

> 彻底摒弃暴力的“切片抽帧”模式，Gemini Omni Flash通过原生的时空联合建模架构，让AI第一次真正“看懂”了视频流的时序逻辑，这不仅是跑分的胜利，更是多模态效率的一次革命。

## 摆脱抽帧依赖 真正的原生视频理解架构
在Gemini Omni Flash问世之前，业界处理视频理解任务的主流方法，往往显得笨拙且暴力——将视频像切香肠一样切开，抽取关键帧，再将其转化为图片让视觉大模型进行静态处理，最后配合语言模型强行拼接语义。这种“伪视频理解”不仅丢失了最为关键的帧间运动信息和物理时序逻辑，更导致了极高的数据冗余。

Gemini Omni Flash达到SOTA（State-of-the-Art）水平的核心突破，在于其架构层面的彻底重构。它不再将视频视为“一堆照片的集合”，而是将其作为一种原生的连续数据流来处理。通过创新的时空注意力机制（Spatio-temporal Attention），模型能够在捕捉单帧内空间特征的同时，建立起跨越长视频维度的时序依赖关系。这意味着AI终于能够理解诸如“杯子先被推倒，水随后流出”这样复杂的因果与动作连续性，而非仅仅认出“杯子”和“水”。

![42.png](https://static.downly.cn/images/308308f46350c0a008a48ed0f9049665.png) <center>图源备注 图片由AI生成</center>

## 效率革命 轻量化模型如何实现算力降级与性能跃升
更令技术圈震动的是其后缀“Flash”所代表的工程学奇迹。在传统认知中，视频数据的维度远高于文本和图片，处理长视频必定需要超大参数量的模型和极其恐怖的算力堆叠。然而，Gemini Omni Flash却证明了通过极其优化的特征压缩与高效路由算法，小体积模型同样能在复杂的视频任务上实现降维打击。

亮点　这一模型在保持极低延迟的同时，展现出了对海量视频Token的卓越吞吐能力。它解决了长上下文处理时的内存墙瓶颈，让实时视频流分析成为可能。对于开发者而言，这意味着过去必须依赖高端云端GPU阵列才能完成的视频分析任务，未来极有可能在边缘侧或成本受限的普通终端上流畅运行，这是对多模态算力利用率的史诗级优化。

![43.png](https://static.downly.cn/images/9b89087881b8f7f6741d60aa8cf54554.png) <center>图源备注 图片由AI生成</center>

## 涟漪效应 视频生成与分析生态的重构
Gemini Omni Flash的登顶，将在整个AI视觉生态中激起巨大的涟漪。在视频生成领域（如Sora类的应用），更强的视频理解能力意味着能够提供更高质量的训练反馈，从而加速物理世界模拟器的迭代；在自动驾驶和安防监控领域，毫秒级的原生视频理解将直接提高系统的危险预判能力与响应速度。

这种底层架构的突破，正在将多模态大模型的竞争维度从“多模态缝合”推向“多模态融合”。当AI能够以极低的成本、极高的精度去解构和理解人类世界的动态影像时，现实世界与数字世界之间的感知鸿沟，正在被前所未有地填平。

Gemini Omni Flash登顶视频理解SOTA 多模态架构优化的技术突破



> 国产大模型赛道在 2026 年春节期间迎来高光时刻。GLM-5 的发布不仅在技术路线上验证了稀疏注意力架构的可行性，更在资本市场上演了一场造富神话。

## 马甲曝光后的资本狂欢

继 DeepSeek 之后，智谱 AI 的新一代大模型 GLM-5 成为了市场的绝对焦点。这一动作直接引爆了资本市场，导致智谱股价近期大涨 200%，总市值冲破 1500 亿港币大关，达到其 IPO 时的 3 倍。

此前，全球模型服务平台 OpenRouter 上出现了一款代号为“Pony Alpha”的神秘模型，其代码编写能力直逼行业顶尖的 Claude Opus。经过网友对其特有逻辑 Bug（如特定且异常的烹饪问答）的“指纹识别”，以及系统提示词的自曝，该模型的真实身份最终被确认为 GLM-5。

![Generated Image February 11, 2026 - 10_28AM.png](https://static.downly.cn/images/7ffe63c8085889d9e58ed98db9acf20a.png) <center>图源备注：图片由AI生成</center>

## 复用 DSA 架构的参数跃升

在技术路线上，GLM-5 选择了与 DeepSeek-V3 相同的稀疏注意力架构（DSA），这被行业视为一种极具性价比的演进策略。
*   **规模跨越**：总参数量飙升至 745B，是前代 GLM-4.7 的 2 倍。
*   **计算效率**：采用 Mixture-of-Experts (MoE) 机制，拥有 256 个专家，每次仅激活 8 个（约 44B 激活参数），稀疏度低至 5.9%，大幅降低了推理成本。
*   **能力补齐**：支持最高 202K token 的上下文窗口，并重点强化了视频理解等多模态能力，弥补了此前纯文本架构在 2026 年市场需求下的短板。

![Generated Image February 11, 2026 - 10_28AM (1).png](https://static.downly.cn/images/c6a4604350a47c39de7e90273da19cb3.png) <center>图源备注：图片由AI生成</center>

## 行业影响与部署门槛

GLM-5 对 DSA 架构的采用具有深远的行业意义。它意味着该模型可以直接复用 vLLM、SGLang 等主流推理框架现有的优化方案。对于企业级用户而言，这直接降低了部署门槛和算力成本。在国产 AI 积极出海、与海外大模型贴身肉搏的浪潮中，智谱凭借 GLM-5 在性能与工程化上的双重突破，再次证明了其作为头部玩家的实力。

智谱 GLM-5 借力稀疏架构突围 资本热捧助推市值千亿新高



> 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




> 今日科技圈迎来多重震动，OpenAI 模型迭代大幅缩减科研时间，微软 Windows 11 深度集成 GPT-5.1 普惠用户。与此同时，字节跳动与快手在视频生成与理解领域展开激烈角逐，谷歌 TPU 新品发布引发算力市场价格战，多模态与硬件生态正加速重构我们的数字生活。

## 豆包手机助手技术预览版上线 携手努比亚开启系统级AI体验

豆包团队近期联合手机厂商，正式推出了基于大模型和系统底层授权的豆包手机助手技术预览版。这款助手旨在通过高效的交互方式和丰富的功能体验，改变用户与手机的互动模式。目前，首批搭载该技术的工程样机 nubia M153 已经面向开发者和技术爱好者进行了少量发售，预示着移动端原生 AI 时代的加速到来。

![image.png](https://static.downly.cn/images/719e078cd7ce3d6558336cf204bbbc55.png)
<div align="center">图源备注：图片由AI生成</div>

## 谷歌推出 TPUv7 铁木处理器 挑战英伟达霸主地位

谷歌宣布推出代号为“铁木”的 TPUv7 处理器并正式对外销售，这一举措直接剑指英伟达在 AI 计算领域的市场垄断地位。随着新硬件的入场，AI 计算市场的价格战已初现端倪。据报道，OpenAI 通过采用该技术，成功节省了约 30% 的计算成本，这为大型模型训练的降本增效提供了新的思路。

![image.png](https://static.downly.cn/images/6f4470f6d25f1e3d7f1a9f9c5e930bfa.png)
<div align="center">图源备注：图片由AI生成</div>

## 真假难辨 实验显示绝大多数人无法区分AI音乐

Deezer 与 Ipsos 联合进行的一项实验显示，高达 97% 的参与者无法准确分辨 AI 生成的音乐与人类创作的音乐。不过，该结论引发了一些争议，因为测试标准相对宽松，参与者只要猜错一首即被判定为“无法辨别”。尽管如此，这一数据依然反映出 AI 音乐生成技术在逼真度上已经达到了极高的水平。

![image.png](https://static.downly.cn/images/9e1186e0e7876a80517f39cb6d9c8a00.png)
<div align="center">图源备注：图片由AI生成</div>

## 快手 Kling Omni 即将发布 打造导演级视频控制能力

快手科技宣布其多模态视频模型 Kling Omni 本周即将亮相。该模型不仅支持文本、图像和视频的混合输入，更具备了“导演级”的精准控制能力。它能够无缝融合视频生成与后期编辑，甚至可以生成长达 2 分钟且带有原生音频的长视频，旨在为创作者构建一个全能的创意宇宙。

![image.png](https://static.downly.cn/images/a5e9cd4fc6cee90a127ac2f087505368.png)
<div align="center">图源备注：图片由AI生成</div>

## 豆包 App 语音功能大升级 支持四种方言打破沟通壁垒

为了助力老年人跨越数字鸿沟，豆包 App 新增了基于方言迁移技术的语音对话功能。目前已支持粤语、四川话、东北话和陕西话四种方言。用户现在可以使用名为“温柔桃子”的音色，进行更加亲切、智能且流畅的方言交流，让科技产品变得更有温度。

![image.png](https://static.downly.cn/images/4a620ddf8c195a58610f1be60a4d5edf.png)
<div align="center">图源备注：图片由AI生成</div>

## 字节跳动 Vidi2 模型问世 120亿参数革新视频自动化编辑

字节跳动重磅推出了拥有 120 亿参数的视频理解模型 Vidi2。该模型的核心突破在于其精细的时空定位功能，能够处理长达数小时的原始视频素材，深刻理解故事脉络。它可以根据用户指令，自动化生成 TikTok 短视频或电影片段，这一技术有望彻底革新视频编辑领域的工作流程。

![image.png](https://static.downly.cn/images/f49e182a8273c10ef4a5025f66068e91.png)
<div align="center">图源备注：图片由AI生成</div>

## GPT-5 展现卓越数学天赋 复杂科研任务几小时搞定

OpenAI 研究员布贝克分享了与 GPT-5 协作的惊人体验。他表示，该模型展现出了卓越的数学能力。原本需要花费研究人员一个月时间的复杂方案设计与模拟验证任务，GPT-5 仅用一个下午就高效完成了。这一案例生动展示了新一代大型语言模型在科研辅助领域的巨大潜力。

![image.png](https://static.downly.cn/images/84447c6309c3b4d7d5d0028e87639ff2.png)
<div align="center">图源备注：图片由AI生成</div>

## Meta AI 推出 Matrix 框架 解决合成数据生成瓶颈

Meta AI 推出了全新的 Matrix 框架，旨在革新多智能体合成数据的生成方式。通过去中心化的设计，Matrix 将合成数据调度中的控制与数据流序列化为消息并进行分布处理。这种方法有效解决了传统中心控制器导致的 GPU 资源浪费和协调开销问题，显著提升了数据的新鲜度和多样性。

![image.png](https://static.downly.cn/images/05db59ba47537bafef19a9eb4a13bc45.png)
<div align="center">图源备注：图片由AI生成</div>

## 微软 Win11 Copilot 免费解锁深度思考功能 集成 GPT-5.1

微软为 Windows 11 Copilot 用户推送了重磅更新，免费开放了 GPT-5.1 模型，并解锁了原付费功能“Think Deeper”深度推理。此外，更新还增设了“Labs”实验区，首批上线了实时画面解析组件，并计划在后续加入 3D 生成等更多前沿功能，极大地丰富了桌面 AI 体验。

![image.png](https://static.downly.cn/images/0fb6e4be109c00f2494f7cc0df6f44a2.png)
<div align="center">图源备注：图片由AI生成</div>

每日AI资讯1201：GPT-5展现卓越数学能力 字节跳动重塑视频编辑



> **导语**
> 谷歌于昨夜深夜突发震撼弹，正式发布最强模型 Gemini 3，以“静默上新”的姿态宣告王者归来。新模型在各项核心基准测试中全面超越 GPT 5.1 与 Claude 4.5，凭借惊人的 91.9% GPQA Diamond 得分及独创的“Deep Think”深度推理模式，重新定义了 AI 智能天花板。从一键生成 Game Boy 模拟器到重塑搜索体验，Gemini 3 标志着大模型正式进入谷歌统治时代。

## 谷歌深夜亮剑 性能参数全线超越GPT 5.1

在没有任何预热发布会的情况下，谷歌选择在深夜直接上线了其年度杀手锏——Gemini 3。这一次，谷歌不再是追赶者，而是以绝对的性能优势俯视群雄。根据泄露的 Model Card 及早期评测数据，Gemini 3 Pro 在几乎所有关键基准测试中都取得了压倒性胜利。

最令人瞩目的是其在科学知识推理（GPQA Diamond）上斩获了 91.9% 的高分，不仅大幅领先 GPT 5.1 的 88.1%，更是将 Claude 4.5 甩在身后。在数学领域，其 AIME 2025 测试得分高达 95.0%，配合代码执行更是达到了完美的 100%，彻底解决了复杂逻辑推理的痛点。这一连串的数据表明，谷歌自研 TPU 算力集群与庞大的数据护城河终于展现出了恐怖的统治力。

![image.png](https://static.downly.cn/images/edeb699ce370c47884e9d48aef3db255.png)

## 深度思考模式Deep Think 让AI拥有慢思考能力

Gemini 3 不仅快，更懂得“慢”。新版本引入了备受期待的 **Deep Think**（深度思考）模式，这是谷歌针对复杂推理任务给出的终极答案。与以往模型急于给出表面答案不同，Deep Think 模式赋予了模型类似人类的“系统2”思维能力，能够抽丝剥茧地处理多层级难题。

在 Humanity's Last Exam（人类终极考试）测试中，开启深度思考模式的 Gemini 3 拿下了 41.0% 的分数，而 ARC-AGI-2 基准测试更是达到了 45.1%。无论是解析晦涩的学术论文，还是规划跨越数月的项目路径，Gemini 3 都能展现出令人咋舌的逻辑深度。OpenAI CEO 奥特曼甚至罕见地在社交媒体上点赞祝贺，侧面印证了此次更新的含金量。

![image.png](https://static.downly.cn/images/a2ba165460b7817cb5c873fa45014cad.png)
## Vibe Coding元年 一句话生成可玩游戏

对于开发者和创作者而言，Gemini 3 的发布意味着“Vibe Coding”（氛围编码）时代的正式到来。借助谷歌新推出的 **Google Antigravity** 开发者平台，Gemini 3 展现了极其强悍的 Agent（智能体）能力。

在演示中，用户仅凭一句简单的提示词，Gemini 3 就从零构建了一个功能完备的 3D 乐高编辑器，不仅界面精美，物理碰撞逻辑也毫无破绽。更夸张的是，它甚至能直接通过 SVG 代码绘制并运行一个 Game Boy 模拟器，或者复刻经典的 iOS 游戏《Ridiculous Fishing》，连音效和背景音乐都一并生成。这种“所想即所得”的编程能力，让自然语言真正成为了最高级的编程语言。

![image.png](https://static.downly.cn/images/6d27ac5007d7ac0d03a3b9a8cef4021d.png)
<p align="center">图源备注：图片由AI生成</p>
## 原生多模态交互 重塑搜索与应用生态

Gemini 3 的强大不止于参数，更在于其原生多模态（Native Multimodality）的交互体验。它能同时处理文本、图像、音频和长视频，且不再是简单的拼接，而是深度的语义融合。在视频理解测试 Video-MMU 中，Gemini 3 取得了 87.6% 的成绩，用户可以上传一段长视频，让 AI 瞬间定位到某个微小的细节。

目前，Gemini 3 已全面接管谷歌生态。在 Google Search 中，AI Mode 能够生成动态的交互式图表；在 Gemini App 中，它能像私人助理一样精准管理你的生活杂务。尽管 Deep Think 模式带来了更高的推理成本，但谷歌显然已准备好用这款划时代的产品，彻底终结大模型市场的混战局面。



谷歌深夜炸场：Gemini 3 全面碾压 GPT 5.1，大模型“谷歌时代”正式降临



> 今日AI领域创新活跃，各大厂商竞相发布新工具与新功能。从腾讯的游戏视觉平台升级，到钉钉的文档解析利器，再到京东的电商文案工具，AI正全面提升各行业生产力。同时，ChatGPT与Kimi等头部模型也迎来重要更新，不仅开放了更多免费功能，还在性能和交互体验上实现新突破，市场竞争格局也因新玩家的入场和新计划的推出而愈发激烈。

## 腾讯混元平台再进化 游戏视觉创作进入“快车道”

腾讯混元游戏视觉生成平台现已升级至2.0版本，该版本在游戏图生视频、自定义模型训练及角色精修等方面实现了重要突破。新平台显著提升了2D生图、图生视频及文生图在游戏场景下的表现，有效解决了游戏美术设计与宣发环节中动态内容生成难、风格定制繁琐以及细节优化耗时等核心痛点，为游戏美术设计师的工作效率带来了质的飞跃。

![image.png](https://static.downly.cn/images/a21665f9e37cabd48357447ed429ee19.png)

<p align="center">图源备注：图片由AI生成</p>

## 钉钉联手OpenDataLab发布DLU 高效解析复杂文档

OpenDataLab与钉钉合作，基于强大的MinerU引擎推出了一款名为DLU的文档解析工具。该工具能够支持多种文档格式，并精准提取图表、公式等复杂元素，生成高质量的训练语料，旨在大幅提升企业处理专业内容的效率。为了推动AI应用的进一步落地和发展，该工具计划于近期进行开源。

![image.png](https://static.downly.cn/images/71a887c6bd92b441e6a74084ba54b259.png)

<p align="center">图源备注：图片由AI生成</p>

## ChatGPT功能下放 免费用户喜提项目管理新工具

OpenAI近期调整了ChatGPT的功能策略，将部分项目管理相关的功能向免费用户开放。根据新规，免费用户现在每天可以上传最多5个文件进行处理。与此同时，Plus用户的上限提升至25个，而Pro、商业及企业版用户的上限则为40个。此举体现了OpenAI旨在满足不同用户群体的需求，并通过功能分层进行产品升级的策略。

![image.png](https://static.downly.cn/images/fdeb409f67634d4d6be6a5b1f06a823c.png)

<p align="center">图源备注：图片由AI生成</p>

## 月之暗面Kimi模型再升级 高速API全面开放

月之暗面发布了其Kimi K2模型的最新版本（0905），新版本重点强化了Agentic Coding能力和编程任务处理性能。此外，模型上下文长度已扩展至256K，并推出了全新的高速API，其输出速度可达每秒60至100个Token，旨在满足更复杂、长线的任务需求，并显著提升应用的响应效率。

![image.png](https://static.downly.cn/images/99ad999ea0827ff6d4f684300ef8eb5d.png)

<p align="center">图源备注：图片由AI生成</p>

## OpenAI布局新赛道 AI招聘平台挑战LinkedIn霸主地位

据报道，OpenAI正在积极开发一款名为“OpenAI招聘平台”的人工智能招聘服务。该平台计划于2026年中期正式推出，其核心目标是利用先进的AI技术，实现企业与求职者之间的高效精准匹配。此举被视为直接挑战当前由微软旗下、其早期投资者Reid Hoffman联合创办的职场社交巨头LinkedIn。

![image.png](https://static.downly.cn/images/bee307a171129d59491bfa3ae459d1bd.png)

<p align="center">图源备注：图片由AI生成</p>

## ChatGPT体验革新 引入分支对话功能

ChatGPT网页版现已上线分支对话功能，允许用户在同一次对话中创建多个独立的讨论分支。这一新特性使得用户可以在不干扰主线思路的情况下，自由探索不同的想法和问题方向。该功能极大地提升了交互的灵活性和个性化体验，尤其适用于头脑风暴、复杂问题深度探讨以及多角度思考等应用场景。

![image.png](https://static.downly.cn/images/966185f22efbbab268e2ca50ff7fe953.png)

<p align="center">图源备注：图片由AI生成</p>

## 京东发布“京点点AI文案” 电商营销三秒成稿

京东针对电商商家推出了一款名为“京点点AI文案”的高效创作工具。该工具旨在帮助商家减轻文案创作的压力，用户仅需输入商品的SKU并选择期望的文案风格，系统便能在短短三秒内生成具有高转化率的营销文案，从而极大地提升了商家的运营效率。

![image.png](https://static.downly.cn/images/ea2bf38f7ec160c578964ebb9d92c30c.png)

<p align="center">图源备注：图片由AI生成</p>

## AI阅读工具新突破 电子书一键转为思维导图

由SSShooter团队开发的“电子书转思维导图”AI工具，旨在解决电子书格式限制和信息结构不清晰的阅读痛点。该工具能够智能解析EPUB和PDF文件，将其内容自动转换为结构化的思维导图和精炼的文字总结。这不仅帮助读者更高效地把握书籍的核心脉络，还极大地提升了深度阅读和知识管理的效率。

![image.png](https://static.downly.cn/images/ab8a8091b9c018bd8478d6570d9473bc.png)

<p align="center">图源备注：图片由AI生成</p>

## 智谱AI发起“搬家计划” 以七分之一价格对标Claude

智谱AI近日宣布，其API已全面兼容Claude协议，并为此推出了“Claude API用户特别搬家计划”。用户现在只需简单地更换API地址，就能将原有的应用从Claude模型无缝切换到智谱的GLM模型。此举极大地降低了开发者的迁移成本，并以极具竞争力的价格吸引用户。

![image.png](https://static.downly.cn/images/351f8e456a2ae0e59f81ddf51bee95c7.png)

<p align="center">图源备注：图片由AI生成</p>

## 快手开源多模态推理模型 视频理解树立新标杆

快手发布并开源了一款先进的多模态推理模型，该模型在视频理解领域展现出卓越性能。它支持高达128k的上下文长度，能够实现0.1秒级的精准视频定位，并具备强大的跨模态推理能力。这项技术的突破，展示了如何将前沿研究成果成功应用于面向千万用户的实际产品中，为技术规模化落地提供了范例。

![image.png](https://static.downly.cn/images/36f0b3f8942695f823616429d3ad9db4.png)

<p align="center">图源备注：图片由AI生成</p>

每日AI资讯0906：从三秒出稿到秒解视频，生产力工具迎来“落地”爆发期

> 2025年8月，人工智能行业迎来了前所未有的发展浪潮。从技术突破到商业化落地，从开源生态到产业应用，AI正以惊人的速度重塑着各个领域。

![](https://static.downly.cn/images/7c65b21e4e16528fcba9347dea979cdf.png)

![](https://static.downly.cn/images/c77d677782788505d5249c62cfd2c1ca.png)

![](https://static.downly.cn/images/2754fdc7f4d0fe82f0648b5ca32bd938.png)

![](https://static.downly.cn/images/46c747480f9c5f10f186b755a21c7525.png)

![](https://static.downly.cn/images/f99f1faedb5ec77b4a8cc8ba545d1f36.png)

![](https://static.downly.cn/images/74a7d248cb949f7450bc253cb7051d31.png)

![](https://static.downly.cn/images/631440659c9025bf88bcc77e783b0bc7.png)

## 2025-08 AI资讯精选

### **第一周 (8.01 - 8.07)：开源浪潮与端侧革命**

本周，AI 领域以一系列重磅开源项目和应用创新拉开序幕。从多模态应用到端侧模型，再到巨头间的战略博弈，行业展现出蓬勃的活力。

- **[Grok 功能拓展](https://www.downly.cn/articles/8e022a5e-05d7-4804-864e-6672de58e98f) (8.01)**: 马斯克为旗下 AI 模型 Grok 用户推出视频生成器与 AI 虚拟男友，进一步探索人机交互的边界。
- **[巨头"分手"](https://www.downly.cn/articles/3d05225a-a7ba-4f2d-9621-13ca6a8f334c) (8.03)**: Anthropic 正式切断 OpenAI 对其强大的 Claude 模型的访问权限，凸显了顶级 AI 模型作为战略资源的重要性，市场竞争加剧。
- **[视频模型新势力](https://www.downly.cn/articles/17ad7286-eddf-41e8-a79d-37684a501506) (8.04)**: 开源视频模型 Wan2.2A14B 以其出色的性价比，向闭源巨头发起有力挑战。
- **[通义千问开源](https://www.downly.cn/articles/5052151b-22bd-4924-9fcd-74c49cbef65a) (8.05)**: 阿里巴巴重磅开源其 20B 参数级别的图像生成模型 Qwen-Image，在多项基准测试中刷新行业纪录。
- **[视频模型"瘦身"](https://www.downly.cn/articles/5052151b-22bd-4924-9fcd-74c49cbef65a) (8.05)**: 阿里与南开大学联手发布 LLaVA-Scissor 技术，可智能压缩视频大模型，显著提升处理效率。
- **[OpenAI 回归开源](https://www.downly.cn/articles/8d06827a-ec4b-4a89-ba6e-8e6bb13fee32) (8.06)**: 时隔五年，OpenAI 携两款免费可商用的语言模型 GPT-oss-120b 和 GPT-oss-20b 强势回归开源社区。
- **[端侧 AI 革命](https://www.downly.cn/articles/8f3726f0-31be-4cd6-a35d-f10e1ae5a483) (8.07)**: 面壁智能开源了被誉为"手机上的GPT-4V"的多模态大模型 MiniCPM-V 4.0，向移动设备上的高性能 AI 迈出关键一步。
- **[腾讯开源 WeKnora](https://www.downly.cn/articles/8f3726f0-31be-4cd6-a35d-f10e1ae5a483) (8.07)**: 腾讯发布并开源了其企业级文档理解框架 WeKnora，为复杂文档的智能问答提供了完整解决方案。
- **[谷歌编程助手](https://www.downly.cn/articles/8f3726f0-31be-4cd6-a35d-f10e1ae5a483) (8.07)**: 谷歌基于 Gemini 2.5 Pro 的 AI 编程助手 Jules 正式上线，能够自主执行修复 bug 和更新代码等复杂任务。

### **第二周 (8.08 - 8.14)：GPT-5 登场与行业动态**

本周的焦点无疑是 OpenAI 的下一代旗舰模型 GPT-5 的发布，其性能和颠覆性的定价策略在整个行业掀起波澜。

- **[GPT-5 重磅发布](https://www.downly.cn/articles/b905e6d2-c5b4-4088-98ac-56b3f7299d7c) (8.08 & 8.09)**: OpenAI 正式发布其迄今最强大的 GPT-5 模型，并宣布将逐步向所有用户免费开放。其极具竞争力的定价策略，被认为可能引发 AI 模型市场的价格战。
- **[腾讯 WeKnora 再亮相](https://www.downly.cn/articles/b905e6d2-c5b4-4088-98ac-56b3f7299d7c) (8.08)**: 腾讯再次强调其开源的文档理解与检索工具 WeKnora，该工具能高效处理多种格式文档，并具备精准的问答能力。
- **[语音革命](https://www.downly.cn/articles/b905e6d2-c5b4-4088-98ac-56b3f7299d7c) (8.08)**: 全球首个能将书面语转化为自然口语的 TTS 工具 FlowSpeech 问世，为有声书、内容创作等领域带来广阔前景。
- **[编程新范式](https://www.downly.cn/articles/d5e26a21-87ae-4519-8217-88b2efdef34e) (8.09)**: AI 代码编辑器 Cursor 发布其命令行界面（CLI）版本，将强大的 AI 编程能力直接带入终端，提升了开发工作流的灵活性。
- **[小米开源新多模态大模型](https://www.downly.cn/articles/8a54865e-7de0-4201-aa1d-da055207d23d) (8.10)**: 小米发布新的多模态大模型，在多项基准测试中表现优异。
- **[汽车安全漏洞惊现](https://www.downly.cn/articles/35495278-fe97-4948-bf8c-545f0384b67c) (8.11)**: 研究人员发现多款智能汽车存在严重安全漏洞，引发行业关注。
- **[GPT-5指南发布](https://www.downly.cn/articles/453c203b-fa5f-4ba4-bba9-f254311d7c39) (8.12)**: OpenAI 发布 GPT-5 使用指南，帮助开发者更好地利用新模型。
- **[AI智能体全面爆发](https://www.downly.cn/articles/04149853-2f3c-4bfb-8a97-86bdb4188e96) (8.13)**: AI 智能体技术迎来重大突破，从编码到出行，重塑数字生活。
- **[华人团队破解Token限制](https://www.downly.cn/articles/30943680-fdc9-466c-a1e5-644dd05e3a2a) (8.14)**: 华人研究团队成功破解大模型的 Token 限制，为长文本处理带来新突破。
- **[AI 深入基建](https://www.downly.cn/articles/453c203b-fa5f-4ba4-bba9-f254311d7c39) (8.12)**: 中国首个隧道与地下空间垂直大模型正式发布，标志着 AI 技术正深度赋能传统基建行业，实现全生命周期的智能管理。

### **第三周 (8.15 - 8.21)：能力边界拓展与商业化加速**

进入八月中旬，AI 模型的上下文处理能力实现巨大飞跃，商业化进程也显著加速。与此同时，AI 生成内容的版权和安全问题也日益凸显。

- **[谷歌Gemini迎来重大更新](https://www.downly.cn/articles/88c7c47f-db72-4c4b-9a8d-8807af708204) (8.15)**: 谷歌 Gemini 模型获得重大性能提升，在多项基准测试中表现优异。
- **[ChatGPT 商业化](https://www.downly.cn/articles/4f1d85ba-ecf6-4f09-b45e-844c5d460ab7) (8.16)**: 尽管坐拥 7 亿用户，OpenAI 仍面临盈利压力，高管首次松口承认正考虑为 ChatGPT 引入广告模式。
- **[Meta 开源 DINOv3](https://www.downly.cn/articles/4f1d85ba-ecf6-4f09-b45e-844c5d460ab7) (8.16)**: Meta AI 开源其通用图像识别模型 DINOv3，该模型采用自监督学习，无需人工标注数据即可训练，被誉为"AI视觉神器"。
- **[硬件狂飙、视觉革命与AI自我觉醒](https://www.downly.cn/articles/fb5e286e-089f-46d5-a4a5-15d25fcb3891) (8.17)**: AI 硬件技术迎来重大突破，视觉AI能力显著提升。
- **[Claude上下文窗口突破百万](https://www.downly.cn/articles/8ef298dd-1445-48a2-819d-7ca796b17210) (8.18)**: Anthropic 宣布其 Claude Sonnet 4 模型上下文窗口容量提升至惊人的 100 万 Tokens，彻底弥补了其在长文本处理上的短板。
- **[苹果布局机器人](https://www.downly.cn/articles/8ef298dd-1445-48a2-819d-7ca796b17210) (8.18)**: 苹果被曝正在秘密开发代号为"Charismatic"的全新操作系统，剑指智能家居中枢与未来的桌面机器人。
- **[AI 假书泛滥](https://www.downly.cn/articles/8ef298dd-1445-48a2-819d-7ca796b17210) (8.18)**: 亚马逊平台被指充斥着大量 AI 生成的虚假书籍，凸显了 AI 内容泛滥带来的知识产权和消费者信任危机。
- **[xAI 实时通话](https://www.downly.cn/articles/8ef298dd-1445-48a2-819d-7ca796b17210) (8.18)**: 马斯克旗下 xAI 宣布其 AI 伴侣 Ani 和 Valentine 已支持实时电话通话，标志着 AI 交互迈向更具沉浸感的阶段。
- **[百度发布 GenFlow2.0](https://www.downly.cn/articles/6c640123-0f71-4223-a13c-b9d3a32d3366) (8.19)**: 百度发布全球首个全端通用智能体 GenFlow2.0，宣称能支持百个专家智能体并行协作，任务完成效率提升十倍。
- **[小模型成新趋势](https://www.downly.cn/articles/6c640123-0f71-4223-a13c-b9d3a32d3366) (8.19)**: 英伟达发布 Nemotron-Nano-9B-V2 等小型模型，其高效和低能耗的特点预示着小模型可能成为未来 AI 智能体发展的主流方向。
- **[AI 水印遭破解](https://www.downly.cn/articles/6c640123-0f71-4223-a13c-b9d3a32d3366) (8.19)**: 一款名为 UnMarker 的工具被曝能快速破解多种主流 AI 图像水印技术，对现有的版权保护和内容溯源构成严重威胁。
- **[谷歌编程神器 Jules](https://www.downly.cn/articles/01534d14-1f59-4b98-9130-0287113816bf) (8.20)**: 谷歌正式发布其创新的异步智能编程助手 Jules，旨在大幅提升复杂编码任务的处理效率。
- **[AI 编程新星 Cline](https://www.downly.cn/articles/01534d14-1f59-4b98-9130-0287113816bf) (8.20)**: AI 编程工具 Cline 异军突起，致力于开创全新的 AI 编程范式，挑战现有市场格局。
- **[阿里开源 Qwen-Image-Edit](https://www.downly.cn/articles/01534d14-1f59-4b98-9130-0287113816bf) (8.20)**: 阿里巴巴开源图像编辑模型 Qwen-Image-Edit，其在中文文本渲染和精准编辑方面能力卓越。
- **[蚂蚁集团 AI 打假](https://www.downly.cn/articles/01534d14-1f59-4b98-9130-0287113816bf) (8.20)**: 蚂蚁集团旗下应用 AQ 上线 AI 拍图打假功能，利用 AI 技术快速识别伪劣保健品和虚假医疗广告。
- **[DeepSeek V3.1 上线](https://www.downly.cn/articles/beee65e9-51fa-4f2f-bae6-007f7b02d01a) (8.21)**: DeepSeek 小助手模型低调升级至 V3.1 版本，上下文长度扩展至 128k，能处理更长的对话和文档。

### **第四周 (8.22 - 8.31)：巨头纷争与 AI 原生应用爆发**

本月最后一周，AI 领域的竞争与合作进入白热化阶段。从编程范式的颠覆到视频生成的爆发，AI 原生应用正以前所未有的速度渗透到各个领域。

- **[阿里发布 Qoder](https://www.downly.cn/articles/2d8139ea-2aa4-4d69-932e-ac3755abb491) (8.22)**: 阿里推出全新的 Agentic 编程平台 Qoder，支持一次性检索高达十万个代码文件，有望彻底改变传统开发模式。
- **[腾讯 CodeBuddy 公测](https://www.downly.cn/articles/2d8139ea-2aa4-4d69-932e-ac3755abb491) (8.22)**: 腾讯自研的下一代 AI 全栈工程师工具 CodeBuddy IDE 开启公测，并成为国内首个接入 DeepSeek V3.1 的一站式工作台。
- **[OpenAI 人才动荡](https://www.downly.cn/articles/2d8139ea-2aa4-4d69-932e-ac3755abb491) (8.22)**: 在与 Meta 等巨头的人才争夺战中，OpenAI 的首席人才官宣布离职，加剧了外界对其内部稳定性的关注。
- **[Vercel AI Gateway 发布](https://www.downly.cn/articles/2d8139ea-2aa4-4d69-932e-ac3755abb491) (8.22)**: Vercel 推出 AI Gateway 平台，旨在简化开发者调用和管理来自数百种不同 AI 模型的复杂流程。
- **[通义语音识别突破](https://www.downly.cn/articles/08494679-0d3a-43fc-b118-59762eebbcde) (8.23)**: 阿里通义推出新一代语音识别模型 Fun-ASR，在家装、保险等垂直行业的识别准确率获得巨大飞跃。
- **[OpenAI 或将 IPO](https://www.downly.cn/articles/afd104d6-16b0-46ad-a8c6-7e0bbdcd3832) (8.24)**: OpenAI 首席财务官首次明确提及公司正在考虑未来进行 IPO，若成功上市，有望成为史上规模最大的科技 IPO 之一。
- **[xAI 开源 Grok 2.5](https://www.downly.cn/articles/afd104d6-16b0-46ad-a8c6-7e0bbdcd3832) (8.24)**: 马斯克旗下 xAI 再次拥抱开源，正式宣布开源 Grok 2.5 模型，并预告将在未来开源 Grok 3。
- **[苹果长视频理解突破](https://www.downly.cn/articles/afd104d6-16b0-46ad-a8c6-7e0bbdcd3832) (8.24)**: 苹果开源新型长视频理解模型 SlowFast-LLaVA-1.5，在多项行业基准测试中刷新纪录。
- **[OpenAI 进军生命科学](https://www.downly.cn/articles/afd104d6-16b0-46ad-a8c6-7e0bbdcd3832) (8.24)**: OpenAI 发布其首个蛋白质专用模型，能够高效处理复杂的蛋白质序列和结构数据，有望在药物发现等领域加速科研进程。
- **[Meta 购入 Midjourney](https://www.downly.cn/articles/ddb52bd8-8dc0-4a13-af9e-07694a95da4f) (8.25)**: Meta 与顶尖 AI 图像生成公司 Midjourney 达成技术授权合作，计划将其整合进自身产品中。
- **[字节内测 3D 模型生成器](https://www.downly.cn/articles/1f66aa05-7234-47e1-95eb-55f7eecd8ee6) (8.26)**: 字节跳动豆包团队被曝内测"3D Model Generator"，可根据图像直接生成 3D 模型，大幅降低建模门槛。
- **[微软开源超长语音模型](https://www.downly.cn/articles/1f66aa05-7234-47e1-95eb-55f7eecd8ee6) (8.26)**: 微软研究院开源 VibeVoice-1.5B 音频模型，能够一次性生成长达 90 分钟的超长、多说话人语音。
- **[阿里开源视频修复工具](https://www.downly.cn/articles/1f66aa05-7234-47e1-95eb-55f7eecd8ee6) (8.26)**: 阿里云开源视频修复工具 Vivid-VR，可高效解决视频中常见的闪烁、抖动等问题。
- **[腾讯游戏 AI](https://www.downly.cn/articles/1f66aa05-7234-47e1-95eb-55f7eecd8ee6) (8.26)**: 腾讯游戏发布其专业的游戏 AI 大模型，仅需 4 秒即可生成 200 帧流畅动画，动画制作效率提升高达 8 倍。
- **[百度上线"梯子AI"](https://www.downly.cn/articles/1f61db19-7c83-47ec-b427-77b40032e6b6) (8.27)**: 百度正式上架全新 AI 搜索应用"梯子AI"，主打纯净无广告的搜索体验。
- **[AI 猫咪短片爆火](https://www.downly.cn/articles/1f61db19-7c83-47ec-b427-77b40032e6b6) (8.27)**: 由 AI 生成的猫咪主题短视频在社交媒体上迅速走红，单个视频播放量过亿，成为新的流量密码。
- **[谷歌 AI 修图升级](https://www.downly.cn/articles/1f61db19-7c83-47ec-b427-77b40032e6b6) (8.27)**: 谷歌 Gemini 2.5 Flash 模型在图像编辑能力上迎来重要升级，多项测试表现在某些方面已优于 GPT-4o。
- **[阿里开源照片转视频技术](https://www.downly.cn/articles/1f61db19-7c83-47ec-b427-77b40032e6b6) (8.27)**: 阿里云开源通义万相 Wan2.2-S2V 模型，仅需一张静态图片和一段音频，即可生成电影级的数字人视频。
- **[字节数字人技术突破](https://www.downly.cn/articles/1a215841-f798-4ad0-a3a9-a470348be7ef) (8.28)**: 字节跳动发布升级版多模态数字人方案 OmniHuman-1.5，在真实感和动作协调性上实现显著提升。
- **[NVIDIA 效率革命](https://www.downly.cn/articles/1a215841-f798-4ad0-a3a9-a470348be7ef) (8.28)**: NVIDIA 发布的 Jet-Nemotron 模型通过创新技术，实现了比传统模型快 53.6 倍的生成速度，推理成本锐减 98%。
- **[DeepSeek V3.1 曝出 Bug](https://www.downly.cn/articles/1a215841-f798-4ad0-a3a9-a470348be7ef) (8.28)**: DeepSeek V3.1 模型被曝出罕见的"极字Bug"，在代码输出中会随机出现神秘的"极"字，引发开发者社区担忧。
- **[AI全面渗透](https://www.downly.cn/articles/bd563f96-a33b-403d-8439-9e53e2127235) (8.29)**: AI 技术全面渗透，从虚拟世界交互到前沿科学突破，展现出强大的应用潜力。
- **[重塑数字生活与工作边界的AI浪潮](https://www.downly.cn/articles/59428ac0-101f-463f-98d6-20e69ceea8b9) (8.30)**: AI 技术正在重塑数字生活与工作的边界，带来前所未有的变革。
- **[苹果历史性合作](https://www.downly.cn/articles/59428ac0-101f-463f-98d6-20e69ceea8b9) (8.30)**: 苹果宣布与 AI 公司 Anthropic 达成历史性合作，将 Claude Sonnet 4 模型原生集成到其开发工具 Xcode 中。
- **[xAI 发布编程模型](https://www.downly.cn/articles/59428ac0-101f-463f-98d6-20e69ceea8b9) (8.30)**: xAI 推出专为软件开发设计的轻量级编程模型 Grok Code Fast1，以快速、经济和高效为主要特点。
- **[巨头合作现裂痕](https://www.downly.cn/articles/9eea2ba0-0d70-4dfe-957f-d48d17f4f3ce) (8.31)**: Meta 对数据标注公司 Scale AI 的百亿级合作关系出现裂痕，据称因其提供的数据质量不及竞争对手。

2025年8月AI行业月度总结报告

> 本期AI资讯涵盖了业界的多个热点：从OpenAI考虑进行可能创纪录的IPO，到马斯克旗下xAI再次拥抱开源；从大模型价格战的意外反转，到Meta因训练数据来源陷入法律纠纷；同时，苹果和OpenAI在长视频理解与蛋白质科学领域也取得了显著的技术突破。

## 月耗35万惹官方限速，中国AI“榜一大哥”已年入千万

一位中国用户因每月消耗高达35万元人民币的Token，导致Claude官方不得不对其进行限速。这位被戏称为“榜一大哥”的用户，尽管因其巨大的使用量引发了广泛讨论乃至一些负面吐槽，但据报道，他已经成功利用AI技术实现了年收入超过千万。该用户甚至认为，他的高额使用行为为平台带来了广告效应，官方应向其支付相应的广告费用。

![image.png](https://static.downly.cn/images/bd52f75e05bca1f20ec1565ee34ebd39.png)

## AI巨头或将上市，OpenAI高管首次明确提及IPO计划

OpenAI的首席财务官Sarah Friar在一次公开活动中明确表示，公司正在考虑未来的某个时间点进行首次公开募股（IPO）。这是OpenAI高层首次就IPO计划发表明确言论。尽管具体的上市时间表尚未透露，但考虑到公司最近一次员工股票出售时的估值已高达5000亿美元，若成功上市，OpenAI的IPO有望成为全球科技领域有史以来规模最大的一次。

![image.png](https://static.downly.cn/images/3a431f6222030135f2b05d5cbdb074d2.png)

## 价格战急刹车？超七成大模型厂商被曝悄然涨价

曾被认为会持续下去的大模型“价格战”似乎出现了逆转迹象。根据最新的市场调查，超过七成的大模型厂商在近期调整了其定价策略，选择了涨价而非降价。业界对此看法不一，有专家认为技术进步和算力成本下降长期来看仍会推动价格降低，但也有观点指出，高昂的研发投入、模型优化成本以及复杂的市场竞争格局，共同导致了当前价格不降反升的局面。

![image.png](https://static.downly.cn/images/336106f882468bce175bba7fb51f32f1.png)

## 马斯克再投开源“炸弹”，xAI宣布开源Grok 2.5

埃隆·马斯克旗下的AI公司xAI再次向开源社区贡献重磅成果，正式宣布开源Grok 2.5模型。马斯克还预告，功能更强大的Grok 3模型也计划在未来半年内开源。与此同时，Grok App也迎来了更新，优化了其图像生成（Imagine）功能，增强了AI伴侣（Companions）的趣味性，并全面开放了视觉（Vision）模式，这标志着xAI在推动AI技术开放性和功能迭代上又迈出了重要一步。

![image.png](https://static.downly.cn/images/6ab7b1a21b25045bc060411495c297b2.png)

## 苹果AI发力，新型长视频理解模型刷新多项纪录

苹果公司的研究团队近期开源了一款名为SlowFast-LLaVA-1.5的多模态大语言模型，该模型在长视频理解领域取得了突破性进展。无论是在1B、3B还是7B的参数规模下，该模型均在LongVideoBench、MLVU等多项行业基准测试中创造了新的最高纪录。这一成果充分展示了苹果在处理和理解复杂长视频内容方面的强大技术实力。

![image.png](https://static.downly.cn/images/9a29d07f2b63a6e013c6af193d7e1a28.png)

## 深入生命科学，OpenAI发布首个蛋白质专用模型

OpenAI将其强大的AI技术拓展到了生命科学领域，并披露了其首个蛋白质专用模型的更多细节。这款被称为“GPT-4o蛋白质专用版”的模型，对诺贝尔奖级别的研究成果进行了改进，能够高效处理复杂的蛋白质序列和结构数据。据称，其在特定任务中的表达量提升了高达50倍，有望在药物发现、疾病诊断等生物技术领域极大地加速科研进程。

![image.png](https://static.downly.cn/images/ad74cdede125983998f80127849e91c8.png)

搜索结果: 视频理解