaRN 支持 256k 上下文，MIT 许可开源。
美团 LongCat：HuggingFace 新模型AI 评分5656 美团 LongCat 发布 LongCat-Flash-Thinking-ZigZag 稀疏注意力长上下文模型
美团 LongCat 基于长上下文基础模型 LongCat-Flash-Thinking-2601，通过 LoZA 稀疏注意力方案推出 LongCat-Flash-Thinking-ZigZag。
通义 QwenAudio：原创语音项目AI 评分6464 阿里云通义团队开源 Qwen3-TTS 语音合成模型系列
阿里云通义团队开源 Qwen3-TTS 语音合成模型系列，支持稳定且富有表现力的流式语音生成、自由音色设计和逼真的声音克隆。
- Baichuan AI@BaichuanAIAI 评分5555
美团 LongCat：HuggingFace 新模型AI 评分6868 美团发布 LongCat-Flash-Thinking-2601：560B 参数 MoE 推理模型，强化智能体能力并开源 FP8 权重
美团 LongCat 团队发布更新版 LongCat-Flash-Thinking-2601，总参数 560B（激活 27B）的 MoE 大推理模型，FP8 权重以 MIT 许可开源在 HuggingFace。
美团 LongCat：HuggingFace 新模型AI 评分5050 美团 LongCat 发布 LongCat-HeavyMode-Summary 模型并上线 Heavy Thinking Mode
美团 LongCat 发布 LongCat-HeavyMode-Summary，该模型在 LongCat-Flash-Thinking-2601 基础上进一步训练，后者为 5600 亿参数的 MoE 架构大推理模型。
美团 LongCat：HuggingFace 新模型AI 评分6666 美团 LongCat 发布 LongCat-Flash-Thinking-2601 推理模型
美团发布 LongCat-Flash-Thinking-2601，总参数 560B、激活 27B 的 MoE 大推理模型，权重以 MIT License 开源。更新通过环境扩展与多环境强化学习、噪声课程训练强化智能体能力，并新增 Heavy Thinking Mode，在智能体搜索、工具调用等基准上取得有竞争力的成绩，已在 SGLang、vLLM 支持部署并上线 longcat.ai。
通义 QwenAudio：原创语音项目AI 评分3737 Qwen-Image-Layered：面向内在可编辑性的分层分解
QwenLM 推出 Qwen-Image-Layered，通过分层分解让图像具备内在可编辑性。该模型将图像拆解为多个图层，使各元素可独立编辑，而非在单一平面上修改。
- Noam Shazeer@NoamShazeer精选AI 评分7676
推荐理由：作者本人官宣发布，说明新模型如何在更低延迟和成本下保留 Pro 级推理能力及可用入口。
小米 MiMo：GitHub 新仓库（模型发布）AI 评分4949 小米 MiMo-V2-Flash 发布：高效推理、编码与智能体基础模型
小米发布 MiMo-V2-Flash 基础模型，主打高效推理、编码与智能体能力。该模型以 MiMo-V2-Flash 为名在 GitHub 新仓库开源，具体参数规模、benchmark 分数与上下文长度尚未在现有信息中披露。
美团 LongCat：HuggingFace 新模型AI 评分5555 美团 LongCat 发布开源音频驱动角色动画模型 LongCat-Video-Avatar
美团 LongCat 团队发布开源模型 LongCat-Video-Avatar，统一支持 Audio-Text-to-Video、Audio-Text-Image-to-Video 和 Video Continuation 三种生成模式，兼容单流与多流音频输入，提供单人与多人角色动画生成。
Mistral AI：News（网页）精选AI 评分7272 Mistral AI 发布 Devstral 2（123B）与 Devstral Small 2（24B）编码模型及 Mistral Vibe CLI
Mistral AI 发布开源编码模型 Devstral 2（123B，修改版 MIT 许可）和 Devstral Small 2（24B，Apache 2.0），并推出开源命令行编码助手 Mistral Vibe CLI。
推荐理由：官方公布了两档开源编码模型的参数规模、SWE-bench Verified 成绩和定价，并说明各自部署门槛，可据此评估实际选用成本。
美团 LongCat：HuggingFace 新模型AI 评分5454 美团 LongCat 发布图像编辑模型 LongCat-Image-Edit
美团 LongCat 发布图像编辑模型 LongCat-Image-Edit，为 Longcat-Image 的编辑版本，支持中英双语编辑。官方称其在开源图像编辑模型中达到 SOTA，支持全局编辑、局部编辑、文本修改和参考引导编辑，能保持未编辑区域的布局、纹理、色调和主体身份一致，适合多轮编辑。
美团 LongCat：HuggingFace 新模型AI 评分4848 美团 LongCat 发布 LongCat-Image-Dev 开发版图像模型
美团 LongCat 在 HuggingFace 发布 LongCat-Image-Dev，这是 LongCat-Image 的中期训练检查点，供社区做 SFT、LoRA 等二次微调。官方称该版本保留高可塑性、未受 RL 约束的参数状态，并配套提供 SFT、LoRA 微调、DPO/GRPO/MPO 对齐及 Edit 训练的全流程代码。