AI Security Institute 評估 Claude Mythos Preview 的網絡安全能力
英國 AI Security Institute 評估 Anthropic 的 Claude Mythos Preview 網絡安全能力，結果顯示其表現較以往前沿模型提升。
全部AI 動態
全部動態
今日 80 條英國 AI Security Institute：BlogAI 評分7272 英國 AI Security Institute：Blog精選AI 評分7676 英國 AI Security Institute 評估 OpenAI GPT-5.5 的網絡安全能力
英國 AI Security Institute 評估中，GPT-5.5 的 Expert 級進階任務平均通過率為 71.4%，高於 Mythos Preview 的 68.6%。
推薦理由：報告分別測試進階網絡任務、企業攻擊鏈及工控模擬，並交代結果與測試限制，呈現 GPT-5.5 網絡安全能力的不同面向。
小米 MiMo：官網發佈與博客AI 評分3232 MiMo 人文與社會科學能力評估
小米 MiMo 的人文與社會科學能力評估顯示，它在創意寫作與藝術感知方面表現較均衡，兼顧邏輯結構與情感表達。評估由 9 名評估者比較 MiMo 與兩個對照模型，創意寫作共設計 40 項任務，涵蓋現代詩、古典詩詞及敍事小説。MiMo 能按文類調整創作側重，但遵守古典詩詞格律及運用相關知識方面仍不穩定。
Cerebras：BlogAI 評分6363 Jais 2 推出 8B 和 70B 阿拉伯語大型語言模型，展示主權 AI 開發藍圖
G42 旗下 Inception、MBZUAI 基礎模型研究所與 Cerebras Systems 推出 Jais 2 阿拉伯語大型語言模型系列，包含 8B 和 70B 型號。
Cerebras：BlogAI 評分6666 GLM-4.7 登陸 Cerebras Inference Cloud，部分場景程式碼生成速度最高達 1,700 TPS
Cerebras 宣佈，Z.ai 的 GLM-4.7 現已登陸 Cerebras Inference Cloud，程式碼生成約為 1,000 tokens per second，部分場景最高達 1,700 TPS。
Cerebras：BlogAI 評分7171 OpenAI GPT-5.3-Codex-Spark 由 Cerebras 提供支援，開放研究預覽
Cerebras 宣佈，由其提供運算支援的 OpenAI GPT-5.3-Codex-Spark 已開放研究預覽，面向即時軟件開發。模型運行速度超過 1,000 tokens/s；在 SWE-Bench Pro 和 Terminal-Bench 2.0 等基準上，其回應較 GPT-5.1-Codex-mini 更有能力，完成任務只需一小部分時間。
MarkTechPostAI 評分6464 Aleph Alpha 發佈 Kolibri 英德雙語 MoE 模型，總參數 78.1B、每個 token 啟用 3.46B
Aleph Alpha 發佈 Kolibri（Kolibri-1），一款面向英語和德語的開放權重 MoE 語言模型，總參數為 78.1B，每個 token 啟用 3.46B。
ElevenLabs：BlogAI 評分6161 ElevenLabs 發佈 Scribe v2 Realtime 即時語音轉文字模型
ElevenLabs 發佈 Scribe v2 Realtime，即時語音轉文字模型可在低於 150 ms 內轉錄語音，面向語音智能體、會議助理及即時字幕等場景。
ElevenLabs：BlogAI 評分5858 ElevenLabs 推出 Scribe v2，支援大規模音訊轉錄與字幕製作
ElevenLabs 推出 Scribe v2，面向大規模批量轉錄、字幕製作及字幕生成，並提升對長篇、複雜錄音的處理穩定性與準確度。Scribe v2 在業界標準基準測試中錄得最低詞錯誤率，支援最多 100 個詞語或短語的關鍵詞提示，以及涵蓋最多 56 個類別、附精確時間戳的實體偵測。
ElevenLabs：BlogAI 評分6363 Eleven v3 結束 Alpha 階段，現已在所有平台正式提供
ElevenLabs 的 Eleven v3 文字轉語音模型已結束 Alpha 階段，現已在所有平台正式提供。內部基準涵蓋 8 種語言、27 個類別，模型錯誤率由 15.3% 降至 4.9%，減少 68%。測試中，用戶有 72% 的情況偏好新版本；模型處理數字、符號及專門記法的準確度亦有所提升。
ElevenLabs：BlogAI 評分6565 ElevenLabs 發佈 Music v2 音樂生成模型
ElevenLabs 發佈音樂生成模型 Music v2，改善不同曲風的歌聲、樂器與編曲表現，並提升多語言支援。用戶可逐段構建完整歌曲，並選取曲目任一部分重新生成，而不影響其他部分。
Zyphra ResearchAI 評分3636 Zyphra 發佈面向裝置端應用的 Zamba2-small（2.7B）小型語言模型
Zyphra 發佈 Zamba2-small（2.7B），一款面向裝置端應用的小型語言模型。相較 Phi3-3.8B，其首 token 生成速度快 2x、記憶體開銷減少 27%，生成延遲低 1.29x。模型權重以 Apache 2.0 授權開源。
Zyphra ResearchAI 評分5959 Zyphra 發佈 Zamba2-VL 視覺語言模型系列，提供 1.2B、2.7B 和 7B 參數規模
Zyphra 發佈 Zamba2-VL 視覺語言模型系列，提供 1.2B、2.7B 和 7B 參數版本，採用 Zamba2 混合 SSM–Transformer 骨幹。
Zyphra ResearchAI 評分5858 Zyphra Research 發佈 Zonos-v0.1 beta，開源兩款 1.6B TTS 模型
Zyphra Research 發佈 Zonos-v0.1 beta，開源兩款採用 Transformer 與 SSM hybrid 架構的 1.6B TTS 模型，授權為 Apache 2.0。
Zyphra ResearchAI 評分5454 Zyphra 預覽 ZAYA1，稱其為首個完全以 AMD 硬件、軟件及網絡堆疊端到端訓練的 AI 模型
Zyphra 預覽 ZAYA1，稱其為首個完全以 AMD 硬件、軟件及網絡堆疊端到端訓練的 AI 模型。ZAYA1-base 使用 Zyphra 內部 AMD 專用訓練堆疊，訓練總量為 14T tokens；訓練叢集由 128 個節點組成，搭載 AMD MI300X GPU，實際訓練效能超過 750 PFLOPs。
Zyphra ResearchAI 評分5555 Zyphra 發佈 380M 參數 ZUNA 腦電圖基礎模型，支援訊號去噪與重建
Zyphra 發佈 380M 參數的 ZUNA，這是一款用於腦電圖（EEG）訊號去噪、重建及上採樣的擴散自編碼器基礎模型。在通道缺失超過 75% 時，ZUNA 在所有評估數據集均優於球面樣條插值；模型亦可按電極座標預測新通道訊號。模型以約 2 million channel-hours EEG 數據訓練，並按 Apache 2.0 授權發佈模型權重及推理、預處理程式碼。
Zyphra ResearchAI 評分5858 Zyphra 發佈在 AMD Instinct™ MI300 stack 上訓練的 ZAYA1-8B MoE 模型
Zyphra 發佈 ZAYA1-8B，這款 MoE 模型的活躍參數少於 1 billion。該模型在部分數學和編碼基準中勝過規模大得多的開放權重模型；搭配 Markovian RSA 時，HMMT'25 得分為 89.6，並逐輪只傳送最後 4K tokens 以維持固定上下文長度。
Zyphra ResearchAI 評分5050 ZAYA1-8B-Diffusion-Preview 在 AMD 上實現高效並行解碼
Zyphra 發佈 ZAYA1-8B-Diffusion-Preview，將自回歸訓練的 ZAYA1-8B 轉換為離散擴散模型，並同時草擬 16 個 token。
Zyphra ResearchAI 評分5959 Zyphra 發佈 ZONOS2 即時文字轉語音模型，支援高保真聲音複製
Zyphra 發佈採用 Apache 2.0 授權的即時文字轉語音模型 ZONOS2，支援高保真聲音複製。模型採用 MoE 架構，規模由前代的 1.6B 增至 8B，即時生成吞吐量較前代提升 4x，並支援最長一分鐘的多語言及語碼轉換語音生成。ZONOS2 提供 stable 和 expressive 兩種模式，分別側重乾淨輸出，以及聲音複製的自然度與保真度。
Prime IntellectAI 評分5858 Prime Intellect 發佈 INTELLECT-1，稱其為首個全球協作訓練的 10B 參數模型
Prime Intellect 發佈 INTELLECT-1，並稱這是首個全球協作訓練的 10B 參數語言模型。模型以 1T tokens 訓練 42 天，橫跨 5 個國家和 3 大洲，最多同時使用 112 張 H100 GPU；全球分散式訓練的計算利用率為 83%。
Prime IntellectAI 評分5050 METAGENE-1 宏基因組基礎模型發佈，參數量為 7B
Prime Intellect、USC 與 Nucleic Acid Observatory 合作發佈 METAGENE-1，這是一個為疫情監測設計的 7B 參數宏基因組基礎模型。
Prime IntellectAI 評分7474 Prime Intellect 啟動 INTELLECT-2 全球分散式 32B 參數模型強化學習訓練
Prime Intellect 啟動 INTELLECT-2，展開 32B 參數模型的全球分散式強化學習訓練，並開放任何人無需許可地貢獻異構算力。訓練以 QwQ-32B 為基礎，採用 DeepSeek-R1 的 GRPO 方法，聚焦可驗證的數學與編碼任務，並以系統提示詞設定思考 token 預算。
Prime IntellectAI 評分5656 Prime Intellect 發佈 INTELLECT-2，這是首個透過全球分散式強化學習訓練的 32B 參數模型
Prime Intellect 發佈 INTELLECT-2，稱這是首個透過全球分散式強化學習訓練的 32B 參數推理語言模型。訓練以跨異構運算節點的全非同步 RL 為核心，並配套推出 PRIME-RL、TOPLOC 和 SHARDCAST；模型、程式碼及數據均已開源，技術報告見 primeintellect.ai/intellect-2。
Prime IntellectAI 評分7373 Prime Intellect 發佈 106B 參數 INTELLECT-3 MoE 模型，開源大規模 RL 訓練資源
Prime Intellect 發佈 106B 參數的 INTELLECT-3 MoE 模型，並開源模型權重、訓練框架、數據集、RL 環境及評測。模型以 GLM-4.5-Air 為基礎，經 SFT 和 RL 訓練，使用 512 張 NVIDIA H200 GPU、分佈於 64 個互連節點，歷時兩個月。
Suno：Blog精選AI 評分7777 Suno 發佈 v3，可在數秒內生成完整兩分鐘歌曲
Suno 發佈首個可製作電台級音樂的模型 v3，用戶可在數秒內生成完整兩分鐘歌曲。v3 現已向所有用戶開放，網址為 https://app.suno.ai。v3 亦改善音質、增加風格與曲風選擇，並提升提示詞遵循度、減少模型幻覺，令歌曲結尾更自然。
推薦理由：v3 可在數秒內生成完整兩分鐘歌曲，並改善音質、風格選擇及提示詞遵循，呈現這次更新在生成速度與創作控制上的具體變化。
Liquid AI 模型與工程博客AI 評分6161 Liquid AI 發佈 LFM2，定位為市場上最快的裝置端基礎模型
Liquid AI 發佈 LFM2，推出 0.35B、0.7B 和 1.2B 三個參數規模的模型，面向裝置端生成式 AI。官方表示，LFM2 在 CPU 上的 prefill 和 decode 速度最高達 Qwen3 的 2 倍，訓練效率較上一代提升 3 倍。
Liquid AI 模型與工程博客AI 評分4545 LFM2-VL：高效視覺語言模型
LFM2-VL 推出 LFM2-VL-450M 和 LFM2-VL-1.6B 兩款開放權重視覺語言模型，支援文字及可變解像度圖像輸入。在 GPU 上的推理速度最高達現有 VLM 的 2 倍，並原生處理最高 512×512 解像度的圖像；更大的圖像會切分為 512×512 區塊。兩款模型現已於 Hugging Face 提供，採用基於 Apache 2.0 的開放授權。
Suno：Blog精選AI 評分7777 Suno 發佈 v5.5，新增 Voices、Custom Models 和 My Taste
Suno 發佈 v5.5，並推出 Voices、Custom models 和 My Taste，加入以用戶聲音、原創音樂及音樂偏好為基礎的個人化功能。
推薦理由：更新把個人化分為歌聲、原創曲目調校和偏好學習三條路徑，也交代各功能面向哪些用戶開放。
Liquid AI 模型與工程博客AI 評分6565 Liquid AI 發佈 Liquid Nanos，主打在日常裝置上提供前沿級表現
Liquid AI 發佈 Liquid Nanos，一系列 350M–2.6B 參數的基礎模型，可在手機、手提電腦及嵌入式裝置上本機運行。首批實驗性模型涵蓋資料抽取、英日雙向翻譯、RAG、工具調用及數學推理，另包括社羣製作的法語微調模型。模型現已在 Liquid Edge AI 平台（LEAP）及 Hugging Face 提供，並以開放授權向學術界、開發者及小型企業開放。
Liquid AI 模型與工程博客AI 評分6363 Liquid AI 發佈 LFM2-Audio-1.5B 端到端音訊基礎模型
Liquid AI 發佈 LFM2-Audio-1.5B，這款 1.5B 參數模型支援音訊與文字輸入及生成。模型在 VoiceBench 九項音訊互動基準的總分為 56.78，ASR 基準平均詞錯誤率為 7.24。以 4 秒輸入波形測試，平均端到端延遲低於 100 ms；Liquid AI 亦提供 Python 套件及語音對話應用參考實作。
Liquid AI 模型與工程博客AI 評分6060 Liquid AI 發佈 LFM2-8B-A1B 端側 MoE 模型（已由 LFM2.5-8B-A1B 取代）
Liquid AI 發佈 LFM2-8B-A1B 早期檢查點，這款端側 MoE 模型共有 8.3B 參數，每個 token 啟用 1.5B 參數。官方公佈 16 項基準測試結果，其中 MMLU-Pro 得分為 37.42，較 LFM2-2.6B 高 11.46 分；模型面向手機、平板及手提電腦的本地推理。頁首註明，該模型已棄用，並由 LFM2.5-8B-A1B 取代。
Liquid AI 模型與工程博客AI 評分5555 Liquid AI 發佈面向邊緣應用的 LFM2-VL-3B 視覺語言模型
Liquid AI 發佈 3B 參數的視覺語言模型 LFM2-VL-3B，面向需要更高準確度並保留 LFM2 架構速度優勢的應用。模型以 LFM2-2.6B 為骨幹，整合 SigLIP2 400M NaFlex 編碼器，並可調整每張圖片的視覺 token 數量，以平衡效能與速度；現已可透過 LEAP 及 Hugging Face 取得。
Claude：BlogAI 評分7474 編碼工作階段更長、使用更多上下文，Claude Opus 5.5 為此而設
Claude Opus 5.5 針對更長、上下文用量更高的編碼工作階段設計，按 token 計費的典型工作負載估計比 Opus 5 便宜約 40%。輸入及輸出 token 價格下調 20%，讀取快取 token 的價格下調 60%；Claude Code 的快取未命中輸入亦減少逾 50%。文中指出，長而開放的任務較有機會透過減少錯誤方向上的回合降低成本，而簡單、短小的機械式任務所需回合數大致相同。
Liquid AI 模型與工程博客AI 評分6161 Liquid AI 發佈面向端側部署的 LFM2.5 模型系列
Liquid AI 發佈面向端側部署的 LFM2.5 模型系列，涵蓋 Base、Instruct、日文、視覺語言及音訊語言型號。LFM2.5-1.2B 的預訓練規模由 10T 增至 28T tokens；LFM2.5-Audio-1.5B 的音訊 detokenizer 在 mobile CPU 上以同等精度較 LFM2 的 Mimi detokenizer 快 8x。
Liquid AI 模型與工程博客AI 評分5555 Liquid AI 發佈 LFM2-2.6B-Transcript 本機會議摘要模型
Liquid AI 發佈 LFM2-2.6B-Transcript，支援在 CPU、NPU 和 GPU 上完全本機執行。模型針對 30–60 分鐘會議逐字稿設計，並已在 LEAP 和 Hugging Face 開放下載，可輸出討論要點、決策及標註負責人的行動項目。
Liquid AI 模型與工程博客AI 評分6767 Liquid AI 發佈 LFM2.5-1.2B-Thinking，手機記憶體佔用低於 1GB
Liquid AI 發佈 LFM2.5-1.2B-Thinking，一款可完全在裝置上運行的推理模型，手機記憶體佔用低於 900 MB。模型有 1.2 billion 個參數，在多數推理基準中匹敵或超越 Qwen3-1.7B（thinking mode），參數量少 40%。現已可透過 Hugging Face、LEAP 和 Playground 使用。
Liquid AI 模型與工程博客AI 評分5959 Liquid AI 發佈 LFM2-24B-A2B 早期檢查點，總參數達 24B
Liquid AI 發佈 LFM2-24B-A2B 早期檢查點，這款開放權重 MoE 模型有 24B 總參數，並已在 Hugging Face 提供。
Liquid AI 模型與工程博客AI 評分5858 LFM2-24B-A2B 在消費級硬件上運行本地工具調用智能體
Liquid AI 以開源桌面智能體 LocalCowork 測試 LFM2-24B-A2B 在筆電本地執行工具調用的表現，模型、工具和資料均留在裝置上。在 Apple M4 Max、36 GB 統一記憶體的筆電上，工具選擇平均耗時約 385 ms、佔用約 14.5 GB 記憶體，單步準確率為 80%。
Liquid AI 模型與工程博客AI 評分6262 Liquid AI 發佈 LFM2.5-350M，預訓練規模增至 28T tokens
Liquid AI 發佈基於 LFM2 架構的 LFM2.5-350M，這款 350M 參數模型經額外預訓練（由 10T 增至 28T tokens）及大規模強化學習。
Liquid AI 模型與工程博客AI 評分5858 Liquid AI 發佈 LFM2.5-VL-450M，提升視覺定位並新增函數調用支援
Liquid AI 發佈 LFM2.5-VL-450M，作為 LFM2-VL-450M 的改進版本，提升視覺定位與指令遵循能力，並新增函數調用支援。預訓練規模由 10T 增至 28T tokens；RefCOCO-M 邊界框預測分數由 0 升至 81.28，MMMB 多語言分數由 54.29 提升至 68.09。