AI资讯AI新闻资讯正文亚马逊订单激增三倍，英伟达芯片成全球大厂“硬通货”发布于AI新闻资讯发布时间 :2026年8月27号 15:11阅读 :1分钟近日，亚马逊与英伟达宣布进一步深化战略合作，亚马逊在数月前刚宣布部署超过 100 万枚英伟达GPU的基础上，将订单量直接激增三倍，计划在其数据中心再引入 200 万枚英伟达GPU芯片。这笔跨国巨头的合作不仅印证了当前AI需求的井喷，也再次将算力背后的巨额资本博弈推向了台前。根据两家公司披露的合作细节，此次新增的 200 万枚GPU芯片涵盖了英伟达最新的Blackwell Ultra、Rubin以及Rubin Ultra等尖端架构，预计将在 2027 年至 2028 年期间正式部署至亚马逊云科技（AWS）的数据中心。尽管双方并未公布具体的财务条款，但考虑到高端GPU的单价，该交易的价值无疑高达数百亿美元。英伟达官方表示，由于初创企业、大型企业、顶尖AI实验室甚至各国政府对算力的需求持续远超预期，促使双方迅速敲定了这笔大单。值得注意的是，双方的合作早已超越了单纯的芯片买卖。英伟达宣布，其全栈技术生态——包括将数千枚GPU连接成超级集群的网络硬件、开源模型、CPU、数据处理软件以及机器人平台——都将全面整合进AWS。其中，英伟达的Vera CPU也将同步向AWS交付，部分与Rubin架构集成，部分则作为独立处理器使用。此外，亚马逊还计划在其仓储机器人和企业级业务中全面采用英伟达的物理AI技术栈，包括Omniverse数字孪生平台、Cosmos世界模型平台、Isaac机器人开发平台以及Jetson边缘计算硬件。在企业级AI服务方面，AWS的Amazon Bedrock和SageMaker平台也将正式引入英伟达的Nemotron系列开源大模型。这场史诗级合作展开的同时，亚马逊自身也在大力推进自研芯片战略，试图减少对英伟达的依赖。目前，亚马逊的自研芯片业务增长迅速，其基于Arm架构的Graviton系列CPU正在挑战传统服务器芯片，而专为深度学习负载设计的Trainium芯片也被亚马逊视为英伟达H100 或Blackwell芯片的直接竞争对手。亚马逊高管此前透露，得益于Anthropic和OpenAI等AI实验室高达 225 亿美元的总承诺，其自研芯片业务的年度经常性收入运行率已经突破了 250 亿美元。从英伟达自身的财务数据来看，其强劲表现依然无可撼动。英伟达在近期发布的财报中显示，第二季度总营收达到96. 2 亿美元，一举超越分析师预期。其中，数据中心业务贡献了高达 89 亿美元的销售额，较去年同期暴增117%。展望第三季度，英伟达预计营收将进一步攀升至 108 亿美元，这其中将包含下一代Rubin GPU的初期量产出货。为了应对未来几年持续井喷的AI硬件需求，英伟达正在疯狂囤积供应链与制造产能。财报显示，英伟达针对当前及未来数据中心项目的供应链与制造能力承诺投入已大幅增至 279 亿美元，而在上一季度这一数字为 119 亿美元。这其中包括了本财年剩余时间预计支出的 92 亿美元，以及 2028 财年预计支出的 87 亿美元。正如英伟达CEO黄仁勋在财报电话会议上所强调的，整个行业的核心逻辑已经转变为AI正在产生实际且有用的生产力，AI正在源源不断地创造出能够带来丰厚利润的“Token”。只要拥有更多算力，就能创造更多高价值的利润，这也是推动所有科技巨头不惜代价持续加码、全力押注AI基础设施建设的根本原因。

Play with Putty – 谷歌推出的实时协作 Vibe Coding 工具AI工具1天前更新AI小集02Play with Putty是什么Play with Putty 是 Google Labs 推出的多人实时协作 vibe coding 实验工具。用户用自然语言描述需求，AI 自动生成代码，多人可在同一共享空间实时搭建工具与网站，修改即时同步，无需编程基础。产品目前采用候补名单制分批开放，定位轻量社交化创作，让软件从个人编写变为集体对话，在实时协作中快速成型。Play with Putty的主要功能多人实时协作：支持多人进入同一共享工作空间，像编辑协作文档一样同时搭建项目。自然语言驱动（Vibe Coding）：用户用自然语言描述需求，AI 自动生成对应代码，无需编程基础。实时同步渲染：任何提示词修改即时同步给所有参与者，无需手动保存或刷新页面。生成可用产品：输出结果是可直接使用的工具或网站，而非静态预览，支持即时测试。链接邀请机制：创建空间后通过分享链接邀请他人加入，快速组建协作团队。轻量易用：定位消费级实验工具，比 Google AI Studio 更轻量，开箱即用。如何使用Play with Putty访问官网：访问 Play with Putty 官网 https://labs.google/playwithputty，用个人 Google 账户登录并加入 waitlist。等待邀请：Google 会分批通过邮件发送访问邀请，Workspace 及学校/企业账户暂不支持。创建共享空间：获得权限后，新建一个 Putty 空间，系统会自动生成邀请链接。邀请协作者：将链接分享给其他人，对方点击即可加入同一实时协作房间。自然语言描述需求：在共享空间中用自然语言输入提示词，告诉 AI 你想搭建什么工具或网站。实时查看生成结果：AI 自动生成代码并即时渲染，所有参与者同步看到更新，无需保存或刷新。迭代修改优化：房间内任何人都可以随时修改提示词，AI 会立即重新生成，团队可边讨论边搭建。Play with Putty的核心优势多人实时协作：支持多人进入同一共享空间同时创作，打破传统单人编码的孤立体验。零代码门槛：用户只需用自然语言描述需求，AI 自动生成代码，无需任何编程基础。实时同步更新：所有修改即时同步给房间内每位参与者，无需保存或刷新即可看到最新效果。产出即产品：生成结果不是静态预览，而是可直接使用的工具或网站，支持即时测试验证。对话式创作：将软件开发变成集体头脑风暴，团队在讨论中实时看到想法落地，大幅缩短迭代周期。轻量易上手：作为消费级实验工具，无需复杂配置，开箱即用，比专业开发平台门槛更低。Play with Putty的同类竞品对比对比维度Play with PuttyBolt.new产品定位多人实时协作 vibe coding 实验工具单人 AI 全栈应用构建与部署平台协作模式核心卖点：多人同空间实时编辑，共享光标、即时同步以个人开发为主，支持分享链接但非实时协同编辑交互方式自然语言提示词驱动，对话式集体创作自然语言提示词 + 代码编辑器，个人与 AI 结对编程输出形态生成可即时测试的工具或网站，侧重快速验证生成可一键部署的生产级全栈应用（含数据库、后端）目标用户非技术人员、创意团队、教育工作者、轻量用户开发者、独立黑客、希望快速上线的技术人员使用门槛零代码，消费级轻量体验低代码，但理解代码结构有助于深度定制部署能力实验性质，暂未强调独立部署支持一键部署至生产环境，自带域名与托管Play with Putty的应用场景团队快速原型验证：产品、设计、开发多人同屏，用自然语言边讨论边生成可交互原型，1 小时内将想法变为可点击 demo。编程教学与课堂互动：老师与学生共处一个空间，学生用语言描述需求，AI 实时生成代码，老师即时讲解逻辑，降低入门门槛。黑客马拉松与创意马拉松：队员无需配置环境，通过链接加入即可集体 vibe coding，快速拼凑 MVP 并现场演示。企业内部小工具搭建：运营、销售等非技术同事协作搭建数据看板、计算器、审批表单等轻量工具，即搭即用。朋友聚会娱乐创作： 一群朋友边语音边协作，用语言描述一起做个小游戏、投票页面或纪念网站，将社交与创作合二为一。# AI工具©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AZ8 - AI 视频创作工作台，Agent 实时读取素材与状态下一篇Omarchy - 开源的AI原生Linux桌面 ，自然语言生成桌面主题相关文章Hero Stuff – AI物品销售助手，拍照识别物品自动生成商品描述AI小集2Autocut – 亚马逊首席科学家李沐博士开源的AI视频剪辑工具AI小集2Fun-ASR-Realtime – 阿里千问推出的流式实时语音识别模型AI小集2FireRedASR2S – 小红书开源的语音识别模型AI小集2Tunee – AI音乐创作智能体，一站式音乐生成工具AI小集8Qwen3-Omni – 阿里通义开源的原生端到端全模态大模型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Lexcat造剧立刻成片OJO海艺剧场豆包工作最新文章秒悟Meoo – 1分钟生成前后端完整的网站，真0门槛开发！1小时前Gemini 3.5 Transcribe – 谷歌推出的最新语音转文本模型1小时前Hy-MT2-1.8B – 腾讯混元推出的端侧翻译大模型1小时前GLM-5.3-Flash – 智谱开源的原生多模态模型7小时前Qwen3.8-Flash – 阿里通义推出的多模态 MoE 模型7小时前Omarchy – 开源的AI原生Linux桌面 ，自然语言生成桌面主题7小时前AZ8 – AI 视频创作工作台，Agent 实时读取素材与状态1天前Tutti · VM – 多人多 Agent 并行协作空间，零延迟并行协作1天前EgoSuite-Open100K – 光轮智能开源的全模态人类行为数据集1天前PixVerse R2 – 爱诗科技推出的实时全模态世界模型1天前Breeze TTS 2 – BreezeBlue 推出的新一代语音合成模型1天前QuickDesk – 开源 AI 原生远程桌面，首款内置 MCP Server1天前AlphaVow – 一站式 AI 批量图像处理工具2天前Agnes 2.5 Pro Alpha – Agnes AI 开源的多模态推理模型2天前OpenStory – 开源 AI 视频制作平台，一键生成短剧视频2天前

IT之家8 月 26 日消息，Stability AI 美国加州当地时间 25 日宣布完成总额 7,600 万美元（IT之家注：现汇率约合 5.12 亿元人民币）的 B 轮融资。这笔资金将用于推动创意制作产品的开发，深化应用研究领域，扩展专业服务业务。Stability AI 本次融资的投资者包括知名游戏企业 EA、全球三大音乐娱乐企业（索尼音乐、环球音乐、华纳音乐），AMD 风投部门也在这一轮中出资。Stability AI 首席执行官 Prem Akkaraju 表示：这一无与伦比的投资者群体印证了我们愿景的实现 —— 即生成式 AI 能够赋能每一位制片人、音乐家和故事讲述者。Stability 在人工智能领域独树一帜，因为我们是为创意人士打造工具的富有创造力的人。开发具有行业引领性的技术意味着要聚集一群具有行业引领力的巨头，而这正是我们做到的。我们的投资者为我们提供了长期成功的保障，因为他们不仅提供资金，还提供专业知识、信誉以及与艺术家直接联系的机会。

PixVerse R1 – 爱诗科技推出的全球首个通用实时世界模型AI工具5个月前更新AI小集03PixVerse R1是什么PixVerse R1 是爱诗科技（PixVerse）推出的全球首个通用实时世界模型，标志着AI视频生成从“预录制”迈向“实时动态生成”的重大突破。R1通过三大核心技术实现创新：Omni原生多模态基础模型，将文本、图像、音频与视频融合为单一生成序列；自回归流式生成机制，解决长时序一致性问题，支持用户实时插入指令；瞬时响应引擎（IRE），大幅提升计算效率，实现即时响应。 访问PixVerse平台可直接体验PixVerse R1 的最新能力。PixVerse R1的主要功能实时视频生成：能即时生成连续的视频内容，支持最高1080P分辨率，用户可在生成过程中随时插入新指令，视频会即时响应并调整画面。自回归流式生成：解决了长时序一致性问题，即使在不干预的情况下，视频也能自主发展剧情，实现无限连续的视觉流式传输。多模态融合：采用Omni原生多模态基础模型，将文本、图像、音频与视频融合为单一生成序列，避免了传统上采样带来的模糊与伪影问题。高效计算引擎：通过瞬时响应引擎（IRE），大幅压缩采样步数，计算效率提升数百倍，实现低延迟的实时交互体验。数字分身系统：上传照片能生成三种风格（写实/动漫/赛博朋克）虚拟角色，可在不同场景中探索互动。多人互动直播：支持多人在同一虚拟空间实时创作，Prompt以弹幕形式触发画面变化，所有人可见。实时聊天：Live Chat功能支持创作者即时交流创意。PixVerse R1的技术原理Omni原生多模态基础模型：采用Transformer架构，将文本、图像、音频与视频融合为一个统一的生成序列，避免了传统方法中因上采样导致的模糊和伪影问题，提升了生成内容的质量和一致性。自回归流式生成机制：通过自回归的方式实现视频的连续生成，解决了长时序一致性问题。用户可以在生成过程中实时插入新的指令，系统能即时响应并动态调整视频内容，使生成的视频能够根据用户的输入灵活变化。瞬时响应引擎（IRE）：通过时间轨迹折叠、引导校正和自适应稀疏采样等技术，大幅压缩了传统扩散模型所需的采样步数，显著提升了计算效率，实现了低延迟的即时响应能力，为实时交互提供了技术支撑。实时交互与决策：PixVerse R1支持用户在视频生成过程中随时输入新的指令（Prompt），系统会根据这些指令即时调整视频的叙事方向，在没有用户干预时，模型能自主生成后续内容，实现“无限流”的视频生成体验。高效算力优化：针对实时生成的高算力需求，PixVerse R1通过优化算法和架构设计，降低了单次生成的资源消耗，使得长时间的实时视频生成成为可能，保持了高质量的生成效果。PixVerse R1的项目地址项目官网：https://pixverse.ai/en/blog/pixverse-r1-next-generation-real-time-world-modelPixVerse R1的应用场景实时互动娱乐：可用于创建实时互动的视频内容，如互动剧情游戏，观众可以通过输入指令即时改变故事走向，带来全新的沉浸式娱乐体验。直播与内容创作：支持实时生成视频内容，创作者可以根据观众反馈即时调整直播画面或视频剧情，为直播和短视频创作带来更多创意和互动性。教育与培训：在教育领域，可用于生成实时的虚拟场景或模拟环境，帮助学生更好地理解和参与学习内容，如历史事件重现、科学实验模拟等。广告与营销：品牌可以用PixVerse R1生成个性化的广告视频，根据用户行为或偏好实时调整广告内容，提升广告的吸引力和效果。游戏开发：为游戏开发者提供实时生成的游戏世界和剧情，实现更灵活的游戏设计和更丰富的玩家体验，尤其是在开放世界和沙盒游戏中。影视制作：在影视后期制作中，可用于快速生成特效镜头或预览场景，提高制作效率，同时为创意探索提供更多可能性。# 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BabyVision - UniPat AI团队推出的多模态理解评测集下一篇司农 - 南京农业大学开源的农业领域大模型相关文章AnyStory – 阿里通义推出的高保真个性化文本到图像生成框架AI小集2Maya1 – Maya Research团队开源的语音合成模型AI小集3Suppr超能文献 – AI医学文献搜索引擎，理解复杂的医学查询精准搜索AI小集4Teambition AI – 阿里钉钉旗下推出的AI项目协同工具AI小集3GPT-4o Long Output模型 – OpenAI最新推出的超长输出模型AI小集4TrendPublish – AI内容发布工具，支持智能总结和自动发布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Lexcat造剧立刻成片OJO海艺剧场豆包工作最新文章秒悟Meoo – 1分钟生成前后端完整的网站，真0门槛开发！1小时前Gemini 3.5 Transcribe – 谷歌推出的最新语音转文本模型1小时前Hy-MT2-1.8B – 腾讯混元推出的端侧翻译大模型1小时前GLM-5.3-Flash – 智谱开源的原生多模态模型7小时前Qwen3.8-Flash – 阿里通义推出的多模态 MoE 模型7小时前Omarchy – 开源的AI原生Linux桌面 ，自然语言生成桌面主题7小时前Play with Putty – 谷歌推出的实时协作 Vibe Coding 工具1天前AZ8 – AI 视频创作工作台，Agent 实时读取素材与状态1天前Tutti · VM – 多人多 Agent 并行协作空间，零延迟并行协作1天前EgoSuite-Open100K – 光轮智能开源的全模态人类行为数据集1天前PixVerse R2 – 爱诗科技推出的实时全模态世界模型1天前Breeze TTS 2 – BreezeBlue 推出的新一代语音合成模型1天前QuickDesk – 开源 AI 原生远程桌面，首款内置 MCP Server1天前AlphaVow – 一站式 AI 批量图像处理工具2天前Agnes 2.5 Pro Alpha – Agnes AI 开源的多模态推理模型2天前

PixVerse R2 – 爱诗科技推出的实时全模态世界模型AI工具1天前发布AI小集02PixVerse R2是什么PixVerse R2 是爱诗科技推出的实时全模态世界模型，为PixVerse R1的升级版本。模型支持文字、图像、音频及动作信号等多模态输入，能在运行中持续接收用户控制、实时更新世界状态并连续输出同步音视频。模型通过 Omni Causal AR 架构与实时加速技术，PixVerse R2 在保持长程一致性的同时实现低延迟交互，让视频生成从固定片段进化为可持续演化的动态世界。PixVerse R2的主要功能实时全模态世界生成：支持文本、图像、音频、动作信号等多模态输入，在运行中持续接收用户控制并实时输出同步音视频。长程世界状态保持：通过多时间尺度记忆体系，在长时间运行中维持角色身份、场景设定和关键事件的统一性。动态交互控制：用户可通过 WASD 等动作信号或音频指令，在生成过程中实时操控世界演化方向。自适应时间粒度：根据控制信号的语义边界自动调整音视频生成块大小，兼顾响应速度与表达完整度。错误状态自纠正：通过 Error Bank 机制主动学习并修复历史生成中的偏差，提升长期运行稳定性。PixVerse R2的技术原理全模态因果自回归：将双向时空生成先验转化为单向因果自回归架构，统一处理短视频、长视频与交互轨迹，使画质、音视频表达、长程生成和多模态控制在同一模型中共同扩展。动态分块生成：根据控制信号的时间尺度自适应切分音视频序列，短块提升动作响应精度，长块保留语义完整结构，实现不同任务共享同一因果生成接口。混合教师强制与扩散强制：混合干净历史与带噪历史进行训练，配合因果注意力掩码与相对时间位置编码，缩小训练与推理的分布差距，提升长程稳定性。多时间尺度记忆：由固定锚点记忆、滚动历史记忆和对象键值缓存组成，在固定预算内协同保持世界身份与局部连续性。误差库：将代表性错误历史沉淀为训练样本并回放，使模型主动学习识别和修复偏差，将长期漂移从被动问题转化为主动优化目标。对抗正则去噪分布匹配蒸馏：用全模态因果自回归同时作为学生模型初始化与蒸馏教师，通过条件对齐、分布匹配与对抗正则三信号联合优化，在极少步数下保持控制精度与世界真实感。块稀疏注意力：通过块级相关性路由将注意力稀疏度提升至 90% 以上，集中计算关键依赖，显著降低长上下文开销且效果基本无损。如何使用PixVerse R2目前 PixVerse R2 处于内测阶段，用户需扫码填写体验申请表获取提前体验和 API 接入资格。PixVerse R2的核心优势统一训练范式：采用全模态因果自回归与实时加速层的两阶段统一训练，避免了传统多阶段 Pipeline 的能力折损。全模态实时交互：支持文本、图像、音频、动作信号等全模态输入，能够在生成过程中持续接收用户控制并实时输出同步音视频。长程状态保持：通过多时间尺度记忆体系与误差库机制，在长时间运行中有效保持世界状态统一性并主动纠正漂移。自适应生成粒度：动态分块技术可根据控制信号语义自适应调整生成粒度，兼顾交互响应速度与内容表达完整度。高效无损加速：基于块稀疏注意力与金字塔式超少步蒸馏，在 90% 以上稀疏度下实现低延迟实时生成且效果基本无损。PixVerse R2的同类竞品对比对比维度PixVerse R2Matrix-Game 3.0（昆仑万维）核心定位实时全模态世界模型，面向沉浸式内容与交互体验实时交互世界模型，面向 AI 游戏与虚拟世界构建核心架构Omni Causal AR + 实时加速蒸馏记忆增强的交互式世界模型（Patch 级记忆注入）输入模态文本、图像/视频参考、音频、动作信号（WASD）文本提示、键盘/鼠标动作控制输出内容同步音视频流（Video + Audio）可交互的 3D 游戏世界画面生成性能低延迟流式生成，支持持续交互720p @ 40 FPS（3.0）；单张消费级显卡 20 FPS（3.5）记忆机制多时间尺度记忆（Sink + Rolling + Object KV）+ 误差库纠错Patch 级记忆注入架构，分钟级长程一致性长程一致性通过 Error Bank 主动修复漂移，亮度漂移降低 35.8%分钟级记忆保持，支持数分钟连续探索PixVerse R2的应用场景实时交互式虚拟游戏世界：玩家通过 WASD 等动作信号实时操控第一人称或第三人称视角，模型即时生成对应场景与音画反馈，打造无限延展的开放世界体验。沉浸式影视实时预演：导演在拍摄前通过文本描述和实时动作调整，即时生成分镜动态画面与同步音效，快速验证镜头语言与叙事节奏，大幅降低试错成本。虚拟角色直播与互动娱乐：数字主播或虚拟偶像在直播中实时接收弹幕文本、语音指令或礼物动作信号，动态调整表情、动作与场景，实现真正意义上的实时人机共创内容。实时广告与营销内容生成：品牌方根据用户画像或实时热点，输入产品参考图与简短文案，模型即时生成多版本广告短片并同步配音，支持投放前快速迭代与 A/B 测试。教育培训与仿真模拟：在医学、驾驶或应急演练场景中，学员通过语音或操作设备发出动作指令，模型实时生成对应仿真环境与反馈画面，提供低成本、可重复的沉浸式训练体验。# 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Breeze TTS 2 - BreezeBlue 推出的新一代语音合成模型下一篇EgoSuite-Open100K - 光轮智能开源的全模态人类行为数据集相关文章Z-Image – 阿里通义推出的图像生成模型AI小集7KuaiFormer – 快手推出的检索框架，基于TransformerAI小集2Lovify –  专为 Lovable.dev 设计的 Chrome 扩展插件AI小集3讯飞星火 -科大讯飞推出的AI智能助手AI小集3Gen-4.5 – RunWay推出的视频生成模型AI小集3LEGAL ROBOT – AI合同审查工具，自动分析提取关键条款识别风险语言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Lexcat造剧立刻成片OJO海艺剧场豆包工作最新文章秒悟Meoo – 1分钟生成前后端完整的网站，真0门槛开发！1小时前Gemini 3.5 Transcribe – 谷歌推出的最新语音转文本模型1小时前Hy-MT2-1.8B – 腾讯混元推出的端侧翻译大模型1小时前GLM-5.3-Flash – 智谱开源的原生多模态模型7小时前Qwen3.8-Flash – 阿里通义推出的多模态 MoE 模型7小时前Omarchy – 开源的AI原生Linux桌面 ，自然语言生成桌面主题7小时前Play with Putty – 谷歌推出的实时协作 Vibe Coding 工具1天前AZ8 – AI 视频创作工作台，Agent 实时读取素材与状态1天前Tutti · VM – 多人多 Agent 并行协作空间，零延迟并行协作1天前EgoSuite-Open100K – 光轮智能开源的全模态人类行为数据集1天前Breeze TTS 2 – BreezeBlue 推出的新一代语音合成模型1天前QuickDesk – 开源 AI 原生远程桌面，首款内置 MCP Server1天前AlphaVow – 一站式 AI 批量图像处理工具2天前Agnes 2.5 Pro Alpha – Agnes AI 开源的多模态推理模型2天前OpenStory – 开源 AI 视频制作平台，一键生成短剧视频2天前

Gemini 3.5 Transcribe – 谷歌推出的最新语音转文本模型AI工具1小时前发布AI小集02Gemini 3.5 Transcribe是什么Gemini 3.5 Transcribe 是 Google 推出的最新语音转文本模型，支持实时流式和预录音频处理两种模式，前者通过 Live API 实现亚秒级延迟，后者支持说话人归属与词级时间戳。Gemini 3.5 Transcribe 能自动清理填充词与自我纠正、识别 85 种以上语言及实时语言切换、自定义专业词汇，词错误率低至 2.6%，支持调用其他 Gemini 模型完成图像生成等复杂任务。Gemini 3.5 Transcribe的主要功能实时流式转录：通过 Live API 提供亚秒级延迟的连续双向语音转文本服务。预录音频转写：通过 Interactions API 为录音文件提供带说话人归属和词级时间戳的精确转录。智能文本清理：自动去除”嗯””啊”等填充词，修正自我纠正语句，并输出格式化文本。自定义词汇适配：根据用户提供的专业术语和特殊拼写调整转录结果，准确识别邮政编码、订单号等字母数字组合。多语言自动检测：支持 85 种以上语言的自动识别与转录，并能处理实时语言切换和多种口音方言。多说话人区分：在预录音频中准确归属最多三位说话人的发言内容。跨模型功能调用：在转录过程中可调用其他 Gemini 模型执行图像生成、文件分析等复杂任务。屏幕上下文融合：结合设备屏幕内容和对话历史提升特定场景下的转录准确度。Gemini 3.5 Transcribe的技术原理端到端音频理解：模型直接从原始音频波形生成文本，避免中间表示引入的误差累积，同时保留语音中的语调、停顿等副语言信息用于语义消歧。原生多模态融合：基于 Gemini 3.5 统一架构，音频与文本在共享的 Transformer 注意力空间中进行联合编码，使模型能建立声学特征与语义概念的直接映射。上下文感知推理：通过长上下文窗口同时处理语音信号、屏幕截图文本和对话历史，用交叉注意力机制动态加权相关上下文，提升专有名词、文件名称和领域术语的识别精度。增量流式解码：采用自适应分块与投机解码策略，在音频输入持续到达的同时进行局部语义整合，平衡低延迟需求与输出稳定性，支持双向交互中的即时响应与打断处理。如何使用Gemini 3.5 Transcribe开发者接入：通过 Gemini API 在 Google AI Studio 或 Gemini Enterprise Agent Platform 调用模型。实时语音交互：用 Live API 调用gemini-3.5-transcribe-live实现双向流式转录。录音文件处理：用 Interactions API 调用gemini-3.5-transcribe进行带时间戳的离线转写。macOS 桌面端：在 Gemini macOS 应用中直接用语音输入、编辑文本并调用其他模型功能。Android 输入法：在 Gboard 中开启 Rambler 功能，语音输入自动清理并支持语音改稿。Chrome 浏览器：即将支持在任意网页输入框中语音输入与打字。企业部署：通过 Gemini Enterprise Agent Platform 集成至客服与内部工作流。第三方框架：借助 Agora、LiveKit、Vercel 等已接入 Live API 的平台快速搭建语音应用。Gemini 3.5 Transcribe的核心优势转录精度领先：流式场景词错误率低至 4.0%，非流式低至 2.6%，在嘈杂环境中仍能准确捕获字母数字实体。延迟大幅优化：相比前代 Chirp 3，最终转录交付时间缩短 70%，实时流式响应达到亚秒级。智能语义清理：自动去除填充词、修正自我纠正语句，并输出可直接使用的格式化文本。多语言无缝切换：自动识别并转录 85 种以上语言，支持对话中的实时语言切换与多方言口音适配。说话人精准归属：预录音频支持最多三位说话人的发言区分，并附带词级时间戳便于回溯定位。屏幕上下文感知：结合设备屏幕内容与对话历史，显著提升文件名称、专业术语和活跃文档的识别准确度。跨模型任务协同：内置 Function Calling 能力，可在转录过程中调用其他 Gemini 模型完成图像生成、文件分析等复杂操作。Gemini 3.5 Transcribe的项目地址项目官网：https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-5-transcribe/Gemini 3.5 Transcribe的同类竞品对比对比维度Gemini 3.5 TranscribeOpenAI GPT-4o-transcribe定位智能语音转录模型，支持实时流式与预录音频GPT-4o 架构的专用转录模型，API 托管服务词错误率 WER流式 4.0% / 非流式 2.6%约 2.5%（干净音频，行业领先）实时流式延迟亚秒级，原生双向连续流式支持流式，通过 Realtime API 实现智能文本清理自动去除填充词、修正自我纠正、格式化输出不支持，输出原始口语化文本说话人归属原生支持最多 3 人区分 + 词级时间戳不支持原生，需额外调用 diarize 端点Gemini 3.5 Transcribe的应用场景实时会议智能纪要：在多人会议中实时流式转录，自动区分说话人、清理口语填充词，调用 Gemini 模型即时生成会议摘要与待办事项。多语言客服语音助手：通过 Live API 构建亚秒级延迟的语音客服系统，自动识别客户语言并实时切换，结合自定义词汇准确识别订单号、产品型号等关键信息。医疗与法律口述记录：医生或律师通过语音口述病历、庭审记录，模型自动清理自我纠正语句并格式化专业术语，输出可直接归档的标准文档。跨语言实时字幕与翻译：为直播、视频会议提供多语言实时字幕，用 85+ 语言自动检测能力，结合实时语言切换实现无缝跨语言沟通。语音驱动编程与办公自动化：在 Google AI Studio 或 Gemini macOS 应用中，开发者通过语音描述需求即可生成代码，办公人员语音指令调用屏幕上下文完成跨应用文件总结与图像生成。# 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Hy-MT2-1.8B - 腾讯混元推出的端侧翻译大模型下一篇秒悟Meoo - 1分钟生成前后端完整的网站，真0门槛开发！相关文章Prism – OpenAI推出的免费AI科研写作平台AI小集4ChatExcel Pro – AI数据分析工具，ChatExcel升级功能处理复杂Excel表格AI小集3Whispo – AI语音转录工具，一键录音与转写AI小集2DeepWiki – Devin团队推出的GitHub代码仓库智能阅读助手AI小集9Supademo – AI驱动的交互式产品演示创建平台AI小集2GLM-4.6 – 智谱推出的最新旗舰模型，最强Coding模型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Lexcat造剧立刻成片OJO海艺剧场豆包工作最新文章秒悟Meoo – 1分钟生成前后端完整的网站，真0门槛开发！1小时前Hy-MT2-1.8B – 腾讯混元推出的端侧翻译大模型1小时前GLM-5.3-Flash – 智谱开源的原生多模态模型7小时前Qwen3.8-Flash – 阿里通义推出的多模态 MoE 模型7小时前Omarchy – 开源的AI原生Linux桌面 ，自然语言生成桌面主题7小时前Play with Putty – 谷歌推出的实时协作 Vibe Coding 工具1天前AZ8 – AI 视频创作工作台，Agent 实时读取素材与状态1天前Tutti · VM – 多人多 Agent 并行协作空间，零延迟并行协作1天前EgoSuite-Open100K – 光轮智能开源的全模态人类行为数据集1天前PixVerse R2 – 爱诗科技推出的实时全模态世界模型1天前Breeze TTS 2 – BreezeBlue 推出的新一代语音合成模型1天前QuickDesk – 开源 AI 原生远程桌面，首款内置 MCP Server1天前AlphaVow – 一站式 AI 批量图像处理工具2天前Agnes 2.5 Pro Alpha – Agnes AI 开源的多模态推理模型2天前OpenStory – 开源 AI 视频制作平台，一键生成短剧视频2天前

感谢IT之家网友华南吴彦祖、乌蝇哥的左手的线索投递！IT之家8 月 27 日消息，在外界仍等待 Gemini 3.5 Pro 发布之际，谷歌先推出了 3.5 系列中的另一款模型。该公司今日发布了 Gemini 3.5 Transcribe 语音转文本模型，这是一款旨在优化语音输入体验的 AI 模型，能够自动删除语音中的“嗯”“呃”等口头禅以及说错后自行纠正的内容，最终生成更加通顺、整洁的文本。IT之家注意到，这款模型目前已经为 Pixel 11 上 Gboard 键盘的“Rambler”功能提供支持，接下来还将陆续进入谷歌旗下更多产品和服务。谷歌表示，与此前名为 Chirp 3 的语音转文字引擎相比，Gemini 3.5 Transcribe 在速度和准确性方面都有提升。从用户说话到最终生成转录文本，整体速度预计可提升约 70%；在实时语音场景下，其错误率已经降至 5.5%。不过，准确率的提升幅度并不算特别大。按照谷歌的数据，Chirp 3 的错误率为 7.32%。但对于经常使用语音输入的用户来说，即便只是少打几个错字，也意味着后续需要手动修改的内容更少，因此依然是一项实用的改进。Gemini 3.5 Transcribe 的能力也不只是“听清楚”用户说了什么，它还试图理解用户真正想表达的意思。在说话过程中，模型可以自动删除“嗯”“呃”等影响语句流畅度的口头禅。如果用户说错话后立即进行修正，它也能够实时调整已经生成的文本。此外，用户还可以提供自定义词汇表，让模型更好地识别专业术语和特定领域的词汇。该模型目前支持 85 种语言，并且可以处理最多包含 3 名说话者的预录音频。当然，这种功能也存在一个明显的问题：用户需要相信 AI 能够准确理解自己真正想表达的内容。至少在较短的文本中，从 Rambler 功能的实际体验来看，模型确实能够较好地清理前后不一致的表达和说话时的磕绊，让文本看起来更加自然。但与此同时，Gemini 3.5 Transcribe 并不只是简单地把语音转换成文字。AI 在整理内容的过程中，实际上可能会改变用户原本的措辞。因此，在一些需要严格保留原话、不能随意修改表述的场景中，这种“智能润色”未必适合使用。

Hy-MT2-1.8B – 腾讯混元推出的端侧翻译大模型AI工具1小时前发布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BuyScout – 在线AI购物助手，分析客户反馈快速总结产品优缺点AI小集2DeepSeek-R1-Lite – 深度求索推出的新一代AI推理模型，媲美OpenAI o1-previewAI小集3OpenCode – 开源AI编程工具，支持终端、桌面和IDE插件AI小集2Mini-o3 – 字节联合港大推出的视觉推理模型AI小集2VASA-1 – 微软推出的静态照片对口型视频生成框架AI小集3LEOPARD – 腾讯AI Lab西雅图实验室推出的视觉语言模型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Lexcat造剧立刻成片OJO海艺剧场豆包工作最新文章秒悟Meoo – 1分钟生成前后端完整的网站，真0门槛开发！1小时前Gemini 3.5 Transcribe – 谷歌推出的最新语音转文本模型1小时前GLM-5.3-Flash – 智谱开源的原生多模态模型7小时前Qwen3.8-Flash – 阿里通义推出的多模态 MoE 模型7小时前Omarchy – 开源的AI原生Linux桌面 ，自然语言生成桌面主题7小时前Play with Putty – 谷歌推出的实时协作 Vibe Coding 工具1天前AZ8 – AI 视频创作工作台，Agent 实时读取素材与状态1天前Tutti · VM – 多人多 Agent 并行协作空间，零延迟并行协作1天前EgoSuite-Open100K – 光轮智能开源的全模态人类行为数据集1天前PixVerse R2 – 爱诗科技推出的实时全模态世界模型1天前Breeze TTS 2 – BreezeBlue 推出的新一代语音合成模型1天前QuickDesk – 开源 AI 原生远程桌面，首款内置 MCP Server1天前AlphaVow – 一站式 AI 批量图像处理工具2天前Agnes 2.5 Pro Alpha – Agnes AI 开源的多模态推理模型2天前OpenStory – 开源 AI 视频制作平台，一键生成短剧视频2天前

Qwen3.8-Flash – 阿里通义推出的多模态 MoE 模型AI工具7小时前更新AI小集02Qwen3.8-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相关文章Nano Bananary – 开源AI图像编辑工具，基于Gemini模型AI小集3ROMA – Sentient AGI开源的多智能体框架AI小集2Claude Opus 4.8 – Anthropic 推出的旗舰级大语言模型AI小集4CoCounsel – AI法务助手，自动执行复杂、重复的流程业务AI小集3EmbeddingGemma – 谷歌开源的多语言文本嵌入模型AI小集2Kimi学术搜索 – Kimi推出的AI学术研究助手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Lexcat造剧立刻成片OJO海艺剧场豆包工作最新文章秒悟Meoo – 1分钟生成前后端完整的网站，真0门槛开发！1小时前Gemini 3.5 Transcribe – 谷歌推出的最新语音转文本模型1小时前Hy-MT2-1.8B – 腾讯混元推出的端侧翻译大模型1小时前GLM-5.3-Flash – 智谱开源的原生多模态模型7小时前Omarchy – 开源的AI原生Linux桌面 ，自然语言生成桌面主题7小时前Play with Putty – 谷歌推出的实时协作 Vibe Coding 工具1天前AZ8 – AI 视频创作工作台，Agent 实时读取素材与状态1天前Tutti · VM – 多人多 Agent 并行协作空间，零延迟并行协作1天前EgoSuite-Open100K – 光轮智能开源的全模态人类行为数据集1天前PixVerse R2 – 爱诗科技推出的实时全模态世界模型1天前Breeze TTS 2 – BreezeBlue 推出的新一代语音合成模型1天前QuickDesk – 开源 AI 原生远程桌面，首款内置 MCP Server1天前AlphaVow – 一站式 AI 批量图像处理工具2天前Agnes 2.5 Pro Alpha – Agnes AI 开源的多模态推理模型2天前OpenStory – 开源 AI 视频制作平台，一键生成短剧视频2天前

GLM-5.3-Flash – 智谱开源的原生多模态模型AI工具7小时前发布AI小集02GLM-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Keevx – AI数字人视频创作工具，自动生成脚本AI小集3Gemini Embedding – 谷歌推出的文本嵌入模型AI小集3HuatuoGPT-o1 – 港中文联合深圳大数据研究院开源的医学高级推理大模型AI小集3Infographic – 阿里AntV团队开源的信息图生成框架AI小集2BabyVision – UniPat AI团队推出的多模态理解评测集AI小集2MCP – Anthropic 开源的模型上下文协议AI小集6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Lexcat造剧立刻成片OJO海艺剧场豆包工作最新文章秒悟Meoo – 1分钟生成前后端完整的网站，真0门槛开发！1小时前Gemini 3.5 Transcribe – 谷歌推出的最新语音转文本模型1小时前Hy-MT2-1.8B – 腾讯混元推出的端侧翻译大模型1小时前Qwen3.8-Flash – 阿里通义推出的多模态 MoE 模型7小时前Omarchy – 开源的AI原生Linux桌面 ，自然语言生成桌面主题7小时前Play with Putty – 谷歌推出的实时协作 Vibe Coding 工具1天前AZ8 – AI 视频创作工作台，Agent 实时读取素材与状态1天前Tutti · VM – 多人多 Agent 并行协作空间，零延迟并行协作1天前EgoSuite-Open100K – 光轮智能开源的全模态人类行为数据集1天前PixVerse R2 – 爱诗科技推出的实时全模态世界模型1天前Breeze TTS 2 – BreezeBlue 推出的新一代语音合成模型1天前QuickDesk – 开源 AI 原生远程桌面，首款内置 MCP Server1天前AlphaVow – 一站式 AI 批量图像处理工具2天前Agnes 2.5 Pro Alpha – Agnes AI 开源的多模态推理模型2天前OpenStory – 开源 AI 视频制作平台，一键生成短剧视频2天前