Gemini 3.8 Live Extended Thinking
Google 面向实时语音交互和复杂多步骤任务的音频到音频 Live API 模型。它可在保持对话的同时进行后台推理和异步工具调用,适合构建语音智能体。(aistudio.google.com) 接收文本、图像和音频;模型卡也将视频列为输入。常规输出为文本和音频。输入上限为 131,072 tokens,输出上限为 65,536 tokens。(aistudio.google.com) 可配置低、…
模型发布档案
聚合模型发布动态,按发布时间浏览,发现值得关注的新模型。
Google 面向实时语音交互和复杂多步骤任务的音频到音频 Live API 模型。它可在保持对话的同时进行后台推理和异步工具调用,适合构建语音智能体。(aistudio.google.com) 接收文本、图像和音频;模型卡也将视频列为输入。常规输出为文本和音频。输入上限为 131,072 tokens,输出上限为 65,536 tokens。(aistudio.google.com) 可配置低、…
Gemini 3.8 Live 是面向低延迟实时语音对话的音频到音频模型,侧重规模化部署和成本效率。它与面向更复杂多步推理任务的 Gemini 3.8 Live Extended Thinking 是不同版本。(blog.google) 支持实时语音交互、交错推理、同步和异步函数调用,以及结合视觉输入进行对话;官方称其可在对话中自动切换 97 种受支持语言。(blog.google) Gemini…
K2.8 Preview 是面向 Kimi Code 编程与智能体工作流的预览模型。官方于 2026 年 9 月 11 日宣布其在 Kimi Code 全量上线;原有模型 ID kimi-for-coding 保持不变。官方称其综合性能接近 K3,编码与智能体能力相较 K2.7 Code 提升,思考效率也有改善;这些对比属于官方定性描述。(kimi.com) **编程与智能体:**适合代码补全、常…
DeepSeek 于 2026 年 9 月 10 日发布 DeepSeek-V4.1-Flash,将其定位为新架构系列中尺寸最小、注重推理效率和吞吐量的多模态模型。(deepseek.com) 采用因果编码器—解码器(CED)混合专家架构,主干参数为 552B;输入预填充阶段每 token 激活 8B 参数,输出生成阶段激活 16B 参数。 原生处理文本和图像,生成文本;适用于图像理解、长上下文任…
AuK-Flash 是腾讯 AuK 语音生成与编辑基础模型的蒸馏版本,面向快速推理。AuK 系列模型约为 15 亿参数;Flash 使用固定 4 步推理,不使用无分类器引导。官方技术报告称,在相同硬件、输出时长和批量条件下,相比 32 步的 AuK 基础模型,实测推理耗时加速约 4.5 倍;实际表现取决于部署条件。(github.com) 模型通过自然语言指令及按任务需要提供的音频,支持零样本文本…
AuK 是腾讯开源的语音生成与编辑基础模型,官方称模型规模为 1.5B 参数。此条目对应面向高质量生成的 AuK 基础模型,而非采用四步推理的蒸馏版本 AuK-Flash。代码与权重于 2026 年 9 月 9 日公开,采用 MIT 许可证。(huggingface.co) 模型通过统一的自然语言指令接口执行语音任务,可用于配音、音频内容修改和音频修复等场景: 语音生成:基于参考音频的零样本文本转…
GPT-Image-2.5 Sunburst 是 OpenAI 面向高精度图像生成和编辑工作流的 API 模型。相较于注重速度的 GPT-Image-2.5 Flare,Sunburst 为细致创作和多次编辑提供更精细的控制,但生成时间更长。(openai.com) 根据文本和图像输入生成或编辑图像;支持 low、medium、high、xhigh、max 和 auto…
GPT-Image-2.5 Flare 是 OpenAI 面向日常高质量、快速图像生成的 API 模型,适合作为多数应用的默认图像模型。OpenAI 称,相比 GPT-Image-2,它能生成质量更高的图像,延迟降低 50%。(openai.com) 接受文本和图像输入,输出图像;支持图像生成与编辑,以及 low、medium、high、xhigh、max 和 auto 质量设置。 可在…
Qwen-Drive-1.0 是面向自动驾驶研究的视觉语言基础模型,以 Qwen3.5-4B 为骨干,在统一框架中结合三维感知、视觉问答和运动规划。(alibabacloud.com) 三维感知:外接鸟瞰图(BEV)感知模块,用于三维目标检测、语义占用预测和鸟瞰地图分割。 视觉语言理解:支持驾驶场景视觉问答,并保留通用视觉理解和指令遵循能力。 运动规划:规划模块依据共享视觉语言表征生成自车未来轨迹…
GPT-6 Astra 是 OpenAI 面向高难度任务的旗舰模型,适合复杂推理、编程、研究、计算机操作和文档创建。(openai.com) 支持文本输入和输出,以及图像输入;可用于分析图像、编写代码、开展研究及制作文档。(developers.openai.com) 上下文窗口为 1,050,000 token,最大输出为 128,000 token;知识截止日期为 2026 年 4 月 30…
WeatherNext 3 是由 Google DeepMind 与 Google Research 开发的全球 AI 天气预报模型,面向天气预测和气象数据应用,而非通用对话模型。(developers.google.com) Google 官方公告发表于 2026 年 9 月 3 日;开发者发布记录将模型上线日期列为 2026 年 8 月 31…
Gemini 3.8 Flash Cyber 是基于 Gemini 3.8 Flash 后训练、专门面向网络安全场景的模型,重点服务可信防御方。Google 于 2026 年 9 月 2 日发布公告;Google Cloud 文档所列正式版发布日期为 2026 年 9 月 16 日。(blog.google) 支持自主发现代码漏洞和生成漏洞修补方案,适用于安全审计、漏洞研究和代码修复。Google…
Gemini 3.8 Flash 是 Google 基于 Gemini 3.7 Flash 构建的通用多模态模型,侧重长周期软件工程、自主智能体和复杂企业知识工作,兼顾速度与成本。它与同日发布、面向可信网络安全防御者的 Gemini 3.8 Flash Cyber 是不同型号。(blog.google) 支持文本、图片、音频、视频和 PDF 输入,输出文本;输入上限为 1,048,576…
Qwen3.8-Max-0902 是 Qwen3.8-Max 的升级快照,快照日期为 2026 年 9 月 2 日,别名为 qwen3.8-max-2026-09-02。官方公告称,千问 AI 平台计划于北京时间 2026 年 9 月 5 日 10:00 起将 qwen3.8-max 自动更新为该快照,实际时间以变更为准;升级时计费项和价格不变。(platform.qianwenai.com) 支…
Claude Mythos 5.1 是面向经过审核的网络安全防御人员和生命科学研究人员的专用模型。它与 Claude Fable 5.1 使用相同的底层模型,但在网络安全和生命科学领域采用不同的安全防护配置。(anthropic.com) 支持文本和图像输入,输出文本;可用于编程、分析、知识工作及科研任务。 上下文窗口为 100 万 token,最大输出为 12.8 万 token;自适应思考始终…
Anthropic 面向复杂推理、长周期智能体任务、编程和知识工作的模型,是 Claude Fable 5 的后续版本。Fable 5.1 与 Claude Mythos 5.1 使用相同底层模型,但安全防护和访问条件不同;Fable 5.1 普遍开放,Mythos 5.1 则限于获验证的访问计划。(platform.claude.com) 支持文本和图像输入、文本输出,可用于多步骤研究、代码编写…
Qwen-MT-Image-2.0 是阿里云百炼提供的图像翻译模型服务,输入和输出均为图像,主要用于多语言图片本地化。(alibabacloud.com) 将图片中的文字翻译为指定语言,并尽可能保留原图排版和内容信息。 支持领域提示、术语定义与干预、敏感词过滤和商品主体检测,可用于需要术语控制的图片本地化场景。(alibabacloud.com) 官方来源对语言数量的表述不一致:上线公告称支持中、…
Tencent Hy4 preview 是腾讯混元 Hy4 系列的早期预览版大语言模型,面向代码开发、办公和科研等生产力任务。腾讯于 2026 年 8 月 28 日发布并开源该模型。模型总参数量为 770B,激活参数量为 49B,上下文窗口超过 100 万 token。(tencent.com) 软件工程:支持长程开发任务的理解、规划、调试和验证,也可用于前端开发。 办公与分析:可辅助数据分析、跨…
WeMM-Embedding-9B 是腾讯微信视觉团队研发的通用多模态嵌入模型,约 90 亿参数,基于 Qwen3.5。它将不同模态的内容映射到统一向量空间,主要用于表示和检索,而非生成式对话。(huggingface.co) 支持文本、图像、视频、视觉文档及交错的多模态输入,输出经过 L2 归一化的嵌入向量。 完整向量为 4096 维;还支持 64、128、256、512、1024 和 2048…
WeMM-Embedding-4B 是腾讯微信视觉团队研发的通用多模态嵌入模型,基于 Qwen3.5,将不同模态的内容映射到统一的向量表示。它主要用于特征提取和相似度计算,而不是生成式对话。(huggingface.co) 支持文本、图像、视频、视觉文档以及交错排列的多模态输入。 默认输出 2,560 维、经过 L2 归一化的向量;支持 Matryoshka 嵌入维度 64、128、256、512…