NVIDIA 发布 Nemotron 3.5 Transcribe 多语言语音转写模型与 Granary v2 数据管道
NVIDIA 发布开放权重多语言语音转写模型 Nemotron 3.5 Transcribe 与 Granary v2 数据管道,支持40种语言转写、31种互译及13种语言说话人归属。
推荐理由:NVIDIA开放权重多语言转写模型在多个基准领先,其开放的Granary v2数据管道和微调配方便于开发者适配领域词汇。
内容形态
新模型的发布、开源与迭代:大模型厂商的旗舰更新、开源权重放出、性能与价格变化的第一时间记录。
145 条精选近 30 天 31 条共收录 581 条
NVIDIA 发布开放权重多语言语音转写模型 Nemotron 3.5 Transcribe 与 Granary v2 数据管道,支持40种语言转写、31种互译及13种语言说话人归属。
推荐理由:NVIDIA开放权重多语言转写模型在多个基准领先,其开放的Granary v2数据管道和微调配方便于开发者适配领域词汇。
NVIDIA 发布 Nemotron 3.5 Transcribe 开放权重语音模型,单个提示词模型处理转录、说话人标注与翻译,登顶 Hugging Face Open ASR。该模型约43亿活跃参数,较头部开放模型少80%资源,便于本地硬件运行;RTX Spark 笔记本同步新增代理 GPU 资源分配及 Phantom Blade Zero 等游戏 RTX 支持。
推荐理由:NVIDIA Nemotron 3.5 Transcribe 以约43亿活跃参数登顶 Hugging Face Open ASR,较榜首开放模型省八成参数,便于本地转录。
LFM3 提供文本、视觉、音频、omni 和决策等六种 2B 参数级模型,基于统一骨干,可用于构建专用多模态智能体。相比 LFM2 家族,LFM3-1.7B 用少 35% 参数超越 LFM2.5-2.6B;所有模型今天在 Hugging Face 开放权重。
推荐理由:LFM3以统一骨干提供六种2B级模态模型,可在单GPU微调并端侧部署,降低专用多模态智能体构建门槛。
Google DeepMind 发布 Genie 4 世界模型,可原生生成多模态实时模拟,在物理、人类动作与音频写实度上实现显著提升。该模型借助 Gemini 家族提供推理以维持模拟连贯,目前已向受信测试者开放研究预览,后续将登陆 Google AI Ultra 等平台。
推荐理由:Genie 4将实时世界模拟的写实度、物理与人类动作连贯性推进到新水平,当前仅以研究预览向受信测试者开放。
OpenAI 发布 GPT-6.1 Terra,一款融合视觉推理、精准计算机操作和自然写作的高效模型。其在 Agents' Last Exam 上中等推理得分超 GPT-5.6 Terra 15 个百分点且成本约三分之一,匹配 GPT-6 Astra 但 token 价格仅十分之一,任务速度快 3 倍以上。
推荐理由:OpenAI称GPT-6.1 Terra在代理基准Agents' Last Exam上匹配GPT-6 Astra,但token价格仅其十分之一,为成本敏感的计算机任务提供新选择。
GPT-6.1 Terra首批网友实测显示,其以标准API价格减半和接近GPT-6 Astra的电脑操作能力完成自动化任务。在DesignArena同题测试中,新模型总成本低38%且画面更精致;OpenAI同一天还公布了三项AI科学新发现。
推荐理由:GPT-6.1 Terra以标准API减半价格提供接近GPT-6 Astra的电脑操作能力,读者可评估其在自动化办公中的性价比。
Moonshot 在 2026 年 10 月 23 日于 Kimi API 发布 Kimi K3.1 Pro,承诺 2026 年 11 月 4 日前开放完整模型权重。
推荐理由:原文列出了Kimi K3.1 Pro的API定价、加速版本与基准得分,读者可将其与GPT和Claude等前沿模型做直接对比。
NVIDIA Kumo Relational 在关系数据上无需训练即超越监督机器学习模型。该预训练关系基础模型在41个任务15个数据库上击败监督深度学习与梯度提升树管线,在SAP SALT基准上MRR超越AutoGluon集成8%,并通过开源库或NVIDIA NIM提供,可扩展至500B+行。
推荐理由:Kumo Relational在关系数据基准上无需任务训练即超越监督模型,企业可将预测写成查询并由智能体调用,从而降低建模门槛。
NVIDIA 发布 Nemotron 3.5、Kumo、Cosmos 3.5 等多款开放模型推进欧洲跨行业主权智能,覆盖语言、机器人与量子等领域。企业可用本地数据定制并部署在自有设施,模型已在 Hugging Face 等平台提供。此为 NVIDIA 欧洲公告的一部分。
推荐理由:NVIDIA发布一系列覆盖语言机器人生物量子等领域的开放模型,企业可用本地数据定制并部署在自有基础设施上。
Mistral发布Voxtral 3语音模型家族与实时语音智能体SDK,支持50+语言转写和35+语言情感语音合成。该SDK基于LiveKit将听、推理、说整合为流式管道,每轮交互耗时低于1秒,支持通过Mistral欧盟API或自部署运行。模型包含Voxtral Small Transcribe 3等,批量转写价格低至$0.0035/min。
推荐理由:Mistral发布Voxtral 3语音模型家族与实时智能体SDK,给出50+语言转写和私有部署选项,便于企业评估语音工作流改造。
MiniMax 今天正式更新 M3.1 Flash 模型,Agentic 任务、编程等能力代际提升,线上推理速度近3倍、成本降70%。模型在 DeepSWE v1.1 获73.7%、OSWorld V2 获61.7分等基准领先,已上线 API 与 MiniMax Code 并将稍后开放权重。
推荐理由:相较前代推理速度提升近3倍且成本降低70%,在Agent与编程基准达到领先,已上线供实用。
DeepSeek发布V4.1-Flash-1017模型,开放自研搜索API并增强DeepSeek Harness至0.2.1版本。新模型在代码与Agent任务表现提升的同时压低了运行时间和token费用;搜索API提供Search与Fetch接口,限时免费至11月1日。
推荐理由:新模型V4.1-Flash-1017在提升Agent与代码能力的同时压低了运行开销,并开放自研搜索API供外部调用。
Meta的Muse Spark Open针对新Mac Studio优化,可在双Apple M5 Ultra Mac Studio上通过MLX本地运行816B参数开放权重模型。该模型支持1M token上下文与多模态,权重已在Hugging Face等平台开放下载,开发者可定制部署。
推荐理由:Meta开放Muse Spark Open权重并支持双Mac Studio本地部署,开发者可借此在端侧运行816B参数多模态模型。
谷歌正式发布 Gemini 4 Argon 模型,API 每百万输入 token 2 美元、输出 10 美元限时半价至 11 月 30 日。该模型加强编程、多模态与长任务执行能力,第三方评测并列53分且调用成本约竞品一半到五分之一。谷歌同时发布217页安全报告。
推荐理由:Gemini 4 Argon首发API价格打五折,调用成本约竞品一半到五分之一,开发者可低成本评估其长任务能力。
Reflection 发布 501B 参数的开放模型 Beam,采用 MoE 架构,每 token 激活 23B 参数,上下文窗口 1M tokens,基于 Apache 2.0 许可。
推荐理由:Beam 以 Apache 2.0 开放 501B MoE 权重并给出多后端部署与微调 recipe,便于团队迁移到自有硬件。
Meta 发布了开放权重多模态 MoE 模型 Muse Spark Open,总参数约 816B、每 token 活跃 42B,上下文窗口最高 1M token。该模型支持文本、图像、音频、视频输入,专注于智能体编码与工具调用,文章提供了 transformers、llama.cpp 等框架的部署与微调方法。此前 Meta 在 8 月发布了同系列小模型 Muse Glimmer。
推荐理由:本文给出了在 llama.cpp、vLLM、SGLang 等推理框架的部署方案与 TRL 微调示例,便于开发者快速落地。
Black Forest Labs FLUX.3 Image Klein 模型已在 Diffusers 中可用,统一支持文本生图、多参考图生图与边界框布局控制。蒸馏检查点默认16步无CFG,在 H100 上约2秒生成 1024×1024 图像;基础检查点支持50步CFG与LoRA微调,并提供 fp8r、nvfp4 量化权重适配小显存设备。
推荐理由:FLUX.3 Image Klein 已在 Diffusers 集成,支持边界框布局控制与多参考编辑,便于直接训练 LoRA。
NVIDIA 今日发布 Nemotron 3.5 Super VL 与两款 Bolt 边缘模型,覆盖从企业服务器到边缘的智能体部署。Super VL 为 120B 参数多模态模型,速度快达同类 5x 且以约五分之一参数量媲美 NVIDIA 最大推理模型精度;Bolt 74B-A9B 24GB 与 Bolt E4B 4GB 针对本地硬件优化,后者 10 月 23 日推出。
推荐理由:NVIDIA 新发 Nemotron 3.5 Super VL 以约五分之一参数量媲美自家最大推理模型精度,并开放权重供组织在自有设施微调部署。
Mistral 发布首个时间序列基础模型家族 Timestral,其 209M 参数版本在 GIFT-Eval、TIME 和 fev-bench 三项基准均排名第一。
推荐理由:原文显示209M参数模型在三项公开基准均超越更大规模对手,读者可对比精度与算力门槛评估其边缘部署适用场景。
Apertus 项目发布 1.5 版 8B 和 70B 开源模型,新增图像音频理解、思考模式、262,144 token 上下文及更强工具调用。模型权重于2026年7月24日以 Apache 2.0 许可发布在 Hugging Face,全程开放训练数据与细节。
推荐理由:Apertus 1.5以早期融合将图像音频转为离散token,训练细节全开放,研究者可复现各阶段对多模态能力影响。