Google DeepMind 推出 Lyria 3 Pro,支援最長 3 分鐘音樂生成並接入多項產品
Google DeepMind 推出音樂生成模型 Lyria 3 Pro,支援生成最長 3 分鐘的曲目,並可按前奏、主歌、副歌和橋段等音樂結構提示創作。
推薦理由:文章呈現 Lyria 3 Pro 從段落提示到 Vertex AI 公開預覽的接入脈絡,並連結創作者音樂工具與企業按需音訊製作場景。
Google DeepMind 推出音樂生成模型 Lyria 3 Pro,支援生成最長 3 分鐘的曲目,並可按前奏、主歌、副歌和橋段等音樂結構提示創作。
推薦理由:文章呈現 Lyria 3 Pro 從段落提示到 Vertex AI 公開預覽的接入脈絡,並連結創作者音樂工具與企業按需音訊製作場景。
Google 發佈 gemini-3.1-flash-live-preview,這是一款面向即時對話及語音優先 AI 應用的音訊到音訊(A2A)模型。如要開始使用,可參閲 Live API 文件。
Gemini API 推出 Lyria 3 音樂生成模型,分為 lyria-3-clip-preview(生成 30 秒片段)及 lyria-3-pro-preview(生成完整歌曲)。
美團 LongCat 發佈 LongCat-Flash-Prover,這款 560 billion 參數的開源 MoE 模型面向 Lean4 原生形式推理。模型在 MiniF2F-Test 上以每題 72 次推理達到 97.1% 通過率。在 ProverBench 和 PutnamBench 上,每題嘗試不超過 220 次,解題率分別為 70.8% 和 41.5%。
Mistral AI 發佈 4B 參數的 Voxtral TTS,支援 9 種語言語音生成。在典型的 10 秒語音樣本和 500 characters 輸入下,模型延遲為 70ms;人評顯示其自然度高於 ElevenLabs Flash v2.5,TTFA 相近。
推薦理由:原文以人評比較 Voxtral TTS 與 ElevenLabs Flash v2.5 的自然度和 TTFA,並列出模型延遲及 API 定價,提供評估語音智能體應用的具體依據。
OpenAI 發佈 GPT-5.4 mini 和 nano,兩者是 GPT-5.4 的較小、更快速版本。它們針對編碼、工具使用、多模態推理,以及高用量 API 和子智能體工作負載作最佳化。
Mistral AI 發佈 Mistral Small 4,將 Magistral 的推理、Pixtral 的多模態及 Devstral 的智能體編碼能力整合至單一模型。
推薦理由:Mistral Small 4 整合指令、推理、多模態及智能體編碼能力,並列出相較 Mistral Small 3 的吞吐數據,可供比較單一模型承接多類任務時的效率表現。
Mistral AI 開源 Leanstral,一款為 Lean 4 設計、用於程式碼生成與形式化證明的程式碼智能體,採用 6B active parameters。
Google 於 2026 年 3 月 10 日以公開預覽形式發佈基於 Gemini 架構的首款多模態嵌入模型 Gemini Embedding 2。模型可處理文字、圖片、影片、音訊及 PDF,並將內容映射至統一嵌入空間,支援 100 多種語言及單一請求混合多種模態。
Gemini API 發佈 gemini-embedding-2-preview,這是其首個多模態嵌入模型,支援文字、圖像、影片、音訊及 PDF 輸入,並將各模態映射至統一嵌入空間。gemini-2.5-flash-lite-preview-09-2025 將於 2026 年 3 月 31 日停止服務。
Sarvam AI 開源 Sarvam 30B 和 Sarvam 105B 兩款從零訓練的推理模型,並提供 API、權重下載及本地推理範例。兩者採用 MoE Transformer 架構,分別以 16T 和 12T tokens 預訓練,並在印度使用 IndiaAI Mission 提供的算力訓練。
OpenAI 於 2026 年 3 月 5 日發佈 GPT-5.4,將推理、編碼和智能體工作流能力整合到單一模型。GPT-5.4 支援最多 100 萬個模型 token 的上下文,並加入內置電腦操作及工具搜尋功能。API 已可使用,GPT-5.4 正逐步推出至 ChatGPT 和 Codex;GPT-5.4 Pro 亦已可透過 API 使用。
推薦理由:GPT-5.4 將推理、編碼與智能體工作流整合於單一模型,並加入電腦操作及工具搜尋,呈現其面向長流程任務的能力組合。
OpenAI 發佈 GPT-5.4,並稱其為面向專業工作的能力最強、效率最高的前沿模型。該模型具備最先進的編碼、電腦操作和工具搜索能力,並有 1M-token 上下文窗口。
OpenAI 於 2026年3月3日發佈 GPT-5.3 Instant,作為 ChatGPT 使用率最高模型的更新,重點改善日常對話體驗。新模型改善對話語氣、減少不必要的拒絕,並加強網絡搜尋回答;在醫療、法律及金融等高影響領域,模型幻覺評估較 GPT-5.2 Instant 在使用網絡搜尋時減少 26.8%,僅使用內部知識時減少 19.7%。
Google DeepMind 推出 Gemini 3.1 Flash-Lite,現正以預覽版向開發者及企業開放,開發者可透過 Google AI Studio 的 Gemini API 使用,企業則可透過 Vertex AI 使用。
推薦理由:文章把 Gemini 3.1 Flash-Lite 的定價、相較 2.5 Flash 的速度數據及質素描述並列,呈現其面向高頻工作負載的成本定位。
Gemini API 更新日誌宣佈推出 Gemini 3.1 Flash-Lite Preview,這是 Gemini 3 系列首個 Flash-Lite 模型。開發者可查閲模型頁面瞭解規格、具體更新及開發者指引。
Google 於 2026 年 2 月 26 日發佈 Nano Banana 2(Gemini 3.1 Flash Image),結合 Nano Banana Pro 的部分能力與 Gemini 3.1 Flash 的速度。
推薦理由:Nano Banana 2 結合 Nano Banana Pro 的部分能力與 Gemini 3.1 Flash 的速度,並列出角色、物件一致性及畫面比例等具體生成控制項。
Google DeepMind 發佈圖像生成模型 Nano Banana 2(Gemini 3.1 Flash Image),以 Flash 速度帶來 Nano Banana Pro 的世界知識、品質與推理能力。
推薦理由:Nano Banana 2 將 Nano Banana Pro 的世界知識、視覺品質與創作控制帶到 Flash 速度,並交代其在 Google 產品中的推出範圍及 Nano Banana Pro 的保留使用方式,説明兩款模型面向的工作流程差異。
Google 發佈 Nano Banana 2(Gemini 3.1 Flash Image Preview),這是一款以速度及高用量場景為優化方向的高效率模型。Gemini 3 Pro Preview(gemini-3-pro-preview)將於 2026 年 3 月 9 日停止服務。
Swallow LLM Project 於2026年2月20日發佈 GPT-OSS-Swallow-v0.1 和 Qwen3-Swallow-v0.2,強化兩款模型的日語能力與思考能力。
Inception Labs 發佈 Mercury 2 推理語言模型,透過擴散模型並行修訂生成回應,主打低延遲推理。官方列出其在 NVIDIA Blackwell GPUs 上達 1,009 tokens/sec,並稱生成速度提升 >5x;價格為 $0.25/1M input tokens、$0.75/1M output tokens。
Google 於 2026年2月19日推出 Gemini 3.1 Pro 預覽版,強化推理能力,並大幅提升從文字提示詞直接生成 SVG 動畫的質素。在 ARC-AGI-2 基準上,Gemini 3.1 Pro 得分 77.1%,高於 Gemini 3 Pro(33.1)、Claude Opus 4.6(68.8)及 GPT-5.2(52.9)。
推薦理由:文章列出 Gemini 3.1 Pro 在 ARC-AGI-2 的 77.1% 評分,並對照 Gemini 3 Pro、Claude Opus 4.6 和 GPT-5.2 的成績,呈現各模型在該基準上的差異。
Google DeepMind 發佈 Gemini 3.1 Pro,作為 Gemini 3 系列核心模型升級,提升複雜問題的推理能力。它在 ARC-AGI-2 取得經驗證的 77.1% 得分,推理表現超過 Gemini 3 Pro 兩倍。
推薦理由:Gemini 3.1 Pro 在 ARC-AGI-2 取得經驗證的 77.1% 得分,並稱推理表現超過 Gemini 3 Pro 兩倍,為核心推理升級提供量化比較依據。
NVIDIA 於 2026 年 2 月 18 日公開日語特化語言模型 NVIDIA Nemotron-Nano-9B-v2-Japanese,支援推理與非推理任務。
Google DeepMind 在 Gemini app beta 推出 Lyria 3 音樂生成模型,使用者可用文字提示或上傳照片、影片生成 30 秒音軌。系統會按提示生成歌詞,並可調整風格、人聲和節奏;音軌嵌入 SynthID,Gemini 的核驗功能亦延伸至音訊,使用者可上傳檔案詢問其是否由 Google AI 生成。
推薦理由:Lyria 3 在 Gemini app 開放以文字、圖片或影片生成音樂,並納入 SynthID 與音訊核驗,呈現創作功能和 AI 內容識別並行的設計。
Google 發佈 Gemini 3.1 Pro Preview,並推出獨立 endpoint `gemini-3.1-pro-preview-customtools`,該 endpoint 更擅長優先處理自訂工具。它面向以 bash 和工具組合進行開發的用戶。
Anthropic 於 2026 年 2 月 17 日發佈 Claude Sonnet 4.6,表示其多個領域的能力接近 Opus 級別,並以 beta 形式支援 1M token 上下文窗口。
推薦理由:文章對照 Claude Sonnet 4.6 與 Opus 4.6 的任務適用差異,並交代電腦操作評測與現實操作之間的限制。
Anthropic 在 Claude Platform 推出 Claude Sonnet 4.6,定位為兼顧速度與智能的日常任務模型,智能體搜尋表現提升且 token 消耗較少。
Google Deep Think 團隊於 2026 年 2 月 12 日更新 Gemini 3 Deep Think,強化其處理研究與工程難題的推理能力。
Google DeepMind 發佈 Gemini 3 Deep Think 重大升級,面向科學、研究與工程領域的複雜挑戰。
推薦理由:文章列出數學、編程及科學基準的具體成績,並交代 Gemini app 與 Gemini API 的開放方式,呈現本次升級的評測範圍和使用入口。
OpenAI 發佈 GPT-5.3-Codex-Spark,並稱其為首個即時編碼模型,生成速度快 15x,具備 128k 上下文窗口。目前以研究預覽形式向 ChatGPT Pro 用户提供。
推薦理由:公告列出生成速度、上下文窗口及研究預覽的適用對象,讓讀者可同時瞭解 GPT-5.3-Codex-Spark 的性能宣稱與目前開放範圍。
美團 LongCat 發佈 LongCat-Flash-Lite,一款總參數量 68.5B、約 3B 啟用參數的非思考型 MoE 模型。模型透過 YaRN 支援 256k 上下文窗口,並加入 N-gram 嵌入表;報告指其 Agent 工具使用及編碼表現具競爭力。
美團 LongCat 發佈 LongCat-Flash-Lite,這是一款 68.5B 參數、約 3B 啟動參數的非思考型 MoE 模型。模型透過 YaRN 支援 256k 上下文長度,並採用 N-gram embedding table。
Anthropic 發佈 Claude Opus 4.6,OpenAI 同日發佈 GPT-5.3-Codex,兩款前沿模型均聚焦提升編碼及智能體任務能力。
推薦理由:文章並列兩款模型的基準測試、長上下文與自主編碼能力,並交代工具整合和資安安排,便於比較其開發用途與使用條件。
ERNIE 5.0 是一個從頭訓練的 2.4 萬億參數統一多模態模型,在單一自回歸框架中整合文字、圖像、影片和音訊的理解與生成。模型採用 MoE 架構,每個 token 僅啟用約 3% 的參數,並以彈性訓練生成不同子模型,無須重新訓練即可部署。其預訓練上下文長度由 8K 擴展至 128K。
OpenAI 發佈 GPT-5.3-Codex,這款 Codex 原生智能體結合前沿編碼表現與通用推理,支援長週期的現實技術工作。
Mistral AI 發佈 Voxtral Transcribe 2,包含用於批次轉寫的 Voxtral Mini Transcribe V2,以及面向即時應用的 Voxtral Realtime。
推薦理由:批次版與即時版的定位和能力差異清晰,文章亦列出即時轉寫的延遲設定、開放權重授權及兩款模型的 API 價格,便於比較部署選項。
Alibaba 的 Qwen Team 於 2026 年 2 月 3 日發佈開放權重語言模型 Qwen3-Coder-Next,專為編碼智能體及本地開發設計。模型基於 Qwen3-Next-80B-A3B-Base,總參數量為 80B、推理時活躍參數為 3B,並以超過 80 萬筆結合可驗證編碼任務與執行環境的數據集進行智能體訓練。
美團 LongCat 推出 LongCat-Image-Edit-Turbo,這是 LongCat-Image-Edit 的蒸餾版本,僅需 8 NFEs 進行圖像編輯,並提供極低推理延遲。涉及文字生成的文生圖或圖像編輯任務中,提示詞的目標文字須以單引號或雙引號括起;模型會對引號內文字採用專用字符級編碼,未加引號會嚴重影響文字渲染能力。
美團 LongCat 發佈 LongCat-Flash-Thinking-ZigZag,這款長上下文模型在 LongCat-Flash-Thinking-2601 基礎上加入 LongCat ZigZag Attention(LoZA)稀疏注意力,模型權重以 MIT License 發佈。
最多提供 50 頁,更早的內容請使用搜尋或主題頁。