OpenAI 介紹為 ChatGPT Voice 提供支援的 GPT-Live 新一代語音模型
OpenAI 介紹 GPT-Live,將其定位為面向自然人機互動的新一代語音模型,並稱其現正為 ChatGPT Voice 提供支援。
OpenAI 介紹 GPT-Live,將其定位為面向自然人機互動的新一代語音模型,並稱其現正為 ChatGPT Voice 提供支援。
Mistral AI 發佈 Leanstral 1.5,這款 Apache-2.0 授權模型總參數量為 119B、活躍參數為 6B,面向 Lean 4 形式化驗證。
推薦理由:文章不只列出形式化數學基準,也以 AVL 樹複雜度證明及 57 個程式庫的漏洞排查,呈現 Leanstral 1.5 將定理證明延伸至實際程式驗證的應用。
Google於2026年6月30日發佈圖像生成及編輯模型 Nano Banana 2 Lite,可透過 Gemini app 的「Flash-Lite」模式、Google AI Studio、Gemini API 及 Gemini Enterprise Agent Platform 使用。
Anthropic於2026年6月30日發佈 Claude Sonnet 5,提升其自主規劃及使用瀏覽器、終端等工具工作的能力。Anthropic稱其在推理、工具使用、編碼及知識工作上大幅超越 Claude Sonnet 4.6;模型已適用所有方案,Free/Pro 預設使用。
推薦理由:新 tokenizer 可能令相同輸入的 token 數增至約 1.0–1.35 倍,文章並指出文件估算同一文本所需 token 約增 30%;導入價旨在抵消增幅,並列出優惠期前後的 API 價格,便於評估遷移成本。
Google DeepMind 推出 Nano Banana 2 Lite,並首次向開發者開放 Gemini Omni Flash。
推薦理由:兩款模型分別面向高速批量圖像生成與影片生成、對話式編輯,文中列出成本、延遲及 API 限制,可供評估多媒體工作流的取捨。
Google Research 發佈 TabFM,這款表格數據基礎模型以上下文學習執行分類與回歸,並可在單次前向傳遞中預測。TabFM 以結構因果模型動態生成的數億個合成資料集訓練,並在 TabArena 的 38 個分類與 13 個回歸資料集上評測。
Gemini API 推出 gemini-omni-flash-preview 公開預覽版,並將 gemini-3.1-flash-lite-image(Nano Banana 2 Lite)推至正式可用(GA)。
OpenAI 於 2026 年 6 月 26 日啟動 GPT-5.6 系列限定預覽,Sol、Terra、Luna 先經 Codex 和 API 提供予少數可信任夥伴及機構。
推薦理由:三款模型按能力、成本和用途分層,目前先透過 Codex 和 API 提供;文中列出定價與基準結果,便於比較不同型號的取捨。
OpenAI 預覽新一代模型 GPT-5.6 Sol,其程式編寫、科學及網絡安全能力更強,並配備 OpenAI 最先進的安全技術堆疊。
Alibaba Qwen Team 於 2026年6月22日發佈 Qwen-AgentWorld,這個原生語言世界模型可模擬 MCP、搜尋、Terminal、SWE、Web、OS 和 Android 七個智能體環境。
Mistral AI 發佈文件解析模型 Mistral OCR 4,除提取文字外亦輸出邊界框、區塊類型和信心分數,並支援 170 種語言、10 個語言組別。獨立人工偏好評估的平均勝率為 72%,模型在 OlmOCRBench 得分 85.20;官方提醒自動基準存在評分侷限,建議以自有文件評估。
推薦理由:文章列明 OCR 4 的結構化輸出和自動基準評分侷限,為企業按自身文件評估解析、檢索及資料管線提供具體參照。
OpenAI 於 2026年6月22日擴展 OpenAI Daybreak,更新 Codex Security 插件並提供完整版本 GPT-5.5-Cyber,以協助發現及修補軟件漏洞。
GLM-5.2 發佈,將最大上下文長度由 200K 擴至 1M tokens,並強化長程任務與編碼能力。它在 Terminal-Bench 2.1 和 SWE-bench Pro 分別取得 81.0、62.1,高於 GLM-5.1 的 63.5、58.4。
推薦理由:文章並列長程編碼基準成績與 IndexShare、MTP 的效率改動,讓讀者可對照模型性能數據和 1M-token 上下文的工程支撐。
Z Lab、Modal 與 SGLang 團隊聯合推出適用於 Qwen 3.5 397B-A17B 的 DFlash 草稿模型,並將其整合至 SGLang 預設的 Spec V2 推測解碼引擎。
Google 於 2026年6月10日發佈實驗性開放模型 DiffusionGemma,採用文字擴散生成,在專用 GPU 上的 token 輸出速度最高可達自回歸 Gemma 4 的 4 倍。
Google DeepMind 發佈實驗性開放模型 DiffusionGemma,透過文字擴散並行生成文字,在專用 GPU 上文字生成最高快 4 倍。
推薦理由:DiffusionGemma 的優勢集中於低至中等批次的單加速器推理,高 QPS 雲端服務則可能收益較小並增加服務成本。
Anthropic 於 2026 年 6 月 9 日開始一般提供 Claude Fable 5,並稱其在軟件工程、知識工作、科學研究及圖像理解方面表現突出,長而複雜的任務中領先幅度更大。
推薦理由:文章並列 Claude Fable 5 與 Claude Mythos 5 的適用對象和安全處理,亦交代訂閲期限及 API 價格,呈現一般提供與受限提供的差異。
Google DeepMind 發佈 Gemini 3.5 Live Translate,這款音訊模型可自動識別 70+ 種語言,並進行近乎即時的語音轉語音翻譯。
推薦理由:模型以連續生成譯語音訊取代逐輪等待,並透過 API、Google Meet 和 Google Translate 進入開發、企業會議及日常翻譯場景,呈現其部署路徑。
Google DeepMind 發佈 Gemma 4 12B,定位為可在筆記型電腦本機運行的多模態模型,並為中型模型加入原生音訊輸入。它採用免多模態編碼器架構,將視覺和音訊輸入直接整合至 LLM backbone;標準基準表現接近 26B MoE,總記憶體佔用不足其一半。Gemma 4 12B 以 Apache 2.0 授權釋出,可透過 LM Studio、Ollama 等工具試用。
推薦理由:Gemma 4 12B 的免編碼器設計、接近 26B MoE 的基準表現與較低記憶體佔用,提供比較中型多模態模型架構和本機部署定位的具體依據。
gihyo.jp 整理近期多項 AI 動態,涵蓋 Gemma 4 12B、Nemotron 3 Ultra、Reve 2.0、Ideogram 4.0 等模型發布,以及 ChatGPT 記憶功能和 Hermes Desktop 等產品更新。Gemma 4 12B 主打在配備 16GB VRAM 或統一記憶體的裝置上本地運行,Nemotron 3 Ultra 則面向長時間運作的 AI 智能體。
NVIDIA 發佈 Nemotron 3.5 Content Safety,將多模態輸入、多語言覆蓋、自訂企業政策與可審計推理整合至單一 4B 模型。模型基於 Google Gemma 3 4B IT,明確訓練覆蓋 12 種語言,並承接其約 140 種語言的 zero-shot 泛化;可選 THINK mode 會輸出推理軌跡。
推薦理由:Nemotron 3.5 將多模態判定、自訂政策和可審計推理整合於 4B 模型,並附訓練資料集,提供企業安全審核的部署參考。
美團 LongCat 發佈 LongCat-Video-Avatar 1.5,這是一個基於 LongCat-Video、用於音訊驅動人物影片生成的開源框架。
NVIDIA Nemotron 3 Ultra 現已在 Ollama 雲端提供,這款 550B 參數、每個 token 激活 55B 的開放模型面向長時間運行的智能體工作流程。
GPT-Rosalind 透過強化生物推理、藥物化學專業知識、基因組分析及實驗工作流程能力,推進生命科學研究。
Microsoft 在 Microsoft Build 2026 公佈面向 AI 智能體開發的 Microsoft IQ、7 款 MAI 模型、MXC 及多項 Windows 開發環境更新。
H Company 發佈 Holo3.1 電腦操作模型系列,擴展至網頁、桌面及手機環境,並提供本地推理量化權重。AndroidWorld 上,35B-A3B 模型的分數由 67% 升至 79.3%,4B 和 9B 版本由 58% 升至 72%。
推薦理由:文章同時列出不同尺寸、量化格式,以及 AndroidWorld 和 DGX Spark 數據,讀者可據此比較本地部署的性能與速度取捨。
JetBrains 發佈 Mellum2,一款以自然語言和程式碼從零訓練的 12B MoE 模型,每個 token 啟用 2.5B 參數。模型採 Apache 2.0 授權,適用於路由、RAG、摘要、子智能體及高吞吐程式功能等工作負載。
Anthropic 發佈 Claude Opus 4.8,並為 Claude Code 推出「動態工作流程」研究預覽版。Opus 4.8 在編碼、智能體技能、推理及實務知識工作等方面較 Opus 4.7 改進,價格維持不變;Anthropic 的基準測試顯示,它在大部分項目上勝過 GPT-5.5 和 Gemini 3.1。
推薦理由:Claude Code 動態工作流程可在單一工作階段並行運行數十至數百個子智能體,文中亦交代研究預覽的支援入口及較高 token 消耗提醒。
Google Gemini API 發佈 gemini-3.1-flash-image(Nano Banana 2)及 gemini-3-pro-image(Nano Banana Pro)的 GA 版本,作為原生視覺模型。
CosyVoice 項目提供 Fun-CosyVoice 3.0,這是一套基於大語言模型的文字轉語音系統,面向自然場景的零樣本多語言語音合成。系統覆蓋 9 種常見語言及 18+ 種中文方言/口音,並支援多語言及跨語言零樣本聲音複製。它支援雙向串流,延遲最低為 150ms;項目亦提供模型下載、安裝、推理及部署説明。
Mistral 推出 Mistral Medium 3.5 公開預覽,並以此支援 Mistral Vibe 雲端遠端編碼代理及 Le Chat 的 Work mode。
推薦理由:材料展示模型、雲端編碼代理與 Le Chat 多步驟工具流程的連接方式,能看出長程任務如何落入具體產品工作流。
Runway 推出影片編輯模型 Aleph 2.0,並同步推出 Edit Studio,支援編輯最長 30 秒的 1080p 影片。Aleph 2.0 可按指定影格控制修改外觀,只更改指定內容,並將編輯套用至相關鏡頭。Aleph 2.0 與 Edit Studio 現已在 Runway 桌面網頁版向所有付費方案用戶開放。
Google 在 Google I/O 2026 發佈 Gemini 3.5 Flash 和 Gemini Omni Flash,前者面向 Agent 與編碼工作,後者可結合文字、圖像、影片及音訊生成和編輯影片。
推薦理由:文章對照兩款新模型的用途與推出渠道,並交代 Gemini Spark 的測試及開放安排,呈現 Google 將模型能力延伸至影片創作和背景代理工作的具體路徑。
Anysphere 於 2026 年 5 月 18 日推出面向編碼智能體的 AI 模型 Composer 2.5,並針對 Cursor 內的工具使用、檔案編輯及終端操作作出調整。
Hugging Face 發佈六款基於 Ettin ModernBERT encoder 的 Sentence Transformers CrossEncoder reranker,參數規模由 17.6M 至 1.00B,並公開訓練數據及完整訓練方案。
推薦理由:文章以 MTEB(eng, v2) Retrieval、NanoBEIR 及多種硬件吞吐測試比較六種尺寸,呈現 Ettin Reranker 在排序品質與速度間的取捨。
Gemini API 發佈 gemini-3.5-flash 正式版,並公開預覽 Managed Agents,供開發者在 Google 託管的安全隔離 Linux 沙盒中建立及部署自主、有狀態的智能體。
Google DeepMind 推出 Gemini Omni 系列首個模型 Gemini Omni Flash,可結合圖像、影片、文字及語音參考生成影片,並支援透過對話編輯。
推薦理由:材料把 Gemini Omni Flash 的多模態輸入、對話式影片編輯和分階段上線平台放在一起,便於理解新模型如何連接生成能力與實際使用入口。
Google DeepMind 發佈 Gemini 3.5 模型系列,首款 Gemini 3.5 Flash 即日起透過 Gemini app 和 Google Search 的 AI Mode 向全球用户開放。
推薦理由:Gemini 3.5 Flash 列出代理任務、編碼及多模態基準成績,並比較每秒輸出 tokens 的速度,讓性能主張有多項指標可供對照。
IBM Granite 發佈兩款採 Apache 2.0 授權的多語嵌入模型:97M 參數的 granite-embedding-97m-multilingual-r2 和 311M 參數的 granite-embedding-311m-multilingual-r2。
推薦理由:文章提供 97M 與 311M 版本在多語檢索、長文及程式碼基準的比較,並交代 Matryoshka 維度選項對儲存與部署取捨的影響。
百度正式發佈 ERNIE 5.1,稱其在維持旗艦級智能的同時,總參數約為 ERNIE 5.0 的三分之一、活躍參數約為二分之一。其預訓練計算成本約為同規模可比模型的 6%。在 Arena Search 排行榜上,ERNIE 5.1 於 5 月 9 日得分 1,223,全球排名第 4、在中國模型中排名第 1。