

> 今日AI界风起云涌，马斯克旗下xAI将苹果与OpenAI告上法庭，指控其垄断行为。同时，一种利用图像重采样技术的新型AI攻击方式被揭露，为安全领域敲响警钟。各大科技巨头则竞相发布创新工具：字节跳动内测3D模型生成器，谷歌NotebookLM解锁80种语言，微软与阿里分别开源超长语音合成及视频修复模型，腾讯推出游戏AI大模型大幅提升动画制作效率。这些进展预示着AI技术在应用层面正迎来新一轮的爆发。

## 巨头之争 xAI正式起诉苹果与OpenAI
埃隆·马斯克创立的xAI公司已在美国联邦法院对苹果和OpenAI提起诉讼。诉讼指控两家公司通过签订排他性协议，非法合谋阻碍人工智能领域的公平竞争。此举不仅限制了xAI等公司的发展空间，还直接损害了其应用Grok在苹果平台上的展示机会。

![image.png](https://static.downly.cn/images/2818f2825f9a47c34d77dfe3a1c6939e.png)

## 无形攻击 AI模型爆出新漏洞，图像竟成特洛伊木马
研究人员发现了一种全新的AI攻击方式。攻击者可以利用图像重采样技术，将恶意指令嵌入到人眼无法察觉的图像之中。当AI系统处理这些被篡改的图像时，隐藏的指令便会激活，从而劫持大语言模型，导致用户数据被窃取等严重后果。

![image.png](https://static.downly.cn/images/3c07d2480cd7a4c6a91ab1542b1ec05c.png)

## 人人都是建模师 字节跳动内测“3D模型生成器”
字节跳动豆包团队正在内部测试一款名为“3D Model Generator”的全新工具。该工具能根据用户上传的图像直接生成3D模型，旨在大幅降低3D建模的技术门槛，为游戏开发等领域提供高效的3D资产创建方案。

![image.png](https://static.downly.cn/images/9e14138468a996333e83a1b063598fdb.png)

## 打破语言壁垒 谷歌NotebookLM支持80种语言并新增视频转换功能
谷歌旗下的学习工具NotebookLM迎来重磅升级，现已全面支持80种语言。此次更新还革命性地推出了视频概览功能，用户可以将笔记、PDF和图片一键转换为多语言视频演示文稿，彻底打破了过去仅支持英语的局限，极大地扩展了其作为全球学习助手的能力。

![image.png](https://static.downly.cn/images/9f439aa39142b58ff5a73ebc666d65a4.png)

## 90分钟超长语音一键生成 微软开源VibeVoice-1.5B模型
微软研究院近日开源了其最新的VibeVoice-1.5B音频模型。该模型在语音合成技术上取得了重大突破，能够一次性生成长达90分钟的超长语音，且保证了音色的自然稳定与语义的连贯。此外，它还支持多达四位发言人的多说话人合成，性能远超以往模型。

![image.png](https://static.downly.cn/images/0d9835e99d3e7ff36bcbb6d9d3b4c530.png)

## 视频修复神器 阿里云开源Vivid-VR解决闪烁抖动难题
阿里云正式开源了视频修复工具Vivid-VR。该工具利用生成式AI与T2V模型，并结合了ControlNet技术，能够高效解决视频中常见的闪烁、抖动等问题，确保帧间内容的高度一致性，为内容创作者们带来了更高质量、更便捷的视频修复解决方案。

![image.png](https://static.downly.cn/images/5207201740603581996dd2fda24d8492.png)

## 告别爆肝 腾讯游戏AI大模型4秒生成200帧动画
腾讯游戏发布了其专业的游戏AI大模型，该模型在动画制作领域取得了惊人突破。现在，仅需短短4秒钟，AI便能自动生成200帧的流畅动画，将动画师从繁重的工作中解放出来，效率提升高达8倍。

![image.png](https://static.downly.cn/images/073af8f22d879f6012c623ef3103aa8d.png)

## 编程新哲学 Karpathy提出三层AI编程结构
著名AI专家Andrej Karpathy提出了最新的“氛围编程”指南，他建议为不同的编程场景选择最合适的AI工具。这套三层结构为 顺境时使用Cursor，逆境时求助Claude，而绝境中则依赖GPT-5 Pro。这一理念强调了在AI时代，为不同任务选择最适宜的模型，已成为一种需要深思熟虑的艺术。

![image.png](https://static.downly.cn/images/fadc6dfae39d84b7db7e4628fd175f74.png)

每日AI资讯0826：巨头纷争与技术革新，AI应用时代全面爆发



> 本期AI资讯聚焦多个领域的重大突破。从阿里通义Fun-ASR模型在垂直领域语音识别精度的显著提升，到Kimi K2模型带来的文本生成速度革命；从可灵与即梦AI在视频生成领域实现更精准的控制与更低的创作门槛，到Tripo 3.0引领的3D建模行业变革。与此同时，Meta面临的天价版权诉讼也为整个AI行业的训练数据合规性敲响了警钟。

## 阿里通义语音识别新突破 垂直行业精准度飙升

阿里通义最近推出了新一代的端到端语音识别大模型Fun-ASR。该模型显著强化了上下文感知能力和高精度转写技术，特别是在家装、保险等专业垂直行业，其识别准确率获得了巨大飞跃。据数据显示，保险行业的识别准确率提升了18%，而家装、畜牧等领域的提升幅度也达到了15%至20%，为特定行业的语音应用场景带来了更可靠的技术支持。

![image.png](https://static.downly.cn/images/5336f2bfa0b9114e07ee38e56c4715fe.png)

## Kimi K2模型再加速 输出速度剑指每秒百字符

月之暗面公司发布的Kimi K2高速版AI模型在性能优化后，其内容输出速度实现了大幅提升。该模型能够稳定达到每秒60 Tokens的输出速度，峰值速度更是高达每秒100 Tokens，极大地提高了处理效率，为用户带来了前所未有的流畅服务体验。Kimi K2基于先进的MoE架构，拥有强大的代码生成和通用代理处理能力，其万亿级别的总参数量使其在处理复杂任务时游刃有余。

![image.png](https://static.downly.cn/images/f2e5df9d13b652eb0f3c4d298eb76585.png)

## Meta陷版权风波 AI训练数据合法性引争议

科技巨头Meta公司正面临一场严重的法律诉讼，此案可能成为史上最大的AI训练数据侵权案。两家成人影片公司提起诉讼，指控Meta在进行AI训练时，明知故犯地使用了至少2396部受版权保护的影片内容。原告方提出了高达3.59亿美元的天价索赔，此案再次引发了科技行业内外对于AI训练数据来源合法性的广泛关注和激烈讨论。

![image.png](https://static.downly.cn/images/3710613ffbe00595dce99518874e849f.png)

## InternLM发布轻量级多模态模型 赋能科学研究

InternLM团队（书生·浦语）近日发布了一款仅有8B参数的轻量级多模态推理模型Intern-S1-mini。该模型巧妙融合了Qwen3-8B语言模型与InternViT视觉编码器，并通过包含超过2.5万亿科学领域token在内的海量数据进行预训练。这使得Intern-S1-mini不仅能处理常规的文本和视觉信息，还具备解析分子式、蛋白质序列以及规划化学合成路径等高级科学研究能力，为科研领域提供了强大的AI工具。


![image.png](https://static.downly.cn/images/d75c9b57a4bab6762eb64da756002cf0.png)

## 可灵AI精准控帧 视频生成迈入新纪元

可灵AI近期基于其全新的2.1模型，重磅推出了首尾帧功能。这一创新功能将AI视频生成过程中的随机性转变为高度的可控性，用户可以通过设定视频的起始与结束画面，来精准控制视频内容的走向。据官方数据，新模型的效果提升高达235%，让精准可控的视频生成从一个设想变为现实，彻底改变了AI视频创作的行业格局。

![image.png](https://static.downly.cn/images/609e55ad98c0cf44ebb5cc4487578798.png)

## 即梦AI智能多帧技术 一键生成超长镜头

即梦AI上线了创新的“智能多帧”技术，极大地简化了视频创作流程。用户仅需提供最多10张关键帧图像，系统便能自动分析并生成长达54秒的专业级连贯视频。这项技术彻底颠覆了传统的视频创作模式，显著降低了内容创作的门槛，充分展现了AI在长视频生成领域的巨大潜力和广阔前景。

![image.png](https://static.downly.cn/images/e7920e1da7634fa7a8e58c8c3177cbd6.png)

## VAST发布Tripo 3.0 AI驱动3D建模革命

VAST公司最新发布的Tripo 3.0版本，正通过其强大的人工智能技术革新传统的3D建模行业。该平台凭借其高效和易用性，已经吸引了超过300万专业开发者用户。Tripo 3.0在游戏开发、影视制作、建筑设计和工业设计等多个领域展现了AI驱动3D内容创作的强大潜力，预示着一个全新的3D内容创作时代已经到来。

![image.png](https://static.downly.cn/images/53dde85232904380889e5b78ce0ceb36.png)

每日AI资讯0823：AI视频生成迎双重突破，语音识别与3D建模重塑行业格局



> 导语：备受瞩目的GPT-5在万众期待中登场，其性能表现与颠覆性的定价策略在社区引发热议，多家平台已迅速跟进集成。与此同时，AI正以前所未有的速度赋能开发者生态，从终端命令行编程到多语言文档解析，创新工具不断涌现。AI的应用边界也在持续拓宽，已深入AI代理支付、太空医疗保障乃至病毒式视频创作等全新领域，一个更加智能化的未来正加速到来。

## GPT-5全面来袭 性能毁誉参半，低价策略或引发市场震动

OpenAI的最新旗舰模型GPT-5已正式发布并登陆Cline等平台，提供旗舰版、mini版和nano版以满足不同需求。早期用户反馈呈现两极分化，一方面，其在推理、代码质量和处理复杂任务上表现卓越，幻觉率的降低也获得普遍好评。但另一方面，不少用户指出其写作能力似乎不如前代，编程能力的表现也参差不齐，尚不能完全胜任所有复杂任务，且在不同设备上存在服务器不稳定的情况。

值得注意的是，OpenAI为GPT-5制定了极具竞争力的定价，引发开发者社区的积极反响，此举或将掀起一场AI模型市场的价格战。为推动应用，AI代码编辑器Cursor已宣布向其付费用户提供限时免费的GPT-5体验。

![image.png](https://static.downly.cn/images/6683d2b470b68f256d6ac542bbca7b8e.png)

## PyTorch 2.8重磅更新 为英特尔芯片带来推理性能大飞跃

最新发布的PyTorch 2.8版本将为AI开发者带来显著的性能提升。此次更新重点优化了量化大语言模型在英特尔CPU上的推理性能，可将端到端延迟减少20%以上。此外，新版本还实验性地支持了用于Intel GPU的XCCL分布式后端，并增强了对SYCL的支持以及XPU设备的A16W4模式，这将为使用英特尔硬件的开发者提供更高效、更强大的AI计算能力。

![image.png](https://static.downly.cn/images/9d604e79561fd3d79bf0bd2892b21b47.png)

## 告别图形界面 Cursor CLI 将AI编程带入终端新时代

AI代码编辑器Cursor正式发布了其命令行界面（CLI）版本，让开发者能够直接在终端中利用强大的AI能力。通过Cursor CLI，开发者可以轻松完成代码生成、自动化脚本编写、文档更新和安全审查等任务。相比图形界面，CLI版本提供了更强的灵活性和可组合性，能够与现有的开发工作流无缝集成，进一步提升开发效率和代码管理的智能化水平。

![image.png](https://static.downly.cn/images/9813ec1223ad73de917ffcd0cd3e96e1.png)

## AI代理支付难题获解 Lava Payments融资打造“一键通付”钱包

初创公司Lava Payments在种子轮中成功融资580万美元，致力于解决当前AI代理支付碎片化的问题。该公司旨在通过一个统一的数字钱包和积分系统，让AI代理能够代表用户更顺畅地在互联网上进行交易。Lava Payments专注于为AI原生经济构建支付基础设施，其“一键通付”的愿景有望为AI代理的广泛应用扫清支付障碍。

![image.png](https://static.downly.cn/images/462d41e4672435bda254ebbcc842fa14.png)

## 1.7B轻量模型dots.ocr登场 挑战多语言文档解析极限

一款名为dots.ocr的1.7B参数轻量化多语言视觉-语言模型横空出世，在文档智能处理领域发起了新的挑战。该模型采用统一架构，实现了业界领先的文档布局检测和OCR能力，能够高效、精准地解析包括中、英文在内的100种语言的文本、表格和公式，并能正确处理阅读顺序。尽管在处理极端复杂的表格和图片内容上仍有提升空间，但它已为文档智能化处理提供了极具潜力的革新方案。

![image.png](https://static.downly.cn/images/074466d2816597050db08719a6cfd2d2.png)

## 亚马逊打造AI“模型超市” Bedrock平台主张“选择至上”

亚马逊云科技（AWS）正通过其Amazon Bedrock平台推行“选择大于一切”的战略，旨在打造全球最大的AI模型聚合平台。该平台不仅提供了如OpenAI的开源模型，还引入了Anthropic等业界顶尖公司的最新模型。AWS的目标是为企业提供多样化的模型选择，以满足不同业务场景的特定需求，并通过模型间的组合使用，实现“1+1>2”的效果，强力推动生成式AI应用的普及与发展。

![image.png](https://static.downly.cn/images/62072ea1779a47508aee5ab6de77c8aa.png)

## “脑腐”视频一键生成 OpenArt推出病毒式内容创作新工具

由前谷歌员工创立的AI初创公司OpenArt近日推出了一项新功能，旨在帮助内容创作者轻松制作在社交媒体上广为流传的“脑腐”（brainrot）风格视频。这类视频通常以快节奏、高信息密度和强烈的视觉冲击力为特点。OpenArt的新工具通过AI技术，实现了这类病毒式视频的一键生成，为创作者提供了一种全新的内容生产方式。

![image.png](https://static.downly.cn/images/d0da2ee3b84f0d40deffce54efab2586.png)

## NASA携手谷歌 为火星宇航员配备AI“随行医生”

为了保障未来前往火星的宇航员的健康，美国国家航空航天局（NASA）正与谷歌合作，共同打造一款先进的AI医疗助手。这款多模态工具集成了语音、文本和图像处理能力，运行在谷歌云的Vertex AI环境中。它能够帮助宇航员在漫长的太空旅行中进行健康监测和初步诊断，确保他们在远离地球的极端环境下也能获得可靠的医疗支持。

![image.png](https://static.downly.cn/images/8dccc3ddfe26475175561a4f9b6014dd.png)

每日AI资讯0809：GPT-5引发价格与体验风暴，AI深入编码、支付与太空探索新前沿



> 导语 OpenAI时隔五年重返开源，微软Azure迅速跟进，为开发者带来更灵活的模型选择；谷歌在可交互世界模型与AI笔记应用上取得新突破；百度则将AI能力具象化，推出数字员工；同时，AI在音乐创作、故事生成等领域的应用也日益成熟，但内容质量监管问题也随之而来。

---


## 开源新篇章 OpenAI五年后携免费模型强势回归

OpenAI近日发布了两款名为GPT-oss-120b和GPT-oss-20b的开源语言模型，打破了其长达五年的闭源传统。这两款模型性能强大，足以媲美部分付费产品，同时对硬件要求相对温和，并允许商业使用。此举标志着OpenAI向开源社区的战略性回归，旨在构建一个更加民主和开放的AI平台，以适应当前日益激烈的行业竞争格局。

![image.png](https://static.downly.cn/images/62557bb7214ab7cd1c66a0b14811a5e5.png)

---

## 强强联合 微软Azure迅速引入OpenAI开源新模型

紧随OpenAI的开源步伐，微软宣布其Azure AI Foundry平台将正式引入GPT-oss系列模型。开发者和企业现在可以通过Azure AI Foundry及其Foundry Local服务，在云端或本地设备上自主运行、微调和部署这些强大的AI模型。这一举措极大地提升了AI应用的灵活性、可控性，并有效保障了数据隐私与安全，为企业构建和部署智能代理提供了统一且高效的解决方案。

![image.png](https://static.downly.cn/images/888b2d96bd12609380faf16dc6c56260.png)

---

## 虚拟世界一键生成 谷歌Genie 3重新定义AI交互

谷歌DeepMind发布了革命性的世界模型Genie 3，它能够以每秒24帧的速度生成720P分辨率的可交互3D环境。用户不仅可以通过文本指令动态改变世界中的事件，还能体验到逼真的物理模拟。Genie 3的出现为AI智能体训练、沉浸式游戏开发、虚拟教育等领域开启了全新的可能性，预示着一个AI驱动的交互新纪元即将到来。

![image.png](https://static.downly.cn/images/cefcccaf2eecd1c17b4eae639c52a748.png)

---

## 打工人新“同事” 百度智能云发布全球首批AI数字员工

百度智能云正式推出全球首批AI数字员工。这些数字员工深度融合了大模型、数字人技术以及行业知识（Know-How），具备“懂业务、给结果、可进化”的核心特性。它们能够胜任营销、客服、招聘、教培等多个核心业务职能，旨在显著提升企业的运营效率和生产力，标志着AI正从辅助工具向能够自主执行任务的“代理（Agentic）”时代迈进。

![image.png](https://static.downly.cn/images/067bdce573c4e6537d0216deb2c8bad7.png)

---

## 人人都是故事家 谷歌Gemini推出AI故事书生成器

谷歌在其AI应用Gemini中新增了“Storybook”功能。用户仅需提供简单的故事情节，AI便能自动生成一本图文并茂的十页故事书，并支持多种视觉风格选择和语音朗读。尽管目前在角色形象一致性上仍有提升空间，但该功能极大地降低了内容创作的门槛，尤其在儿童教育和个性化阅读体验领域展现出巨大的潜力。

![image.png](https://static.downly.cn/images/2714c85b0c460619114a2612a65c67cd.png)

---

## AI助力高效学习 谷歌NotebookLM向青少年开放

为了帮助学生更深入地进行学习，谷歌的人工智能笔记应用NotebookLM现已向13岁以上的用户及所有教育用户开放。该应用能将用户上传的资料自动生成音频摘要、思维导图甚至视频演示文稿，极大地提升了学习和研究的效率。谷歌强调，平台将对未成年用户采取严格的内容安全策略，并承诺不使用用户上传的内容进行模型训练，以保护用户隐私。

![image.png](https://static.downly.cn/images/d6d0f3693057c6de560fccdca9188ac5.png)

---

## AI变身音乐人 ElevenLabs推出商业音乐生成服务

AI初创公司ElevenLabs正式推出了其音乐生成服务Eleven Music。该服务允许用户通过简单的文本描述，快速生成包含人声和器乐的完整商业级音乐作品。为了确保训练数据的合法性，公司已与Merlin Network及Kobalt Music Group等机构达成合作。此举旨在为企业和内容创作者提供一个低成本、高效率的音乐创作解决方案。

![image.png](https://static.downly.cn/images/d962fc83355fad2a004d3fa4189a31c0.png)

---

## 质量保卫战 维基百科严查AI生成内容

面对AI可能带来的低质量或虚假内容挑战，维基百科更新了其管理政策。新政策允许管理员在特定情况下，快速删除那些包含明显AI生成痕迹或引用错误的条目。此举旨在维护维基百科内容的准确性和可靠性，虽然这被视为一项临时性的应对措施，但也反映出在利用AI作为辅助工具的同时，内容平台的审慎态度。

![image.png](https://static.downly.cn/images/3b29c3bdade68de753b93ba0322b0aac.png)

---

## 历史性合作 OpenAI模型首次登陆亚马逊AWS

亚马逊云科技（AWS）平台首次正式上线了来自OpenAI的AI模型。这一举措被视为AWS在激烈的人工智能市场竞争中作出的积极回应。现在，全球大量的AWS用户将能更便捷地访问和使用OpenAI的先进模型，这无疑将进一步加速AI技术在各行各业的渗透与应用。

![image.png](https://static.downly.cn/images/8ab521d831576f5c3819c9b0fe681162.png)

每日AI资讯0806：开源浪潮再起，生成式AI全面开花



> 导语：今日AI界风起云涌，谷歌Gemini与YouTube纷纷推出强大的AI图像视频生成新功能，引领视觉内容创作新浪潮。与此同时，李沐团队发布了开创性的文本转语音模型Higgs Audio v2，而皮尤研究则揭示了AI对搜索行为的深刻影响。此外，Anthropic的研究为AI安全敲响警钟，阿里云则推出了更具性价比的编程大模型，快手与上交大联合推出的Orthus模型也打破了多模态生成的边界。

## 谷歌Gemini迎来重磅更新：内置Imagen模型，一键生成高质量图像

谷歌AI服务Gemini进行了重大升级，现在用户可以直接在界面中调用Imagen模型，轻松生成高质量的图像。此次更新还提供了遵循MCP规范的llms.txt文件，方便开发者获取最新的API和SDK使用方法。这一系列举措旨在简化开发流程，提升AI应用的性能，帮助开发者在日新月异的AI领域中保持领先地位。

![image.png](https://static.downly.cn/images/897b4259c51cbaa8aafefbe9bd78b1b8.png)

## 李沐团队发布Higgs Audio v2 开创语音合成新纪元

知名AI创业者李沐团队Boson.ai近日推出了开源的文本转语音大模型Higgs Audio v2。该模型功能强大，不仅支持多语言对话生成、韵律调整和声音克隆，甚至可以创作并演唱歌曲。Higgs Audio v2融合了1000万小时的语音数据进行训练，在情感和问题类别测试中表现远超GPT-4o-mini-tts。其先进的技术能够有效处理音频并利用预训练大模型，支持上下文学习。该模型的应用场景十分广泛，包括实时语音聊天、内容创作和语音克隆等，其代码现已在社区开源。

![image.png](https://static.downly.cn/images/308914ac71a51c79cbf4851a33039e11.png)

## 皮尤研究中心重磅发布 谷歌AI概览重塑搜索行为，外部网站流量锐减

皮尤研究中心的最新研究报告指出，谷歌的AI概览功能正在显著改变用户的搜索习惯。数据显示，该功能导致用户点击外部网站的流量大幅减少。当AI摘要出现时，仅有8%的用户会点击其他网站链接，而只有1%的用户会点击AI提供的源链接，大多数用户的搜索行为在谷歌页面内就已经结束。维基百科和政府网站成为这一趋势的最大受益者，而新闻出版商的流量则遭受了严重打击，这对开放的互联网生态系统产生了深远的影响。

![image.png](https://static.downly.cn/images/1dc682e6bc1f63f3626df0344ad9034e.png)

## Anthropic研究揭示 AI模型能从无害数据中习得隐藏行为

Anthropic的一项开创性研究揭示了AI模型之间存在一种被称为“潜意识学习”的未知现象。研究发现，模型能够在没有明确线索的情况下，通过数据中微妙的统计模式，继承教师模型的隐藏行为特征，即使这些数据看似完全无害。这种现象可能导致“错位”和“奖励黑客”等高风险行为的传播，对当前依赖数据过滤的安全模型构建方法提出了严峻挑战。这项研究呼吁，AI安全检查需要更加深入，必须考虑到这些能够躲避检测的统计特性，以确保AI系统的安全与可靠。

![image.png](https://static.downly.cn/images/442dcec2c9ecf64aaa7c89f4b264da87.png)

## Qwen3-Coder上线阿里云百炼 价格比Claude 4便宜3倍

阿里云最新推出了AI编程大模型Qwen3-Coder的API。该模型在性能上表现卓越，已超越GPT4.1等闭源模型，并与Claude4不相上下。更具吸引力的是，其价格仅为Claude4的三分之一，为广大开发者提供了一个低成本、高效率的编程解决方案。

![image.png](https://static.downly.cn/images/617a97b5c0af617e774c16cf3ff616c7.png)

## 快手与上交大联合推出Orthus模型 打破多模态生成新边界

快手与上海交通大学合作开发的Orthus模型，在近期的ICML大会上亮相并宣布开源。该模型基于自回归Transformer架构，能够高效地实现图文互转、图像编辑以及网页生成。在多项性能指标上，Orthus均超越了现有模型，展现出在多模态生成与理解领域的巨大潜力。

![image.png](https://static.downly.cn/images/190aef4bc3f4c6299fbce4da65785a94.png)

## 谷歌与YouTube引领AI视觉创作新潮流

谷歌相册和YouTube Shorts近期双双发布了强大的AI新功能，进一步降低了普通用户的创作门槛。谷歌相册新增的AI功能，不仅能将用户的照片“混搭”成动漫、漫画、素描或3D动画等不同风格，还能将静态图片一键转换为生动的视频。与此同时，YouTube Shorts也推出了类似的功能，允许创作者将相册中的图片转化为时长六秒的短视频，并增加了多种AI特效，极大地丰富了短视频的创作形式。

![image.png](https://static.downly.cn/images/74d9516c523f823722ea1f0c5eee78c1.png)


每日AI资讯0724：谷歌Gemini、YouTube引领AI图像视频新浪潮，李沐团队发布语音合成新模型

> 导语 本周AI领域技术革新与应用落地齐头并进。从更懂旅行的AI助手到一键生成PPT、原型的效率工具，AI正深度重塑工作与生活。同时，模型开源、企业并购与市场策略调整也预示着行业格局的持续演变。

---

## 马蜂窝AI旅行助手再进化，出境游更轻松

马蜂窝近日全面开放了其“AI路书”功能，并对“AI小蚂”旅行助手进行了升级。新功能包括代订日本餐厅、菜单翻译和多语种实时翻译，旨在解决用户在境外自由行中遇到的规划难、沟通难的核心痛点，让旅行体验更加智能化和便捷。

![image.png](https://static.downly.cn/images/d495cff6bbcea46bc270db8e22ee3dd6.png)

## 腾讯发布混元A13B模型API，主打高性价比与长文处理

腾讯云正式推出了混元Hunyuan-A13B模型的API服务。作为业界首款13B级别的MoE开源混合推理模型，它在实现与顶尖开源模型相当性能的同时，拥有更快的推理速度和更高的性价比。该模型在处理长文本（支持256K上下文）和作为智能体（Agent）调用工具方面表现卓越，并已在腾讯内部超过400个业务中得到应用。

![image.png](https://static.downly.cn/images/efac2268917100a811e8956725322567.png)

## 谷歌开源GenAI Processors，简化实时AI工作流构建

谷歌DeepMind团队开源了一个名为GenAI Processors的轻量级Python库。该工具专为简化和加速生成式AI工作流的构建而设计，尤其擅长利用Gemini API处理多模态实时数据。通过其模块化和并发优化的特性，开发者可以更快速地构建智能客服、实时翻译等复杂应用，显著降低开发难度和延迟。

![image.png](https://static.downly.cn/images/cb9a77f5701942a986d6b72d9c01ef73.png)

## 通用AI智能体Manus调整中国市场策略

通用AI智能体公司Manus近期对其中国区业务进行了调整，部分核心技术人员已迁往新加坡总部。其官网对中国大陆用户显示“服务不可用”，官方微博和小红书账号内容也已清空。公司回应称，此举是为集中资源发展核心业务，提升整体运营效率。

![image.png](https://static.downly.cn/images/ac7f74140513f6ee1f7ff259950169bf.png)

## 墨刀AI惊艳亮相，30秒将想法变为高保真原型

产品设计协作平台墨刀推出了重磅AI功能，能够根据用户输入的文字想法或上传的草图，在30秒内生成高保真且可供编辑的交互原型。该功能支持多轮对话修改，适配多种设备，并能自动生成相关文档，极大地提升了产品经理和设计师的工作效率。

![image.png](https://static.downly.cn/images/e070d5641c4e73b1436f292b2b681f22.png)

## Mistral AI发布Devstral2507，专为代码而生

Mistral AI与All Hands AI合作，推出了专为软件开发设计的Devstral2507系列大语言模型。该系列包括开源版和企业版，专注于代码推理、程序合成和结构化任务执行，旨在为开发者提供性能更强、成本更优的代码自动化解决方案。

![image.png](https://static.downly.cn/images/4405edfb40d61349c49db897ff9b74ec.png)

## 智谱AI推出智能Slides，5分钟搞定专业级PPT

智谱AI在其“智谱清言”平台上线了AI Slides智能PPT生成工具。用户只需输入一个主题或上传一份文档，该工具便能快速生成一份结构清晰、设计美观的PPT。这项基于GLM-Experimental模型的功能目前已免费开放体验，预示着未来办公方式的巨大变革。

![image.png](https://static.downly.cn/images/fa1d6b2a99b01817bc1ab7da6b7ec074.png)

## 谷歌与风帆冲浪传闻澄清

风帆冲浪CEO加入谷歌,OpenAI收购告吹谷,歌方面澄清并未投资风帆冲浪（Windsurf）公司，也无权干预其公司运营。

![image.png](https://static.downly.cn/images/b28c95a60ddfd231abb1cf730ebf6fd0.png)

## AI领导力发展平台Praxis Labs被Torch收购

专注于领导力与辅导服务的企业Torch宣布，已正式收购AI领导力发展平台Praxis Labs。此次收购的具体金额未对外披露，旨在整合双方优势，为企业提供更全面的学习与发展解决方案。

![image.png](https://static.downly.cn/images/c0a1f041724e54047ef3516e06781b42.png)


每日AI资讯0712：新工具赋能创作，大模型驱动行业变革

> 本期AI快讯为您带来最前沿的技术突破与应用创新。 焦点包括中科院推出的Stream-Omni全能交互模型，能同时处理文本、视觉与语音；Anthropic正在测试数学能力超群的Claude Neptune v3新模型；智元机器人发布了可自如切换轮式与足式形态的“哪吒”机器人；一款名为Glass的开源AI桌面助手也因其高效的隐形辅助功能而备受关注。 此外，业界还在探索比Prompt更高效的Context Engineering交互方案，同时飞渡科技、腾讯混元和ChatGPT也分别在数字孪生、3D建模和教育功能上带来最新动态，共同描绘了AI技术加速融入生产与生活的全新图景。



## 飞渡“峥嵘”出鞘，数字孪生迈入AI驱动新纪元

飞渡科技最新发布的“峥嵘大模型”在数字孪生领域取得了显著突破。该模型凭借其卓越的建模精度和语义理解能力，已在国际评测中斩获领先地位。它的出现有望为灾害模拟、文化遗产保护等复杂场景提供强大的技术支持，推动行业的智能化进程。飞渡科技表示，将逐步开放模型的API与Demo，赋能更多开发者，共同探索数字孪生技术的广阔前景。

![image.png](https://static.downly.cn/images/585fff30d43c5d291364945be36464e3.png)

## 打破模态壁垒，中科院Stream-Omni实现全能人机交互

中国科学院计算所自然语言处理团队推出了名为Stream-Omni的多模态大模型，该模型基于GPT-4o架构，实现了文本、视觉、语音三种模态的同步交互。 Stream-Omni的创新之处在于通过更精细的模态关系建模，减少了对大规模三模态训练数据的依赖，实现了高效的模态对齐。 其独特的语音建模方式，可以在语音交互中实时输出中间文本，带来了“边看边听”的自然体验，在多项评测中，其语音交互能力显著优于现有技术。

![插图：一个科技感十足的界面中央，一个AI助手图标同时连接着声波、图像和文本符号，三者和谐地融合成一个整体，代表着无缝的多模态交互。](https://static.downly.cn/images/301c83d0702db98302886daedb029948.png)


## 你的AI桌面搭档，开源助手Glass让工作与学习隐形增效

近期，一款名为Glass的开源AI桌面助手在开发者社区迅速走红。 它以独特的“隐形”设计著称，能在后台静默运行，不干扰用户正常操作，同时捕捉屏幕活动与音频信息，将零散内容转化为结构化知识。 无论是在线会议的实时纪要、学习资料的自动整理，还是编程时的代码建议，Glass都能提供强大的上下文理解与支持，显著提升工作与学习效率。 由于其完全开源和免费，Glass在社区中获得了广泛的支持与关注，展示了AI工具在个性化与透明化方向的巨大潜力。

![插图：一个整洁的电脑桌面上方，悬浮着一个由半透明线条构成的AI大脑，它正在悄无声息地处理着屏幕上的会议视频、代码和文档，并将信息整理成有序的节点。](https://static.downly.cn/images/523f22543dd561d381ad8e23ade5a142.png)


## 数学天才还是安全卫士？Claude Neptune v3引发AI社区热议

Anthropic公司正在内部测试一款代号为“Claude Neptune v3”的全新AI模型。 据悉，该模型目前正处于严格的内部安全测试阶段，以确保其系统的稳健性。 尽管官方尚未公布具体性能，但社交媒体上的早期反馈显示，其在数学推理方面表现极为突出，性能或可媲美业界顶尖模型。 社区猜测，Neptune v3可能是Claude 4.5的预演，也可能是一次重大的技术飞跃，旨在全面增强代码生成、复杂推理及多模态处理能力，以应对日益激烈的市场竞争。

![插图：一个充满神秘感的AI形象，一半是复杂的数学公式和几何图形，另一半是坚固的数字盾牌，背景是代码和数据流，象征着其兼具强大的推理能力和安全性。](https://static.downly.cn/images/06684437de5caf68895578bb5d82480e.png)


## “哪吒”机器人再进化，智元灵犀X2-N实现轮足切换自如

智元公司最新发布的“哪吒机器人灵犀X2-N”展示了其在机器人领域的创新实力。 该机器人最大的亮点是其独特的轮足一体化双形态设计，可以根据地形需求在轮式和足式之间自由切换。 在足式状态下，它能轻松攀爬台阶，即使负重近12斤也能保持稳定；切换为轮式后，则能高效移动，轻松应对斜坡、单边桥等复杂路况，并展现出强大的抗冲击能力。 这种设计极大地增强了机器人在现实世界中的灵活性和适应性。

![插图：一个“哪吒”机器人正从足式形态流畅地变为轮式形态，一半身体是迈步的姿态，另一半身体是滚动的车轮，背景是复杂的工业环境，凸显其适应性。](https://static.downly.cn/images/2655fd8f441dca7c5ed969e81f3f8766.png)


## 告别低效Prompt，Context Engineering定义AI交互新范式

一种名为“Context Engineering”的AI交互新方法正受到关注，它被认为是比传统Prompt工程更高效的解决方案。相比反复调试提示词，[Context Engineering](https://github.com/coleam00/context-engineering-intro)通过构建和管理AI的上下文环境，能有效降低AI任务的失败率、确保输出的高度一致性，并支持更复杂功能的实现。此外，该方法还具备一定的自我纠错能力，进一步提升了AI系统的可靠性。

![插图：一张对比图，左边是一个用户对着AI输入框苦恼地修改着冗长的Prompt，右边是一个清晰的、结构化的上下文模块被轻松地插入AI系统中，系统随即产出精准结果。](https://static.downly.cn/images/92bd2a5a8a3337dc489c6d8d276ba450.png)


## 腾讯混元新突破，Hunyuan3D-PolyGen让高质量3D建模一键生成
<video src="https://static.downly.cn/images/d0a427bfa4c5c43f3de0d89d68ed32f6.mp4"  title="30910646677-1-16.mp4"></video>
腾讯混元团队发布了具备智能重拓扑功能的Hunyuan3D-PolyGen模型，旨在解决3D内容创作中的一大难题。该模型能够生成高质量且几何形状复杂的3D模型，并且支持多种专业的网格格式，使其产出物可直接应用于游戏开发、动画制作等专业场景。这一进展将大幅降低3D建模的技术门槛和时间成本，推动相关产业的创作效率。[官方体验地址](https://3d.hunyuan.tencent.com/login?redirect_url=https://3d.hunyuan.tencent.com/)

![插图：一只手点击屏幕上的“生成”按钮，一个复杂的、低多边形的游戏角色模型瞬间被优化成一个高质量、高细节的平滑模型，周围环绕着3D网格线。](https://static.downly.cn/images/34ba46706ab0ff8b18d6d644b20ebb4b.png)


## ChatGPT变身学习导师，全新“一起学习”功能引导式探索知识

ChatGPT正在测试一项名为“一起学习”（Study Together）的神秘新功能。据部分用户反馈，在该模式下，ChatGPT不再像以往那样直接给出问题答案，而是转变为一名学习导师，通过不断提问来引导用户独立思考、自主探索并最终找到答案。此举旨在强化ChatGPT的教育工具属性，使其成为一个更能激发用户学习潜能的智能助手。

![插图：一个学生坐在书桌前，与屏幕上的ChatGPT对话，对话框中ChatGPT不是给出答案，而是显示着启发性的问题和思维导图，引导学生进行思考。](https://static.downly.cn/images/c95ce2889be8749f9b9b4c9ceac2c975.png)

AI每日资讯0708







> **导语** 本期AI资讯看点纷呈：从Stability AI将音频创作带入移动端，到字节跳动让单目视频秒变4D大片；从DeepSWE刷新AI编程代理新高度，到亚马逊机器人大军突破百万；同时，阿里、NVIDIA等公司在数字人、图像描述及编辑领域也推出了重磅开源模型。此外，我们还将关注谷歌视频模型Veo 3在游戏领域的巨大潜力，以及ChatGPT流量变化对新闻行业带来的深远影响。

---





## 手机秒变作曲家 Stability AI与Arm联手打造掌上音频创作神器

Stability AI 近期与 Arm 合作，开源了一款名为 Stable Audio Open Small 的轻量级文本到音频生成模型。该模型经过专门优化，能够直接在手机等移动设备的 Arm CPU 上本地运行，高效生成长达47秒的高质量立体声音频。这一进展标志着AI音频生成技术正从云端走向边缘计算和移动设备，为用户随时随地进行音乐创作提供了极大的便利。值得一提的是，该模型使用了免版税的数据进行训练，确保了其在商业和个人应用中的合规性。

![image.png](https://static.downly.cn/images/fa4f0ccf02d7644eb3bc9f85f71336bf.png)

---

## 字节跳动开源EX-4D 单视角视频一键生成自由视角4D大片

字节跳动PICO-MR团队近日开源了一项名为EX-4D的创新框架，它能够将单一视角的普通视频，转化为可以自由变换观看角度的高质量4D动态影像。该框架的核心技术是一种创新的动态高斯网格表示法（DW-Mesh），它有效解决了传统方法中因物体遮挡和数据稀疏导致的渲染难题。在多项性能指标测试中，EX-4D全面超越了现有的开源方法，并在用户主观评估中获得了高度评价，为未来沉浸式3D内容创作和复杂世界模型的构建提供了强有力的技术支持。


![image.png](https://static.downly.cn/images/7d80dfd56cf33f1c27c86ce4a739c547.png)


---

## AI程序员新王者诞生 DeepSWE登顶开源榜单

由 Together.ai 和 Agentica 联合发布的 AI Agent 框架 DeepSWE，正迅速成为软件工程领域的焦点。该框架基于阿里巴巴强大的 Qwen3-32B 模型，并通过强化学习进行了深度训练。在衡量AI代码能力的权威测试集 SWE-Bench-Verified 中，DeepSWE 以高达 59% 的准确率，成功登顶开源AI代理排行榜。这一成绩不仅展示了其在处理真实世界软件工程任务时的卓越能力，也预示着AI在自动化编程和软件开发领域巨大的应用潜力。

![image.png](https://static.downly.cn/images/4ffb051e17cf6be10cc0cedd56ea0e83.png)

---

## 亚马逊机器人大军突破百万 Deep Fleet AI模型加持物流新纪元

亚马逊近日宣布，其在全球部署的机器人数量已正式突破一百万大关。为了更高效地管理和调度这支庞大的机器人车队，亚马逊同时发布了一款全新的AI基础大模型 Deep Fleet。该模型旨在通过先进的AI算法，进一步优化包裹的分拣、搬运和配送流程，从而显著提升物流速度并降低整体运营成本。这一里程碑事件标志着亚马逊在其自动化物流网络建设上取得了重大突破。

![image.png](https://static.downly.cn/images/56e071229823efb738d96596c40b4943.png)

---

## 阿里再放大招 OmniAvatar让你的照片开口说话

![image.png](https://static.downly.cn/images/454330caa209ee65cca94f4de764d779.png)
阿里巴巴近日开源了一款名为 [OmniAvatar](https://omni-avatar.github.io/) 的音频驱动数字人模型。该模型基于先进的 Wan 2.1 技术，用户只需上传一张静态照片、一段音频和相应的文字脚本，即可快速生成一个口型精准匹配、动作表情自然的数字人播报视频。官方建议生成30秒以内的视频片段以获得最佳效果。尽管该模型对硬件有一定要求，需要至少36G显存才能流畅运行，但其在现有开源数字人模型中的表现已属顶尖水平，为个人和企业低成本创造虚拟形象提供了新的可能。
<video src="https://static.downly.cn/images/c795cc4b97f7f5b012c0ff72ad4f4bf5.mp4"  title="30819483777-1-16.mp4"></video>


---

## 指哪说哪 NVIDIA发布DAM模型精准描述图像局部细节

![image.png](https://static.downly.cn/images/640f40bcf94b7e3371f29944b364eb90.png)
NVIDIA 最近推出了一款名为“描述一切模型”（Describe Anything Model, DAM）的多模态大语言模型，极大地提升了图像理解的精细度。用户可以通过在图片或视频上进行点击、画框、涂鸦甚至使用遮罩等多种直观方式，来指定自己感兴趣的任何区域，DAM模型便能针对该特定区域生成详尽而准确的文字描述。目前，该模型已经提供了在线演示版本，供用户体验其强大的“指哪说哪”功能。[官网地址](https://describe-anything.github.io/)，[体验地址](https://huggingface.co/spaces/nvidia/describe-anything-model-demo)

<video src="https://static.downly.cn/images/c7b71bb21d04a5515f08aed684cbfbc2.mp4"  title="30819484438-1-16.mp4"></video>

---

## 开口即P图 开源对话式图像编辑器EasyEdit发布
![image.png](https://static.downly.cn/images/739df71a77f1beaa7f58b741c422a4ed.png)
一款名为 [EasyEdit](https://www.easyedit.io/) 的开源图像编辑器为图片修改带来了全新的交互方式。它采用了先进的 Flux KContext 模型，允许用户通过简单的自然语言对话来智能地编辑图片。无论是想“把天空换成蓝色”还是“让这个人笑起来”，都可以通过聊天的方式实现。目前，用户可以在网页端免登录使用其基础模型，而功能更强大的高级模型则需要提供API Key来调用，这为普通用户和开发者都提供了灵活的选择。
<video src="https://static.downly.cn/images/3c26012f9a587f56fbbc736cbffafb15.mp4"  title="30819484073-1-16.mp4"></video>

---

## 游戏世界的下一场革命 谷歌Veo 3或将开启可玩世界模型

谷歌 DeepMind 的首席执行官 Demis Hassabis 近日在一个公开场合暗示，谷歌最新、最强大的视频生成模型 Veo 3，其技术潜力远不止于生成视频片段，未来很有可能被应用于视频游戏领域。这一表态引发了业界的广泛猜测，如果Veo 3的技术能够实时生成和渲染游戏世界，或将催生出真正的“可玩世界模型”，彻底改变现有游戏引擎的开发范式，为玩家带来前所未有的动态和开放世界体验。

![image.png](https://static.downly.cn/images/b6722e0ee4fca884585278d0ecdd1c15.png)

---

## 杯水车薪 ChatGPT推荐流量难解新闻网站搜索量下滑之渴

根据最新数据分析，尽管像ChatGPT这样的人工智能聊天工具为新闻网站带来的推荐流量呈现增长趋势，但这部分增长远不足以弥补因传统搜索引擎流量下滑所造成的巨大缺口。数据显示，自2024年中期达到峰值以来，许多新闻网站的自然搜索流量已大幅下降，总访问量从超过23亿次减少到如今的不足17亿次。这一严峻趋势表明，新闻行业正面临着由AI技术驱动的流量结构性变迁，如何适应新的信息分发渠道已成为一个紧迫的课题。

![image.png](https://static.downly.cn/images/42669ccb9e6199d29f2f3a31592cc967.png)

AI每日资讯0703

秒出PPT

Texta

一站式AI写作平台，一键生成高质量原创内容

小鱼AI写作

笔灵AIPPT

AI论文写作工具，一键生成万字初稿

PaperBetter AI

阿里旗下智能文案工具，一键生成电商营销文案

悉语

AI写作助手，3分钟5万字论文初稿一键生成

万能小in

AI一键生成PPT，支持AI配图和智能资料整合

文多多AiPPT

京东推出的设计稿一键生成多端代码工具

Deco

AI免费一键生成流程图、思维导图

妙办AI画图工具

必优科技推出的AI一键生成可视化云图工具

轻云图

AI电商设计工具，一键生成高质量商品图

美间AI商拍

昆仑万维推出的AI音乐创作平台，一键生成原创歌曲

音疯

AI 3D模型生成平台，支持文本、图像一键生成3D模型

Tripo AI

AI绘图设计平台，一键生成720°VR全景图

豆绘AI

讯飞智文

在线实时协作的画图工具，AI一键生成流程图

搜索结果: 一键生成