跳到正文
10月6日週二
  1. MarkTechPost62

    Reka 發佈 Rho-1 研究預覽版:19B 全模態推理模型可理解及生成影片並輸出機械人動作

    Reka 發佈 Rho-1 的研究預覽版,這款 19B 全模態推理模型以單一神經網絡理解及生成文字、圖像和影片,並對這些內容進行推理及輸出機械人動作。其兩條專家權重流共用 attention 和 KV cache;蒸餾版把去噪步數由 99 步減至 8 步,約 1 秒可生成 5.3 秒影片。Rho-1 目前僅提供研究預覽,尚無公開權重、API 或定價。

  2. ElevenLabs:Blog63

    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。

  3. ElevenLabs:Blog65

    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。

  4. Zyphra Research55

    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。

  5. Zyphra Research59

    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。

  6. Prime Intellect56

    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。

  7. Suno:Blog77

    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。

  8. Liquid AI 模型與工程博客45

    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。

  9. Liquid AI 模型與工程博客65

    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。

  10. Liquid AI 模型與工程博客63

    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。

  11. Liquid AI 模型與工程博客60

    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。

  12. Claude:Blog74

    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。

  13. Black Forest Labs:Blog54

    FLUX VTO 開放使用,支援大規模虛擬試穿

    Black Forest Labs 已公開提供 FLUX VTO,這款虛擬試穿模型的生成時間少於 4 秒,適用於大規模商品目錄。它可為同一人物一次套用最多四件服裝,並保留人物身份及服裝上的標誌、印花、縫線和五金配件。身體及服裝尺碼的精確呈現仍在改進,輸出宜作視覺造型參考;預設政策不支援泳裝和內衣。