Hy-MT2-1.8B – 腾讯混元推出的端侧翻译大模型AI工具4天前发布AI小集02Hy-MT2-1.8B是什么Hy-MT2-1.8B 是腾讯混元推出的端侧翻译大模型，仅 1.8B 参数却支持 33 个语种互译，翻译质量在 FLORES-200 等基准上超越微软、豆包等商业 API。模型通过 2-bit（574MB）与 1.25-bit（440MB）极致量化，可在手机、PC 端本地流畅运行，已落地哔哩哔哩直播弹幕实时翻译，实现低成本、高隐私的端侧高质量翻译。Hy-MT2-1.8B的主要功能33 语种互译：覆盖中英日韩等主流语言及少数民族语言，支持任意方向互译。端侧本地运行：通过极低比特量化将模型压缩至 440574MB，普通手机与 PC 均可常驻后台。实时翻译：单条弹幕 500800ms 响应，已接入哔哩哔哩直播弹幕等高频场景。隐私保护：翻译全程在设备本地完成，无需上传云端，数据不出端。Hy-MT2-1.8B的技术原理2-bit 极致量化：采用拉伸弹性量化（SEQ）将参数量化至 {-1.5, -0.5, 0.5, 1.5} 四个离散值，结合量化感知蒸馏（QAD）在压缩至 574MB 的同时保持几乎无损的翻译质量。1.25-bit 稀疏量化（Sherry）：混元自研的 ACL 2026 Oral 方案，核心为”细粒度稀疏”策略——每 4 个参数中保留 3 个 ±1、1 个置 0，平均每个参数仅需 1.25-bit；配合专为 CPU 设计的 STQ 内核，模型体积降至 440MB，可常驻后台运行。x86 算子适配优化：英特尔团队针对低比特格式优化向量化、权重重排与 VNNI 指令融合，使 Q2_0C 与 STQ 在主流酷睿处理器上的 token 吞吐分别提升约 2.7 倍和 5 倍，将极低 bit 方案从移动端扩展到 PC 与边缘设备。微信关注回复“开源”，加入AI开源项目交流群如何使用Hy-MT2-1.8B下载模型权重：访问 Hugging Face 仓库huggingface.co/collections/AngelSlim/hy-low-bit-model，下载 2-bit 或 1.25-bit 量化后的模型文件。获取推理框架：从 GitHub 克隆github.com/tencent/AngelSlim完整代码，该仓库包含极低比特量化的推理内核与加载逻辑。加载与推理：用 AngelSlim 框架加载下载的权重，在本地 CPU 上执行翻译推理；x86 设备可调用英特尔优化后的 VNNI 指令集内核以获得最佳性能。Hy-MT2-1.8B的核心优势体积极小质量极高：1.8B 参数经 2-bit / 1.25-bit 量化后仅 440574MB，翻译质量却超越微软、豆包等商业 API。端侧隐私优先：翻译全程在设备本地完成，无需联网上传，彻底杜绝数据泄露风险。跨平台无缝运行：同时适配 ARM 移动端与 x86 PC 端，经英特尔算子优化后在酷睿处理器上吞吐提升 2.75 倍。真实场景已落地：已接入哔哩哔哩直播弹幕实时翻译，单条 500~800ms 响应，能准确处理网络流行语。多语种全覆盖：原生支持 33 个语种互译，涵盖主流语言及少数民族语言，满足全球化沟通需求。Hy-MT2-1.8B的项目地址GitHub仓库：https://github.com/Tencent-Hunyuan/Hy-MT2HuggingFace模型库：https://huggingface.co/collections/AngelSlim/hy-low-bit-modelHy-MT2-1.8B的同类竞品对比对比维度Hy-MT2-1.8BGoogleTranslateGemma-4B参数规模1.8B4B支持语种33 个语种互译 + 5 种民族语言/方言覆盖主流语言对端侧体积440MB(1.25-bit) / 574MB (2-bit)2GB+ (原生 FP16，需自行量化压缩)核心量化技术Sherry 1.25-bit 细粒度稀疏量化（ACL 2026 Oral）无官方量化方案，需依赖第三方工具翻译质量FLORES-200 整体优于微软、豆包等商业 API接近研究级水平，4B 版为移动端效果妥协版推理框架AngelSlim（自研，含 x86 VNNI 优化内核）需借助 TensorFlow Lite、ExecuTorch 等通用框架商业落地已接入哔哩哔哩直播弹幕实时翻译主要用于研究/开发者实验，无大规模商业集成开源协议权重+代码全开源Apache 2.0 开源，可自由商用Hy-MT2-1.8B的应用场景直播弹幕实时翻译：已落地哔哩哔哩，单条 500800ms 响应，可准确翻译网络流行语与梗。离线即时通讯：集成于社交 App，在无网络环境下实现跨国聊天实时互译，保障对话隐私。移动端网页/文档翻译：作为浏览器插件或系统级翻译服务，本地完成外文网页、PDF 文档翻译。游戏内实时本地化：嵌入手游或 PC 游戏客户端，实时翻译外服游戏聊天、任务文本与 UI。跨境电商内容翻译：在商家端本地批量翻译商品标题、详情页与客服话术，降低多语言运营成本。# AI工具# AI项目和框架©版权声明本站文章版权归AI工具集所有，未经允许禁止任何形式的转载。上一篇GLM-5.3-Flash - 智谱开源的原生多模态模型，即Ox Alpha下一篇Gemini 3.5 Transcribe - 谷歌推出的最新语音转文本模型相关文章Open-AutoGLM – 智谱开源的手机端AI Agent框架AI小集15DiffBrush – 北邮联合清华等机构推出的图像生成与编辑框架AI小集2Brainstorm – AI搜索引擎，多Agent协作搜索共同参与解答AI小集2Google Pics – 谷歌推出的 AI 图像创建与编辑工具AI小集3夸克文档 – AI全能写作助手，提供丰富写作模版AI小集4ZenCtrl – Fotographer AI 推出的商品图生成AI工具AI小集2暂无评论再想想发表评论暂无评论…热门工具Loomy即梦AISekoAiPPT秘塔AI搜索妙呀堆友Agent美图设计室绘蛙AIupdream办公小浣熊秒哒最新收录AlphaVowXCellMetaDigChatArtLexcat造剧最新文章秒悟Meoo – 1分钟生成前后端完整的网站，真0门槛开发！18分钟前Ling-3.0-flash-Fin – 蚂蚁百灵推出的首个金融增强模型19分钟前AI 技能成千上万怎么选？DeepSkill 精准搜索实战55分钟前Rome – 开源的智能体操作系统，自然语言生成完整应用22小时前Headlong – Laude Institute 开源的 AI Agent 微框架22小时前Miya – 时域科技推出的 AI 音乐应用，画面可随歌词律动2天前Zing-0.5 – Loopit 开源的实时交互视频世界模型2天前2026 年 AI 生成图文店门头效果图 – 7 款工具深度横评3天前Hy4 preview – 腾讯混元开源的新一代旗舰大模型3天前Gemini Omni 1.1 Flash – 谷歌推出的 AI 视频生成模型3天前Twoo – 双人共用 AI 伙伴应用，能同时听懂双方对话3天前Prime Agent – Prime Intellect开源的长周期AI Agent运行框架3天前shuohao-skills – 开源AI短剧制作Skill集合，包含完整工作流3天前怎么用 MetaDig 做 AI 短视频，附教程实测案例4天前Gemini 3.5 Transcribe – 谷歌推出的最新语音转文本模型4天前

Qwen3.8-Flash – 阿里通义推出的多模态 MoE 模型AI工具4天前更新AI小集03Qwen3.8-Flash是什么Qwen3.8-Flash 是阿里云通义千问推出的多模态 MoE 模型，总参数量 125B，每 token 仅激活 6B，原生支持 262K 上下文。模型采用 GDN+QSA 混合注意力、门控残差、N-gram 嵌入及 Muon 优化器四大架构创新，训练成本仅为 Qwen3.7-Plus 的 1/9，在编码和办公任务上能力更强。Qwen3.8-Flash的主要功能超长上下文处理：原生支持 262K tokens，可扩展至 1M，胜任长文档与代码库分析。代码智能体：支持端到端软件工程任务，包括代码生成、调试与多语言开发。办公自动化：执行长程办公流程与专业工作任务，集成工具调用能力。多模态理解：理解长视频、科学图表、视觉数学问题及现实世界场景。设备与界面操控：通过视觉感知操控网页、Android 设备及桌面操作系统。推理与问答：覆盖科学推理、竞技编程、指令遵循与多学科综合推理。Qwen3.8-Flash的技术原理GDN + QSA Hybrid Attention：模型在每四层中安排三层 Gated DeltaNet 和一层 Qwen Sparse Attention，实现”高效记忆 + 精准查找”的混合注意力机制，在 1M 上下文下 Prefill 吞吐达到前代的 8.6 倍。Gated Residual（GR）：将传统单一残差流扩展为四条并行分支，通过动态门控控制各层信息的读写比例，保留长距离信息通道，抑制激活异常值，同时支持 FP8 存储大幅降低访存开销。N-gram Embedding：在常规词嵌入之外，引入 51B 参数的 N-gram 嵌入层，结合局部上下文查表捕捉短语搭配模式；该层可卸载至 Host Memory 并通过异步预取与计算重叠，几乎不增加 token 级计算量。Muon Optimizer：针对主要线性映射权重采用 Muon 正交化优化，对 Embedding 和 Router 等保留 AdamW；重新拟合 Scaling Law 后支持更大学习率与批次，取消无效的 Batch Size Warmup 策略。微信关注回复“开源”，加入AI开源项目交流群如何使用Qwen3.8-Flash开源权重部署：从 Hugging Face 下载 Qwen3.8-Flash-Next 权重，在本地或云端进行推理部署。API 服务调用：通过千问AI平台调用官方 API，输入 1 元/百万 tokens、输出 3 元/百万 tokens。千问办公使用：在”千问办公”中直接体验，用于长文档处理、代码生成与办公自动化任务。查阅技术报告：访问 GitHub 仓库中的技术报告，了解架构细节与训练方法以进行深度定制。Qwen3.8-Flash的核心优势极致成本效率：训练开销仅为 Qwen3.7-Plus 的 1/9，API 定价输入 1 元/百万 tokens，用极低算力成本实现旗舰级性能。超长上下文领先：原生 262K 可扩展至 1M tokens，1M 上下文下 Prefill 吞吐达到前代的 8.6 倍，长序列处理速度与精度兼具。Agent 与编码能力突出：在代码智能体、软件工程、长程办公任务等多项基准上显著超越同级模型，胜任复杂生产级开发工作。下一代架构创新：采用 GDN+QSA 混合注意力、门控残差与 N-gram 嵌入等全新设计，是 Qwen4 系列架构的提前验证版。多模态操控能力：支持长视频理解、视觉网页开发、Android 及桌面设备操控，实现真正的多模态智能体交互。开源与工程友好：Flash-Next 权重已开源，GR 支持 FP8、N-gram 嵌入可卸载至 Host Memory，降低部署门槛与显存占用。Qwen3.8-Flash的项目地址项目官网：https://qwen.ai/blog?id=qwen3.8-flash-nextHuggingFace模型库：https://huggingface.co/Qwen/Qwen3.8-Flash-Next?spm=a2ty_o06.30285417.0.0.1d73c921FsyOPe&file=Qwen3.8-Flash-Next技术论文：https://github.com/QwenLM/Qwen3.8-Flash-Next/blob/main/tech_report.pdfQwen3.8-Flash的同类竞品对比对比维度Qwen3.8-Flash-NextDeepSeek-V4-FlashClaude-Opus-4.6总参数量125B + 51B N-gram284B—激活参数6B13B—Agentic Coding(DeepSWE 1.1)58.754.4—SWE-bench Pro62.556.053.4多语言软件工程81.0—77.5长程办公(CoWorkBench)73.945.168.2专业工作(JobBench)55.741.336.6科学推理(GPQA Diamond)91.790.891.3竞技编程(LiveCodeBench)91.990.688.8指令遵循(IFBench)81.379.262.5多模态工具(ClawEval-MM)64.4/ 60.4—52.5 / 54.7移动操控(AndroidWorld)84.5—62.0计算机使用(OSWorld 2.0)19.4 /52.3——视觉网页开发(Vision2Web)64.0——具身智能(ERQA)72.3—40.8长视频理解(LVBench)76.6—63.0视觉数学(MathVision w/ CI)95.7—65.5科学图表分析(CharXiv w/ CI)90.6—66.0Qwen3.8-Flash的应用场超长文档与知识库智能分析：用 1M tokens 超长上下文，对整本技术手册、法律合同或大型代码库进行一次性深度理解与问答，无需分段处理。端到端软件开发与代码维护：作为代码智能体（Agentic Coding）完成需求分析、代码生成、Bug 修复、单元测试编写及多语言项目维护，覆盖 SWE-bench 级别复杂任务。企业办公流程自动化：执行跨平台长程办公任务，如自动整理会议纪要、批量处理 Excel 报表、撰写并排版商业文档，集成工具调用实现端到端闭环。多模态内容理解与教育辅导：解析长视频课程、科学论文图表、视觉数学题目，提供步骤化讲解与答案验证，支持 STEM 领域的深度教学辅助。跨设备智能体操控：通过视觉感知与推理能力，自动操控 Android 手机完成 App 测试、在桌面操作系统中执行文件管理，或根据设计稿自动生成可部署的网页前端。# AI工具# AI项目和框架©版权声明本站文章版权归AI工具集所有，未经允许禁止任何形式的转载。上一篇Omarchy - 开源的AI原生Linux桌面 ，自然语言生成桌面主题下一篇GLM-5.3-Flash - 智谱开源的原生多模态模型，即Ox Alpha相关文章xbench – 红杉中国推出全新的AI基准测试工具AI小集3AskYourPDF – AI驱动的PDF文档处理工具，交互式查询和检索信息AI小集2MoonCast – 零样本AI播客生成项目，合成自然的播客风格AI小集3豆包视频生成1.0 pro fast – 火山引擎推出的AI视频生成模型AI小集3MyShell – 构建、共享和管理 AI 应用的开发平台AI小集3行运阁 – 在线AI占卜问卦，还原古法起卦、深度推演AI小集8暂无评论再想想发表评论暂无评论…热门工具Loomy即梦AISekoAiPPT秘塔AI搜索妙呀堆友Agent美图设计室绘蛙AIupdream办公小浣熊秒哒最新收录AlphaVowXCellMetaDigChatArtLexcat造剧最新文章秒悟Meoo – 1分钟生成前后端完整的网站，真0门槛开发！18分钟前Ling-3.0-flash-Fin – 蚂蚁百灵推出的首个金融增强模型19分钟前AI 技能成千上万怎么选？DeepSkill 精准搜索实战55分钟前Rome – 开源的智能体操作系统，自然语言生成完整应用22小时前Headlong – Laude Institute 开源的 AI Agent 微框架22小时前Miya – 时域科技推出的 AI 音乐应用，画面可随歌词律动2天前Zing-0.5 – Loopit 开源的实时交互视频世界模型2天前2026 年 AI 生成图文店门头效果图 – 7 款工具深度横评3天前Hy4 preview – 腾讯混元开源的新一代旗舰大模型3天前Gemini Omni 1.1 Flash – 谷歌推出的 AI 视频生成模型3天前Twoo – 双人共用 AI 伙伴应用，能同时听懂双方对话3天前Prime Agent – Prime Intellect开源的长周期AI Agent运行框架3天前shuohao-skills – 开源AI短剧制作Skill集合，包含完整工作流3天前怎么用 MetaDig 做 AI 短视频，附教程实测案例4天前Gemini 3.5 Transcribe – 谷歌推出的最新语音转文本模型4天前

GLM-5.3-Flash – 智谱开源的原生多模态模型，即Ox AlphaAI工具2小时前更新AI小集03GLM-5.3-Flash是什么GLM-5.3-Flash 是智谱最新推出的开源大模型，总参数三百二十亿，激活参数仅十八亿，为 GLM-5 系列首个原生多模态模型。模型综合智能指数达五十七分，与Claude Opus 4.8持平，定价仅为其四十分之一。模型采用稀疏与线性注意力混合架构及流形约束超连接技术，支持视觉编码、代码生成和专业文档处理，首次实现国产芯片集群大规模高效部署，端到端性能提升三倍。GLM-5.3-Flash的主要功能原生多模态理解：支持文本与图像的联合理解与生成，是 GLM-5 系列首个原生多模态模型。视觉编码：将视觉能力原生集成进模型，使其能自主判断何时需要”观察”，并利用视觉反馈指导编程与行动。代码生成与迭代：支持前端、游戏、3D 仿真等开发任务，能根据渲染和交互反馈自我检验并迭代改进代码。专业文档处理：针对 PPTX、PDF、DOCX、XLSX 等 Office 文档优化，具备审美判断与自我验证能力。金融与法律工作：覆盖金融研报生成、建模分析，以及合同审查、法律文书起草等专业场景。Agent 协同：通过 Browser Use Agent 与 Computer Use Agent 在代码、浏览器和图形界面间协同操作。GLM-5.3-Flash的技术原理混合注意力架构：GLM-5.3-Flash 采用线性注意力与稀疏注意力混合架构，线性注意力通过递归机制捕获局部依赖，稀疏注意力借助轻量级索引器召回全局上下文；同时引入 IndexPool 将索引器缓存向量从 4 个压缩至 1 个，使注意力计算量与 KV 缓存较 GLM-5.3 分别降低 3.01 倍和 4.44 倍，在保持精准长上下文能力的同时大幅降低服务成本。流形约束超连接（mHC）：模型采用 mHC 技术提升 Scaling 能力，使其在总参数量 320B 与 GLM-4.5 相当的情况下，将激活参数量从 32B 降至 18B、层数从 92 减至 45，结合 30T Token 多模态预训练语料，用更少的计算资源实现超越 GLM-5.2 的性能。国产芯片推理引擎：针对国产芯片内存容量与带宽瓶颈，团队在 SGLang 基础上构建专用推理引擎，采用 EPD（Encode-Prefill-Decode）分离式架构将多模态编码、预填充和解码拆分为独立工作池，结合张量并行、ReplaySSM、W8A8 量化及混合缓存量化等技术，使端到端性能较基线提升 3 倍，达到与主流英伟达 GPU 相当的效率。微信关注回复“开源”，加入AI开源项目交流群如何使用GLM-5.3-FlashBigModel API：访问 BigModel 开放平台 https://docs.bigmodel.cn/cn/guide/models/vlm/glm-5.3-flash注册账号，获取 API Key 后按文档调用glm-5.3-flash接口。Z.ai API：访问 Z.ai  API 官网 https://docs.z.ai/guides/vlm/glm-5.3-flash文档中心，注册并获取 API Key 即可接入模型。Z.ai 在线聊天：访问Z.ai网页，登录后直接开始多模态对话。智谱清言 App：下载智谱清言 App并登录，在模型列表中选择 GLM-5.3-Flash 即可使用。ZCode：进入ZCode，启用模型后在代码编辑器中让 Agent 协同完成开发任务。AutoClaw：访问AutoClaw官网，上传文档让模型自动处理办公和专业文书任务。开源本地部署：从 HuggingFace 下载模型权重，按说明在本地服务器加载运行。GLM Coding Plan：前往 https://bigmodel.cn/glm-coding 申请限量体验卡，免费试用模型能力。GLM-5.3-Flash的核心优势极致性价比：与 Claude Opus 4.8 同级智能，定价仅为其 1/40，限时折扣内为 GLM-5.3 的 1/20。原生多模态：GLM-5 系列首个原生多模态模型，视觉能力原生集成，可自主判断并调用视觉反馈。高效架构：采用稀疏注意力与线性注意力混合架构，注意力计算量和 KV 缓存较 GLM-5.3 分别降低 3.01 倍和 4.44 倍。国产芯片部署：首次大规模使用国产芯片集群，端到端性能较基线提升 3 倍，效率对标主流英伟达 GPU。全面超越前代：用 320B 总参数 / 18B 激活参数，在多项基准测试中全面超越参数量高出一倍的 GLM-5.2。专业工作优化：针对金融、法律、Office 文档等专业场景深度优化，输出格式可直接交付。GLM-5.3-Flash的项目地址项目官网：https://z.ai/blog/glm-5.3-flashHuggingFace模型库：https://huggingface.co/zai-org/GLM-5.3-FlashGLM-5.3-Flash的同类竞品对比维度GLM-5.3-FlashClaude Opus 4.8GLM-5.3总参数320B未公开约 355B激活参数18B未公开32B模型层数45 层未公开92 层AA 智能指数57 分57 分更高（约 60+）多模态能力✅ 原生视觉编码✅ 多模态✅ 多模态开源状态✅ 开源❌ 闭源❌ 闭源定价水平极低（Opus 4.8 的 1/40）高端定价中端定价（Flash 的 10~20 倍）注意力架构稀疏 + 线性混合标准 Transformer标准 Transformer长上下文支持1M200K+1M国产芯片部署✅ 已验证❌ 否❌ 否核心定位前沿智能普惠化顶级闭源模型上一代旗舰模型GLM-5.3-Flash的应用场景前端与游戏开发：根据视觉反馈自主迭代代码，生成可运行的网页、游戏和 3D 场景。金融专业工作：覆盖金融研究、报告生成、建模与分析全流程，提供可追溯的数据来源。法律实务处理：审查合同条款、批注修订，并起草符合实务规范的律师函与诉讼文书。Office 文档自动化：处理 PPTX、PDF、DOCX、XLSX 等格式，具备审美判断与排版优化能力。Agent 协同办公：通过 Browser Use Agent 和 Computer Use Agent 在浏览器、代码与 GUI 间自动协同。日常多模态对话：在 Z.ai 和智谱清言 App 中进行图文理解、创意生成与知识问答。# AI工具# AI项目和框架©版权声明本站文章版权归AI工具集所有，未经允许禁止任何形式的转载。上一篇Qwen3.8-Flash - 阿里通义推出的多模态 MoE 模型下一篇Hy-MT2-1.8B - 腾讯混元推出的端侧翻译大模型相关文章Insert Anything – 浙大联合哈佛大学和南洋理工推出的图像插入框架AI小集2EmoLLM – 专注于心理健康支持的大语言模型AI小集3DeepSeek V3 – DeepSeek开源的最新版 AI 模型，编程能力超越ClaudeAI小集16find-skill – Vercel Labs 推出的 Skill 搜索工具AI小集2TextDiffuser-2 – 微软等推出的AI图像文本渲染融合框架AI小集2klaviyo – AI自动化营销平台，基于客户数据创建个性化营销方案AI小集2暂无评论再想想发表评论暂无评论…热门工具Loomy即梦AISekoAiPPT秘塔AI搜索妙呀堆友Agent美图设计室绘蛙AIupdream办公小浣熊秒哒最新收录AlphaVowXCellMetaDigChatArtLexcat造剧最新文章秒悟Meoo – 1分钟生成前后端完整的网站，真0门槛开发！18分钟前Ling-3.0-flash-Fin – 蚂蚁百灵推出的首个金融增强模型18分钟前AI 技能成千上万怎么选？DeepSkill 精准搜索实战55分钟前Rome – 开源的智能体操作系统，自然语言生成完整应用22小时前Headlong – Laude Institute 开源的 AI Agent 微框架22小时前Miya – 时域科技推出的 AI 音乐应用，画面可随歌词律动2天前Zing-0.5 – Loopit 开源的实时交互视频世界模型2天前2026 年 AI 生成图文店门头效果图 – 7 款工具深度横评3天前Hy4 preview – 腾讯混元开源的新一代旗舰大模型3天前Gemini Omni 1.1 Flash – 谷歌推出的 AI 视频生成模型3天前Twoo – 双人共用 AI 伙伴应用，能同时听懂双方对话3天前Prime Agent – Prime Intellect开源的长周期AI Agent运行框架3天前shuohao-skills – 开源AI短剧制作Skill集合，包含完整工作流3天前怎么用 MetaDig 做 AI 短视频，附教程实测案例4天前Gemini 3.5 Transcribe – 谷歌推出的最新语音转文本模型4天前

OpenRouter是什么OpenRouter是 AI 大模型API 聚合平台，被称为”所有模型的统一接口”。平台通过一个API接入了80多家供应商的500多个模型，涵盖OpenAI、Anthropic、Google、Meta等主流厂商。平台会自动处理故障转移，为每次请求智能选择最具性价比的模型方案。平台兼容OpenAI SDK，现有代码几乎零改动即可迁移，同时提供Agent SDK和MCP服务器，方便构建AI应用。OpenRouter的主要功能统一模型接入：通过单一 API 端点调用数百个大模型，一个 Key 通用所有供应商。模型故障转移与智能路由：请求失败时自动切换备选模型，并按成本、速度或供应商偏好智能选择方案。OpenAI SDK 兼容：仅需修改 baseURL 即可无缝迁移现有 OpenAI 生态代码。三种集成方式：提供原生 API、类型安全的 Client SDK，以及自动处理工具调用循环的 Agent SDK。工具调用与结构化输出：支持函数调用、JSON 结构化返回和消息转换等高级能力。企业级管理：支持工作区预算、SSO 单点登录、SCIM 群组映射和预设策略。隐私与安全：提供零数据保留（ZDR）、输入输出日志、防护栏（Guardrails）和数据主权选项。性能优化：支持响应缓存、提示词缓存和正常运行时间优化，降低延迟与成本。MCP 服务器：让 AI 编程工具实时查询模型目录、价格和账户余额。丰富生态集成：兼容 LangChain、Vercel AI SDK、Zapier、Replit 等 10 余种主流框架。如何使用OpenRouter注册账号：访问 OpenRouter 官网 https://openrouter.ai/，点击登录按钮后选择 Google、GitHub 或 MetaMask 钱包任一方式完成注册。充值积分：进入账户的 Billing 页面购买 credits，积分按实际 Token 用量扣费，可用于平台全部 500+ 模型且永不过期。获取 API Key：在控制台 Keys 页面点击创建，生成一串以sk-or-开头的密钥，可复制保存并随时吊销。选择集成方式：想要完全控制就用任意语言直接 POST 原生 API；已有 OpenAI 代码只需把baseURL改成https://openrouter.ai/api/v1可零改动迁移；构建智能体安装@openrouter/agent。挑选模型：在 openrouter.ai/models 按能力、价格、上下文长度筛选模型，用~openai/gpt-latest这类 latest 别名可让代码始终自动指向最新旗舰版本。发送请求：向https://openrouter.ai/api/v1/chat/completions发送包含模型名和消息体的请求。可选进阶：在请求头加上HTTP-Referer和X-OpenRouter-Title可让应用登上官方排行榜，接入 MCP 服务器（https://mcp.openrouter.ai/mcp）能让 Claude Code、Cursor 等 AI 编程工具实时查询模型与价格数据。OpenRouter的核心优势一站式模型接入：一个 API、一把 Key 可调用 80+ 供应商的 500+ 模型，省去逐家注册、充值、适配接口的麻烦。高可用性：内置自动故障转移和供应商冗余，某个模型宕机时自动切换备选，保障服务不中断。成本最优：智能路由为每次请求挑选最具性价比的方案，按量付费无订阅，平台宣称比直连价格更优。零迁移成本：完全兼容 OpenAI SDK 和 API 格式，现有代码改两行配置即可接入全部模型。免运维升级：latest 别名自动跟随厂商最新旗舰模型，模型换代无需修改和重新部署代码。厂商中立：不被单一供应商锁定，可随时切换或混用不同厂商的模型。开发者友好：提供 Agent SDK、MCP 服务器和 10+ 主流框架集成，从简单调用到复杂智能体都有对应工具。企业级能力：支持工作区预算、SSO、零数据保留（ZDR）和数据主权，满足合规与团队管理需求。OpenRouter的同类竞品对比对比维度OpenRouterOfoxAIDMXAPI背景/注册地美国，全球最知名的模型聚合平台新加坡注册，自称授权合作伙伴国内团队，LangChain 中文网旗下模型规模500+ 模型、80+ 供应商100+ 模型，覆盖 GPT/Claude/Gemini/DeepSeek 等300+ 模型，含文本/图像/语音/视频多模态国内访问国内连接不稳定、常丢包，晚高峰延迟约 850ms国内直连无需翻墙，延迟 <300ms国内线路优化，部分场景延迟约 180ms支付方式仅海外支付（信用卡等），对国内用户不友好支持支付宝，秒到账人民币结算，支持公对公付款接口兼容OpenAI 兼容，另有 Agent SDK 和 MCP 服务器兼容 OpenAI/Claude/Gemini 三大协议，支持 RAG 和 MCP100% 兼容 OpenAI 协议，改两行代码迁移企业功能工作区预算、SSO、ZDR 零数据保留 [^文档索引^]企业账号：多用户+统一付费+用量可观测可开增值税发票，充值后即可开票，无需等消耗SLA/稳定性官方未承诺高 SLA，实测成功率约 92%（国内）宣称 SLA 99.9%高可用站宣称 99.99% SLA，但实测延迟波动较大OpenRouter的应用场景软件开发与代码辅助：开发调用 AI 模型自动生成代码片段、优化代码结构、修复错误，甚至设计复杂的软件架构，显著提高编程效率。内容创作：内容创作生成高质量的文本内容，如文章、故事、新闻报道和营销文案，激发创意并提升创作效率。自然语言处理：企业构建智能聊天机器人，用在客户服务和虚拟助手，提供实时语言理解、翻译和情感分析，提升用户体验。数据分析与报告：企业和研究机构生成数据报告和可视化图表，帮助用户更好地理解复杂数据，支持决策制定。教育与学习：教育机构和在线学习平台生成个性化的学习材料和练习题，根据学生的学习进度和需求提供定制化的内容，提升学习效果。©️版权声明：若无特殊声明，本站所有文章版权均归AI工具集原创和所有，未经许可，任何个人、媒体、网站、团体不得转载、抄袭或以其他方式复制发表本站内容，或在非我站所属的服务器上建立镜像。否则，我站将依法保留追究相关法律责任的权利。类似于OpenRouter的工具MoMA中国移动推出的国内首个开放普惠大模型聚合平台昇思MindSpore华为开源的自研AI深度学习框架飞桨PaddlePaddle开源深度学习平台LangChain开发由语言模型驱动的应用程序的框架TensorFlowGoogle推出的机器学习和人工智能开源库BigModel智谱推出的企业级大模型开放平台（MaaS）暂无评论再想想发表评论暂无评论…

Gemini Omni 1.1 Flash – 谷歌推出的 AI 视频生成模型AI工具3天前发布AI小集03Gemini Omni 1.1 Flash是什么Gemini Omni 1.1 Flash 是谷歌推出的AI 视频生成模型，面向开发者和专业创作者，支持从 360p 快速预览到 4K 超高清的多档位输出。模型具备场景续写、首尾帧指定、视频参考等精细控制能力，可基于已有画面无缝扩展至 40 秒，通过引入最长 3 秒的参考片段保持角色与场景一致性。模型采用按秒计费模式，360p 约 0.2 元/秒，4K 约 2 元/秒。Gemini Omni 1.1 Flash的主要功能场景扩展：基于已有视频从结尾无缝续写，每次 10 秒，单条累计最长可达 40 秒。指定首尾帧：给定起始帧与结束帧，自动生成平滑转场与镜头运动。360p 快速预览：生成速度比 720p 提升 60%，成本仅为三分之一，适合快速迭代。4K 高分辨率输出：支持直接输出 1080p 或 4K 画质，满足专业制作需求。视频参考：可引入最长 3 秒参考视频，精准保持场景背景与角色一致性。Gemini Omni 1.1 Flash的技术原理长上下文视频理解：模型将可分析的前置视频上下文从 1 秒扩展至 10 秒，通过更长的时序记忆捕捉画面中的动态细节与叙事逻辑，在续写时维持角色外观、光影环境和摄像机运动的一致性，避免片段衔接处的跳变。多模态输入融合：系统同时处理文本提示、静态图像与视频片段三种模态，将文本语义映射为视觉指令，以图像定义关键帧构图，以参考视频锁定角色与场景风格，最终在统一的潜空间中生成连贯的时序内容。分辨率自适应生成：采用同一套模型架构支持 360p 到 4K 的多档位输出，低分辨率模式下通过减少潜空间采样步数实现快速草稿，高分辨率模式下则启用增强的上采样与细节重建，让创作者先用低成本验证创意，再输出成片。时序一致性保持：通过引入外部参考视频作为条件输入，模型在生成过程中将参考帧的特征嵌入与当前生成帧进行对齐，结合对前序 10 秒上下文的自注意力计算，抑制角色形变、背景漂移等时序不一致问题。如何使用Gemini Omni 1.1 Flash获取访问权限：访问Google AI Studio或接入 Gemini API，确保账号具备调用权限。选择目标模型：在模型列表中选择gemini-omni-1.1-flash作为目标模型。准备输入素材：根据需求准备输入素材：纯文本提示、起始/结束图像、参考视频（最长 3 秒）或已有视频片段。选择生成模式：直接生成新视频、基于已有视频续写（需传入previous_interaction_id）、或指定首尾帧生成过渡。设置输出分辨率：先用 360p 快速预览验证创意，满意后再切换至 720p、1080p 或 4K 输出成片。执行生成：调用 API 或点击生成按钮，等待模型返回视频结果。导出与后续编辑：下载最终视频文件，或直接在 Adobe Firefly、Runway 等已集成平台中继续编辑。Gemini Omni 1.1 Flash的核心优势4K 超高清输出：支持直接生成 1080p 乃至 4K 分辨率视频，满足专业影视制作标准。场景无缝续写：基于已有视频从结尾继续生成，每次 10 秒步进，单条叙事最长可延伸至 40 秒。首尾帧精准控制：只需提供起始帧与结束帧，即可自动生成平滑转场与复杂镜头运动。360p 极速草稿：预览模式生成速度提升 60%，成本仅为 720p 的三分之一，大幅降低迭代试错开销。视频参考一致性：引入最长 3 秒的参考视频，即可精准锁定角色形象与场景风格，避免生成漂移。10 秒长上下文理解：模型可回溯分析多达 10 秒的前置画面（此前仅 1 秒），续写时叙事与视觉连贯性显著增强。多模态灵活输入：同时融合文本提示、静态图像与视频片段，让创意指令的表达维度更丰富。Gemini Omni 1.1 Flash的项目地址项目官网：https://blog.google/innovation-and-ai/technology/developers-tools/build-with-gemini-omni-1-1-flash/Gemini Omni 1.1 Flash的同类竞品对比对比维度Gemini Omni 1.1 FlashRunway (Gen-3/Gen-4 系列)开发商Google DeepMindRunway ML最高分辨率4K1080p（主流版本）累计生成时长最长 40 秒（原生支持扩展）单次通常 10–16 秒场景续写原生支持，10 秒步进无缝扩展需借助外部工具拼接首尾帧控制原生支持，自动生成平滑过渡与运镜支持 Image to Video参考视频一致性最长 3 秒参考视频，精准锁定角色与场景支持 Video to Video低成本预览360p 模式，速度快 60%，成本低至 1/3无专门低分辨率预览模式上下文理解可分析前 10 秒画面保持连贯通常仅参考末端帧计费方式按秒计费（$0.03–$0.30/秒）按信用点或订阅制Gemini Omni 1.1 Flash的应用场景影视广告与预告片制作：用 4K 输出和首尾帧控制，快速生成高质感商业短片、品牌广告与电影预告。社交媒体内容创作：借助 360p 快速预览低成本迭代，批量产出短视频、动态封面与 viral 内容。游戏与动画预演（Previz）：通过场景扩展和参考视频保持角色一致性，快速生成分镜脚本与动作预览。电商产品动态展示：基于产品图指定首尾帧，生成 360° 旋转、细节特写等动态展示视频。教育与培训视频：用视频参考保持讲师或动画角色形象统一，批量生成解释性视频与课件动画。# AI工具# AI项目和框架©版权声明本站文章版权归AI工具集所有，未经允许禁止任何形式的转载。上一篇Twoo - 双人共用 AI 伙伴应用，能同时听懂双方对话下一篇Hy4 preview - 腾讯混元开源的新一代旗舰大模型相关文章Apollo – Meta 联合斯坦福大学推出的大型多模态模型AI小集2【亲测】免费白嫖 Qwen3.6，Token 无限量，6月底截止！AI小集0Nemotron-Labs-TwoTower – 英伟达开源的双塔架构扩散语言模型AI小集3CoCoClip.AI – AI视频创作和编辑平台，一站式服务短视频创作AI小集2TabFM – 谷歌开源的零样本表格基础模型AI小集2Gummy – 通义推出的端到端语音翻译大模型，能实时流式生成结果AI小集3暂无评论再想想发表评论暂无评论…热门工具Loomy即梦AISekoAiPPT秘塔AI搜索妙呀堆友Agent美图设计室绘蛙AIupdream办公小浣熊秒哒最新收录AlphaVowXCellMetaDigChatArtLexcat造剧最新文章秒悟Meoo – 1分钟生成前后端完整的网站，真0门槛开发！17分钟前Ling-3.0-flash-Fin – 蚂蚁百灵推出的首个金融增强模型18分钟前AI 技能成千上万怎么选？DeepSkill 精准搜索实战55分钟前Rome – 开源的智能体操作系统，自然语言生成完整应用22小时前Headlong – Laude Institute 开源的 AI Agent 微框架22小时前Miya – 时域科技推出的 AI 音乐应用，画面可随歌词律动2天前Zing-0.5 – Loopit 开源的实时交互视频世界模型2天前2026 年 AI 生成图文店门头效果图 – 7 款工具深度横评3天前Hy4 preview – 腾讯混元开源的新一代旗舰大模型3天前Twoo – 双人共用 AI 伙伴应用，能同时听懂双方对话3天前Prime Agent – Prime Intellect开源的长周期AI Agent运行框架3天前shuohao-skills – 开源AI短剧制作Skill集合，包含完整工作流3天前怎么用 MetaDig 做 AI 短视频，附教程实测案例4天前Gemini 3.5 Transcribe – 谷歌推出的最新语音转文本模型4天前Hy-MT2-1.8B – 腾讯混元推出的端侧翻译大模型4天前

感谢IT之家网友软媒用户1053564、Domado的线索投递！IT之家8 月 28 日消息，当地时间 8 月 27 日，谷歌宣布推出 Gemini Omni 1.1 Flash 视频生成 AI 模型，最高可生成 4K 视频。IT之家附新模型亮点如下：场景扩展：用户可以直接基于已有视频，从结尾处无缝衔接并继续生成后续画面。用户可按每次 10 秒的步长逐步扩展视频，单条视频的累计最长时长可达 40 秒；指定首尾帧：只需指定镜头的起始帧与结束帧，即可实现平滑自然的转场效果与镜头运镜；生成 360p 预览：相较于 Omni 1.1 的标准 720p 分辨率，生成速度最高可提升 60%，且成本仅需原有的三分之一，适用于快速原型验证、分镜脚本迭代以及高速渲染；最高 4K 分辨率：可直接输出画质细腻、细节完善的高分辨率 1080p 或 4K 最终成片；视频参考：构建视频场景时，支持引入最长 3 秒的参考视频片段，从而依据参考内容精准维持画面的上下文背景与角色一致性。价格方面，Gemini Omni 1.1 Flash 生成 360p 视频每秒 0.03 美元（现汇率约合 0.2 元人民币），生成 720p 视频每秒 0.1 美元（现汇率约合 0.67 元人民币），生成 1080p 视频每秒 0.15 美元（现汇率约合 1 元人民币），生成 4K 视频每秒 0.3 美元（现汇率约合 2 元人民币）。

Hy4 preview – 腾讯混元开源的新一代旗舰大模型AI工具3天前发布AI小集03Hy4 preview是什么Hy4 preview 是腾讯混元推出的开源旗舰大模型，总参数 770B、激活参数 49B、上下文长度达 1M。模型通过与腾讯内部软工、游戏、金融、安全等领域专家深度共建，模型在代码开发、办公分析、游戏制作、科学研究等真实生产力任务上表现卓越，在多项权威基准测试和 203 个工程任务盲测中稳居开源模型第一梯队。科研领域更在分子动力学模拟、量子器件设计及百年几何难题上取得实质性突破。Hy4 preview的主要功能软件工程：增强长程开发任务的理解、规划、调试与验证能力，进一步提升前端开发的视觉审美和交互质量。办公分析：显著提升复杂办公环境理解和金融分析能力，完成从信息处理到文档、表格与演示文稿交付的完整流程。游戏开发：增强一句需求直接生成可玩原型能力，熟练使用游戏引擎，支持多轮交互持续完善复杂游戏项目。科学研究：显著提升复杂科研问题的理解、推理与求解能力，在AI研发、分子动力学模拟、凝聚态物理、基础数学等场景中均有长足进步。推理优化：自主分析推理系统瓶颈，围绕算子融合、通信优化等方向开展多轮优化，端到端吞吐相较基线提升31.8%。实验协调：像研究者一样管理多个Codex Session开展实验，在8项评测上均优于Codex独立探索，体现复杂研发任务中判断方向、组织实验与持续迭代的能力。Hy4 preview的技术原理软件工程：Hy4 preview 显著增强了长程开发任务的理解、规划、调试与验证能力，在大型项目的前端开发中，能主动提升视觉审美和交互质量，生成的代码在真实工程环境中可直接运行并持续迭代。办公分析：模型通过与金融领域专家的高质量数据共建，显著提升对复杂办公环境的理解能力，能处理跨文件协作、数据分析等任务，完成从原始信息处理到最终文档、表格与演示文稿交付的完整办公流程，如自动审核 24 张报销单并交叉比对制度文件。游戏开发：Hy4 preview 具备”一句话生成可玩原型”的能力，能熟练使用 Unreal 5、Unity 等主流游戏引擎，开发者可通过多轮自然语言交互持续完善复杂游戏项目，涵盖场景搭建、玩法逻辑、角色动画混合树及音效系统等完整开发链路。科学研究：在科研场景中，模型展现出复杂问题的深度理解、推理与求解能力，配合 Hyra 智能体在机器学习力场分子动力学模拟中提速 2.0 倍、在低温量子输运器件设计中将泄漏率从 48.2% 降至 4.8%，在百年经典几何难题 3D Blaschke-Lebesgue 问题上将体积下界推进至 0.41104。推理优化：Hy4 preview 能自主分析推理系统的性能瓶颈，围绕算子融合、通信优化等方向开展多轮迭代优化，端到端服务吞吐相较基线提升 31.8%，在不同上下文长度和并发度下均取得稳定收益，验证模型自主定位瓶颈并持续优化基础设施的能力。微信关注回复“开源”，加入AI开源项目交流群如何使用Hy4 preview开源下载：通过 HuggingFace、GitHub、ModelScope 或 GitCode 获取模型权重与代码，支持本地部署与二次开发。API 调用：接入腾讯云 TokenHub 或OpenRouter，按输入 6 元/百万 Tokens、输出 18 元/百万 Tokens 的定价直接调用模型接口。产品体验：在WorkBuddy、CodeBuddy、元宝、ima等腾讯系产品中直接体验 Hy4 preview 的办公与编程能力。在线试玩：访问模型在线体验网址 https://aistudio.tencent.com/，无需配置环境即可在线与模型交互。Hy4 preview的核心优势规模领先：总参数 770B、激活参数 49B、上下文长度 1M，在模型尺寸与长文本处理能力上稳居开源模型第一梯队。真实生产力导向：与腾讯内部软工、游戏、金融、安全等领域顶尖专家深度共建，聚焦代码、办公、游戏等真实场景而非单纯刷榜。科研突破能力：配合 Hyra 在分子动力学模拟提速 2.0 倍、量子器件泄漏率降至 4.8%，并将百年几何难题 3D Blaschke-Lebesgue 的体积下界推进至 0.41104。自我优化推理：能够自主分析系统瓶颈并围绕算子融合、通信优化持续迭代，端到端服务吞吐相较基线提升 31.8%。智能实验协调：像研究者一样管理多个 Codex Session 并行开展实验，在小模型后训练任务中 8 项评测均优于 Codex 独立探索。专家盲测领先：163 名内部专家在 203 个工程任务盲测中，Hy4 preview 均分 2.99/4.00，略优于 GLM-5.3 和 Kimi K3。Hy4 preview的项目地址项目官网：https://hy.tencent.com/research/hy4-previewGitHub仓库：https://github.com/Tencent-Hunyuan/Hy4-previewHuggingFace模型库：https://huggingface.co/tencent/Hy4-previewHy4 preview的同类竞品对比对比维度Hy4 previewDeepSeek-V4 Pro总参数 / 激活参数770B / 49B约 671B / 37B上下文长度1M128K模型架构MoE（混合专家）MoE（混合专家）开源状态全面开源（权重+代码）开源权重，推理代码开源核心定位真实生产力（代码、办公、游戏、科研）通用推理与代码科研能力配合 Hyra 在分子动力学、量子器件、数学证明取得突破强通用推理，科研工具链需自行搭建产品协同深度集成 WorkBuddy、CodeBuddy、元宝、ima主要依赖第三方集成与自部署API 定价（输入/输出）6元 / 18元（每百万 Tokens）约 2元 / 8元（每百万 Tokens）内部盲测表现均分 2.99/4.00，略优于 GLM-5.3 和 Kimi K3基准测试表现优异，但无公开同类工程盲测Hy4 preview的应用场景智能代码开发：支持长程项目理解、前端视觉审美优化、调试验证，可配合 CodeBuddy 完成从需求到可运行代码的全流程开发。复杂办公自动化：处理跨文件数据分析、金融稽核、制度比对，自动生成文档、表格与演示文稿，已在 WorkBuddy 等办公产品中落地。游戏原型快速构建：一句自然语言需求即可生成可玩原型，熟练使用 Unity / Unreal 5 引擎，支持多轮交互持续完善关卡、角色与玩法。科学研究加速：配合 Hyra 智能体开展分子动力学模拟、量子器件设计、数学定理证明，自主管理实验流程并持续迭代优化方向。3D 数字内容生成：基于精确参数生成交互式 Three.js 网站、数字孪生场景，支持 GLB 模型加载、程序化建模与多语言响应式部署。# AI工具# AI项目和框架©版权声明本站文章版权归AI工具集所有，未经允许禁止任何形式的转载。上一篇Gemini Omni 1.1 Flash - 谷歌推出的 AI 视频生成模型下一篇2026 年 AI 生成图文店门头效果图 - 7 款工具深度横评相关文章Stablecog – AI图像生成器，基于Stable Diffusion技术AI小集2Kimina-Prover – 月之暗面联合 Numina 推出的数学定理证明模型AI小集3ImageToPromptAI – AI图像转文本提示词工具，快速生成与图像相关的细节描述AI小集2Graphic Design Generator – Recraft推出的AI海报设计生成工具AI小集3xiaohongshu-mcp – 开源的小红书自动化运营工具AI小集2ClipZap AI – AI视频创作与编辑平台，快速从素材中剪辑精彩片段AI小集2暂无评论再想想发表评论暂无评论…热门工具Loomy即梦AISekoAiPPT秘塔AI搜索妙呀堆友Agent美图设计室绘蛙AIupdream办公小浣熊秒哒最新收录AlphaVowXCellMetaDigChatArtLexcat造剧最新文章秒悟Meoo – 1分钟生成前后端完整的网站，真0门槛开发！18分钟前Ling-3.0-flash-Fin – 蚂蚁百灵推出的首个金融增强模型18分钟前AI 技能成千上万怎么选？DeepSkill 精准搜索实战55分钟前Rome – 开源的智能体操作系统，自然语言生成完整应用22小时前Headlong – Laude Institute 开源的 AI Agent 微框架22小时前Miya – 时域科技推出的 AI 音乐应用，画面可随歌词律动2天前Zing-0.5 – Loopit 开源的实时交互视频世界模型2天前2026 年 AI 生成图文店门头效果图 – 7 款工具深度横评3天前Gemini Omni 1.1 Flash – 谷歌推出的 AI 视频生成模型3天前Twoo – 双人共用 AI 伙伴应用，能同时听懂双方对话3天前Prime Agent – Prime Intellect开源的长周期AI Agent运行框架3天前shuohao-skills – 开源AI短剧制作Skill集合，包含完整工作流3天前怎么用 MetaDig 做 AI 短视频，附教程实测案例4天前Gemini 3.5 Transcribe – 谷歌推出的最新语音转文本模型4天前Hy-MT2-1.8B – 腾讯混元推出的端侧翻译大模型4天前

Zing-0.5 – Loopit 开源的实时交互视频世界模型AI工具2天前更新AI小集02Zing-0.5是什么Zing-0.5 是Loopit开源的实时交互视频世界模型，5B 参数，基座为 Wan2.2-TI2V-5B，采用 Apache 2.0 协议。核心能力是”联合控制”，键盘空间操作与自然语言语义改写两条链路共同进入 Causal DiT，用户可一边操控角色移动，一边随时用文字改写正在发生的世界，新指令会进入当前世界而非重置场景。模型通过训练中途切换 Prompt 学会”边玩边改”，主动扰动历史画面以抗误差累积。单卡 RTX 5090 可超 24 FPS 实时生成，一分钟流式推理成本约 6 分钱，在美团 LongCat 与复旦联合的 WBench 评测中位列实时世界模型第一。Zing-0.5的主要功能联合控制：键盘空间操作（W/A/S/D 移动 + I/J/K/L 视角）与自然语言语义改写共同作用，一边操控移动一边用文字改变世界，新指令进入当前世界而非替换场景。实时流式生成：单卡 RTX 5090 超过 24 FPS，一分钟推理成本约 6 分钱，支持无限长时序连续生成。中途语义改写：可在生成进行中随时插入文字指令（如”暴风雪””龙喷火”），模型保留视觉与操作历史，让改写发生在当前世界中。多对象同时响应：一条指令可同时驱动多个不同对象变化（如人物跪地祈祷 + 多座雕像睁眼发光）。长程一致性：角色外观、场景结构、画风（如像素风格）在持续生成中保持稳定，不漂移、不换画风。抗误差累积：训练中主动扰动历史画面，模型学会”接住自己的错误”，长时间生成不越走越偏。动作控制：8 维连续动作信号（取值 [0,1]），支持前进/后退/左右移动与四向视角变化，编码为逐帧 action residual。本地部署：5B 参数单卡可跑，Linux + PyTorch 环境，80GB+ 显存或滑窗注意力配置（RTX 4090 级别亦可），输出 H.264 MP4。开源免费：Apache 2.0 协议，代码与权重在 GitHub、ModelScope、HuggingFace 开放，基于 Wan2.2-TI2V-5B 训练。Zing-0.5的技术原理基座模型：基于 Wan2.2-TI2V-5B 训练，5B 参数量级，核心生成网络为 Causal DiT（因果扩散 Transformer），配合因果 KV 缓存支持无限长时序自回归推演。双控制链路架构：两条独立但共同进入 Causal DiT 的控制通道——空间操作走”动作链”，语义改写走”文本链”，二者共同决定接下来生成的内容。动作链（action residual）：W/A/S/D 移动 + I/J/K/L 视角构成 8 维连续动作信号（取值 [0,1]），经 sin/cos 编码与因果时序卷积（不足 10M 参数）转化为逐帧 action residual，与对应视频 token 逐帧对齐后注入生成。文本链（cross-attention）：自然语言指令经语言模型编码为 language tokens，通过 cross-attention 写入当前生成，实现中途语义改写。两链解耦、持续并行：文本条件改变时动作链路不中断，因此能实现”巨龙一边按原方向飞行一边喷火”这类边操作边改写的效果。训练即学会”中途改写”：训练时在自回归生成中途切换 Prompt，保留已生成的视觉历史与操作历史，用新文本条件预测后续，改写能力是训练出来的原生能力，而非推理时拼接的后加功能。抗误差累积训练：自回归生成的”历史”是模型自己的输出，误差会累积；Zing-0.5 在训练中主动扰动部分历史画面（加噪声、轻微模糊、颜色偏移、视角变化）模拟真实误差，训练目标始终保持干净，迫使模型学会从不完美历史中甄别真实状态。纯训练解法，推理零开销：抗累积能力完全内化于权重，在线推理无需额外纠错模型，不增加延迟与算力。四步 DMD 蒸馏采样：将扩散采样压缩至 4 步，是单卡实时（>24 FPS）与低成本（约 6 分钱/分钟）的关键。滑窗注意力适配显存：80GB+ 显存用–local-attn-size 97 –sink-size 9；RTX 4090 级别用–local-attn-size 33 –sink-size 5，通过局部注意力 + sink token 在有限显存内维持长上下文。输出管线：视频帧经 patch embedding 成 token 进入 Causal DiT，预测帧解码后输出 H.264 编码的 24 FPS MP4。如何使用Zing-0.5环境准备：准备硬件与系统：Linux 系统 + NVIDIA GPU（建议 80GB+ 显存，如 H100/A100；RTX 4090 级别可用滑窗注意力配置），安装基础环境：Python 3.11、PyTorch 2.9、CUDA。获取代码与模型克隆代码仓库：git clone https://github.com/seedleap/zing-world-model.git，进入目录cd zing-world-model。安装依赖：pip install -r requirements.txt。下载模型权重：pip install modelscope，然后执行modelscope download –model seedleap/Zing-0.5 –local_dir ./Zing-0.5。确认目录结构：权重包含generator/model.pt（生成器）和pretrained/（text_encoder、tokenizer、vae）。运行推理文本驱动模式（Action T2V）：执行run.sh，指定–pretrained-dir、–checkpoint、–messages examples/case3_action_t2v.jsonl、输出目录和随机种子。图片初始化模式（Action TI2V）：同样用run.sh，换用examples/case4_action_ti2v.jsonl等图生视频配置。按显存选择注意力参数：80GB+ 加–local-attn-size 97 –sink-size 9；低于 80GB 加–local-attn-size 33 –sink-size 5；完整历史注意力用–local-attn-size -1 –sink-size 0。交互操作键盘操控：W/A/S/D 控制前后左右移动，I/J/K/L 控制视角转动（内部为 8 维连续向量，取值 [0,1]）。中途语义改写：在生成进行中输入自然语言指令（如”暴风雪””龙嘴巴喷火”），世界实时响应且场景不被重置。查看输出：生成结果为 H.264 编码的 24 FPS MP4 文件，保存在指定的–output-dir目录。零部署体验（可选）：不想本地部署可等官方产品：对应功能预计两周内上线 Loopit APP 海外版，直接在 App 中体验实时互动世界。Zing-0.5的核心优势实时榜第一的硬实力：WBench 评测平均分 81.0，总榜第二仅次于一個非实时的双向模型，实时世界模型榜第一。“边玩边改”独一档：多数实时世界模型只支持”探索场景”，Zing-0.5 是少数能边操控移动边用文字中途改写世界的模型，联合控制是核心差异化。改写不换世界：新指令精准写入当前世界，只改该改的（加暴风雪、让龙喷火），不该动的（角色、画风、远处场景）纹丝不动，同类模型常”顺手换掉整个世界”。长时序不跑偏：训练中主动扰动历史画面让模型学会纠错，长时间生成角色外观、场景结构保持稳定；且是纯训练阶段解法，推理时无需额外纠错模型，不增延迟。成本与门槛双低：5B 参数单卡部署，单张 RTX 5090 超 24 FPS，一分钟流式推理仅约 6 分钱，消费级显卡即可实时交互。架构轻量优雅：动作控制链路不足 10M 参数（sin/cos 编码 + 因果卷积 → 逐帧 action residual），双控制链共同进入 Causal DiT，设计简洁高效。真开源：Apache 2.0 协议，代码 + 权重 + 部署文档全套开放，商用无门槛，基座 Wan2.2-TI2V-5B 成熟可靠。Zing-0.5的项目地址Github仓库：https://github.com/seedleap/zing-world-modelHuggingFace模型库：https://huggingface.co/seedleap/zing-0.5ModelScope：https://modelscope.cn/models/seedleap/Zing-0.5Zing-0.5的同类竞品对比对比项Zing-0.5（Loopit/SeedLeap）HiDream-O1-World（HiDream.ai）LingBot-World v2（蚂蚁集团）WBench 总排名第 2（实时榜第 1）第 3第 5综合平均分81.080.979.4画面质量（Quality）80.681.0（三者最高）81.8（三者最高）场景设定（Setting）77.882.276.8交互能力（Interaction）84.2（三者最高）80.082.8一致性（Consistency）88.5（三者最高）88.086.5物理规律（Physical）73.8（三者最高）73.369.1实时性实时（单卡 5090 超 24 FPS）未标注实时标签标注 “fast”（快速）交互类型action + 文本联合控制（可中途改写世界）动作控制动作控制参数规模5B（基座 Wan2.2-TI2V-5B）未公开未公开开源情况开源（Apache 2.0，代码+权重）未标注开源开源核心特点边操控边文字改写世界，新指令进入当前世界不重置场景画面质量与场景设定最强速度快，交互能力较好推理成本约 6 分钱/分钟流式生成未公开未公开产品落地2 周内上线 Loopit APP 海外版——Zing-0.5的应用场景AI 互动娱乐／AI 游戏：玩家用键盘操控角色在生成世界中探索，随时用语言改写剧情与环境（如下雪、召唤怪物），实现”人人可玩的生成式游戏”。“可以玩的抖音”式内容消费：短视频从”看”变成”玩”，每个用户在同一段内容里玩出不同走向，改写内容平台形态。UGC 互动内容创作：创作者生成可交互视频世界供粉丝体验，观众不再是旁观者而是参与者，衍生全新内容品类。游戏原型快速验证：游戏团队无需搭建引擎场景，用世界模型快速生成可交互 Demo，低成本验证玩法与关卡创意。虚拟直播／虚拟主播：主播实时驱动虚拟世界，观众通过弹幕文字参与改写场景与事件，增强直播互动性。# AI工具# AI项目和框架©版权声明本站文章版权归AI工具集所有，未经允许禁止任何形式的转载。上一篇2026 年 AI 生成图文店门头效果图 - 7 款工具深度横评下一篇Miya - 时域科技推出的 AI 音乐应用，画面可随歌词律动相关文章Lumina-Image 2.0 – 上海 AI Lab 开源的统一图像生成模型AI小集2Muse Spark – Meta 推出的原生多模态大模型AI小集2度豆 – 百度推出的仿真人AI社交APP，24小时陪你聊天AI小集5x-Algorithm – 马斯克开源的x平台推荐算法AI小集3ControlNeXt – AI图像和视频可控生成框架AI小集4MiroFish – 开源AI预测引擎，自动构建高保真平行数字世界AI小集3暂无评论再想想发表评论暂无评论…热门工具Loomy即梦AISekoAiPPT秘塔AI搜索妙呀堆友Agent美图设计室绘蛙AIupdream办公小浣熊秒哒最新收录AlphaVowXCellMetaDigChatArtLexcat造剧最新文章秒悟Meoo – 1分钟生成前后端完整的网站，真0门槛开发！13分钟前Ling-3.0-flash-Fin – 蚂蚁百灵推出的首个金融增强模型14分钟前AI 技能成千上万怎么选？DeepSkill 精准搜索实战50分钟前Rome

📱苹果定档 9 月 10 日发布新 iPhone🤖ChatGPT Business 开放 Premium 席位，用量提高至 5 倍💰DeepSeek 前 7 个月营收 4.75 亿元，净亏损 7.15 亿元👋OpenAI 数据中心负责人离职，年内高管离任增至至少 14 人🚗特斯拉中国回应上海数据中心撤离传闻：不实🤝华为与惠普签署多年全球专利交叉许可协议🚚顺丰回应薪酬结构调整：15% 纳入季度考核，不涉及一、二线员工📋工信部：严禁未经充分测试验证的汽车产品进入市场💰百度股东会通过双重主要上市相关决议🦿金牌榜奖牌榜双第一！智元首次出征机器人运动会实力登顶🎨微软画图与照片会在 AI 图片中嵌入隐形 GUID🧠Anthropic 与 EPFL 研究称，多智能体系统可能传播「心智病毒」🤖MiniMax 7 月 Token 消耗量飙至年初 20 倍，8 月 ARR 冲破 8 亿美元📖腾讯司晓：Token 正在成为机器智力的计量单位💰英伟达二季度营收 962.2 亿美元，三季度指引超预期⚠️Meta 最高支付 180 亿美元，和解美国青少年社交媒体诉讼🚙比亚迪何志奇：五个品牌要有五套原创设计语言💡腾讯高管回应「做 AI 慢了」质疑：AI 竞争是马拉松，场景才是腾讯的底牌📱天马发布第二代天工屏，OPPO 首发新一代发光材料🤖阿里发布 Qwen3.8-Flash，Next 版新架构同步开源☁️智谱开源 GLM-5.3-Flash，1M 上下文运行在国产芯片集群⌚佳明 Fenix 9 Pro 开启预售，售价 8680 元起🚙奇瑞风云 T7 上市：全系 600km 续航，置换价 9.49 万元起🚗新一代理想 MEGA 定档 9 月 2 日发布苹果定档 9 月 10 日发布新 iPhone苹果宣布将于北京时间 9 月 10 日凌晨 1 点举行秋季发布会，地点依然是 Apple Park 的 Steve Jobs Theater。这次发布会有两个看点，一个是新 iPhone，一个是新 CEO。产品方面，预计主角包括：iPhone 18 Pro / Pro Max：有望搭载 2nm 工艺 A20 Pro，升级影像、通信能力，并进一步缩小灵动岛。首款折叠 iPhone：大概率是今年最受关注的新品，采用大折叠形态，展开后接近小尺寸 iPad，售价可能突破 2000 美元。Apple Watch Series 12 / Ultra 4：预计升级芯片、健康监测和连接能力。AirPods 5：常规升级款，没有摄像头，可能继续采用普通版和主动降噪版双产品线。此外，新 Apple TV、HomePod mini 等产品也可能在本次发布会上更新。爱范儿也会来到苹果发布会现场，为大家带来第一手的现场报道！🔗 相关阅读：下个月的 iPhone 发布会，可能是五年来最有「活人感」的一次ChatGPT Business 开放 Premium 席位，用量提高至 5 倍OpenAI 8 月 25 日更新公告称，ChatGPT Business Premium 席位已正式开放。Premium 席位按月付费为每人每月 125 美元，按年付费折合每人每月 100 美元；Standard 席位的两档价格分别为 25 美元和 20 美元。Premium 席位包含 Standard 的 5 倍用量，取消 5 小时用量限制，并改用固定的每周重置周期。同一 Business 工作区可混合分配 Standard 和 Premium 席位，管理员可以升级、重新分配席位，并统一查看用量与支出限额。OpenAI 此前针对早期候补客户的工作区积分促销已结束，正式开放后不再附带首批席位积分。DeepSeek 前 7 个月营收 4.75 亿元，净亏损 7.15 亿元据 The Information 报道，DeepSeek 今年前 7 个月营收约 4.75 亿元人民币，约为去年全年营收的 10 倍；同期净亏损约 7.15 亿元，去年全年净亏损约 9.35 亿元。报道援引两名了解公司财务数据的人士称，DeepSeek 尚未公开确认这些数据。DeepSeek 前 7 个月整体毛利率为 44.6%，其中通过 API 销售模型访问权限的毛利率达到 82.9%。较高的 API 毛利率主要来自推理基础设施效率提升，但公司的算力投入也在迅速增加。报道显示，DeepSeek 今年前 7 个月在 AI 基础设施上投入约 110 亿元人民币，用于租赁配备 AI 芯片的服务器，以及购买芯片和其他计算设备；去年全年相关支出约为 12 亿元。公司同时继续推进融资，目标募资 500 亿元人民币，投前估值约 5000 亿元人民币。OpenAI 数据中心负责人离职，年内高管离任增至至少 14 人据《华尔街日报》和 TechCrunch 报道，OpenAI 数据中心负责人 Chris Malone 已于上周离职。他于去年 3 月加入 OpenAI，此前曾在 Meta 和 Google 从事数据中心基础设施工作。OpenAI 表示，公司近期重组了基础设施部门，目前的数据中心团队仍有明确的管理分工。重组后，负责计算资源的 Sachin Katti 接管相关组织；Uday Ruddarraju、Brent Mayo 与 Spas Lazarov 分别负责数据中心团队、建设交付和工程工作。Business Insider 此前统计，OpenAI 今年已有 13 名高管或核心负责人离开原职；加上 Malone，人数增至至少 14 人。近期离任者还包括前首席营收官 Denise Dresser 和长期担任 COO 的 Brad Lightcap。公司联合创始人 Greg Brockman 则表示，OpenAI 受到的关注度更高，使每次人员变动都被放大审视。特斯拉中国回应上海数据中心撤离传闻：不实近日有消息称，特斯拉为 FSD 监督版入华筹备的上海数据中心已「人去楼空」，相关对接团队全部撤离。《每日经济新闻》8 月 26 日向特斯拉中国求证，一位内部人士回应称该消息不实。特斯拉上海数据中心仍实施中国境内数据留存，位于上海临港的 AI 训练中心于今年 2 月投入运营。特斯拉还与百度地图合作使用合规高精地图，相关车型已通过四项汽车数据安全标准认证。传闻的另一来源是特斯拉北美官网更新的 FSD 监督版「可订阅地区」名单，其中没有中国。但该名单只表示按月订阅服务的开放范围，不等同于功能的全部可用市场；特斯拉美国官网的可使用地区仍列有中国。华为与惠普签署多年全球专利交叉许可协议华为与惠普 8 月 26 日宣布签署多年期全球专利交叉许可协议。协议包括华为向惠普许可部分 Wi-Fi 专利。这是两家公司在标准必要专利与计算机技术上的长期许可安排。华为知识产权部负责人樊志勇表示，交叉许可可以让标准技术在更多设备上使用。双方没有公布许可费和其他商业条款。华为的公开知识产权资料显示，过去 20 年公司已与欧洲、美国、日本和韩国的主要 ICT 企业签署超过 260 份专利许可协议。在 Wi-Fi 领域，华为既通过双边协议许可专利，也作为创始成员加入 Sisvel Wi-Fi 6 与 Wi-Fi Multimode 专利池。顺丰回应薪酬结构调整：15% 纳入季度考核，不涉及一、二线员工针对「固定月薪的 15% 划为季度绩效」被质疑变相降薪，顺丰集团昨天回应称，本次调整是将年度现金薪酬的 15% 拆分为季度考核基数，调整仅针对总部职能人员，不涉及一、二线员工。顺丰表示，调整后的整体薪酬支出将略有增加，预计有 10% 以上的绩优员工收入增加。公司将这次变化解释为薪酬结构优化，目标是让业绩表现与员工收益更直接关联。工信部：严禁未经充分测试验证的汽车产品进入市场8 月 26 日，国务院新闻办公室举行「开局起步「十五五」」系列主题新闻发布会。工业和信息化部副部长辛国斌表示，「十五五」期间将加力解决汽车产品质量、自动驾驶安全与非理性竞争等问题。具体措施包括推进汽车企业生产资质集团化管理改革，加强产品创新设计的准入审查与测试验证管理，严禁未经充分测试验证的产品进入市场，并加大生产一致性监督检查力度。工信部此前已就汽车企业非理性竞争展开约谈，并启动 2026 年度道路机动车辆生产企业及产品生产一致性监督检查。对不符合国家标准与生产一致性要求的产品，可采取公开通报、暂停相关产品公告和暂停企业新产品申报等处理。百度股东会通过双重主要上市相关决议百度 8 月 26 日召开股东特别大会，会上提呈的全部决议均获通过。公司同日向美国证券交易委员会提交 6-K 文件，披露了股东会结果，双重主要上市转换由此完成关键前置程序。获批事项包括新的股份发行与回购授权、2026 年股权激励计划和新的组织章程细则。百度董事会于 7 月 16 日授权推进转换，香港联交所 7 月 22 日确认收到申请。转换完成后，百度将在纳斯达克和香港联交所保持双重主要上市，并全面遵守香港上市规则；公司预计转换将在今年内生效。金牌榜奖牌榜双第一！智元首次出征机器人运动会实力登顶智元在 2026 世界人形机器人运动会上获得 18 枚金牌、16 枚银牌和 12 枚铜牌，位列金牌榜和奖牌榜第一。参赛设备均为量产机型，没有为比赛单独定制本体。临界点量产版 OmniHand 在 8 个灵巧手专项中获得 7 金，覆盖粉末称重、开瓶撬盖、拆箱拆包和积木搭建等任务；精灵 G2 在酒店、图书馆和应急处置等场景赛中拿下 12 枚金牌中的 6 枚，采用 DUET 双层具身接触智能架构和 ViLLA 具身基座模型完成精细操作与长流程任务。竞技与表演项目中，远征 A3 在舞蹈、武术和乒乓等项目获得 5 金；灵犀 X2 则拿下 100 米障碍赛金牌，并在 400 米障碍赛获得银牌和铜牌。微软画图与照片会在 AI 图片中嵌入隐形 GUID安全研究员 Xusheng Li 逆向分析发现，Windows 画图与照片应用会把服务器分配的 GUID 嵌入 AI 生成图片的像素中，形成不可见水印。用户关闭可见的 Copilot 水印选项，也不会影响这层标识。在 Copilot+ PC 上，部分图片由本地 NPU 生成，但提示词仍会发送到微软服务器进行内容审核；服务器返回经过处理的提示词与 GUID，应用再把 GUID 写入生成结果。研究者检查实际 PNG 文件后发现，C2PA 清单中的c2pa.soft-binding记录了同一个 GUID，并将算法标记为 Microsoft InvisMark。微软已公开说明 AI 图片会包含 C2PA 内容凭证，也会为滥用防范收集提示词和设备标识，但支持页面没有说明该 GUID 同时存在于像素水印中，也没有解释它与远程提示词审核之间的关联。Anthropic 与 EPFL 研究称，多智能体系统可能传播「心智病毒」Anthropic 与瑞士洛桑联邦理工学院的研究人员近日发表论文，测试观点或目标是否会像病毒一样在多个 AI 智能体之间传播。研究团队把这类通过自然语言诱导智能体继续转发、并可能改变其行为的内容称为「心智病毒」。研究设置了两类环境：一组共同完成编程项目的智能体，以及每次交互后都会清空上下文、只能借助记忆文件延续信息的智能体链。部分测试中，病毒能够连续传播近 20 个智能体；有害载荷通常比无害内容更难传播，前沿模型整体上也更不易受影响，但不同模型存在例外。论文认为，这类攻击目前真实存在但风险有限。在系统提示词中加入简短的自传播内容警告，几乎可以完全阻断传播。研究人员提醒，随着企业内部部署更多相互连接、权限不同的智能体，这种自然语言攻击路径仍需纳入安全设计。MiniMax 7 月 Token 消耗量飙至年初 20 倍，8 月 ARR 冲破 8 亿美元MiniMax 昨晚在中期业绩会上披露，第二季度收入环比增长 81.8%；7 月 Token 消耗量达到 1 月的 20 倍，8 月年度经常性收入（ARR）超过 8 亿美元。当前 ARR 中，To B 业务占比约 80%，To C 业务约占 20%。上半年，MiniMax 开放平台

在很多人的印象里，谈及 MiniMax，首先浮现的或许依然是曾经风靡海外的 AI 伴侣 Talkie，抑或是国内用户熟知的星野与海螺 AI。在过去很长一段时间内，这家大模型独角兽常被外界贴上「C 端公司」的标签。情况在过去的一年里已然发生翻天的变化。在 MiniMax 最新发布的 2026 年中期财报显示，相比一年前消费端约 70% 远远领先企业端约 30%的情况，其营收结构已经彻底倒挂，呈现出 B 端占据绝对统治的情况。MiniMax 用了一年时间进行结构性迁徙，目前已经成为了一家以全球开发者生态、多模态 MaaS 与 Agent 基础设施为核心驱动力的算力底座公司。根据已经披露的数据，MiniMax 的整体收入规模获得巨大提升，2026 年上半年实现总收入约 1.2 亿美元，同比增长 283.1%，仅半年的收入就达到了 2025 年全年收入的 1.5 倍。这其中，以开放平台及其他企业服务为主的 B 端业务收入高达 7390 万美元，同比暴增超 700%，占总收入的比重从去年同期的 30.3% 飙升至 63.4%，一举跃升为公司最大收入支柱。狂飙的企业级市场增长，为 MiniMax 的 ARR（年度经常性收入）带来显著增幅，截至 8 月达到了 8 亿美元，其中To B 业务占比已高达约 80%，To C 仅占约 20%。（需要注意的是 ARR 并非一个公认会计准则的审计数字，存在天然的水分，但对于 AI 模型公司、SaaS 类公司仍是一个有价值的考量指标。）另外，MiniMax 上半年海外市场贡献了约六成收入，其全球化底色再一次被凸显。在收入暴涨的同时，销售及分销开支同比下降了 17.9% 至 2700 万美元，毛利则同比增长 464.8% 至 2081 万美元。亏损方面，本期净亏损从上年同期约 4 亿美元降低到了 3.6 亿美元左右。这意味着，MiniMax 彻底告别了依靠早期泛娱乐 C 端应用买量获客的早期阶段，在全面发力基础模型以及多模态模型能力之后，已经转向由企业和开发者生态驱动的自然网络增长。再做一个简单的横向对比：根据 The Information 报道，DeepSeek 今年前七个月里实现 7070 万美元收入，去掉热闹的七月的话，毛估 MiniMax 上半年营收是 DeepSeek 约两倍上下；虽然 DeepSeek 的营收净值低于 MiniMax，但前七个月实现了 2025 年 10 倍的全年收入，增幅远高于 MiniMax；DeepSeek 的前七个月净亏损为 1.06 亿美元，MiniMax 本期净亏损是 DeepSeek 的约 3.4 倍。新老共识MiniMax 透露，Token 消耗量的断层式拉升是本期收入暴增的重要原因。仅今年 7 月，MiniMax 全平台的 Token 消耗量就达到了 1 月份的整整 20 倍。 截至目前，其全球企业客户与开发者数量突破 200 万，是 2025 年底的 10 倍之多。Token 消耗出现如此夸张的非线性跃迁，答案在于模型消费范式的迁移。CEO 闫俊杰透露，模型消费的范式已经从「人与 AI 的直接对话」，全面跃迁至「Agent 与 AI 的多轮级联交互」。由 Agent 驱动的推理需求增长，显著快于人类用户数和消息数的增长。这直接导致单用户的 Token 消耗呈倍数级爆发。这在日新月异的模型行业已经是「老共识」。而更重要的新共识，则是后训练成为 Scaling 的新上限。从近期智谱 GLM 5.3、DeepSeek V4 Flash（0731 版本）、Gemini 3.x Flash 的公开资料来看，越来越多模型厂商在小版本更新中重度依赖，甚至仅靠后训练，就能够显著提高模型在特定主流任务上的表现。闫俊杰也在业绩会中提出这一新的行业共识的转变：当前大模型的 Scaling 正在从单一的预训练，快速拓展至中训练、后训练以及强化学习。在后训练阶段，海量的合成数据生成、强化学习中的环境 rollout（推理/生成）、产成任务的试错验证，其本质都是推理计算。而单位算力下的推理成本越低、吞吐越大，模型在后训练中能够吞吐的轨迹与实验规模就越大。这也是为什么包括 MiniMax 在内的一众模型厂商，在中训练和后训练阶段投入的算力占比越来越高。闫俊杰指出，在相同的算力规模下，推理计算效率的提升倍数，跟后训练的规模变大倍数呈现基本线性相关。这句话可以粗略理解为：后训练使得劲越大，推理的效率提升越多，模型呈现出的最终效果越好。换言之，无论人们认为 Scaling Law 是否已经撞墙、模型参数量是否已经卷到了极限——后训练的效率提升仍然可以提高 Scaling 的上限。新模型：M3 Pro、M3.1MiniMax 透露正在稳步推进三个新模型的研发：M3 Pro、M3.1 和 H3.1。其中，M3.1 的定位是面向主流用户，可以被大量、广泛使用的新「标准版」模型。M3.1 在 M3 基础上进行充分的预训练，并持续 Scaling 后训练规模。其主要提升方向在于提升任务完成质量、推理效率、稳定性、插入到多种 Agent 产品中作为基模调用时的适配性。M3 Pro 则是一个更加全面能力升级的模型，参数规模在 3 万亿左右。它的基座会是一个更大的基础模型，目标是更强的泛化能力和更高的智能上限。M3 Pro 会采用 MiniMax 自主研发的新注意力架构 MSA 的第二代 MSA 2.0，能够显著提高推理阶段缓存命中率，从而提高整体算力利用率。在稳步推进这两个基座模型的同时，MiniMax 目标是在 M3.1 推出时，将其推理成本降至 M3 初期上线时的三分之一左右。闫俊杰指出，推理成本的下降有两个好处，一是通过降价来降低使用门槛，从而扩大用户基数和 Token 用量，二是用于改善公司毛利率。闫俊杰认为这两者并非不可兼得。除了语言模型，MiniMax 另一张王牌是多模态。前不久 MiniMax 发布了多模态模型 MiniMax H3，并继续坚决采取开源策略。仅三周后，H3 的全球下载量已突破 2400 万次，衍生出超过 300 个公开模型，成为 2026 年全球最火爆的模型之一。H3 是时隔多年以后，首次有开源多模态模型在生成效果和工具链适配上达到或接近于前沿闭源模型。其核心并非单纯的扩散生成，而是将语言模型深度嵌入视觉生成流中，实现了全局的上下文感知、多主体的一致性控制、镜头精细化调度等面向视频专业用户友好的效果。闫俊杰认为，H3 的开源能证明了两件事情：语言模型能力可以进一步提高视觉生成模型的上限；开放权重模型、产品和 API 可以行程相互促进的生态，而非彼此蚕食。而长期来看，类似语言模型+视觉生成模型相结合的范式，在其他更加前沿的领域可能会持续涌现。MiniMax 的公司名称令人想起 Min-Max 这一多功能术语。套用在模型实验室的身上，则体现该公司「最小化单位智能成本才能实现最大化智能水平」的认知，也即尽可能降低单位智能的供应成本，从而让让更高水平的智能更加广泛地进入人们的生产生活。这一认知的直接体现，就是 MiniMax 今年上半年在后训练阶段持续发力，以更低成本实现模型能力预期提升的做法，而这一做法又直接带来了两大相互关联的重要变化：模型能力被更加注重性价比的企业端市场重视，以及公司营收显著增长。事实上，这一认知已然成为行业的新共识，从这一点上看 MiniMax 也并没有多么特立独行。APPSO 一直认为大模型行业将不可避免进入价格战阶段，而那些率先押注单位成本的模型厂商，将比盲目追求大参数、大智能的对手们领先一筹。