MarkTechPost（RSS）
63
字节跳动智能创作实验室发布了Lance，这是一款开源的原生统一多模态模型。它能够在单一框架内，同时处理图像与视频的理解、生成和编辑三大任务。该模型仅需激活30亿参数，实现了用一个轻量级模型统一处理多种视觉内容创作与理解的需求。
全部 AI 动态
AI 相关资讯全量信息流
5月21日
15:27
一个模型，三种模态：字节跳动发布 Lance 用于图像与视频的理解、生成和编辑
05:35
Chubby♨️@kimmonismus64
This is a general-purpose LLM. It wasn't targeted at this problem or even at mathematics. Also, it's not a scaffold. We ...
04:17
Google DeepMind@GoogleDeepMind精选84
推荐理由：Google 在 Gemini 3.5 上继续扩展 Flash 线，这种轻量模型对成本和延迟敏感场景很关键，如果你在等一个便宜的 Gemini API，该看了。
00:44
Google Gemini@GeminiApp精选74
推荐理由：Gemini 3.5 Flash 的核心不是刷榜，而是解决现实中‘信息像一堆垃圾’的问题，这种从杂乱输入直接生成文档的能力，对小企业和自由职业者比 SOTA 更有用。
00:36
Rohan Paul@rohanpaul_ai63
商汤科技近日开源了SenseNova U1，其核心创新在于架构设计。该模型摒弃了传统的视觉编码器与变分自编码器分离结构，采用单一共享表示空间原生处理图像与文本，极大减少了模块间转换导致的信息损耗。这一设计使模型能够连贯地同时生成图文内容，在信息图、海报、漫画等需要高一致性的密集视觉内容创作上优势显著。性能方面，其信息图生成速度在同等质量下约为Qwen-Image-2.0/Seedream-4.5的两倍。
00:06
Artificial Analysis@ArtificialAnlys69
Cohere发布了开源权重模型Command A+，其在AI分析智能指数上的得分与Claude 4.5 Haiku持平。该模型核心优势为极低的幻觉率，在相关榜单上以86%领先，体现出模型“知其不知”的可靠性。在速度方面，其API输出速度超过GPT-5.4 nano等多款模型，但仍略逊于Gemini 3.1 Flash-Lite。模型在科学推理与代码生成等高难度任务上表现稍弱，但具备视觉推理能力，性能位于Claude 4.5 Haiku与GPT-5.4 nano之间。
5月20日
23:56
IT之家（RSS）
精选71
Stability AI 推出 Stability Audio 3.0 音频生成模型家族，包含四款不同规格模型，参数从45900万到27亿。小型模型专注设备端运行，可本地生成两分钟以内的音频；中型和大型模型支持创作超过6分20秒的完整音乐，
推荐理由：Stability Audio 3.0 把AI音乐从几十秒的demo拉到了六分钟的完整歌曲，而且中小模型直接开源，任何一个能跑模型的设备都能玩，音乐创作的门槛继续被踩低。
23:03
The Decoder：AI News（RSS）
61
Stability AI正式推出Stable Audio 3.0音频生成模型套件。该系列包含三个已开放模型权重的版本，能够生成最长六分钟的连贯音乐音轨。公司强调，所有模型均完全基于授权音乐数据集进行训练，确保了生成内容的合规性。此次发布标志着在AI音乐生成领域的技术进步，为音乐创作者和开发者提供了更长时长、更开放可用的工具。
23:00
TechCrunch：AI（RSS）
60
Stability AI正式推出Stability Audio 3.0 small模型，该模型可在用户设备本地运行，生成时长最高达两分钟的音乐音轨。与此前云端生成较长音频的方案不同，此次更新强调了模型的轻量化与端侧部署能力，降低了对云计算资源的依赖。
22:02
Hacker News 热门（buzzing.cc 中文翻译）
精选86
智能代理领域迎来新突破，Qwen3.7-Max于2026年5月20日发布，标志着前沿技术的演进。该模型聚焦智能代理创新，具体细节可通过qwen.ai博客获取。发布消息在Hacker News上获得128个关注点，显示技术社区的广泛兴趣。尽管未披露详细性能指标，但Qwen3.7-Max的推出暗示了在自主代理架构或任务处理能力上的提升，推动AI向更高效、智能的方向发展。
关联讨论 10 条X：OpenRouter (@OpenRouter)X：Rohan Paul (@rohanpaul_ai)X：阿里云 / Alibaba Cloud (@alibaba_cloud)Hacker News 热门（buzzing.cc 中文翻译）X：通义千问 / Qwen (@Alibaba_Qwen)IT之家（RSS）X：X.PIN (@thexpin)Qwen：Blog Retrieval（API）X：Kim (@kimmonismus)X：opencode (@opencode)推荐理由：Qwen又发新模型，这次Max直接对标Agent场景，如果开源一贯的性价比能保持，对开发者做自主任务是个真信号。
18:46
SenseTime@SenseTime_AI精选68
La mayoría de las herramientas de IA pueden escribir o generar imágenes. Pero esta hace AMBAS cosas a la vez. Te present...
推荐理由：商汤发了 SenseNova U1，主打文本和图像同时生成的「全模态」，但宣传语太简略，没给任何性能数据或技术细节，暂时看不出是真突破还是常规迭代，先标记关注。
18:41
MarkTechPost（RSS）
63
英伟达发布了Nemotron-Labs-Diffusion语言模型家族，其核心创新在于将自回归、基于扩散的并行解码以及自推测解码三种解码模式统一于单一架构。该模型提供3B、8B和14B三种参数规模，并包含基础版、指令微调版和视觉语言版本。相较于Qwen3-8B，其8B参数版本在单次前向传播中能够生成多达6倍的Token数量，显著提升了吞吐效率。
16:09
MarkTechPost（RSS）
63
阿里巴巴 Qwen 团队发布了实时多模态翻译模型 Qwen3.5-LiveTranslate-Flash。该模型能同时处理音视频输入，支持60种语言的输入和29种语言的语音输出，端到端延迟低至2.8秒。相比前代，新增了实时说话人声音克隆、通过唇语和屏幕文字增强视觉理解，以及动态配置领域专业术语等能力。在 FLEURS 和 CoVoST2 基准测试中，性能超越主流商业模型。目前仅以 API 形式通过阿里云百炼平台提供服务，采用 WebSocket 协议通信。
15:56
IT之家（RSS）
67
阿里通义千问团队发布了Qwen3.5-LiveTranslate-Flash实时语音翻译模型。该模型将支持的音频输入与文字输出语种从18种大幅提升至60种，输出音频语种从10种增加至29种。通过采用新的流式翻译技术，端到端字均延迟降低至2.8秒，同时支持实时音色克隆以保留说话人原声特征，并内置动态热词引擎以提升专业术语翻译准确性。模型在多个公开基准测试中表现优于前代及主流模型。
15:12
MarkTechPost（RSS）
68
Google在2026年I/O大会上发布了新一代模型Gemini 3.5 Flash。该模型在代码生成和AI智能体任务等基准测试中性能超越了此前的旗舰版本，同时运行速度提升四倍，推理成本降低一半。这一更新显著增强了模型在实际应用中的效率与经济性，特别面向需要快速响应和复杂任务处理的开发者场景。
13:53
公众号：通义实验室（千问）
精选55
通义实验室（千问）发布 Qwen3.5-LiveTranslate，实现“开口即同传”——用户说话的同时即可获得翻译结果，支持实时语音同声传译。目前尚未公布模型参数规模、benchmark 分数、上下文长度等具体技术细节。
推荐理由：Qwen3.5 家族新增实时翻译能力，开头即同传对需要低延迟场景的开发者是直接可用的解决方案，虽然不算颠覆，但胜在官方出品且开箱即用。
12:36
Kling AI@Kling_ai精选72
4月23日，Kling AI正式推出全球首个原生4K视频生成模型，专为专业内容创作设计。该功能支持一键生成真4K画质视频，显著提升画面细节与制作效率。模型已获得好莱坞团队、动画工作室等多方采用。好莱坞制片人指出，这是其工作流中首个使用的原生4K基础模型；Wonder Studios强调，原生4K从底层生成避免了传统放大技术的角色变形问题，保持了画面一致性；动画导演则认为，该模型在保留艺术色调与复杂特效纹理方面优于同类产品。
推荐理由：可灵AI的世界首个原生4K视频生成，直接跳过upscaler，从好莱坞剧组到广告公司已经在用。虽然还是早期阶段，但“原生4K”对影视制作的意义，就像当年1080p取代标清。
11:55
IT之家（RSS）
精选76
阿里云千问大模型今日正式发布新一代旗舰智能体模型 Qwen3.7-Max，定位为全能的智能体基座。该模型在编程、办公自动化及长周期自主任务方面能力突出，其中在一项持续35小时、超过1000次工具调用的内核优化实验中验证了其稳定的推理与执行能力。基准测试显示，Qwen3.7-Max 在 SWE-Pro、MCP-Mark、GPQA Diamond 等多项评测中成绩领先，其编程、通用智能体及推理能力已达到业界顶尖水平。该模型即将通过阿里云百炼 API 提供服务。
关联讨论 10 条X：OpenRouter (@OpenRouter)X：Rohan Paul (@rohanpaul_ai)X：阿里云 / Alibaba Cloud (@alibaba_cloud)Hacker News 热门（buzzing.cc 中文翻译）X：通义千问 / Qwen (@Alibaba_Qwen)IT之家（RSS）X：X.PIN (@thexpin)Qwen：Blog Retrieval（API）X：Kim (@kimmonismus)X：opencode (@opencode)推荐理由：这次发布不是常规升级，千问在智能体长时间自主执行上把门槛拉高了一大截，想做agent的团队都得重新对标。
11:34
Rohan Paul@rohanpaul_ai73
商汤科技SenseNova U1已开源发布。其核心创新在于原生多模态统一建模，将视觉、语言与图像生成视为一个统一问题，而非分立模块的链式处理，从而减少了信息损失。该模型采用MoT架构（38B-Active 3B MoE），在生成信息图、海报、漫画等结构复杂的密集图文内容时能保持高度一致性。详细的技术报告披露了其包括近无损视觉接口、联合训练策略在内的完整构建方案，为行业提供了前沿参考。
🔥 New week, New SenseNova-U1 Drop - and this one goes Deep!🔥 📄 The full Technical Report is OUT - the most detailed d...
11:05
Berryxia.AI@berryxia73
Google DeepMind 最新发布的 Gemini 3.5 Flash 模型在性能与速度的平衡上取得突破。其智能指数得分为 55，较上一代大幅提升，超越了 Grok 4.3 和 Claude Sonnet 4.6。模型在智能体任务和降低幻觉率方面进步显著，输出速度超过 280 tokens/s。然而，其 API 定价相比前代模型上涨约 3 倍，运行基准测试的成本更是达到 5.5 倍。这意味着 Gemini 3.5 Flash 在实现“更快更智能”的同时，也显著改变了 Flash 系列以往低成本的市场定位。
Google's new Gemini 3.5 Flash is the clear leader on the Intelligence vs Speed Pareto frontier and makes large gains on ...
11:04
公众号：通义实验室（千问）
精选62
通义实验室推出 Qwen3.7-Max，定位为重新定义 AI 智能体基座的模型，侧重提升智能体的基础能力与架构。
推荐理由：Qwen3.7-Max 是通义系列对 Agent 基座的一次关键升级，发布时间虽已过两周，但做 Agent 的开发者仍不能忽略，选型必看。
10:49
Qwen：Blog Retrieval（API）
精选68
通义千问发布 Qwen3.7-Max，专为智能体时代设计。它具备从原型到复杂多文件工程的编码智能体能力，通过 MCP 和多智能体编排实现办公自动化，能自主执行超 1000 步工具调用（如 35 小时全自主内核优化）。兼容 Claude Code、OpenClaw、Qwen Code 等多框架。在多项基准测试中超越 Opus-4.6 Max 等模型：Terminal Bench 2.0 (69.7)、SWE-Verified (80.4)、GPQA Diamond (92.4)、HLE (41.4) 等。现已通过阿里云 Model Studio 提供 API 调用。
关联讨论 10 条X：OpenRouter (@OpenRouter)X：Rohan Paul (@rohanpaul_ai)X：阿里云 / Alibaba Cloud (@alibaba_cloud)Hacker News 热门（buzzing.cc 中文翻译）X：通义千问 / Qwen (@Alibaba_Qwen)IT之家（RSS）X：X.PIN (@thexpin)Qwen：Blog Retrieval（API）X：Kim (@kimmonismus)X：opencode (@opencode)推荐理由：Qwen3.7 把 Agent 能力拉到生产级，35 小时自主内核优化和跨框架泛化，不再是 demo 玩具，做 Agent 应用的可以认真评估了。
10:04
Rohan Paul@rohanpaul_ai74
谷歌推出Gemini 3.5 Flash模型，其输出速度提升至四倍，在终端基准测试等多项高难度任务中超越了Gemini 3.1 Pro。该模型以高速度与低成本，成为适合日常工作的强大代理工具。它已登陆Gemini应用、搜索AI模式及企业级产品等平台。配合升级的Antigravity工具，Gemini 3.5 Flash可驱动协作子代理，大规模并行处理代码审查、重写与测试等复杂任务，实现高效自动化工作流。
Gemini 3.5 in few more hours. 🔥
09:55
IT之家（RSS）
62
字节跳动即将发布AI视频生成模型Seedance 2.1，其生成质量较当前2.0版本提升约20%，改进重点在于提升视频时间一致性与物理场景模拟效果。该模型预计将整合至剪映等字节系内容创作工具中。目前，Seedance系列已占据AI视频生成领域日均超80%的算力消耗份额，主要竞争对手包括可灵与万相。与此同时，谷歌于近期大会发布了Gemini Omni模型，加剧了该领域的竞争。
09:14
meng shao@shao__meng64
Google发布了原生多模态模型Gemini Omni。与传统模型需逐帧描述不同，它采用底层原生设计，支持以意图驱动生成视频，并能通过多轮对话进行编辑，每一步都基于上一结果，确保一致性。该模型融合了Gemini的世界知识与物理直觉，并能将图、文、音视频等任意参考物组合，实现跨模态叙事生成。其目标是“从任何东西创造任何东西”，并从视频生成起步。
We're dropping Gemini Omni: our first step towards a model that can create anything from anything - starting with video....
09:08
Demis Hassabis@demishassabis精选81
推荐理由：Gemini 3.5 Flash 性能压过了 3.1 Pro，速度还快了 4 倍，成本砍半，这对高负载 agent 任务意味着可以大规模落地了，做 coding agent 的同行该认真试试。
09:04
Rohan Paul@rohanpaul_ai69
.@Google : "We're releasing Gemini 3.5 Flash" Us: *We're offering it for free* free for 24hrs via our API find instructi...
08:05
Berryxia.AI@berryxia71
Google DeepMind在I/O大会上发布了Gemini Omni模型，旨在迈出“从任何东西生成任何东西”的第一步。该模型将Gemini的智能与生成媒体系统深度融合，在世界理解、多模态和编辑能力上实现飞跃。其核心特点在于生成的视频能保持角色、光影等逻辑一致性，并支持通过自然语言进行实时编辑和风格调整，将视频转变为可动态演进的“世界素材”。该模型目前已在部分应用上线并即将开放API，不过其实际效果，尤其是在中文生成方面，仍存在一些讨论。
We're dropping Gemini Omni: our first step towards a model that can create anything from anything - starting with video....
07:10
Simon Willison 博客
精选70
谷歌在I/O大会上发布了Gemini 3.5 Flash模型，该模型跳过预览阶段直接正式发布，并已被集成到谷歌Gemini应用、搜索、开发者平台及企业解决方案等多项核心产品中。该模型价格显著上涨：输入价格为每百万令牌1.50美元，输出价格为9美元，分别是前代模型的3倍和6倍，已接近更高端的Gemini 3.1 Pro定价。技术上，它支持约100万输入令牌和约6.5万最大输出令牌。同时，谷歌推出了新的Interactions API测试版。这一价格上调趋势与OpenAI等公司近期策略相似，表明主要AI实验室正在试探API客户的价格承受能力。
关联讨论 1 条X：Testing Catalog (@testingcatalog)推荐理由：Google 把涨价 3 倍的 Gemini 3.5 Flash 直接推给亿万用户，成本恐成下阶段竞争焦点，Simon 的价格拆解和「鹅鹕骑车」测试比官方公告实在得多。
06:42
karminski-牙医@karminski361
在Google I/O大会上，Gemini-3.5-flash模型正式发布，其定价从上一代的$0.5/$3大幅上涨至$1.5/$9。实测显示，其性能介于Gemini-3.0-Pro与Gemini-3.1-Pro之间，但稳定性有所不足。此举被视为Google借鉴Anthropic的产品分层策略，计划用flash-lite、新flash和Pro形成梯队。其中新flash主打在百万级上下文内不设阶梯定价，以承接Pro模型溢出的用户。此次调价也可能旨在配合新发布的Antigravity CLI工具，定位类似Claude Code中的Sonnet模型，从而构建其开发生态。
06:36
Orange AI@oran_ge精选77
推荐理由：Google用flash 3.5打价格战，效果接近GPT-5.5且价格仅三分之一，做agent成本骤降，做多模态应用的该认真看看。
06:03
Rohan Paul@rohanpaul_ai67
谷歌近日推出Gemini Omni，这是一款能处理视频、图像、音频、文本及草图等多种输入的全能型视频AI模型。用户可通过自然语言指令对已有视频进行添加角色、替换物体、调整动作、改变风格、同步音效及移动镜头等操作，且多次编辑后仍能保持场景一致性。该模型具备更强的世界理解能力，能更真实地模拟重力、流体等物理交互，使视频编辑更接近导演创作。输出内容将附带SynthID水印与C2PA内容凭证，以明确标识其AI生成属性。
06:03
Jeff Dean@JeffDean精选81
Just off stage at #GoogleIO, some highlights from this morning 🧵 Gemini 3.5 Flash is available today for everyone in @a...
关联讨论 13 条Google DeepMind：Blog（RSS）X：Testing Catalog (@testingcatalog)Hacker News 热门（buzzing.cc 中文翻译）Google Blog：AI（RSS）X：Google DeepMind (@GoogleDeepMind)X：Gemini (@GeminiApp)X：Google AI (@GoogleAI)X：Google AI for Developers (@googleaidevs)X：Jeff Dean (@JeffDean)X：Artificial Analysis (@ArtificialAnlys)X：Sundar Pichai (@sundarpichai)IT之家（RSS）X：阶跃星辰 StepFun (@StepFun_ai)推荐理由：Jeff Dean 亲自站台的 Gemini 3.5 Flash，速度是其他前沿模型的 4 倍还兼顾编码能力，做产品的人该试试了。
05:25
Google Developers Blog（RSS）
精选87
在2026年开发者大会上，Google宣布其AI战略核心从辅助工具转向开发独立智能体。大会重点发布了Gemini 3.5系列模型，并对“反重力”智能体优先平台进行了重大更新。面向移动开发者，推出了Android CLI工具、评估排行榜及能将多种框架代码快速迁移至原生Kotlin的智能体。Web开发领域也迎来变革，包括专为智能体设计的Chrome DevTools、HTML-in-Canvas API，以及旨在让浏览器内AI智能体执行复杂任务的开放标准WebMCP提案。
关联讨论 4 条Google Blog：AI（RSS）Google Research：Blog（网页）X：Google AI for Developers (@googleaidevs)Ars Technica：AI（RSS）推荐理由：Google 第一次把 AI 代理塞进所有开发工具，从 Gemini 3.5 到 Antigravity 再到 WebMCP 提案，开发 AI 应用的人这一篇必读。
04:38
Demis Hassabis@demishassabis精选79
推荐理由：Google CEO 亲自宣布 Gemini Omni，声称能处理任意输入输出，从视频编辑开始，多模态模型正在从理解走向创作，后续演示值得蹲。
04:29
Hacker News 热门（buzzing.cc 中文翻译）
精选76
Google DeepMind 于 2026 年 5 月 19 日发布了新一代多模态大模型 Gemini Omni。该模型整合了文本、图像、音频与视频的理解与生成能力，旨在实现更自然的人机交互。在同期 Hacker News 讨论中获得 112 点赞，显示出技术社区对多模态融合趋势的持续关注。这标志着大模型从单模态向全模态感知与响应能力的进一步演进。
关联讨论 8 条X：Gemini (@GeminiApp)Google DeepMind：Blog（RSS）X：阿易 AI Notes (@AYi_AInotes)X：Google DeepMind (@GoogleDeepMind)X：Google AI (@GoogleAI)X：Berry Xia (@berryxia)IT之家（RSS）X：Ethan Mollick (@emollick)推荐理由：Google 终于把全模态能力塞进了 Gemini，Omni 可能是 GPT-4o 第一个真正能打的对手，搞多模态应用的人现在就该去排队等 API。
03:40
Google AI@GoogleAI精选74
推荐理由：Google 这次押注全模态生成，从视频切入，方向很对。如果体验不翻车，内容创作者的工具箱会迎来一次大升级，值得跟进后续实测。
03:29
Sundar Pichai@sundarpichai精选79
推荐理由：Gemini Omni 把物理直觉和历史知识喂给了视频模型，生成的不再是静态快照而是有因果的画面，Google 这一步直接把战线拉到了 Sora 的对立面，YouTube Shorts 集成是个杀手应用。
03:08
Google Gemini@GeminiApp精选81
推荐理由：Google IO 上 Gemini Omni 的发布，让视频生成从“文生”进化到“多媒体融合生成”。输入图、文、视频，输出带着真实世界理解的连贯视频，不是拼接而是再创作。
03:03
Hugging Face：Blog（RSS）
44
OlmoEarth v1.1 是新一代地球观测模型家族，将计算成本降低最多 3 倍，同时保持与 v1 相近的性能。通过将 Sentinel‑2 不同分辨率（10m、20m、60m）的 token 合并为单个 token，大幅缩短输入序列长度，从而减少预训练、微调和推理所需算力。提供 Base、Tiny、Nano 三种尺寸，权重与训练代码已开源。该模型已在红树林变化追踪、森林退化成因分类、国家级作物图绘制等任务中得到验证。