可灵:有些告别没有预警,但可以重现
有些告别没有预警——但你可以重现它们。
有些告别没有预警——但你可以重现它们。
OpenAI 推出 ChatGPT Images 2.5,可将想法、草图与参考照片转化为更个性化、更精致的图像,更贴近用户原本的构思。
Google 发布 Gemini 3.7 Flash,主打编程与智能体,每百万 token 价格为首发 3.6 Flash 的一半;同期推出语音转文本模型 Gemini 3.5 Transcribe,面向语音智能体、实时字幕和通话后分析。Gemini 应用月活突破 10 亿,Gemini Omni 1.1 Flash 已在 Google Flow、AI Studio 等平台上线。
Google DeepMind 发布 Gemini Omni 1.1 Flash,通过 Gemini API 在 Google AI Studio 向开发者提供生成式视频能力。
推荐理由:Gemini Omni 1.1 Flash 面向开发者开放场景延长、首尾帧插值与 4K 超分,可据此评估视频工作流改造空间。
NVIDIA 发布 Magpie TTS Multilingual 开放权重模型,参数量 364M,支持 12 种语言,本次新增现代标准阿拉伯语、韩语和巴西葡萄牙语,并通过更新训练数据提升多语言合成质量。
Google 发布新一代音乐生成模型 Lyria 3.5,并在 Google Flow Music 中上线。官方称其在音乐性、歌词与演唱质量上均有提升,旋律结构更丰富自然,歌词生成对提示的遵循和结构意识更强,人声表现力与发音改善,同时新增对节奏和时长的控制。
Google DeepMind 发布 Nano Banana 2 Lite(gemini-3.1-flash-lite-image)和 Gemini Omni Flash(gemini-omni-flash-preview)两款模型。
推荐理由:两款模型分别主打图像生成的速度成本与视频的对话式编辑,开发者可据此评估接入组合流程。
Google 发布音频模型 Gemini 3.5 Live Translate,支持 70+ 语言的近实时语音到语音翻译,能自动检测语言并保留说话人的语调、节奏和音高。
推荐理由:Gemini 3.5 Live Translate 把同传延迟压到几秒并支持 70+ 语言,开发者可据此评估实时配音与会议翻译方案。
Google DeepMind 发布 Gemini Omni 家族首个模型 Gemini Omni Flash,可组合图像、音频、视频和文本作为输入生成高质量视频,并通过自然语言对话进行多轮编辑。
推荐理由:Gemini 首个视频生成模型 Omni Flash 上线,支持多模态输入与对话式多轮编辑,可对照现有出片流程评估。
OpenAI 在 API 中推出新的实时语音模型,可进行推理、翻译和语音转写,以支持更自然、更智能的语音体验。
NVIDIA 推出 Nemotron 3 Nano Omni 全模态理解模型,采用 Nemotron 3 混合 Mamba-Transformer MoE 骨干,搭配 C-RADIOv4-H 视觉编码器和 Parakeet-TDT-0.6B-v2 音频编码器,支持 100+ 页文档、长音频视频理解与智能体电脑操作。
OpenAI 推出 ChatGPT Images 2.0,改进了文字渲染、多语言支持与视觉推理能力。该版本于 2026 年发布,Images 2.5 的新功能可另行查看。
Google 发布 Gemini 3.1 Flash TTS,称其为目前最自然、表现力最强的语音模型,在 Artificial Analysis TTS 榜单上取得 1,211 Elo 分。
推荐理由:Gemini 3.1 Flash TTS 引入音频标签与多说话人对话,开发者可据此评估语音生成的可控性提升。
Overworld 发布实时视频世界模型 Waypoint-1.5,在 RTX 3090 至 5090 等桌面硬件上可生成最高 720p、60 FPS 的实时环境,并新增面向更广消费级硬件的 360p 档,后续将支持 Apple Silicon Mac。
推荐理由:Waypoint-1.5 把实时世界模型压到消费级显卡,720p 与 360p 双档让创作者可评估本地交互式生成的可行性。
Google 发布 Gemini 3.1 Flash Live,称其为目前质量最高的音频与语音模型,具备更高精度和更低延迟。
推荐理由:Gemini 3.1 Flash Live 在语音交互的延迟、长程推理与多语言上给出可对比的基准数据,开发者可据此评估语音智能体的落地。
Google DeepMind 发布 Lyria 3 Pro,可生成最长 3 分钟的曲目,并能按前奏、主歌、副歌、桥段等结构元素进行提示。该版本已上线 Vertex AI 公共预览、Google AI Studio 与 Gemini API,并接入 Google Vids、Gemini 应用和 ProducerAI;Lyria 3 与 Lyria 3 Pro 的输出均嵌入 SynthID 水印。
推荐理由:Lyria 3 Pro 把单曲时长拉到 3 分钟并支持段落级提示,创作者可据此判断能否用于成片配乐。
OpenAI 针对 Sora 2 视频模型与 Sora 社交创作平台带来的新型安全挑战,将安全作为底层设计基础,并以具体防护措施为支撑。
Google DeepMind 发布最新图像生成模型 Nano Banana 2(Gemini 3.1 Flash Image),将 Nano Banana Pro 的先进世界知识、质量与推理能力带到 Flash 速度。
推荐理由:Nano Banana 2 把 Pro 级世界知识与文字渲染下放到 Flash 速度,并给出多平台上线与定价入口,可据此评估图像工作流是否切换。
Google DeepMind 在 Gemini 应用内以 beta 形式上线最新音乐生成模型 Lyria 3,用户用文本或图片即可生成 30 秒歌曲,歌词由模型自动生成,并可控制风格、人声与节奏。
推荐理由:Lyria 3 在 Gemini 应用内开放文本与图片生成 30 秒歌曲,并加入音频 SynthID 验证,可观察音乐生成的产品化路径。
Overworld 发布实时交互式视频扩散模型 Waypoint-1,可通过文本、鼠标和键盘控制,权重已上线 Hugging Face Hub,包含 Waypoint-1-Small,Waypoint-1-Medium 即将推出。
推荐理由:实时交互式视频扩散模型开源,可评估其在消费级硬件上做可交互世界生成的实际表现。
Google DeepMind 推出 D4RT(Dynamic 4D Reconstruction and Tracking),一个统一 4D 场景重建与追踪的 AI 模型,采用编码器-解码器 Transformer 架构和查询机制,可同时完成点追踪、点云重建与相机位姿估计。
Google DeepMind 更新 Veo 3.1 Ingredients to Video,让基于参考图生成的视频更具表现力,并首次支持原生 9:16 竖屏输出,面向 YouTube Shorts 等移动端短内容。
推荐理由:Veo 3.1 的 Ingredients to Video 更新带来原生竖屏与 1080p/4K 超分,创作者可据此评估短剧出片流程。
NVIDIA 发布开源推理视觉语言模型 Cosmos Reason 2,在 Physical AI Bench 与 Physical Reasoning 榜单上成为排名第一的开源视觉理解模型。
OpenAI 推出 ChatGPT Images 与 GPT-Image-1.5,前者提供更快的图像生成体验,后者通过 API 开放使用。
Google 发布升级版 Gemini 2.5 Flash Native Audio,面向实时语音智能体,提升了复杂工作流处理、指令遵循和多轮对话能力,在 ComplexFuncBench Audio 上以 71.5% 领先,开发者指令遵循率从 84% 升至 90%。
推荐理由:Gemini 2.5 Flash Native Audio 更新了函数调用、指令遵循与多轮对话能力,并新增实时语音翻译,可据此评估语音智能体与翻译场景的可用性。
Hugging Face Diffusers 宣布支持 FLUX.2,提供 Flux2Pipeline 与 Flux2Transformer2DModel 的调用代码,示例使用 diffusers/FLUX.2-dev-bnb-4bit 仓库与 Mistral3 文本编码器,并启用 enable_model_cpu_offload。
推荐理由:Diffusers 接入 FLUX.2 并给出 4bit 量化加载示例,创作者可据此评估本地部署门槛。
Google DeepMind 发布 Nano Banana Pro(Gemini 3 Pro Image),这是基于 Gemini 3 Pro 构建的高保真图像生成与编辑模型,已在 Google AI Studio 和 Vertex AI 以付费预览形式向开发者开放。
推荐理由:Gemini 3 Pro Image 面向开发者开放付费预览,支持 2K/4K 输出与多图合成,可用于评估现有出图流程。
Google DeepMind 发布 Nano Banana Pro(Gemini 3 Pro Image),基于 Gemini 3 Pro 构建,主打更准确的图像内文字渲染、多语言生成与实时信息可视化。
推荐理由:基于 Gemini 3 Pro 的图像模型在文字渲染与多图一致性上给出新能力,可据此评估出图流程。
OpenAI 发布新一代视频与音频生成模型 Sora 2,并公开其系统卡。相比 Sora,新模型在物理准确性、真实感、同步音频、可控性和风格范围上有所提升,官方称这些能力此前的视频模型较难实现。
推荐理由:OpenAI 公布 Sora 2 的系统卡,列出物理准确性、同步音频等能力变化,可对照前代评估升级幅度。
OpenAI 发布视频生成模型 Sora 2,可生成与画面同步的对话和音效。该模型所属的 Sora 产品目前已不再可用。
OpenAI 发布 Sora 2 与 Sora 应用,称其为最先进的视频模型与新的社交创作平台,并针对由此带来的新型安全挑战,将安全作为构建基础,采取具体防护措施。
推荐理由:OpenAI 在发布 Sora 2 与 Sora 应用时同步说明其安全设计思路,可了解官方对视频模型安全挑战的应对框架。
OpenAI 宣布最新图像生成模型以 gpt-image-1 的形式在 API 中开放,开发者和企业可将专业级、可定制的视觉内容直接集成进自有工具和平台。
推荐理由:OpenAI 把最新图像生成模型以 gpt-image-1 接入 API,开发者可据此评估自有工具的图像生成集成。
语言技术实验室发布 Visual Salamandra,将 Salamandra 大模型能力扩展至图像和视频,基于 70 亿参数基础模型,集成 Google SigLIP-So400m 编码器与 2 层 MLP 投影器,采用四阶段训练和 late-fusion 架构。
OpenAI 发布 GPT-4o 的原生图像生成能力,官方称其在文字渲染和指令跟随方面更强,并指向 ChatGPT Images 2.5。
推荐理由:OpenAI 在 GPT-4o 中原生加入图像生成,文字渲染与指令跟随是这次更新的两个关键变化。
OpenAI 发布 GPT-4o 系统卡增补,介绍 4o 图像生成。该能力比此前的 DALL·E 3 系列模型更强,可生成写实画面,也能接收图像输入并进行变换。
推荐理由:OpenAI 在系统卡增补中说明 4o 图像生成相较 DALL·E 3 的能力变化,可据此了解其图像输入与写实输出定位。
OpenAI 在 API 中推出新一代音频模型,开发者首次可以指示文本转语音模型以特定方式说话,例如“像一位有同理心的客服人员那样说话”,为语音智能体带来新的定制能力。
Hugging Face 发布 SmolVLM2 系列视频语言模型,含 2.2B、500M 和 256M 三种参数规模,其中 500M 与 256M 号称迄今最小的视频语言模型。
OpenAI 的视频生成模型 Sora 现已可在 sora.com 使用。用户可生成最高 1080p 分辨率、最长 20 秒的视频,支持宽屏、竖屏和方形画幅。用户可导入自有素材进行延展、重混与融合,也可完全由文本生成新内容。
推荐理由:Sora 正式开放使用,创作者可据此了解其分辨率、时长与画幅等基础生成规格。
电影制作人 Lyndon Barrois 讲述如何将 Sora 用作叙事工具。
OpenAI 公布视频生成模型 Sora 的系统卡。Sora 可接收文本、图像和视频输入并生成新视频,其设计借鉴了 DALL-E 与 GPT 模型的经验,旨在为叙事和创意表达提供更丰富的工具。