模型
全球大模型的发布、更新、开源、价格变化和评测动态。
共 5 条 · 海外
- Meta 发布 Muse 实时语音与虚拟形象架构新
Meta 公布 Muse Realtime Voice 与 Muse Realtime Avatar，两者通过共享的语音 token 流组成统一流式架构。Voice 生成同时编码内容与韵律的语音 token，Avatar 消费同一 token 流生成流式视频。系统以固定长度历史作为后续分块的动作上下文，使任意长度对话下的计算量保持有界，并同步生成语音、唇动和表情。原文未披露模型规模、延迟数据与开放时间。
X @AIatMeta2 小时前海外新模型发布41
- Contrastive-LM 发布 CLM-8B：给 Agent 动作打分比 Jev 快 9 倍新
Contrastive-LM 发布 CLM-8B，首个开源 Contrastive Language Model（CLM）。它不生成文本，而是对候选动作打分并返回概率，对标 TypeSafe AI 的专有 System One 模型 Jev。Apache-2.0 授权，头部权重仅 75 MB，单张 NVIDIA GPU 即可运行，用 vLLM 服务 Qwen3-8B 编码器。训练分三阶段：约 6000 万 Nemotron DQA 问答对预训练、约 3000 万 Gemini 2.5 Flash-Lite 合成难负样本中期训练、约 100 万条 Agent 轨迹后训练。在约 10 万条留出问题上，仅预训练 top-1 准确率 52.1%，中期训练提升至 69.2%。T-Rex 游戏任务延迟 16.5 ms 对 Jev 的 149.8 ms，即 9 倍加速；
MarkTechPost2 小时前海外新模型发布40
- TypeSafe AI 发布 Jev：不生成文本，只返回类型化决策
TypeSafe AI 推出首个 System One 模型 Jev，不生成任何文本，而是接收程序状态和一组类型化问题，返回选项、分数和是/否概率，供代码直接分支。官方 Python SDK 为 typesafe-sdk 0.7.0，输入 token 定价 0.042 美元/百万，输出 token 免费。教程演示了置信度门控路由、代码内保留权重的复合评分、类型化函数调用，以及用 Pydantic 响应模型、asyncio 异步扇出、重试策略和成本账本构建生产形态。
- Google 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS
Google 发布两款 Gemini Audio 系列语音模型：Gemini 3.8 Flash TTS 面向创意配音与角色设计，Flash-Lite TTS 面向高并发低成本生产，均通过 Gemini API 和 AI Studio 提供，仅 API 调用、不开源权重。新模型支持用自然语言逐句指导语气、节奏、方言，可从文本提示生成新音色，覆盖 100 多种语言和方言，并提供 2000+ 现成音色库。语音复刻需 30 秒样本和声音所有者口头同意录音，所有输出带 SynthID 水印。
- NVIDIA 开源 100M 参数说话人分离模型 Nemotron 3
NVIDIA 在 Hugging Face 发布开源权重模型 Nemotron 3 Diarization，100M 参数，最多同时跟踪 8 位说话人，支持语音重叠场景，一个 checkpoint 同时覆盖离线录音与实时流式。权重采用 OpenMDW License 1.1，允许商用，通过 NVIDIA NeMo 在 Linux 上运行，支持 Ampere、Ada Lovelace、Hopper、Blackwell GPU。相比此前支持 4 人的 Streaming Sortformer，说话人上限翻倍。模型接收 16 kHz 单声道音频，输出每位说话人的活动概率，提供 4 档延迟配置：离线 30.4 s 缓冲 DER 12.73%，最低推荐 0.32 s 缓冲 DER 13.55%。