[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"aihot-cat-model":3},{"items":4,"total":176},[5,17,26,35,44,53,61,70,77,86,93,102,109,118,126,135,144,153,160,169],{"itemId":6,"vertical":7,"category":8,"source":9,"score":10,"title":11,"summary":12,"analysis":13,"url":14,"coverUrl":15,"direction":15,"marketSignal":15,"publishedAt":16},"89192","ai","模型发布\u002F更新","Simon Willison 博客",80,"Thinking Machines Lab发布开放权重模型Inkling","Thinking Machines Lab发布开源模型Inkling(975B参数MoE,41B激活),多模态支持文本图像音视频。","Mira Murati的Thinking Machines Lab发布首个开放权重模型Inkling,这是继Nemotron、Gemma之后美国开源阵营的新选手,也是对中国开源模型崛起的一次正面回应。\n\n· Inkling是一个MoE Transformer,总参数975B,激活参数41B,Apache-2.0协议开源,训练数据涵盖文本、图像、音频、视频共45万亿token\n· 同时预告了更小版本Inkling-Small(276B总参数、12B激活),仍在测试中,权重待后续发布\n· 官方模型卡篇幅明显短于业内惯例,训练数据文档也语焉不详,只笼统提及数据来自公开互联网及第三方\n· Thinking Machines坦言Inkling并非当前最强模型,无论开源闭源都算不上前沿,而是定位为适合微调的强基座模型,主打配合自家Tinker训练平台使用\n· 实测的SVG鹈鹕骑自行车示例显示,其生图\u002F生成代码能力可用但不算惊艳\n\n对开发者而言,Inkling的价值不在于跑分登顶,而在于给美系开源生态添了一个可商用微调的重量级选项,值得关注它能否在Tinker生态里跑出差异化打法。","https:\u002F\u002Fsimonwillison.net\u002F2026\u002FJul\u002F16\u002Finkling\u002F#atom-everything",null,"2026-07-16 23:35:25",{"itemId":18,"vertical":7,"category":8,"source":19,"score":20,"title":21,"summary":22,"analysis":23,"url":24,"coverUrl":15,"direction":15,"marketSignal":15,"publishedAt":25},"89145","Kim",53,"Kimi k3 性能逼近 GPT-5.6，定价对齐 Sonnet 5","官方消息称Kimi K3基准表现仅次于GPT-5.6和Fable 5、超过Opus 4.8,但定价与Sonnet 5持平。","又一则关于Kimi K3的爆料称,其基准测试成绩仅次于GPT-5.6和Fable 5、领先于Opus 4.8,但定价却对标更平价的Sonnet 5,如果属实堪称价格屠夫。\n\n· 消息源自社交媒体上转述的“官方消息”,基准测试排名的具体口径和细节尚未见官方正式说明,需谨慎看待\n· 据称K3在跑分上排在GPT-5.6、Fable 5之后,但优于Opus 4.8,意味着综合能力已进入第一梯队\n· 定价层面与Sonnet 5持平,而非对标同档位的顶尖闭源模型价格,性价比落差明显\n· 与同期“K3是2.8T超大参数开源模型”的消息相互印证,指向月之暗面这次是奔着正面硬刚顶尖模型去的\n\n如果跑分和定价都能落地验证,K3会直接改写国产开源模型在性价比维度上的竞争格局,值得等官方数据出来后再做二次确认。","https:\u002F\u002Fx.com\u002Fkimmonismus\u002Fstatus\u002F2077772229685707138","2026-07-16 23:07:57",{"itemId":27,"vertical":7,"category":8,"source":28,"score":29,"title":30,"summary":31,"analysis":32,"url":33,"coverUrl":15,"direction":15,"marketSignal":15,"publishedAt":34},"89148","Oran Ge",55,"Kimi K3 开源 2.8T 参数模型，逼近国际一线水平","月之暗面被曝已训成参数量达2.8T的开源模型Kimi K3,规模超越Opus,中国开源模型与国际一线差距或已缩至半年内。","有消息称月之暗面训练完成的Kimi K3是一个参数规模高达2.8T的开源模型,规模可能已超过Opus级别,逼近顶尖闭源模型水平,被视为国产开源大模型追赶世界一线的又一标志。\n\n· 2.8T参数量在已知开源模型中属于超大规模,爆料者称其体量可能超过Opus,直追Fable级别\n· 消息来源是社交媒体上的行业观察,属于未经官方正式确认的传闻,具体架构与跑分细节待官方公布验证\n· 讨论中提到国内多家公司下半年都有类似规模模型的计划,K3只是第一个跑出来的\n· 有观点认为,这意味着中国开源模型与世界一线模型的能力差距可能已缩短到6个月以内\n\n若消息属实,2.8T规模的开源模型会大幅推高开源生态的能力上限,但训练与推理成本对普通团队的可用性,是接下来要关注的现实问题。","https:\u002F\u002Fx.com\u002Foran_ge\u002Fstatus\u002F2077767649124352493","2026-07-16 22:49:45",{"itemId":36,"vertical":7,"category":8,"source":37,"score":38,"title":39,"summary":40,"analysis":41,"url":42,"coverUrl":15,"direction":15,"marketSignal":15,"publishedAt":43},"89003","IT之家",68,"Kimi 迄今最强旗舰模型 K3 上线,最高支持 1M 上下文","月之暗面上线新旗舰模型Kimi K3,最高支持100万token上下文,主打编程、游戏3D和知识类任务。","Kimi 今晚上线迄今最强旗舰模型「K3」，最高支持 1M 上下文窗口，尤其在编程、游戏\u002F3D 与知识类任务上发力，值得国内大模型阵营关注。\n\n· Kimi Code 目前并行提供 K3 与 K2.7 Code 共 3 个模型 ID，用户可在客户端或第三方工具里按需切换。\n· 上下文窗口分档供应：入门档 Andante 暂不支持，Moderato 为 256k，Allegretto 及以上档位才能拉满到 1M。\n· 官方强调 K3 的强项集中在编程、游戏\u002F3D 与知识类任务，延续月之暗面此前 K2 系列在代码与 Agent 能力上的路线。\n· 往前看，Kimi K2 于 2025 年 7 月发布（MoE 架构，总参数 1T、激活 32B），2025 年 9 月的 0905 版把上下文从 128K 扩到 256K，2026 年 4 月的 K2.6 又在代码\u002F长程任务\u002FAgent 集群上全面升级并开源，K3 是这条迭代链的最新一棒。\n\n分档供应 1M 上下文的做法，既是对标海外长上下文竞赛的直接回应，也可能预示 Kimi 在编程 Agent 场景的商业化分层策略正在成型。","https:\u002F\u002Fwww.ithome.com\u002F0\u002F977\u002F787.htm","2026-07-16 22:06:04",{"itemId":45,"vertical":7,"category":8,"source":46,"score":47,"title":48,"summary":49,"analysis":50,"url":51,"coverUrl":15,"direction":15,"marketSignal":15,"publishedAt":52},"88390","量子位 资讯",56,"RLinf v0.3发布：无问芯穹与清华联合打造具身智能进化底座","无问芯穹与清华大学联合发布RLinf v0.3，提升具身智能模型生态与真机部署能力。","无问芯穹与清华大学联合发布具身智能强化学习框架“RLinf”的v0.3版本,官方称之为覆盖“模型生态到真机部署”的五大能力跃升,定位为破解行业发展瓶颈的新一代“进化底座”,是国产具身智能基础设施建设的最新动向。\n\n· RLinf定位为具身智能训练与部署的底座级框架,由无问芯穹(infiniAI)与清华大学联合打造,属产学研结合项目\n· v0.3版本的升级方向同时覆盖“模型生态”与“真机部署”两端,意在打通从算法训练到实体机器人落地的完整链路\n· 官方强调此次实现“五大能力跃升”,但具体涉及哪些模型、哪些机型硬件等细节仍待后续披露\n· 该框架瞄准的是具身智能行业公认的核心痛点——仿真训练成果难以稳定迁移到真实机器人上运行\n· 作为高校与AI创业公司联合攻关的成果,也是清华系具身智能研究工程化落地的一个观察样本\n\n具身智能赛道目前普遍卡在“仿真好看、真机难用”的阶段,RLinf v0.3能否经受真机部署的检验,将决定它是又一个论文级框架,还是能被行业真正采纳的基础设施。","https:\u002F\u002Fwww.qbitai.com\u002F2026\u002F07\u002F451379.html","2026-07-16 17:25:17",{"itemId":54,"vertical":7,"category":8,"source":55,"score":47,"title":56,"summary":57,"analysis":58,"url":59,"coverUrl":15,"direction":15,"marketSignal":15,"publishedAt":60},"88183","The Decoder","Gemma 4 静默更新：修复工具调用错误与响应截断问题","Google静默更新Gemma 4模型，修复工具调用错误和响应截断问题，并提升在Nvidia Hopper GPU上的性能。","Google 静默更新了开源 AI 模型 Gemma 4，在保持相同名称和版本号的情况下，修复了工具调用错误和响应截断问题，并提升了在 Nvidia Hopper GPU 上的性能。\n· 更新主要针对工具调用（tool calling）中的 bug，此前开发者反馈模型在调用外部工具时可能出现异常。\n· 响应截断问题也得到了解决，确保模型输出完整内容，不会在长文本生成时意外中断。\n· 性能优化方面，在 Nvidia Hopper GPU 上运行速度更快，对部署在自有基础设施上的用户尤其有利。\n· 此次更新为“静默”发布，未大张旗鼓宣传，但修复内容对开发者社区至关重要。\n影响\u002F看点：Gemma 4 的这次低调更新体现了 Google 对开源模型质量的持续投入，修复关键 bug 有助于提升开发者信任，巩固其在开源大模型领域的竞争力。","https:\u002F\u002Fthe-decoder.com\u002Fgemma-4-gets-a-stealth-update-that-fixes-tool-calling-bugs-and-truncated-responses-under-the-same-name\u002F","2026-07-16 17:07:58",{"itemId":62,"vertical":7,"category":8,"source":63,"score":64,"title":65,"summary":66,"analysis":67,"url":68,"coverUrl":15,"direction":15,"marketSignal":15,"publishedAt":69},"87732","MarkTechPost",69,"SpaceXAI开源Grok Build：其编码CLI背后的Rust智能体框架、TUI和工具层","SpaceXAI开源了其编码CLI背后的Rust智能体框架、TUI和工具层Grok Build，采用Apache 2.0许可。","SpaceXAI 开源了其编码 CLI 背后的 Rust 智能体框架、TUI 和工具层，为开发者提供了一个可本地运行、可扩展的 AI 编程助手。\n· Grok Build 是一个终端 AI 编码智能体，支持全屏 TUI、无头模式和编辑器集成（通过 ACP 协议），可理解代码库、编辑文件、执行命令和搜索网络。\n· 开源内容涵盖智能体循环（上下文组装、响应解析、工具调度）、工具实现（终端、文件编辑、搜索）、终端 UI（渲染、输入处理、差异查看器）和扩展系统（技能、插件、钩子、MCP 服务器、子智能体）。\n· 代码组织为多个 crate：xai-grok-shell 是智能体运行时，xai-grok-tools 是工具实现，xai-grok-pager 是 TUI，xai-grok-workspace 管理文件系统和版本控制。\n· 支持完全本地优先运行：用户可自行编译，连接本地推理端点，通过 config.toml 配置模型。\n影响\u002F看点：Grok Build 的开源降低了 AI 编码助手的定制门槛，其模块化设计和本地优先特性为开发者和企业提供了灵活、可控的解决方案。","https:\u002F\u002Fwww.marktechpost.com\u002F2026\u002F07\u002F15\u002Fspacexai-open-sources-grok-build-the-rust-agent-harness-tui-and-tool-layer-behind-its-coding-cli\u002F","2026-07-16 14:35:54",{"itemId":71,"vertical":7,"category":8,"source":37,"score":47,"title":72,"summary":73,"analysis":74,"url":75,"coverUrl":15,"direction":15,"marketSignal":15,"publishedAt":76},"87583","Kimi K3 模型预热：多段对比视频流出，挑战 Claude","月之暗面预热 Kimi K3 模型，多段对比视频流出，挑战 Claude。","月之暗面预热 Kimi K3 模型，多段对比视频显示其性能挑战 Claude。\n· 月之暗面在多个平台发布预热视频，视频中出现的数字“3”暗示 Kimi K3 即将发布。\n· 匿名模型“Kivine”已出现在 Arena.ai 平台，被认为与 Kimi K3 相关。\n· 网友晒出 Kimi K3 与 Claude Fable 5、GPT-5.6-Sol 的对比，表现亮眼。\n· Kimi 系列此前已发布 K2、K2.6 等版本，K2.6 支持最多 300 个子 Agent 并行任务。\n· 月之暗面以营销著称，此次预热可能为正式发布造势。\n看点：Kimi K3 若真能对标 Claude，将加剧国产大模型竞争，但需关注实际性能与落地效果。","https:\u002F\u002Fwww.ithome.com\u002F0\u002F977\u002F468.htm","2026-07-16 13:40:13",{"itemId":78,"vertical":7,"category":8,"source":79,"score":80,"title":81,"summary":82,"analysis":83,"url":84,"coverUrl":15,"direction":15,"marketSignal":15,"publishedAt":85},"88170","歸藏",72,"Mira Murati 新公司推出 975B 开源模型 Inkling","前OpenAI CTO Mira Murati创立的Thinking Machine发布975B参数开源多模态模型Inkling。","前 OpenAI CTO Mira Murati 的新公司 Thinking Machine 发布了首款模型 Inkling，以 975B 总参数和完全开源为亮点。\n· Inkling 采用 MoE 架构，总参数量 975B，激活参数 41B，拥有 1M 上下文窗口，在 45T 数据上训练。\n· 原生支持文本、图像和音频多模态理解，同时推出激活参数 12B 的 Small 预览版。\n· 模型完全开源，后训练数据从 Kimi 2.5 等开源模型蒸馏得到，降低了使用门槛。\n· 这是 Murati 离开 OpenAI 后的首个重大发布，备受业界关注。\n影响\u002F看点：Inkling 的开源策略和多模态能力可能推动 AI 民主化，并加剧开源模型与闭源模型的竞争。","https:\u002F\u002Fx.com\u002Fop7418\u002Fstatus\u002F2077603550868422737","2026-07-16 11:57:41",{"itemId":87,"vertical":7,"category":8,"source":46,"score":29,"title":88,"summary":89,"analysis":90,"url":91,"coverUrl":15,"direction":15,"marketSignal":15,"publishedAt":92},"86945","原力灵机发布DW0.5：用世界模型训练VLA，真机数据需求降60%","原力灵机发布 DW0.5，用世界模型训练 VLA，真机数据需求降低 60%。","原力灵机发布 DW0.5，用世界模型训练 VLA，真机数据需求降低 60%。\n· DW0.5 将强化学习搬进虚拟世界，通过世界模型模拟环境，减少对真实数据的依赖。\n· 后训练阶段真机数据需求骤降 60%，大幅降低机器人训练成本。\n· 世界模型作为“教练”，指导 VLA 模型在虚拟环境中学习，提升泛化能力。\n· 该技术有望加速机器人从实验室到实际场景的部署。\n看点：世界模型结合 VLA 训练，为机器人学习提供高效低成本路径，推动具身智能发展。","https:\u002F\u002Fwww.qbitai.com\u002F2026\u002F07\u002F450896.html","2026-07-16 10:30:46",{"itemId":94,"vertical":7,"category":8,"source":95,"score":96,"title":97,"summary":98,"analysis":99,"url":100,"coverUrl":15,"direction":15,"marketSignal":15,"publishedAt":101},"86959","邵猛",66,"SpaceXAI开源Grok Build并重置用户额度","SpaceXAI 开源 Grok Build 代码并重置用户额度，回应此前安全风波。","SpaceXAI 开源 Grok Build 并重置用户额度，旨在回应此前代码库安全风波，重建信任。\n· 开源内容包含完整的 Agent Harness 代码，采用 CLI 四层解耦与七层 Agent Harness 架构，支持本地编译和 config.toml 驱动的 local-first 部署。\n· 工程亮点包括 two-pass 层级压缩、goal 早停检测及双层 doom-loop 防线，提升系统效率与稳定性。\n· 重置全体用户额度，鼓励更多开发者试用和贡献，增强社区参与度。\n· 此举不仅展示技术透明度，也为 AI Agent 开发提供可复用的基础设施。\n看点：开源加额度重置，SpaceXAI 正在用行动赢回信任，同时推动 Agent 开发标准化。","https:\u002F\u002Fx.com\u002Fshao__meng\u002Fstatus\u002F2077571349737078950","2026-07-16 09:49:43",{"itemId":103,"vertical":7,"category":8,"source":37,"score":80,"title":104,"summary":105,"analysis":106,"url":107,"coverUrl":15,"direction":15,"marketSignal":15,"publishedAt":108},"86902","OpenAI前CTO穆拉蒂创企发布首款AI模型Inkling","OpenAI 前 CTO 穆拉蒂的创企发布首款 AI 模型 Inkling，借鉴中国技术，主打成本与性能平衡。","OpenAI 前 CTO 穆拉蒂创企 Thinking Machines Lab 发布首款模型 Inkling，借鉴中国技术，主打成本与性能平衡。\n· Inkling 拥有 9750 亿参数，但仅 410 亿活跃参数，推理成本低、速度快。\n· 采用开放权重模式，开发者可基于自身数据微调，通过 Tinker 工具实现云端定制。\n· 架构借鉴 DeepSeek-V3，后训练使用月之暗面 Kimi K2.5 生成的数据。\n· 公司强调 Inkling 并非性能最强，而是在广泛领域均衡表现，注重灵活适应。\n影响\u002F看点：穆拉蒂团队以开放权重和高效架构切入市场，避开与闭源巨头的直接性能竞争，为开发者提供可定制、低成本的替代方案，可能改变模型部署的经济性。","https:\u002F\u002Fwww.ithome.com\u002F0\u002F977\u002F281.htm","2026-07-16 07:50:05",{"itemId":110,"vertical":7,"category":8,"source":111,"score":112,"title":113,"summary":114,"analysis":115,"url":116,"coverUrl":15,"direction":15,"marketSignal":15,"publishedAt":117},"86990","Rohan Paul",76,"Thinking Machines Lab 发布 Inkling 开源模型：975B 参数，多模态推理","Thinking Machines Lab 发布开源模型 Inkling，975B 参数，支持多模态推理和 1M token 上下文窗口。","Thinking Machines Lab 发布 Inkling 开源模型，975B 参数、41B 激活，兼顾性能与成本，值得关注。\n· Inkling 拥有 9750 亿参数，但每次推理仅激活 410 亿参数，实现成本与速度的平衡。\n· 支持 1M token 上下文窗口，在 Terminal Bench 上以约三分之一的 token 量达到 Nemotron 3 Ultra 水平。\n· 采用开放权重模式，开发者可基于自身数据微调，完整权重已上架 Hugging Face。\n· 模型架构借鉴 DeepSeek-V3，后训练使用 Kimi K2.5 生成的数据优化。\n影响\u002F看点：Inkling 以开放权重和高效激活参数策略，为开发者提供高性价比的多模态推理选择，可能推动开源模型在实用场景中的更广泛应用。","https:\u002F\u002Fx.com\u002Frohanpaul_ai\u002Fstatus\u002F2077517932750577711","2026-07-16 06:17:28",{"itemId":119,"vertical":7,"category":8,"source":120,"score":80,"title":121,"summary":122,"analysis":123,"url":124,"coverUrl":15,"direction":15,"marketSignal":15,"publishedAt":125},"86994","Testing Catalog","OpenAI 发布内部红队模型 GPT-Red，用于发现提示注入漏洞","OpenAI 发布内部红队模型 GPT-Red，用于发现提示注入漏洞，并已用于训练 GPT-5.6。","OpenAI 发布内部红队模型 GPT-Red，用于大规模发现提示注入漏洞。\n· GPT-Red 是一个自动化红队工具，能高效生成提示注入攻击。\n· 此前 OpenAI 的模型对 GPT-Red 的攻击高度脆弱。\n· OpenAI 利用 GPT-Red 对 GPT-5.6 进行对抗训练，显著提升了模型对提示注入的鲁棒性。\n影响\u002F看点：GPT-Red 展示了以 AI 对抗 AI 的安全策略，通过自动化红队测试，在模型广泛部署前强化防御，为 AI 安全实践提供了新范式。","https:\u002F\u002Fx.com\u002Ftestingcatalog\u002Fstatus\u002F2077513154112929909","2026-07-16 05:58:28",{"itemId":127,"vertical":7,"category":8,"source":128,"score":129,"title":130,"summary":131,"analysis":132,"url":133,"coverUrl":15,"direction":15,"marketSignal":15,"publishedAt":134},"87218","Nathan Lambert",54,"1T 参数 41B 活跃 Apache-2 模型发布","Thinky 模型发布，约 1T 参数 41B 活跃，Apache-2 许可。","Thinky 模型发布，约 1T 参数、41B 活跃参数，采用 Apache-2 许可，在多项基准上超越 Nemotron Ultra。\n· 模型总参数约 1 万亿，每 token 仅激活 41B 参数，效率显著。\n· 基准测试明显优于 Nemotron Ultra（55B 活跃参数），成为美国最佳新模型，支持全模态输入。\n· 在智能体基准上略逊于 GLM 5.2，多模态落后于 Kimi K 2.6，但整体表现强劲。\n· 采用 Apache-2 许可，完全开源，有利于社区研究和商业应用。\n看点：Thinky 以更少活跃参数实现更强性能，证明稀疏激活架构的潜力，为开源大模型树立新标杆。","https:\u002F\u002Fx.com\u002Fnatolambert\u002Fstatus\u002F2077454404433903816","2026-07-16 02:05:01",{"itemId":136,"vertical":7,"category":8,"source":137,"score":138,"title":139,"summary":140,"analysis":141,"url":142,"coverUrl":15,"direction":15,"marketSignal":15,"publishedAt":143},"87260","Elvis Saravia",58,"LingBot-VLA 2.0 开源具身模型发布","LingBot-VLA 2.0 开源具身模型发布，基于 6 万小时数据训练，提升长时域任务表现。","LingBot-VLA 2.0 开源具身模型发布，提升机器人长时域任务表现。\n· 该模型在多种机器人配置上训练，从单臂机器人到人形平台。\n· 将 6 万小时精选的机器人和人类数据打包成一个通用策略。\n· 开源发布，便于社区使用和改进。\n· 显著提升了机器人在困难长时域任务上的表现。\n影响\u002F看点：LingBot-VLA 2.0 的开源将加速具身智能研究，通用策略的泛化能力是迈向通用机器人的重要一步。","https:\u002F\u002Fx.com\u002Fomarsar0\u002Fstatus\u002F2077404813055185320","2026-07-15 22:47:58",{"itemId":145,"vertical":7,"category":8,"source":146,"score":147,"title":148,"summary":149,"analysis":150,"url":151,"coverUrl":15,"direction":15,"marketSignal":15,"publishedAt":152},"87263","蚂蚁百灵",67,"蚂蚁百灵发布万亿参数模型 Ring-2.5-1T-Zero","蚂蚁百灵发布万亿参数模型 Ring-2.5-1T-Zero，通过零强化学习实现竞争性推理性能。","蚂蚁百灵发布万亿参数模型 Ring-2.5-1T-Zero，首次将零强化学习（Zero RL）扩展到万亿参数规模，且无需额外人工标注，推理性能达到有竞争力水平。\n· 模型直接从基座训练，不依赖人工标注数据，大幅降低训练成本。\n· 采用零强化学习技术，使模型在推理任务上表现出色。\n· 万亿参数规模意味着更强的语言理解和生成能力。\n· 该模型有望推动大模型在复杂推理场景的应用。\n影响\u002F看点：这是零强化学习在超大规模模型上的首次成功实践，可能改变大模型训练范式。","https:\u002F\u002Fx.com\u002FAntLingAGI\u002Fstatus\u002F2077398525164519570","2026-07-15 22:22:59",{"itemId":154,"vertical":7,"category":8,"source":46,"score":38,"title":155,"summary":156,"analysis":157,"url":158,"coverUrl":15,"direction":15,"marketSignal":15,"publishedAt":159},"85630","阿里发布Qwen-Audio-3.0-Realtime：实时语音大模型四项功能升级","阿里发布Qwen-Audio-3.0-Realtime，实时语音大模型四项功能升级。","阿里发布 Qwen-Audio-3.0-Realtime，在智商、工具调用、共情对话和双工交互四条主线上同步升级，力求“又快又聪明”。\n· 智商方面，在 VoiceBench 上标准与口语 prompt 得分仅差 2.0，扛得住真人说话的随意性。\n· Agent 工具调用无需明确指令，可自行调用外部工具，结果融入对话记忆，后续追问可衔接。\n· 共情对话能根据语境动态调整语气、节奏、音调与情感，在 VStyle 基准上取得 SOTA。\n· 双工交互支持边说边听，嘈杂环境不被误打断，多人讨论中锁定主对话对象。\n· 采用 On-Policy Distillation 框架，将文本大模型推理能力蒸馏至语音模型，多教师策略确保不偏科。\n影响\u002F看点：实时语音模型在智商和交互体验上全面升级，有望推动语音助手从“能聊天”到“能办事”的跨越。","https:\u002F\u002Fwww.qbitai.com\u002F2026\u002F07\u002F450250.html","2026-07-15 11:48:46",{"itemId":161,"vertical":7,"category":8,"source":162,"score":163,"title":164,"summary":165,"analysis":166,"url":167,"coverUrl":15,"direction":15,"marketSignal":15,"publishedAt":168},"85748","小互",73,"PrismML将27B模型压缩至3.9GB塞进iPhone","PrismML将27B模型压缩至3.9-5.9GB，可在iPhone上运行，性能保留90%以上。","PrismML 将 27B 参数的大模型压缩到 3.9GB，成功塞进 iPhone，性能保留 90% 以上，这意味着手机也能跑接近顶级的开源模型了。\n· 基于 Qwen3.6-27B，将 54GB 模型压缩至 3.9-5.9GB，5.9GB 版本保留 95% 性能，3.9GB 版本保留 90%。\n· 在 RTX 5090 上推理速度达 163 字\u002F秒，在苹果 M5 Max 芯片上达 87 字\u002F秒。\n· 量化技术将内存压到极致，同时保持了可用性，让“强大 AI 必须连云”的假设被进一步打破。\n· 当模型够大、够聪明、却能在本地低资源运行时，隐私、延迟、离线能力都会发生根本变化。\n影响\u002F看点：手机本地运行 27B 模型成为现实，端侧 AI 能力将迎来质变。","https:\u002F\u002Fx.com\u002Fxiaohu\u002Fstatus\u002F2077229303755059323","2026-07-15 11:10:33",{"itemId":170,"vertical":7,"category":8,"source":37,"score":96,"title":171,"summary":172,"analysis":173,"url":174,"coverUrl":15,"direction":15,"marketSignal":15,"publishedAt":175},"85455","阿里发布实时语音交互对话模型Qwen-Audio-3.0-Realtime","阿里发布实时语音交互模型Qwen-Audio-3.0-Realtime，支持音色克隆和动态工具调用，在语音指令基准上取得SOTA。","阿里发布Qwen-Audio-3.0-Realtime，一款在智商、工具调用、共情和双工交互上全面升级的实时语音对话模型，旨在让语音交互“懂倾听，更聪明”。\n· 模型提供Plus（更强推理）和Flash（更快速度）两个版本，适用于智能客服、教育培训、娱乐互动和情感陪伴等场景。\n· 核心能力包括：根据语境动态调整语气和情感，支持音色克隆；内置多模态双工控制，嘈杂环境下也能流畅对话；在Artificial Analysis子项中综合排名第一，超越GPT-Realtime-2。\n· 情感感知生成、韵律动态调整、副语言信息处理（如笑声、叹息）和个性化风格适配，实现拟人化交互。\n· 支持动态工具调用，可完成路线规划、信息查询等任务，不止于聊天。\n影响\u002F看点：该模型将语音交互从机械问答推向情感化、场景化，有望在智能客服和陪伴机器人等领域带来体验跃升。","https:\u002F\u002Fwww.ithome.com\u002F0\u002F976\u002F865.htm","2026-07-15 11:00:22",202]