Gemini 3.8 Flash TTS 與 Gemini 3.8 Flash-Lite TTS 正式提供
Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 正式提供文字轉語音(TTS)服務,Gemini API 同時推出 Voices endpoint(/v1beta/voices)。
Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 正式提供文字轉語音(TTS)服務,Gemini API 同時推出 Voices endpoint(/v1beta/voices)。
Alibaba 的 Qwen 團隊於9月20日以開放權重形式發佈 Qwen-Image-2.1,整合文字生成圖片與圖片編輯,並支援透明背景及最多10張參考圖片。
xAI 發佈 Grok 4.7,現已可在 Cursor、Grok Build、Grok API、第三方編碼 harness、模型路由器及雲平台使用,面向編碼與知識工作。
ComfyUI 已原生支援 Qwen-Image-2.1,這款 7B 開放權重圖像模型支援生成與編輯,並可輸出含 alpha 通道的 RGBA 圖像。模型可直接生成 2048×2048 圖像,並可輸入最多 10 張參考圖。用戶可從 ComfyUI 的 Templates 面板載入對應範本,或在 Comfy Cloud 試用。
香港生成式人工智能研發中心(HKGAI)推出開源音樂生成模型 YuE2,透過分離符號規劃與聲學渲染,支援創作、翻唱及編輯。按材料截至 2026年9月18日的數據,YuE2 在 HuggingFace Trending 排第4,上線9天官方主模型下載11,626次,連同周邊生態累計約17.9萬次。模型支援六種語言及逾60種音樂流派,權重可免費下載作非商業用途,並可用單張消費級顯示卡在本地執行。
推薦理由:文章交代 YuE2 如何分離符號規劃與聲學渲染,並讓創作者在生成各步驟介入修改,具體呈現可控音樂生成的設計方式。
Runway 推出 Enhance Frame Rate 模型,可將任何影片轉換為 25、30、48、60 或 120 fps,亦支援 NTSC 的 59.94 標準。
inclusionAI 發佈 Ming-Image-0.1-Design-Layer,可按輸入圖像及圖層規劃,將扁平設計圖像拆分為指定數量的 RGBA 圖層。模型提供六層卡片製作示例,建議工作分辨率為 1024,亦可使用 512 加快分層;採樣步數為 12,驗證配置為一張 CUDA GPU、80 GiB VRAM。
inclusionAI 發佈 Ming-Image-0.1-Design,這款 6B 文生圖模型面向 UI、資訊圖表、海報等文字密集的視覺設計。模型可生成完整視覺構圖並支援透明背景 RGBA 輸出,建議解像度為 2048 x 2048,或採用 1024 x 1024 加快生成。建議採樣步數為 12,驗證配置為一張配備 80 GiB VRAM 的 CUDA GPU,授權為 MIT License。
inclusionAI 發佈 Realtime-Venus 全雙工互動系統,提供視聽版 Realtime-Venus-Omni 與音訊版 Realtime-Venus-Audio,兩者均為 9B。
TypeSafe AI 開放 Jev 早期存取,這款模型專為軟件中的判斷處理設計,按預設選項或評分尺度輸出結構化結果,而非文字或程式碼。Choice 和 Score 會附帶機率分佈及信心度,Noul 回傳陳述為真的 0 至 1 機率;TypeSafe AI 稱輸出符合指定選項和資料結構,但模型仍可能判斷錯誤。
Google 於 2026 年 9 月 15 日發佈語音對話模型 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking,兩者可在持續對話時理解視覺資訊及非同步呼叫外部工具。
推薦理由:兩款模型分別面向快速、具成本效益的語音智能體與複雜多步任務,並可在不中斷對話下呼叫工具,清楚區分兩者的適用場景。
Google DeepMind 發佈 Gemini 3.8 Live 與 Gemini 3.8 Live Extended Thinking,前者面向規模化與成本效率,後者針對高複雜度任務。
推薦理由:文章區分兩款模型在規模化成本效率與高複雜度任務上的定位,並列出語音代理基準成績,方便比較其應用取向。
OpenMOSS 開源 MOSS-Transcribe-Diarize 0.9B,這款端到端音訊理解模型可在單次處理中完成長篇多説話人音訊轉寫、説話人分離及時間戳標註。模型支援 50+ 種語言,亦可選擇輸出聲學事件標註。整體表現更高的 MOSS-Transcribe-Diarize Pro 可透過線上 playground 使用。
Gemini API 正式開放 Gemini 3.8 Live(gemini-3.8-live)及 Gemini 3.8 Live Extended Thinking(gemini-3.8-live-extended-thinking)兩款音訊轉音訊模型,供 Live API 即時語音應用使用。
inclusionAI 發佈 SingProbe 串流護欄探針,以 Qwen/Qwen3.5-397B-A17B 的生成隱藏狀態逐 token 評估意圖、安全性及幻覺風險。
inclusionAI 發佈 SingProbe,這是一款基於 Qwen/Qwen3.5-27B 的逐 token 串流防護探針,可評分查詢意圖、回應不安全性及幻覺風險。
inclusionAI 發佈 SingProbe 串流安全探針,基於 Qwen/Qwen3-4B-Instruct-2507 逐 token 評估查詢意圖、回應不安全性及幻覺風險。
inclusionAI 發佈基於 Qwen/Qwen3-0.6B 的 SingProbe,利用生成時隱藏狀態逐 token 評估查詢意圖、回應安全性及幻覺風險。
inclusionAI 發佈 Hy3-singprobe,這款基於 tencent/Hy3 隱藏狀態的串流防護探針可逐 token 評分查詢意圖、回應安全性及幻覺風險。
inclusionAI 發佈 SingProbe 串流安全探針,重用 openai/gpt-oss-20b 生成時的隱藏狀態,逐 token 評估查詢意圖、回應不安全性及幻覺風險。
inclusionAI 發佈基於 google/gemma-4-31B-it 的 SingProbe 串流護欄。它復用基座模型生成時的隱藏狀態,逐 token 評估查詢意圖、回應安全性和幻覺風險,無需另跑安全模型。
DeepSeek 於 2026 年 9 月 10 日發佈支援圖像理解的 DeepSeek-V4.1-Flash,並已在 DeepSeek API 提供,指定模型名 deepseek-flash 即可使用。
AGIBOT 發佈 GE-Act 2.0 原生世界-動作模型,並以零樣本測試報告訓練數據擴大時既有技能表現提升、新能力逐步出現。
IBM 與 NASA 開源 NASA-IBM Lunar Foundation Model,整合數十年美國及日本月球任務的多模態觀測資料。在冰區識別中,模型的錯誤率比用於冰區探測的 SwinV2 降低 22%;在 100 米/像素撞擊坑檢測中,較以撞擊坑檢測訓練的 Swin 模型高近 19%,並使用一半訓練資料。
Tongyi Lab 發佈 Fun-ASR 端到端語音識別模型系列,分為支援中英日及中文方言的 Fun-ASR-Nano-2512,以及支援 31 種語言的 Fun-ASR-MLT-Nano-2512。兩款模型均為 800M 參數,前者以數千萬小時語音訓練,後者以數十萬小時語音訓練。兩者均可接入 FunASR 作推理與服務,項目亦提供 vLLM 批次推理、即時串流及 WebSocket 服務路徑。
OpenAI 將 GPT‑Live‑1 引入 API,提供自然的全雙工語音對話及更強的指令遵循能力。它亦支援自訂聲音及電話服務。
推薦理由:原文列出全雙工對話、指令遵循、自訂聲音及電話支援,能讓讀者迅速掌握 GPT‑Live‑1 接入 API 後涵蓋的語音能力。
DeepSeek-V4.1-Flash 正式發佈,是 DeepSeek 新架構系列中最小的模型,並支援原生多模態視覺理解。
OpenAI 介紹 GPT-6 Astra,稱其為面向商業用途能力最強的模型。它具備進階推理、電腦操作能力,以及更強的寫作與設計判斷能力。
京東物流發佈「超腦」大模型 3.0,整合決策 AI、流程 AI 與物理 AI,覆蓋倉儲、運輸及配送全鏈路。系統將處理上億級包裹端到端最佳路徑規劃的求解時間,由分鐘級縮短至秒級。京東物流並計劃未來 5 年採購 300 萬部機器人、100 萬部無人車及 10 萬架無人機。
LG AI Research 介紹 EXAONE Tabular,這款表格數據基礎模型可在不更新參數的情況下進行分類與回歸預測。模型只用自行生成的合成數據從零預訓練,並以帶標籤支援集和無標籤查詢集作為輸入。在 TabArena,分類版本以單一預設設定取得總榜第一;回歸版本的表現媲美參數量為 1.64B 的 TabFM,推理成本約為其 1/11。
最新開放模型動態涵蓋 Motif-3、GLM-5.3、Hy4-preview 等模型,並指出 GLM-5.3 由 MIT 改用自訂授權。該授權規定,Model as a Service 服務商及其關聯方在任何連續 12 個月的總收入超過 10 billion US dollars,須通過 Z.AI 安全審查;「關聯方」未有定義,增加採用上的不確定性。
FireRedTeam 公開 FireRedTTS3 語音生成與編輯系統,並提供 FireRedTTS3-Base 和 FireRedTTS3-Instruct 兩個版本的模型與 PyTorch 程式碼。
FireRedTeam 發佈 FireRedAudio,一款以共用 9B 參數 LLM 為基礎、涵蓋音訊理解與語音生成的音訊語言模型。Audio Encoder 負責理解、RedAE pathway 負責生成;模型支援 ASR、音訊理解、零樣本及指令式 TTS、語音編輯,並可處理最長一小時的錄音。除 ASR 外,其他功能只支援中文和英文。
OpenMOSS 團隊與 MOSI.AI 發佈開源語音生成模型 MOSS-TTS-Nano,參數量為 0.1B,支援 20 種語言。模型提供聲音複製和串流生成,並採用 Audio Tokenizer + LLM 純自回歸架構。ONNX CPU 版本在團隊測試中處理效率接近原版的 2 倍,並可在 MacBook Air M4 單核流暢運行。
OpenMOSS 團隊開源 MOSS-Audio,推出 4B、8B 的 Instruct 和 Thinking 版本。模型支援語音、環境音及音樂理解、音訊描述、時間感知問答與複雜推理,並採用跨層特徵注入和時間標記設計。在 MMAU、MMAU-Pro、MMAR 和 MMSU 四項通用音訊理解基準中,MOSS-Audio-8B-Thinking 的平均準確率為 71.08。
OpenAI 發佈 GPT-6 Astra,稱其在 PC 操作評測中勝過 GPT-5.6 Sol,並首次在其 Preparedness Framework 中達到網絡安全「重大」水準。
推薦理由:文章以 GPT-5.6 Sol 作對照,列出 PC 操作及多項工作評測結果,並交代網絡安全能力對應的部署限制。
Midjourney Alpha 加入 v8.2 編輯模型,並在 lightbox 內置新編輯器。用戶可在 lightbox 開啟圖片,以文字指令編輯、附加最多 4 張參考圖片,並集中查看同一工作階段的所有編輯。更新亦修正多項錯誤,並開始測試 lightbox 的 Change Style 功能。
Google DeepMind 與 Google Research 發佈 WeatherNext 3,利用即時地球同步衞星資料逐小時生成全球天氣預報,部分地表變數解析度達 5 公里。
推薦理由:WeatherNext 3 以即時衞星觀測支援逐小時全球預報,並為部分變數提供 5 公里解析度;文中列出降水預測相對 IMERG、MRMS 等基線的 CRPS 改善幅度。
NeoMME 推出 260M 和 800M 兩種規模的多語言多模態編碼器,並提供用於視覺文件檢索的 NeoMME-Retriever。模型從零開始以單一雙向 Transformer 處理文字 token 和原始圖像 patch;NeoMME-Retriever 單次前向傳播可輸出密集與 late-interaction 嵌入向量。
OpenAI 推出 GPT-6 Astra,稱其為迄今最智能、最符合對齊要求的模型。OpenAI 表示,模型在電腦操作、編碼、網絡安全及科學領域具備最先進能力。