美团开源 LongCat-Next：原生多模态新范式，用“离散 Token”统一文本、图像与语音
在人工智能迈向“通用智能”的征途中，如何处理文本、图像、语音等多种模态数据，一直是业界最大的挑战之一。传统方案往往需要为不同模态设计独立的编码器，或采用复杂的跨模态对齐机制，导致模型架构臃肿、训练困难...
排序
AI终于能“边看视频边记人”！北大等联合推出PEARL，实时互动不“失忆”
想象一下这个场景：你正在看一部长达两小时的电影直播，中途你指着屏幕对 AI 助手说：“记住那个穿红衣服的女孩，她叫小红。” 十分钟后，你问：“小红现在在干嘛？” AI 立刻回答：“她在厨房切菜。” 半...
Phota Labs 发布全新 AI 摄影工具：保留真实人像，实现个性化照片创作与编辑
在生成式 AI 席卷图像领域的今天，我们常常面临一个尴尬的困境：AI 生成的图片虽然精美，但里面的人“像我却不是我”。眼神不对、微笑的弧度陌生、甚至五官细节都发生了微妙的偏移。对于摄影而言，真实性与身...
Mistral 发布 Voxtral TTS：40 亿参数开源模型，以极致低延迟和跨语言克隆挑战 ElevenLabs
法国 AI 独角兽 Mistral AI 今日正式进军语音合成领域，发布了其首款开源文本转语音（TTS）模型——Voxtral TTS。这款基于 Ministral 3B 架构打造的轻量级模型，旨在以...
谷歌发布 Gemini 3.1 Flash Live：迄今最自然、最敏锐的语音 AI，支持全球 200+ 语言
谷歌在 AI 语音交互领域再次迈出关键一步。今日，谷歌正式推出 Gemini 3.1 Flash Live，称其为“迄今为止最高质量的音频和语音模型”。这款新模型不仅大幅降低了延迟，更在语调理解、情绪...
Cohere 开源自动语音识别（ASR）模型 Cohere Transcribe：20 亿参数跑赢巨头，消费级显卡即可部署
在企业 AI 赛道深耕多年的 Cohere 今日正式进军语音领域，发布了其首款开源自动语音识别（ASR）模型——Cohere Transcribe(cohere-transcribe-03-2026...
谷歌发布 Lyria 3 Pro：谷歌音乐生成迈入“完整曲目”时代，最长支持 3 分钟
继上个月推出 Lyria 3 后，谷歌于本周三正式发布了其最新音乐生成模型 Lyria 3 Pro。这款升级版模型不仅将生成时长从 30 秒大幅延长至 3 分钟，更在音乐结构理解、创意控制和多平台集成...
OpenResearcher：全开源深度研究智能体，离线合成百万级轨迹，性能超越 GPT-4.1 与 Claude Opus
在 AI 自主代理（Agent）迈向“深度研究”的征途中，数据一直是最大的拦路虎。训练一个能像人类专家一样进行多步推理、交叉验证的 AI，需要海量的长周期研究轨迹数据。然而，现有的数据合成方案严重依赖...
Attend Before Attention：伯克利与英伟达联手，让AI像人眼一样“扫视”视频，推理提速19倍
在视频理解领域，长久以来存在一个巨大的效率悖论：人类只需扫视关键物体就能理解场景，而AI模型却必须像素级地“硬啃”每一帧。这种对时空冗余数据的无差别处理，导致当前的多模态大语言模型（MLLM）在面对长...
daVinci-MagiHuman：单流架构重塑音视频生成，1080p 仅需 38 秒的开源新标杆
在 AI 生成内容（AIGC）领域，音视频联合生成一直被视为“皇冠上的明珠”。然而，现有的开源方案往往陷入两难：要么采用复杂的多流架构导致推理缓慢、难以优化，要么为了速度牺牲了人物表情与语音的自然度...
PrismAudio：阿里通义首创“思维链+强化学习”视频音效框架，让AI学会“先思考再发声”
在视频生成领域，画面与声音的同步一直是难以攻克的“最后一公里”。传统的视频转音频（Video-to-Audio）模型往往采用“端到端”的黑箱模式：输入视频，直接输出音频。这种“直觉式”生成容易导致声音...
英伟达发布 Nemotron-Cascade 2：开源 30B MoE 模型，激活仅 3B 却斩获 IMO/IOI 金牌水平
在“越大越强”的大模型军备竞赛中，英伟达走出了一条截然不同的路：追求极致的“智能密度”。 英伟达正式开源 Nemotron-Cascade 2，一款总参数量 30B、激活参数仅 3B 的混合专家模型...
