全球 AI 公司、研究机构和媒体的最新动态，自动挑出值得看的，全天自动更新。
更新于 10月15日 22:25 · 每小时自动更新
美团正式开源 LongCat-Video-Avatar 1.5 数字人视频模型。该版本在唇形同步、物理合理性及长视频稳定性上实现跃升，支持真人、动漫等多类主体及多人互动场景。技术层面，采用 Whisper-large 提取音频特征，引入 GRPO 进行人类偏好对齐以优化手部与动作连续性；推理端通过 DMD 蒸馏将生成步数从 50 压缩至 8，结合共享基础模型加 LoRA 适配器方案，使推理效率提升约 15 倍（10 秒视频仅需约 1 分钟）。评测显示其在自然度与稳定性方面优于部分闭源商业模型。
推荐理由：头部大厂开源的高性能数字人模型，显著降低商用门槛。其“15 倍提速”与“多场景泛化”能力为开发者提供了极具竞争力的基座，适合关注 AI 视频生成落地与成本优化的读者。
5月22日，智谱向部分企业客户推出了旗舰大模型GLM-5.1的高速版API“GLM-5.1-highspeed”。该版本输出速度达400 tokens/s，刷新了全球大模型API速度上限。关键突破在于，它首次在国产大模型中实现了旗舰级能力与低延迟的结合，打破了“高速模型即轻量模型”的传统。该版本由智谱GLM团队与TileRT团队合作，通过系统级优化确保了速度的生产级稳定性，适用于AI编程、实时语音交互等场景。
推荐理由：智谱把旗舰模型拉到 400 tokens/s，还保持全尺寸能力，不是那种为快阉割的小模型。做实时交互、AI 编程的可以认真看看，延迟敏感场景的选型参数要重写了。
智谱面向部分企业客户推出GLM-5.1高速版API“GLM-5.1-highspeed”，输出速度达400 tokens/s，刷新全球大模型厂商API速度上限。该版本首次在国产大模型中实现旗舰级能力与极致低延迟并存，由GLM团队与TileRT团队联合打造，通过AOT静态编排、Tile级微任务及8卡NVL拓扑特化等系统级优化，确保400 TPS为稳定可用的生产级能力。
推荐理由：在旗舰模型上实现400 tokens/s，打破了高速必为轻量模型的惯例，对编码智能体等实时交互场景提供了不牺牲能力的低延迟方案。
智谱发布GLM-5.1高速版，推理速度达400 tokens/s，在顶尖模型中生成速度最快。
推荐理由：智谱把GLM-5.1做到了400 tokens/s，虽然发布已半个月，但这是国产模型在推理速度上的新标杆，做实时应用的可以看看。
Google Gemini@GeminiApp模型AI 评分82Gemini Omni来了，我们本周看到了许多令人惊叹的创作。以下是一些杰出作品 👇
推荐理由：Google 的 GPT-4o 时刻终于来了，Gemini Omni 原生多模态的体验比想象中更惊艳，普通人也能随手出大片。
OpenRouter@OpenRouter模型AI 评分78阿里巴巴通义千问团队的全新Qwen3.7-Max现已登陆OpenRouter。 作为Qwen3.7系列的旗舰模型，专为以智能体为核心的工作场景打造：编程、办公与生产力任务，以及长周期自主执行。在编程和智能体基准测试中较Qwen3.6有显著提升，并支持显式提示缓存以处理重复上下文。
推荐理由：阿里旗舰迭代，重点转向 agent 和长程任务，这次 benchmark 跳跃不是挤牙膏，做 coding agent 的可以认真试试。
美团LongCat团队发布了LongCat-Video-Avatar-1.5，一个专注于音频驱动数字人视频生成的开源框架。其核心升级在于采用Whisper-Large音频编码器，显著优化了唇部动态的流畅度与自然度。该版本实现了精准的唇形同步、全身时序稳定性以及长视频中的身份一致性，并能泛化应用于动漫、动物及多人交互等复杂场景。通过基于DMD2的步蒸馏技术，模型仅需8步即可高效推理。团队还构建了一个涵盖多场景、多语言的人工评估基准，通过大规模主观评分与专家分析，验证了其在多项关键维度上的优异性能。
推荐理由：美团把数字人模型升级到1.5版，换了Whisper做音频编码，唇形同步比之前自然不少，而且开源了训练代码，做电商直播和虚拟博主的朋友可以直接拿过来跟商业方案掰手腕。
Qwen@Alibaba_Qwen模型AI 评分82Qwen3.7-Max是Qwen系列面向Agent时代推出的最新旗舰模型，旨在为能完成实际任务的智能体提供强大基础。其核心能力包括：可作为端到端编码智能体，处理前端原型与多文件重构；作为可靠的办公助手，通过MCP集成与多智能体编排协同工作；并支持超长时间（超过35小时）的自主运行，执行复杂任务链。该模型兼容Claude Code、OpenClaw等主流开发框架，现已上线阿里云模型工作室与Qwen Studio提供服务。
推荐理由：Qwen 3.7-Max 的亮点不在榜上分数，而是它瞄准 Agent 场景的连贯执行能力，35 小时不间断跑 kernel 优化，对需要长线任务的开发者是直接可用的探索方向。
Tencent Hy@TencentHunyuan模型AI 评分74腾讯正式开源Hy-MT2多语言翻译模型，支持33种语言间的无缝互译。其7B与30B-A3B版本在开源模型中达到最先进的翻译性能，超越了许多参数规模大数十倍的模型。更具突破性的是，1.8B轻量级版本性能超越微软等主流商业API，并凭借腾讯AngelSlim 1.25-bit极量化技术，仅需440MB存储空间，即可在主流手机芯片上本地运行，推理速度较前代提升1.5倍，显著降低了高质量AI翻译的部署门槛。
推荐理由：虽然翻译领域不算最热，腾讯这个1.8B开源模型用1.25位量化直接跑在手机上，效果还超微软商业API，做本地化翻译工具的人值得关注。
Google DeepMind@GoogleDeepMind模型AI 评分84Gemini 3.5 Flash 已正式发布。
推荐理由：Google 在 Gemini 3.5 上继续扩展 Flash 线，这种轻量模型对成本和延迟敏感场景很关键，如果你在等一个便宜的 Gemini API，该看了。
Google Gemini@GeminiApp模型AI 评分74Gemini 3.5 Flash能快速提供整理好的结果，无论输入多么混乱。 看看Gemini如何将与客户的聊天和文本，转化为您小企业可用的文档。
推荐理由：Gemini 3.5 Flash 的核心不是刷榜，而是解决现实中‘信息像一堆垃圾’的问题，这种从杂乱输入直接生成文档的能力，对小企业和自由职业者比 SOTA 更有用。
Stability AI 推出 Stability Audio 3.0 音频生成模型家族，包含四款不同规格模型，参数从45900万到27亿。小型模型专注设备端运行，可本地生成两分钟以内的音频；中型和大型模型支持创作超过6分20秒的完整音乐，
推荐理由：Stability Audio 3.0 把AI音乐从几十秒的demo拉到了六分钟的完整歌曲，而且中小模型直接开源，任何一个能跑模型的设备都能玩，音乐创作的门槛继续被踩低。
SenseTime@SenseTime_AI模型AI 评分68将你的想法转化为激发故事的视觉画面 🧨 [引用 @Adamaestr0_]：大多数AI工具可以写作或生成图像。 但这个能同时做这两件事。 向你介绍 SenseNova U1。 一个能同时思考文本和图像的AI。 这改变了一切 🧵
推荐理由：商汤发了 SenseNova U1，主打文本和图像同时生成的「全模态」，但宣传语太简略，没给任何性能数据或技术细节，暂时看不出是真突破还是常规迭代，先标记关注。
通义实验室推出 Qwen3.7-Max，定位为重新定义 AI 智能体基座的模型，侧重提升智能体的基础能力与架构。
推荐理由：Qwen3.7-Max 是通义系列对 Agent 基座的一次关键升级，发布时间虽已过两周，但做 Agent 的开发者仍不能忽略，选型必看。
通义千问发布 Qwen3.7-Max，专为智能体时代设计。它具备从原型到复杂多文件工程的编码智能体能力，通过 MCP 和多智能体编排实现办公自动化，能自主执行超 1000 步工具调用（如 35 小时全自主内核优化）。兼容 Claude Code、OpenClaw、Qwen Code 等多框架。在多项基准测试中超越 Opus-4.6 Max 等模型：Terminal Bench 2.0 (69.7)、SWE-Verified (80.4)、GPQA Diamond (92.4)、HLE (41.4) 等。现已通过阿里云 Model Studio 提供 API 调用。
推荐理由：Qwen3.7-Max 把 agent 能力拉到了新高度，35 小时自主内核优化证明长程执行有真实生产力，做 coding agent 的团队该认真测一下。
Google 在 I/O 大会上正式发布了最新的 Gemini 3.5 模型系列。该系列模型将前沿的人工智能能力与执行操作的功能相结合，旨在提供更强的综合性能。作为 Google 最新推出的模型，它代表了其在大模型技术上的最新进展。
推荐理由：Google 在 I/O 上甩出 Gemini 3.5，这次不只拼多模态，更强调‘行动’，是所有做 Agent 的团队必须对标的新基座。
Google 在 I/O 2026 大会上宣布 Gemini 进入自主代理时代，新功能使其能够自动执行复杂任务，显著提升用户工作效率。大会展示了 Gemini 如何通过代理操作简化工作流程，实现自动化处理，例如自动管理邮件、安排日程或生成报告，帮助用户从重复性工作中解放出来，专注于创造性任务。这一更新基于先进机器学习模型，强调准确性与效率，标志着 AI 助手向更智能、更自主的方向发展。
推荐理由：谷歌 I/O 大会上 Sundar Pichai 亲自宣布 agentic Gemini 时代到来，这是把 Gemini 从对话助手升级成真正能自主执行任务的 agent，所有做 AI 应用的接下来都得重新看一遍技术选型。
Noam Shazeer@NoamShazeer模型AI 评分83来自 #GoogleIO 现场，我们正在推出 Gemini 3.5 Flash，这是我们最新的模型，为智能体和编码提供前沿性能。我们今天在全球范围内推出，以其他前沿模型 4 倍的速度为现实世界的智能体工作流提供前沿级性能。🧵
推荐理由：Google IO上发布的Gemini 3.5 Flash，主打Agent和编码，速度四倍于其他前沿模型，直接拉低Agent应用的门槛，做相关开发的可以马上试试。
谷歌推出原生多模态AI模型Gemini Omni，能够整合视频、图像、音频和文本等多种输入，生成高质量视频内容。其核心能力是通过自然语言对话进行视频编辑，并能保持角色一致性、物理规律与场景连贯性。首个模型Gemini Omni Flash已上线，未来将支持图像和音频输出。Gemini Omni结合了对物理世界的直觉理解与丰富的知识库，支持从写实到叙事的创意生成，并可通过多轮对话持续编辑视频，而不丢失原始场景上下文。
推荐理由：Gemini Omni 把视频生成从画面堆砌推到了物理世界叙事，多轮自然语言编辑和世界知识融合是真正的代际升级，做视频内容的该重新理解工具的定义了。
🚨 AI News | TestingCatalog@testingcatalog模型AI 评分75谷歌 I/O 🔥：GEMINI OMNI FLASH 已发布，现已在 GEMINI 和 GOOGLE FLOW 上可用。 GEMINI OMNI PRO 即将推出 🤩
推荐理由：Gemini Omni Flash 是 Google 对多模态生成的新尝试，把物理模拟和历史叙事揉在一起，做视频内容的人可以盯着看。
留下联系方式，我会亲自联系你；想先问问，也可以直接写在下面。消息会实时送到我手上，回复会显示在这里，关掉网页再回来也能看到。