OpenAI 在 API 推出新的即時語音模型
OpenAI 在 API 推出新的即時語音模型,可對語音進行推理、翻譯和轉錄。這些模型旨在支援更自然、智能的語音體驗。
OpenAI 在 API 推出新的即時語音模型,可對語音進行推理、翻譯和轉錄。這些模型旨在支援更自然、智能的語音體驗。
Google 發佈 Gemini 3.1 Flash-Lite 的 GA 版本,該模型針對速度、規模化及成本效益作出最佳化。gemini-3.1-flash-lite-preview 將於 2026 年 5 月 11 日棄用,並於 2026 年 5 月 25 日關閉。
OpenAI 將 GPT-5.5 Instant 設為 ChatGPT 預設模型,並稱其回答更聰明、更準確,模型幻覺也有所減少。更新亦改善個人化控制。
推薦理由:更新既涉及回答表現,也涵蓋個人化控制,讀者可從兩個層面瞭解 GPT-5.5 Instant 成為 ChatGPT 預設模型後的變化。
Ling-2.6-1T 正式開源,定位為面向複雜任務的萬億級綜合旗艦模型。
gemini-robotics-er-1.5-preview 已停用,請改用 gemini-robotics-er-1.6-preview。
Granite Team(IBM)詳述 Granite 4.1 的 3B、8B 和 30B 模型構建流程,涵蓋預訓練、監督式微調和多階段強化學習。預訓練以約 15T tokens 分五階段進行,並將上下文窗口擴至最高 512K tokens;其後以約 4.1M 經整理樣本作微調,採用 on-policy GRPO 配合 DAPO loss 進行強化學習。
推薦理由:文章梳理 Granite 4.1 從約 15T tokens 預訓練、約 4.1M 樣本微調到多階段強化學習的流程,呈現 dense 模型的訓練設計取捨。
NVIDIA 發佈 Nemotron 3 Nano Omni,這款長上下文多模態模型面向文件分析、音訊與影片理解、智能體電腦操作及通用推理。
推薦理由:文章並列 Nemotron 3 Nano Omni、Nemotron Nano V2 VL 與 Qwen3-Omni 的多項基準結果,另列系統效率數據,提供文件、影音和 GUI 任務的比較依據。
DeepSeek於2026年4月24日發布DeepSeek-V4系列預覽版,開放網頁及API使用,並公開開放權重。兩款模型均支援1M上下文窗口:DeepSeek-V4-Pro總參數為1.6T、活躍參數49B;DeepSeek-V4-Flash則為284B及13B。
推薦理由:兩款模型同具1M上下文窗口,但在參數規模、推理表現與回應速度上定位不同,可看出 DeepSeek-V4 系列的型號取捨。
OpenAI 於 2026年4月23日發佈 GPT-5.5,提升模型在智能體編碼、電腦操作、知識工作和科學研究方面的能力。
推薦理由:文章並列 GPT-5.5 的基準測試表現、與 GPT-5.4 相同的 token 延遲,以及完成相同 Codex 任務所需 token 較少的情況,呈現能力和效率的對照。
深度求索(DeepSeek)發佈 DeepSeek-V4,Pro、Flash 系列各有 instruct 與 base 版本,四款 checkpoint 均支援 1M-token 上下文。
推薦理由:文章把 KV cache 成本、混合注意力設計與智能體工作流串連起來,並以基準數據呈現長上下文能力在工具任務中的表現。
DeepSeek API 現已支援 V4-Pro 和 V4-Flash。兩款模型可透過 OpenAI ChatCompletions 介面及 Anthropic 介面使用,base_url 維持不變,model 參數應設為 deepseek-v4-pro 或 deepseek-v4-flash。
OpenAI 介紹 GPT-5.5,這是一款面向跨工具複雜任務的模型,涵蓋編碼、研究與數據分析。
OpenAI 於 2026 年 4 月 21 日發佈圖像生成模型,ChatGPT 版本名為「ChatGPT Images 2.0」,開發者 API 版本名為「GPT Image 2」。
推薦理由:內容同時列出非拉丁文字及複雜版面的提升,並交代物理世界一致性與精確圖表仍是限制,呈現其能力範圍。
OpenAI 發佈 Privacy Filter,一款用於在文本中偵測及遮蔽個人身份識別資訊(PII)的開放權重模型。OpenAI 稱這款模型具備 state-of-the-art accuracy。公告網址為 https://openai.com/index/introducing-openai-privacy-filter。
Gemini API 將 gemini-embedding-2 正式開放使用(GA)。更多資訊可參閲 Embeddings 頁面。
Moonshot AI 於 2026年4月21日發佈開源原生多模態智能體模型 Kimi K2.6,文章稱其在 Kimi Code Bench 的長期編碼任務中較 Kimi K2.5 大幅改善。
推薦理由:Kimi K2.6 同時更新長時間編碼與 Agent Swarm 規模;相較 Kimi K2.5 的 100 個子代理、1,500 步,新版的 300 個子代理、4,000 步呈現長流程協作的升級重點。
Moonshot AI 開源 Kimi K2.6,主打編碼、長程執行及智能體羣組(Agent Swarm)能力。模型現可透過 Kimi.com、Kimi App、API 及 Kimi Code 使用;Agent Swarm 可協調 300 個子智能體,在 4,000 個步驟中同時執行,較 K2.5 的 100 個子智能體及 1,500 個步驟有所擴展。
Google 於 2026 年 4 月 15 日推出文字轉語音模型 Gemini 3.1 Flash TTS,提升生成音訊的品質與表現力,並加強語音控制能力。模型提供 30 種語音選項,支援 70 多種語言;新加入的 Audio Tags 可透過文字指令設定語音風格、説話方式及節奏。
OpenAI 推出 GPT-Rosalind,這是一款旨在加速藥物發現、基因組分析、蛋白質推理及科學研究工作流程的前沿推理模型。
Google DeepMind 發佈 Gemini 3.1 Flash TTS,提升文字轉語音的可控性、表現力與品質,並加入音訊標籤細調語音表現。模型支援 70+ 種語言及原生多説話者對話,在 Artificial Analysis TTS leaderboard 的 Elo 分數為 1,211。
推薦理由:文章聚焦音訊標籤如何細調語氣、節奏與表達,並列出 Gemini 3.1 Flash TTS 面向開發者、企業及 Workspace 用户的推出渠道。
OpenAI 擴展 Trusted Access for Cyber,新增級別,讓通過額外認證的部分用戶可在較高級別申請使用 GPT-5.4-Cyber。該模型是為網絡安全用途微調的 GPT-5.4 版本,放寬正當防禦工作的拒答標準,支援包括無需原始碼的二進制逆向工程在內的進階防禦流程。
Gemini API 推出 Gemini 3.1 Flash TTS Preview,這是一款具成本效益、富表現力且可操控的文字轉語音模型。相關文字轉語音文件可供查閲。
OpenAI 擴大 Trusted Access for Cyber 計劃,向經審核的防禦者引入 GPT-5.4-Cyber。OpenAI 同時在 AI 網絡安全能力持續進展之際加強防護措施。
Gemini API 發佈 gemini-robotics-er-1.6-preview,新增儀器讀數能力,並改善空間及物理推理能力。gemini-robotics-er-1.5-preview 將於 2026 年 4 月 30 日 9AM PST 停用。
Google DeepMind 發佈 Gemini Robotics-ER 1.6,提升機械人的空間與多視角推理能力,並新增儀表讀數能力。模型在指點、計數、任務成功檢測等方面較 Gemini Robotics-ER 1.5 和 Gemini 3.0 Flash 有所提升,並透過 Gemini API 和 Google AI Studio 向開發者提供。
美團 LongCat 開源 LongCat-Next 及其 tokenizers;這是一個以單一自回歸目標處理文字、視覺及音訊的原生多模態模型。模型以 LongCat-Flash-Lite MoE(A3B)為骨幹,透過 DiNA 將多種模態納入共享 token 空間。技術報告稱,模型在 28× 壓縮率下仍保持強生成品質,並具備進階語音理解、低延遲語音對話和可自訂聲線複製能力。
Meta 於 2026 年 4 月 8 日發佈 Muse Spark,這是 Muse 家族首個原生多模態推理模型,支援工具使用、視覺鏈式推理及多智能體協作。
Overworld 推出 Waypoint-1.5 即時影片世界模型,提升視覺保真度並擴大可本地運行的硬件範圍。桌面硬件 RTX 3090 至 5090 可生成最高 720p、60 FPS 的即時環境;另有面向更廣泛消費級硬件(包括遊戲筆電)的 360p 版本,Apple Silicon Mac 支援即將推出。
推薦理由:Waypoint-1.5 分設 720p 與 360p 檔位,並列明 RTX 3090 至 5090 可達最高 720p、60 FPS,呈現其畫質與本地硬件覆蓋方案。
FireRedTeam 發佈 FireRed-Image-Edit-1.1,基於 FireRed-Image-Edit-1.0,優化人像一致性、多元素融合、風格化文字參照及人像妝效。內置 Agent 可自動處理超過 3 張輸入圖片的區域偵測、裁切拼接及提示詞改寫。項目提供的加速推理配置標示使用 30GB VRAM,生成約 4.5s/sample。
美團 LongCat 發佈 LongCat-AudioDiT,這款非自回歸擴散式文字轉語音模型直接在波形潛在空間運作,提供 1B 和 3.5B 版本。作者報告,3.5B 版本在 Seed-ZH 和 Seed-Hard 的 SIM 分數分別為 0.818 和 0.797,較文中所述先前 Seed-TTS 的 0.809 和 0.776 高。
美團 LongCat 發佈 LongCat-AudioDiT-3.5B,這款非自回歸擴散式文字轉語音模型直接在波形潛在空間運作。在 Seed 基準上,LongCat-AudioDiT-3.5B 的 Seed-ZH 與 Seed-Hard 説話人相似度(SIM)分別為 0.818 和 0.797。
NII公開 LLM-jp-4 8B 和 LLM-jp-4 32B-A3B,兩款模型以約12兆 tokens 語料訓練,並採用開源授權。兩者分別採用 Llama 2 架構和 Qwen3 MoE 架構,並以英語及日語的22種指令微調數據進行調校。
Google 於 2026年4月2日以 Apache 2.0 授權發布 Gemma 4 開放模型,提供 E2B、E4B、26B MoE 和 31B Dense 四種規模。
推薦理由:Gemma 4 提供四種規模,並以較小版本支援離線多模態處理、較大版本支援長上下文推理,呈現本地部署在不同硬件場景的配置方式。
Google DeepMind 發佈 Gemma 4 開放模型家族,提供 E2B、E4B、26B MoE 和 31B Dense 四種尺寸,並採用 Apache 2.0 授權。
推薦理由:Gemma 4 提供從手機端到工作站的多種尺寸,並列出排行榜名次與上下文窗口,便於比較本地部署時的硬件需求和能力差異。
Google DeepMind 的 Gemma 4 多模態模型系列已登陸 Hugging Face,提供五種尺寸,支援圖像、文字及部分型號的音訊輸入。模型採 Apache 2 授權,最大上下文窗口為 256K;31B 和 26B A4B 的 text-only LMArena 估算分數分別為 1452 和 1441,後者有 4B 啟用參數。
推薦理由:文章列出五種 Gemma 4 規格、上下文窗口和音訊支援差異,並整理多個推理與微調框架的接入方式,可供比較型號特點及部署路徑。
Gemma 4 發佈 gemma-4-26b-a4b-it 和 gemma-4-31b-it,作為 Gemma 4 發佈的一部分。兩款模型可於 AI Studio 使用,亦可透過 Gemini API 使用。
Granite 4.0 3B Vision 現已推出,是面向企業文件理解的緊湊型視覺語言模型,支援表格抽取、圖表理解及語義鍵值對抽取。模型以 LoRA adapter 形式構建於 Granite 4.0 Micro 之上,可獨立使用或配合 Docling,並以 Apache 2.0 授權在 Hugging Face 提供。
Google 推出 Veo 3.1 Lite Preview,這是其最具成本效益的影片生成模型,面向快速迭代及建構高用量應用。gemini-2.5-flash-lite-preview-09-2025 已停用,建議改用 gemini-3.1-flash-lite-preview。
Google 於 2026 年 3 月 26 日發佈音訊及語音模型 Gemini 3.1 Flash Live,提升即時對話的語音理解和函數調用能力,並兼顧音質與速度。
推薦理由:文章把語音理解改進、基準測試表現與 Search Live 擴展至 200 多個國家和地區並列,呈現模型能力如何進入 Google 產品服務。
Google DeepMind 推出 Gemini 3.1 Flash Live,提升即時語音對話的精準度並降低延遲。它在 ComplexFuncBench Audio 得分 90.8%,在 Scale AI 的 Audio MultiChallenge 開啟 thinking 時得分 36.1%。
推薦理由:原文以兩項語音基準呈現多步函數調用與複雜指令跟隨表現,並列出開發者、企業及一般用户的使用入口,可對照其能力與部署場景。