

> 导语：Google DeepMind通过摒弃传统的视觉与音频编码器，在仅仅12B的轻量级参数下实现了多模态信号的统一处理，这不仅是底层网络计算逻辑的极度精简，更是加速端侧AI全面爆发的催化剂。

## 砍掉冗余组件 无编码器架构的底层融合逻辑
在过去两年中，主流的多模态大模型大多采用“拼接式”架构。无论是处理图片还是声音，都需要先经过一个庞大的独立编码器（如ViT或Whisper）进行特征提取，然后再将这些特征对齐并喂给核心的语言模型。这种架构不仅导致参数量极度臃肿，更在数据传输过程中产生了巨大的内存带宽损耗。

技术突破　Gemma 4 12B的激进之处在于，它直接挥刀砍掉了这些作为前置过滤器的编码器。DeepMind提出了一种全新的原生多模态分词（Tokenization）机制，让底层的Transformer网络能够像处理文本字母一样，直接咀嚼原始的像素矩阵与音频波形。这种“早期融合”策略，极大地缩短了信息在神经网络中的传递路径，使得模型在理解跨模态长上下文时，不再受到特征对齐瓶颈的掣肘，实现了真正意义上的模态平权。

![62.png](https://static.downly.cn/images/1e253f67acecc9dd71cdb7344ff17a63.png) <center>图源备注 图片由AI生成</center>

## 极限压榨显存 12B参数重塑端侧算力效率
对于端侧设备而言，显存带宽是比算力更稀缺的资源。传统挂载编码器的多模态模型，即使强行量化，在加载时也会瞬间挤爆手机或轻量级机器人的统一内存。Gemma 4通过架构上的大瘦身，将一个具备全模态理解能力的引擎，硬生生塞进了一个12B（约120亿）参数的极小躯壳中。

性能焦点　在去除了编码器带来的显存开销后，Gemma 4在标准消费级硬件上的推理速度实现了成倍的跃升。它能够以极高的Tokens每秒吞吐量，在本地直接处理高清视频流与连续语音指令。这意味着，开发者终于可以在不依赖昂贵云端API的情况下，在边缘设备上部署一个反应极其敏锐、且完全保护用户隐私的高级视觉与语音综合中枢。

## 开源生态的蝴蝶效应 边缘设备智能化的真正拐点
Gemma 4作为Google开源矩阵的重要一子，其无编码器架构的公布必将在整个开发者社区引发强烈的跟风效应。过去的端侧AI往往只能做做简单的文本续写，而现在，一个轻量级的树莓派或是一台普通的工业相机，都能借助Gemma 4直接看懂图纸、听懂指令。

生态推演　这对于智能物联网（IoT）、具身智能机器人以及下一代AR穿戴设备来说，是一个决定性的技术拐点。开发者不再需要费尽心思去拼接不同的感知模型，整个行业的硬件产品将以前所未有的速度跨入原生多模态交互时代。底层计算范式的革新，往往比单纯的参数规模堆砌更能爆发出颠覆性的应用浪潮。

Gemma4舍弃编码器的技术激进路线 12B参数如何重构端侧推理效率



> 抛弃传统的复杂采样机制，新一代DiT架构直接在像素层面实现精准控制与高效生成。底层范式的革新不仅大幅压缩了渲染算力成本，更为下一代端侧AI视觉硬件铺平了道路。

## 挣脱潜在空间的算力损耗与失真桎梏

长久以来，主流的视觉生成大模型高度依赖潜在扩散架构。为了规避庞大的计算量，传统模型通常先将高维的图像数据压缩到一个低维的潜在空间中进行扩散去噪，最后再通过解码器将其还原为像素。然而，这种“先压缩后还原”的妥协之举，不可避免地带来了细节丢失与高频信息的模糊，成为高保真视觉生成的阿喀琉斯之踵。

英伟达此次在CVPR亮相的PixelDiT架构，正是对这一底层顽疾的正面强攻。它摒弃了传统的U-Net网络，全面拥抱Transformer架构（DiT），并极其激进地将处理维度直接拉回到原始的像素空间。通过重新设计的注意力机制与极致优化的并行计算调度，PixelDiT在不牺牲生成质量的前提下，生生扛住了直接在像素级操作带来的恐怖计算复杂度，实现了从“有损压缩生成”到“无损原生生成”的技术跨越。

![32.png](https://static.downly.cn/images/d398610fdd5c21276bd19c624478017b.png)
 <center>图源备注 图片由AI生成</center>

## 架构范式的演进与尺度定律的胜利

PixelDiT的成功入围，绝非单纯的算法微调，而是大模型领域“尺度定律”在视觉生成方向的又一次伟力证明。传统网络在扩展模型参数量时往往会遇到性能瓶颈，而基于Transformer的DiT架构天生具备极佳的可扩展性。只要持续喂入更多的算力与更高质量的数据，其生成保真度与语义对齐能力就能实现近乎线性的提升。

更核心的突破在于，直接操作像素意味着模型能够更敏锐地捕捉到光影、纹理等微观物理规律。对于需要极高视觉精度的工业设计、医疗影像分析甚至影视级特效渲染而言，这种无需经过编码器二次翻译的直出能力，彻底打通了AI生成内容与专业级生产管线之间的壁垒。

![33.png](https://static.downly.cn/images/0caf054ce6e95cd3444aa24f8aedf2d7.png)
 <center>图源备注 图片由AI生成</center>

## 端侧渲染重塑与底层硬件生态的护城河

作为底层算力的绝对霸主，英伟达推出PixelDiT的野心远不止于发表一篇顶级学术论文。这项底层架构的革新，本质上是对其自身硬件生态的一次精妙反哺。像素级DiT对显存带宽与张量核心的调度有着极其严苛的要求，这恰好完美契合了英伟达最新一代GPU的硬件特性。

随着PixelDiT的开源与普及，下游开发者将能够以更低的试错成本开发出具备极高视觉质量的应用。更重要的是，通过底层算子的优化，这种原本只能在云端集群运行的庞然大物，正逐步显露出在边缘设备上部署的潜能。当高质量的像素级生成成为端侧设备的标配，整个视觉AI行业的商业逻辑与产品交互形态，必将迎来一场前所未有的重构。

英伟达PixelDiT架构入围CVPR 扩散模型在像素级生成领域的底层跃迁



> **导语**
> 上海人工智能实验室开源全球最大科学多模态模型，基于MoE架构实现万亿参数与极致算力效率平衡，在AI4S领域确立国际领先地位，并全面开放SAGE架构技术链路。

## 科学计算领域的参数里程碑

全球开源 AI 社区近日迎来了一次重量级的技术刷新。上海人工智能实验室正式发布并开源了 **Intern-S1-Pro**，这是一款参数量达到万亿级别（1T）的科学多模态大模型。

该模型的发布不仅打破了开源社区的参数规模纪录，更标志着国产 AI 在 **AI for Science (AI4S)** 这一前沿赛道上取得了战略性突破。在综合学科评测中，Intern-S1-Pro 展现出了令人惊叹的专业能力，其复杂数理逻辑推理水平已达到奥林匹克竞赛金牌标准。在真实的科研场景下，它能够作为高水平的智能体辅助科学家进行实验设计与数据分析，其实力已稳居全球开源模型的第一梯队。

![Google_AI_Studio_2026-02-05T02_39_23.699Z.png](https://static.downly.cn/images/a85a54b0f905d1efb66a6bc31955bce4.png) <center>图源备注：图片由AI生成</center>

## 混合专家架构与物理直觉

在庞大的参数规模之下，Intern-S1-Pro 的技术内核同样精妙。研发团队采用了先进的 **混合专家架构（MoE）**，虽然总参数量高达1万亿，但通过高效的动态路由机制，模型在处理每一次具体任务时，仅需激活 **220亿（22B）** 参数。这种设计极大地降低了推理成本，实现了超大规模模型在算力效率上的最优解。

为了让 AI 真正理解科学规律，团队还引入了创新的“通专融合”技术架构 SAGE。通过引入傅里叶位置编码并重构时序编码器，模型仿佛拥有了“物理直觉”，能够统一理解从微观粒子信号到宏观物理现象的复杂规律。这一技术突破攻克了超大 MoE 模型训练中常见的稳定性难题，证明了国产团队在底层算法架构上的原创能力。

## 全链路自主可控的生态底座

Intern-S1-Pro 的意义远超模型本身，它是一次从原创架构到国产算力基座的完整技术验证。目前，该模型已在 GitHub 和 HuggingFace 等主流平台全面开源，并提供在线体验服务。

这一举措为全球科研机构和开发者提供了一个开放、共享的高性能基础设施。通过降低顶级科学模型的获取门槛，上海人工智能实验室正在加速构建一个基于国产技术的科研 AI 生态，为未来的科学发现提供源源不断的智能动力。

![Google_AI_Studio_2026-02-05T02_39_28.314Z.png](https://static.downly.cn/images/f3ead6a4fb51a05a89f7d6f330992612.png) <center>图源备注：图片由AI生成</center>

国产开源新高地：万亿参数Intern-S1-Pro发布，数理推理对标奥赛金牌



> **导语**
> AI 视觉领域迎来 "极简主义" 的反击。Meta AI 推出的 Pixio 模型证明，通过改良经典的掩码自编码器架构，即便不依赖复杂的 DINO 算法，也能在深度估计与 3D 重建等高难度任务中实现性能反超。

## 回归本质 强力解码器重塑空间理解

长期以来，学术界普遍认为掩码自编码器（MAE）在场景理解能力上逊色于 DINOv2 或 DINOv3 等复杂算法。然而，Pixio 的出现打破了这一刻板印象。

Pixio 的核心在于对 2021 年 MAE 框架的深度改良。研究团队发现，原始设计中较弱的解码器限制了编码器的潜力。因此，Pixio 显著增强了解码器功能，并采取了激进的 "大面积遮罩" 策略。不同于以往细碎的遮挡，Pixio 将图像中的大片连续区域进行遮蔽。这种做法迫使模型放弃简单的像素复制，转而必须真正 "脑补" 出物体共现关系、3D 透视以及光影反射等深层空间逻辑。

![Google_AI_Studio_2025-12-29T03_20_15.559Z.png](https://static.downly.cn/images/fbd1d8a431277ae5e4d513426fd8b8e6.png)
 <center>图源备注：图片由AI生成</center>

## 拒绝刷分 动态频率调整的数据哲学

在训练策略上，Pixio 展现出一种反直觉的纯粹性。它没有针对 ImageNet 等特定基准测试进行 "应试教育"，而是从网络收集了 20 亿张图像进行广泛学习。

为了提升模型对物理世界的理解，团队采用动态频率调整机制：降低简单产品白底图的训练权重，大幅增加复杂场景图片的出现频次。这种不为 "刷分" 而生的训练方式，反而赋予了模型惊人的迁移能力。数据表明，仅有 6.31 亿参数的 Pixio 在单目深度估计准确率上提升了 16%，在单张图像 3D 重建任务中，甚至优于使用八视角训练的 8.41 亿参数 DINOv3。

![Google_AI_Studio_2025-12-29T03_20_19.212Z.png](https://static.downly.cn/images/307d8a77d79ac308562665024a6ad2a8.png)
 <center>图源备注：图片由AI生成</center>

## 机器人领域的潜力

Pixio 的优势不仅停留在屏幕上，更延伸到了物理世界。在机器人学习领域的测试中，Pixio 以 78.4% 的成功率领先于 DINOv2。这表明，回归像素重建的本质，往往能通向更深层的视觉理解。尽管目前人工掩蔽存在局限，但 Pixio 为视觉大模型指明了一条 "大道至简" 的新方向。

Meta发布Pixio 像素级重构挑战视觉AI复杂论



> 导语：Meta 推出全球首个统一多模态音频分离模型 SAM Audio，支持通过文本、点击画面物体或标记时间段来精准提取特定声音，并同步开源了相关评测工具。

## 听觉与视觉的深度融合

Meta 正式推出音频处理领域的重磅突破——SAM Audio。这是全球首个统一的多模态音频分离模型，它能让用户像“用眼睛听声音”一样，从一段混杂的视频或音频中一键提取出任意目标声音。这项技术首次将人类自然感知声音的方式——看、说、指、选，完整复刻到了 AI 系统中。

![Google_AI_Studio_2025-12-18T01_47_02.699Z.png](https://static.downly.cn/images/25383f0567f49638cafac2694e53be1f.png)

<center>图源备注：图片由AI生成</center>

SAM Audio 的核心是其自研的感知编码器视听（PE-AV），被 Meta 称为模型的“耳朵”。该引擎首次将高级视觉理解能力与音频信号深度融合，实现了跨模态的声音定位与分离。

## 三种直觉化交互方式

SAM Audio 支持三种直觉化交互方式，可单独或组合使用

*   **文本提示** 输入“人声演唱”、“汽车喇叭”等语义描述，自动提取对应声源。
*   **视觉提示** 在视频画面中点击发声物体（如说话的人、敲鼓的手），系统即分离其音频。
*   **时间片段提示** 行业首创功能，通过标记目标声音出现的时间区间，模型自动处理整段录音中的同类声音。

## 推动音频技术标准化

为推动技术发展，Meta 同步开源了两大关键工具

*   **SAM Audio-Bench** 首个基于真实场景的音频分离评测基准。
*   **SAM Audio Judge** 全球首个专用于音频分离质量的自动评估模型。
![Google_AI_Studio_2025-12-18T01_47_50.570Z.png](https://static.downly.cn/images/40c80bf8834171075384a71761521227.png)

<center>图源备注：图片由AI生成</center>

## 重塑感官体验的新起点

PE-AV 引擎不仅是 SAM Audio 的底层核心，未来还将赋能 Meta 的字幕生成、视频理解与智能剪辑系统。它的开源意味着开发者可构建从自动消噪会议记录到沉浸式 AR 音频交互的各种应用。在视频内容爆炸式增长的今天，SAM Audio 的出现标志着音频处理正式进入“可交互、可编辑、可理解”的新时代。

Meta 发布 SAM Audio 音频处理黑科技 点击画面即可分离声音



> 导语
> 今日科技圈迎来多重重磅更新，腾讯与OpenAI相继推出新一代大模型，编程与多模态能力大幅跃升。与此同时，快手可灵与生数Vidu在音视频生成领域再造突破，高德与诺顿则将AI融入出行与安全浏览，更有日本政府探索AI在心理干预层面的社会价值。



## 腾讯混元2.0震撼发布 携手DeepSeek共建AI生态

腾讯正式对外发布了备受瞩目的自研大模型混元2.0。这一版本采用了先进的混合专家架构（MoE），参数规模巨大，旨在提供更强劲的逻辑推理与多任务处理能力。值得一提的是，腾讯同步宣布将DeepSeek V3.2深度接入其生态系统。目前，这两款强大的模型并在元宝、ima等腾讯旗下的AI应用中正式上线。与此同时，腾讯云也迅速跟进，向开发者和企业用户开放了相关的API服务，为产业智能化升级提供了新的强力引擎。

## OpenAI再推王炸 GPT-5.1-Codex-Max重新定义编程效率

OpenAI发布了其最新的编程专用模型——GPT-5.1-Codex-Max。该模型在性能上实现了显著飞跃，不仅具备更加智能的“代理式”编码能力，能够自主规划和执行复杂的编程任务，还支持超过一百万token的超长上下文窗口，轻松处理大型代码库。令人惊喜的是，其定价策略保持与GPT-5一致，极高的性价比使其一经发布便受到了全球开发者的广泛关注与热议。

## 英伟达联手港大推出Orchestrator模型 小参数大智慧

英伟达与香港大学合作，联合推出了一款拥有8亿参数的Orchestrator模型。虽然参数量不大，但该模型利用创新的ToolOrchestra强化学习框架，展现出了惊人的效能。它能够以更低的算力成本和更高的准确率，协调多种外部工具与大型语言模型协同工作，以解决复杂问题。此外，该模型还具备根据用户偏好智能选择最佳工具的能力，为AI代理的工具管理提供了新的思路。


![image.png](https://static.downly.cn/images/d912f372ced241a29811bfb8b7aad1db.png)

<center>图源备注：图片由AI生成</center>


## 快手可灵Avatar 2.0上线 一张照片实现唱跳自由

快手可灵AI发布了Avatar 2.0数字人模型，标志着AI内容创作从静态向动态叙事迈出了关键一步。新版本彻底告别了以往数字人常见的“面瘫”问题，用户现在仅需上传一张照片和一段音乐，即可生成长达五分钟的视频。在视频中，数字人不仅能根据音乐节奏自然地唱歌跳舞，还能展现出细腻丰富的面部表情和肢体动作，极大地降低了高质量视频内容的创作门槛。

## 生数科技Vidu Q2版本发布 免费解锁4K画质与局部重绘

生数科技发布了集参考生图、文生图与图像编辑功能于一体的Vidu Q2版本，被称为“生图全家桶”。该版本在图像生成的可控性上进行了大幅增强，用户可以精准控制画面的位置、动作和构图。Vidu Q2不仅支持输出影院级的4K超清画质，还新增了实用的局部重绘等编辑功能。凭借强大的功能和免费使用的策略，该版本上线首日使用量即突破五十万次，成为创意领域的新宠。

## 微软开源VibeVoice 300毫秒极速响应拟人语音

微软发布并开源了实时语音模型VibeVoice-Realtime-0.5B。该模型在语音合成技术上取得了突破性进展，能够将文本输入在平均300毫秒内转化为语音输出，几乎实现了零延迟的实时交互。不仅速度快，其输出的语音极其接近真人，即便是在长达90分钟的长音频合成中，也能保持流畅自然的呼吸感和语调，远超传统语音合成技术的表现。

## 火山引擎豆包语音2.0升级 复杂场景识别率显著提升

火山引擎发布了基于20亿参数音频编码器的豆包语音识别模型2.0。此次升级显著增强了模型在多语言环境、嘈杂复杂场景下的识别准确性。特别是在处理专有名词、人名、地名以及多音字等难点信息时，新模型的推理能力得到了质的飞跃。此外，该模型还新增了视觉信息识别功能，进一步拓宽了其在多模态交互场景中的应用潜力。

---
![image.png](https://static.downly.cn/images/73c5ddaf2726e7f389decc0e7f6a05be.png)

<center>图源备注：图片由AI生成</center>


## 高德地图上线AI停车雷达 分钟级预测车位状态

高德地图利用先进的AI视觉分析和空间智能感知技术，推出了实用的“AI停车雷达”功能。该功能实现了车位占用情况的分钟级动态可视化更新，帮助车主在导航过程中实时查看沿途及目的地的空闲车位情况。目前，该服务已率先在北京上线，覆盖数万个车位，有效缓解了城市停车难的问题，极大地拓展了导航应用的服务深度。

![image.png](https://static.downly.cn/images/8701e7b568393d4ef04b4cc2fec2902c.png)

<center>图源备注：图片由AI生成</center>

## 诺顿发布全球首款安全AI浏览器Norton Neo 守护在线隐私

网络安全巨头诺顿发布了全球首款免费的“安全AI原生浏览器”——Norton Neo。这款浏览器旨在利用AI技术的主动防御能力，应对日益复杂的在线安全威胁。它能够智能识别并拦截恶意网站、钓鱼链接及追踪脚本，为用户提供一个更加智能、清爽且可信赖的网页浏览体验，重新定义了浏览器安全标准。

## 阿里云析言XiYan-SQL登顶全球榜单 数据库诊断能力刷新纪录

阿里云飞天实验室研发的“析言XiYan-SQL”数据分析智能体，在全球权威的SQL诊断评测BIRD-CRITIC中一举夺魁。该智能体超越了国内外众多顶尖团队，刷新了该基准测试中所有开放榜单的纪录。这一成绩充分展现了阿里云在自动诊断和修复企业常见数据库报错方面的强大技术实力，为企业数据治理提供了强有力的工具支持。

## 日本政府拟启用AI技术 早期干预青少年心理危机

面对青少年自杀率上升的严峻社会问题，日本政府计划利用人工智能技术来早期识别具有自杀倾向的青少年，并及时提供必要的心理支持与干预。这一举措是在社会对AI风险广泛关注的背景下提出的，此前OpenAI曾因AI工具可能诱导不良情绪而引发争议。日本政府此举意在探索AI向善的可能性，将其应用于心理健康这一关键社会领域。



每日AI资讯1206：腾讯混元2.0重磅登场 OpenAI发布编码神器 快手可灵让数字人唱跳俱佳



> 导语：今日AI界风起云涌，资本热度不减，AI搜索新星Perplexity再获2亿美元巨额融资，估值飙升至200亿，向搜索巨头发起有力挑战。同时，技术创新步伐加快，MiniMax推出能生成4分钟完整歌曲的Music 1.5模型，支付宝“AI付”打通智能体支付全链路，而Anthropic的Claude则新增了自动记忆功能，让AI交互更加智能。此外，OpenAI的结构调整与微软的自研模型投入，也预示着行业格局的深刻变化。

---



## AI搜索黑马Perplexity估值破200亿，谷歌霸主地位再迎强敌

AI初创公司Perplexity凭借其创新的对话式搜索服务，正成为行业内最受瞩目的新生力量。在短短两个月内，该公司再度成功融资2亿美元，使其估值达到了惊人的200亿美元。这一迅猛的增长势头，充分显示了资本市场对其挑战传统搜索巨头谷歌潜力的认可。

![image.png](https://static.downly.cn/images/7843e4e236c976dfbd650bd6fb3eb1a6.png)

 <center>图源备注：图片由AI生成</center>

## AI音乐创作进入新纪元，MiniMax Music 1.5实现4分钟完整歌曲生成

国内AI公司MiniMax发布了其新一代音乐生成大模型Music 1.5，将AI生成音乐的时长提升至4分钟，足以创作一首结构完整的歌曲。该模型赋予用户极大的创作自由度，无论是通过简单的自然语言描述，还是通过高级模式进行段落和歌词的精细编排，都能生成层次丰富、人声饱满的高质量音乐作品，真正实现了“一人即乐队”的创作体验。

![image.png](https://static.downly.cn/images/491f8ce30d336cc7b9613be3173161f1.png) <center>图源备注：图片由AI生成</center>

## “动动嘴”就支付，支付宝推出国内首个智能体支付服务‘AI付’

支付宝在智能化服务领域迈出重要一步，正式推出“AI付”服务。这是国内首个将智能体技术与支付流程完全打通的应用，用户只需通过语音对话，即可完成从点单到支付的全过程。这一创新不仅简化了操作，也为用户提供了前所未有的无缝AI服务体验。

![image.png](https://static.downly.cn/images/e16c5ceeed2eb2460cf3017a00720467.png) <center>图源备注：图片由AI生成</center>

## AI程序员再进化，Replit Agent 3实现200分钟不间断自主开发

AI编程公司Replit发布了其第三代AI开发助手Agent 3。新一代Agent的自主工作能力得到显著增强，能够连续运行长达200分钟，独立处理从代码编写、功能测试到错误修复的完整开发流程。其核心的“动态智能”技术使其具备了更强的上下文理解和迭代推理能力，能够胜任更复杂的开发任务。

![image.png](https://static.downly.cn/images/edf15e503f8d1d857e8229397fddd4eb.png) <center>图源备注：图片由AI生成</center>

## Claude AI变身“贴心管家”，新增自动记忆功能免去重复对话

Anthropic公司为其AI聊天机器人Claude推出了一项实用的新功能——自动记忆聊天内容。该功能主要面向团队和企业用户，能让Claude自动记住用户的对话历史、偏好和项目背景等关键信息，并在后续的交流中主动运用这些信息，从而提供更具个性化和连贯性的回复，极大提升了协作效率。

![image.png](https://static.downly.cn/images/f59cb49fa77df993776963f197031175.png) <center>图源备注：图片由AI生成</center>

## OpenAI结构调整新动向，或将转型公益股份公司为上市铺路

OpenAI与其重要合作伙伴微软达成了一份非约束性的谅解备忘录，计划将其营利性部门转型为公益股份公司（PBC）。此举被视为在平衡其公益使命与商业发展需求之间的一大步，旨在为公司开辟更多的融资渠道，并可能为其未来的上市做好准备。根据协议，其非营利组织将继续掌握对公司的运营控制权。

![image.png](https://static.downly.cn/images/e13ece7c3bbec5bac73b3731d82c74d5.png) <center>图源备注：图片由AI生成</center>

## 自立门户，微软豪掷重金打造自主AI模型以抗衡巨头

为巩固在人工智能领域的领先地位，微软正在大力投资，以升级其用于训练自有人工智能模型的服务器基础设施。尤其是在推出MAI-1-preview模型之后，微软明确了其自主构建并灵活运用各种规模前沿AI模型的战略方向，旨在与Meta、谷歌、xAI等科技巨头在核心技术上展开直接竞争。

## AI数据版权乱象迎来破局者？Real Simple Licensing协议应运而生

面对日益严峻的AI数据版权问题，行业正积极寻求解决方案。近期，在多起备受关注的版权诉讼背景下，部分技术专家与内容出版商联合推出了一套名为“Real Simple Licensing”（RSL）的新系统。该协议旨在简化并规范大规模数据的授权流程，为AI训练数据的合规使用提供一条清晰的路径。

## 蚂蚁与人大联手，发布首个原生MoE扩散语言模型挑战行业标杆

蚂蚁集团与中国人民大学联合发布了首个原生的混合专家（MoE）扩散语言模型LLaDA-MoE。在代码生成、数学推理及Agent任务等多项基准测试中，该模型的表现优于多个同类扩散语言模型，其性能甚至能与Qwen2.5-3B-Instruct等优秀的自回归模型相媲美。

## 融资快讯

*   **AI编程赛道火热，Replit狂揽2.5亿美元融资** AI编程公司Replit近期完成了2.5亿美元的新一轮融资，公司估值达到30亿美元，其年收入激增至1.5亿美元，用户数也突破了4000万，显示出投资者对AI驱动软件开发工具的强烈信心。
*   **超越XLM-R，约翰霍普金斯大学发布全新高效多语种编码器mmBERT** 来自约翰霍普金斯大学的研究人员成功开发了一款新型多语种编码器mmBERT。在多项任务测试中，mmBERT的表现全面超越了知名的XLM-R模型，同时还将处理速度提升了2至4倍，为多语言AI应用的研究与发展提供了更强大的工具。

每日AI资讯0912：AI搜索新星估值飙升，音乐生成与智能支付迎新突破



> 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

StabilityAI推出的文本到图像生成AI

搜索结果: 编码器