dots.tts – 小红书联合上海交大开源的语音合成基座模型AI工具1天前发布AI小集03dots.tts是什么dots.tts 是小红书 dots 团队与上海交大 X-LANCE 实验室联合开源的 20 亿参数全连续自回归语音合成基座模型。模型直接在连续隐空间中逐块生成 48kHz 音频，在 Seed-TTS-Eval 等基准上取得 SOTA 的音色相似度与内容准确度，支持零样本克隆、流式输出及低延迟双工对话。项目全量开源代码与权重，并扩展了 dots.tts.edit 精确语音编辑能力。dots.tts的主要功能零样本音色克隆：仅需 3–10 秒参考音频，可复刻该音色朗读任意新文本，支持跨语言克隆，在 Seed-TTS-Eval 基准上取得内容准确度与说话人相似度的 SOTA 表现。文本转语音合成：提供从随机音色采样到指定说话人的高质量语音生成，基于 2B 参数连续自回归模型直接输出 48 kHz 音频。流式生成与低延迟交互：天然支持流式输出，文本前缀输入后即可逐块生成音频；1T1A 双流模式下，上游 LLM 每输出一个文本 Token 语音侧即刻响应，音频首包延迟低至 54.4 毫秒，适用实时语音 Agent 与双工对话。精确语音编辑：支持对已有录音进行文本替换、情绪调节、音高与语速修改、停顿插入或删除，且支持多项操作组合在一条指令中一次性完成，未编辑区域保持原样。多语言支持：覆盖 24 种语言，在 MiniMax 多语言评测中平均说话人相似度达 83.9，其中 19 个语种取得单项第一。多档推理速度：提供 Base、SOAR、MeanFlow（4 步）、两步 sCM、单步 DMD 等多个检查点，用户可在音质与推理速度之间按需选择。dots.tts的技术原理全连续自回归架构：dots.tts 摒弃传统方案中将语音量化为离散 Token 的做法，整条生成链路完全在连续隐空间中运行：模型以自回归方式逐块预测声学片段，通过 BigVGAN 风格解码器还原为 48 kHz 波形，从根本上避免离散量化带来的信息瓶颈与音色细节损失。语义化连续表征：模型采用基于 HoliTok 设计的 AudioVAE 将原始波形压缩为 25 FPS 的连续潜变量，编码器通过语义化训练在重建保真度与隐空间结构化之间取得平衡，使重建后的说话人相似度达到 0.969，为后续自回归生成保留丰富的音色与声学细节上限。误差控制机制：针对连续自回归中前步微小偏差会向后累积扩散的固有问题，dots.tts 引入因果语义编码器，将已生成的 VAE patch 实时压缩为紧凑的语义历史并回灌给大语言模型；通过剥离高方差局部声学变化、仅保留长程语义摘要，有效抑制长序列生成中的误差传播、啸叫与音色漂移。生成流程：生成过程以大语言模型为中枢，其基于 Qwen2.5-1.5B 初始化，直接消费 BPE 文本 Token 并输出每步隐藏状态；随后由自回归流匹配头（18 层 DiT）在 LLM 隐状态与自回归前缀的条件下，对下一个声学 patch 执行去噪生成，同时用冻结的 CAM++ 说话人编码器提供的全局 x-vector 保障音色一致性。后训练加速：团队通过 SOAR 自纠正对齐让模型在训练时模拟真实推理中的偏离状态并学习自我修正，无需奖励模型即可提升稳定性；用 MeanFlow 蒸馏将教师多步轨迹压缩为平均速度，实现 4 步高质量生成；经简化一致性模型（sCM）压缩至 2 步；通过奖励感知分布匹配蒸馏（DMD）配合双时间尺度更新策略，得到自然清晰的高质量单步模型。微信关注回复“开源”，加入AI开源项目交流群如何使用dots.tts安装：执行pip install dots.tts即可安装，或从 GitHub 克隆源码后以pip install -e .进行本地开发安装，高并发场景可额外部署 SGLang Omni 以获得 CUDA Graph 加速与连续批处理支持。命令行合成：使用dots.tts入口并指定–model-name-or-path、–text和目标–prompt-audio与–prompt-text，即可实现零样本音色克隆；省略–prompt-text则退化为 x-vector 克隆，省略–prompt-audio则进行随机音色采样。命令行编辑：使用dots.tts.edit入口，提供–source-audio和 XML 风格的–instruction，即可对已有录音执行文本替换、情绪或韵律修改等精确编辑。Python API 基础调用：通过DotsTtsRuntime.from_pretrained()加载模型后调用generate()，传入文本与可选的参考音频即可获取合成音频张量并保存为文件。Python API 流式输出：调用generate_stream()可逐块获取音频张量，实时推送到播放器或 WebSocket，实现边生成边播放的低延迟体验。Python API 双流对话：使用DotsTtsRuntimeDoubleStreaming启动会话后逐 Token 推送文本，语音侧即刻开始生成，音频首包延迟可低至 54.4 毫秒，适用于实时语音 Agent。微调：运行accelerate launch scripts/train_dots_tts.py并配置自有数据路径，即可在公开检查点基础上进行音色或领域适配微调。蒸馏加速：通过scripts/train_dots_tts_meanflow.py以 SOAR 检查点为教师进行 MeanFlow 蒸馏，可获得 4 步、2 步或 1 步的高质量学生模型，以适配不同延迟与并发需求。Web 界面：运行python apps/gradio/app.py启动可视化合成界面，或运行apps/edit_playground/app.py启动 Edit Playground，在浏览器中上传音频、标注编辑区间并实时预览结果。dots.tts的核心优势全连续隐空间建模：摒弃离散声学 Token，直接在连续隐空间自回归生成，保留频谱质感与气声等丰富音色细节，重建说话人相似度高达 0.969。SOTA 合成质量：在 Seed-TTS-Eval 基准同时取得内容准确度与音色相似度 SOTA，24 语种 MiniMax 评测平均 SIM 达 83.9，综合性能超越主流方案。原生流式低延迟：1T1A 双流模式音频首包低至 54.4 毫秒，配合 SGLang Omni 单卡 H100 并发 16 路吞吐达 4.76 req/s，满足实时语音 Agent 需求。统一编辑能力：dots.tts.edit 基于同一基座，支持 XML 结构化指令精确编辑文本、情绪、韵律与停顿，在 doteBench 评测中整体领先其他开源系统。dots.tts的项目地址GitHub仓库：https://github.com/studio-dots-ai/dots.ttsarXiv技术论文：https://arxiv.org/pdf/2608.02673dots.tts的同类竞品对比对比维度dots.ttsCosyVoice 3技术路线全连续隐空间自回归，无离散 Token离散与连续混合表征，依赖声学 Token参数量2B1.5BSeed-TTS-Eval 平均 WER/CER2.95%3.06%Seed-TTS-Eval 平均 SIM79.275.3多语言评测MiniMax 24 语种平均 SIM83.9，19 个语种第一侧重中英双语，未公开 24 语种结果实时交互原生流式 + 1T1A 双流，首包低至54.4ms并行生成，延迟优化有限推理加速MeanFlow 4 步 / sCM 2 步 / DMD单步标准多步生成开源范围Apache 2.0 开源 6 个检查点 + 训练/微调/蒸馏全套代码模型与推理代码开源dots.tts的应用场景实时语音Agent：1T1A 双流模式首包延迟低至 54.4 毫秒，适用 LLM 驱动的实时双工对话与语音助手。零样本音色克隆：仅需数秒参考音频可复刻任意音色，支持跨语言克隆，适用有声书、配音与个性化内容创作。多语言内容生成：覆盖 24 种语言且保持高说话人相似度，适用全球化产品的多语种语音播报与本地化服务。精确语音编辑：通过 dots.tts.edit 对现有录音进行文本替换、情绪调节、韵律修改与停顿调整，适用播客后期与音频内容精修。直播与实时播报：配合 LLM 流式输出实现边生成边播放，适用于新闻播报、直播带货与实时信息播报场景。# 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Grok Bot - SpaceXAI 推出的 AI Agent 系统，多 Bot 并行协作下一篇Grok 4.6 - SpaceXAI 推出的最新一代旗舰大模型相关文章播记 – AI节目笔记生成工具，一键生成专业有趣的节目介绍AI小集2Qwen3 Embedding – 阿里通义开源的文本嵌入模型系列AI小集2Shop like a Pro – Perplexity 推出的AI购物助手AI小集3Whispo – AI语音转录工具，一键录音与转写AI小集2Kiroku – 多智能体系统，模拟学生与导师间互动、组织和撰写文档AI小集3Graphic Design Generator – Recraft推出的AI海报设计生成工具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知漫剧QwenPawRenoiseLawbot脱敏猫ClineJoyAI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！49分钟前GLM-5.3 – 智谱推出的最新 AI 大模型52分钟前Gemini 3.7 Flash – Google DeepMind 推出最新的主力模型4小时前wigolo – 开源的本地搜索工具，支持接入多种编程 Agent5小时前Sonilo – AI 视频配乐与音效生成平台，自动分析画面节奏5小时前笔记同步助手 – 基于微信生态的 AI 笔记内容剪藏工具21小时前Grok 4.6 – SpaceXAI 推出的最新一代旗舰大模型22小时前Grok Bot – SpaceXAI 推出的 AI Agent 系统，多 Bot 并行协作1天前ClawTeams – AI 电商运营协同平台，专家 Agent 并行执行1天前PixelRAG – 伯克利开源的视觉原生 RAG 框架1天前EvoX – EvoMap 推出的自进化 AI Agent，首创蜂群模式1天前LTX-2.5 – LTX 开源的 AI 视频生成基础模型1天前Today AI – 个人级 AI Agent 操作系统，能接入各类云服务1天前Nemotron 3.5 Lightning – 英伟达开源的 MoE 模型2天前DeepSeek Harness – DeepSeek 推出的 AI 智能体运行框架2天前

Grok 4.6 – SpaceXAI 推出的最新一代旗舰大模型AI工具22小时前更新AI小集02Grok 4.6是什么Grok 4.6 是 SpaceXAI 推出的最新一代旗舰大模型，1.5T 参数，50 万 token 上下文。模型性能在编码、Agent 等基准测试中逼近Claude Fable 5与GPT-5.6 SolMax，响应速度极快。模型 API 定价为百万输入 $2、输出 $6，远低于同类旗舰。Grok 4.6 支持文本与图像输入，擅长复杂软件开发及多步骤任务，已上线Grok Build、Cursor及 xAI API 等平台。Grok 4.6的主要功能复杂任务处理：支持多步骤研究、分析与跨代码库工作，能快速将宽泛产品构想转化为可运行原型，并在长轨迹中自我验证。编码工程：在 CursorBench、DeepSWE 等基准中接近 Fable 5 水平，支持漏洞修补、工程设计及代码执行。多模态推理：支持文本+图像输入，文本输出无长度限制，提供 Low/Medium/High/XHigh 四级推理档位，上下文窗口达 50 万 token。工具与安全：支持 Function Calling、Web/X Search 及代码执行，安全堆栈针对漏洞修补与 AI 研究场景重新校准。Grok 4.6的技术原理训练架构：基于 Grok 4.5 进行更长时间的补充训练，采用 1.5T 总参数规模的 MoE 架构，配合改进的优化器与训练方案，为后续 SFT 和 RL 阶段奠定更坚实的基础。数据与 SFT：用 Grok 4.5 重新生成并过滤推理、Agent 框架、STEM、软件工程等领域的 SFT 轨迹，同时引入高质量工程数据与筛选后的模型生成数据，确保训练质量。强化学习：通过广泛的智能体 RL 训练覆盖知识工作、通用编码及核优化、Web 开发等特定环境，强化模型从宽泛构想到可运行原型的持续改进与自我验证能力。推理优化：在同等价格下相比 Grok 4.5 实现显著性能提升，通过推理基础设施的深度优化，在保持旗舰级智能的同时实现极快的响应速度。如何使用Grok 4.6Grok Build 网页/应用：访问Grok Build网页端或应用，在模型选择中切换至 Grok 4.6，可直接对话并体验首周双倍用量。Cursor 编辑器：在Cursor的 AI 助手设置中将模型切换为cursor-grok-4.6，可在代码编辑与生成过程中调用其编码与推理能力，首周同样享受双倍用量。xAI API：通过 xAI 官方 API（模型标识grok-4.6）调用 Responses API 或 Chat Completions 接口，将模型集成至自有产品或自动化工作流。Grok 4.6的核心优势旗舰性能：在 AA Intelligence Index、DeepSWE、CursorBench 等基准测试中全面逼近 Claude Fable 5 与 GPT-5.6 Sol Max，具备复杂任务处理、跨代码库工作及快速原型构建能力。极速响应：Grok 4.6 在保持顶级智能的同时实现极快反馈，彻底解决旗舰模型的速度焦虑。极致性价比：API 定价仅为 Fable 5 的约 1/51/8，SuperGrok Heavy 订阅附赠 Cursor Ultra 会员，是当前唯一在性能、价格、速度三角中同时拉满的旗舰模型。Grok 4.6的同类竞品对比对比维度Grok 4.6Claude Fable 5发布方SpaceXAI (xAI)Anthropic参数规模1.5T (MoE)未公开上下文窗口500K tokens200K tokens多模态文本+图像输入文本+图像+PDF 全多模态输出限制无限制有长度限制知识截止2026年2月1日较早响应速度⭐⭐⭐⭐⭐ 极快（秒级）⭐⭐⭐ 较慢（十几分钟至半小时）工程稳定性良好，超长期略逊⭐⭐⭐⭐⭐ 业界最强AA Intelligence Index6162DeepSWE v1.165.9%70%CursorBench v3.269.9%70.5%Terminal-Bench v3.026%34.1%Code Arena WebDev1618（第7）1627（第5）API 输入/1M$2.00$10.00（贵5倍）API 输出/1M$6.00~$50.00（贵8.3倍）订阅方案SuperGrok Heavy $300/月（赠Cursor Ultra $200）Pro $200/月 + API另付最佳场景日常Vibe Coding、快速原型、长文档分析超大型关键项目、金融级代码、终端自动化核心优势速度+性价比稳定性+工程可靠性一句话定位最快的准Fable级工程师最稳的顶级工程师Grok 4.6的应用场景高频 Vibe Coding：适合需要快速迭代、即时反馈的日常编程与原型开发，配合 Grok Build 或 Cursor 体验最佳。复杂软件工程：可处理跨代码库工作、多步骤系统架构设计，但超大型关键项目建议与 Claude Fable 5 搭配使用。产品原型构建：能将宽泛的产品构想一次性转化为具备结构和视觉语言的可运行初始版本，适合初创团队快速验证想法。漏洞修补与安全研究：安全堆栈专门针对漏洞修补、AI 研究等场景校准，适合安全工程师与研究人员。实时交互开发：在需要人机紧密协作、快速试错的设计与开发流程中，其极速响应可显著缩短反馈循环。# 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dots.tts - 小红书联合上海交大开源的语音合成基座模型下一篇笔记同步助手 - 基于微信生态的 AI 笔记内容剪藏工具相关文章OmniManip – 智元机器人联合北大推出的通用机器人操作框架AI小集0AgentScope Java – 阿里开源的企业级智能体开发框架AI小集4Finedefics – 北大团队推出的细粒度多模态大模型AI小集2Workspace Studio – 谷歌推出的AI智能体构建工具AI小集3TinyR1-Preview – 奇虎360联合北大团队推出的推理模型AI小集2码上飞 – AI软件开发平台，一句话自动生成端到端应用AI小集16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知漫剧QwenPawRenoiseLawbot脱敏猫ClineJoyAI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！49分钟前GLM-5.3 – 智谱推出的最新 AI 大模型52分钟前Gemini 3.7 Flash – Google DeepMind 推出最新的主力模型4小时前wigolo – 开源的本地搜索工具，支持接入多种编程 Agent5小时前Sonilo – AI 视频配乐与音效生成平台，自动分析画面节奏5小时前笔记同步助手 – 基于微信生态的 AI 笔记内容剪藏工具21小时前dots.tts – 小红书联合上海交大开源的语音合成基座模型1天前Grok Bot – SpaceXAI 推出的 AI Agent 系统，多 Bot 并行协作1天前ClawTeams – AI 电商运营协同平台，专家 Agent 并行执行1天前PixelRAG – 伯克利开源的视觉原生 RAG 框架1天前EvoX – EvoMap 推出的自进化 AI Agent，首创蜂群模式1天前LTX-2.5 – LTX 开源的 AI 视频生成基础模型1天前Today AI – 个人级 AI Agent 操作系统，能接入各类云服务1天前Nemotron 3.5 Lightning – 英伟达开源的 MoE 模型2天前DeepSeek Harness – DeepSeek 推出的 AI 智能体运行框架2天前

感谢IT之家网友kkkkkkkkkayd、DayDayUp、shutiao、遥遥领先CDM、KipThorne、Domado、软媒用户1053564、西窗的线索投递！IT之家8 月 12 日消息，北京时间今天（12 日）晚间，Grok 4.6 正式发布。新模型在 Grok 4.5 基础上进一步强化长时间运行的智能体任务，以及复杂的交互和视觉工作。按照发布信息，Grok 4.6 能够持续处理包含大量步骤的复杂任务，包括资料研究、信息分析、大型代码库处理，以及将产品构想转化为完整应用或工作成果。基准测试方面，Grok 4.6 在多项智能体编程和知识工作测试中达到前沿水平。在综合 9 项基准测试的 Artificial Analysis Intelligence Index 上，Grok 4.6 与 GPT-5.6 Sol 取得相同成绩。据IT之家了解，Grok 4.6 已在 Cursor 和 Grok Build 上线。首周，两项服务将向用户提供两倍的内含使用额度。训练方面，Grok 4.6 经历了比 Grok 4.5 更长的补充训练。训练数据包括经过筛选的模型生成推理数据和高级技术概念数据，以及高质量工程数据，并配合改进后的优化器和训练方案，为后续监督微调（SFT）和强化学习（RL）提供基础。训练团队随后利用 Grok 4.5 重新生成 SFT 轨迹，覆盖不同推理强度、智能体运行框架，以及 STEM、软件工程和知识工作等领域，并使用基于模型的检查剔除存在问题的轨迹。Grok 4.6 还接受了广泛的智能体强化学习训练，任务覆盖知识工作、通用编程、内核优化、Web 开发和计算机辅助设计等领域。在实际项目测试中，Grok 4.6 重点接受了长流程、多步骤任务的考验。测试结果显示，新模型擅长把宽泛的产品构想转化为可以运行的初版，包括研究陌生领域、规划应用结构、实现核心交互，以及根据多轮反馈持续完善结果。在更长的任务流程中，Grok 4.6 还表现出更多自主测试和验证行为，会在继续执行任务前检查已经完成的工作。视觉和交互式项目的初版成果也较 Grok 4.5 有所提升，面对明确的产品构想时，可以一次建立应用的基本结构和视觉语言。安全方面，Grok 4.6 根据扩展后的模型能力调整了安全防护机制。此次安全评估覆盖部署前能力测试、安全防护校准，以及部署后和第三方测试，规模为历来最大。安全体系面向漏洞修补、工程设计和 AI 研究等合法使用场景，在提高实用性的同时控制安全风险。除 Cursor 和 Grok Build 外，Grok 4.6 也已通过 API 开放，并登陆 OpenRouter、Vercel 和 Cloudflare 等合作平台。价格为每 100 万个输入 Token 2 美元（IT之家注：现汇率约合 13.5 元人民币）、每 100 万个输出 Token 6 美元（现汇率约合 40.6 元人民币），速度更快的版本价格为普通版本的两倍。首周，Cursor 和 Grok Build 用户可获得两倍的内含使用额度。

Grok Bot – SpaceXAI 推出的 AI Agent 系统，多 Bot 并行协作AI工具1天前发布AI小集04Grok Bot是什么Grok Bot 是 SpaceXAI 推出的 AI Agent 系统，能登录用户的账号像真人一样操作网站和工具，24 小时在云端替用户完成实际工作。系统支持多 Bot 并行协作、录制工作流自动执行，甚至 Bot 可创建新 Bot 组建团队。原型来自 Cursor 内部代号「Sand」的 Agent 产品，现架在 Cursor 基础设施上。Grok Bot的主要功能账号代操作：直接登录已有的应用和网站，在界面层像真人一样点击、填写、推进任务，无需 API 或 MCP 支持。云端常驻运行：每个 Bot 拥有专属小型云计算机，24 小时后台运行，不依赖你的设备是否开机，可凌晨自动拉取数据、整理报告。多 Bot 并行协作：可同时创建销售 Bot、招聘 Bot、费用 Bot、Bug 复现 Bot 等，各自独立处理不同任务。Bot 间自主通信：Bot 之间可直接对话、传递任务、协商分工；管理 Bot 可汇总子 Bot 进展，只在关键节点找你确认。Bot 创建 Bot：可指令 Bot 自行”组建团队”，自动创建新的子 Bot 并分配职责。工作流录制与演化：观察你的操作过程并保存为模板，支持在执行中纠正，工作流会随使用不断优化。跨端同步：支持 macOS 桌面端和 iOS，任务进度多端同步。如何使用Grok Bot访问下载：访问Grok Bot官网 https://x.ai/bot，下载 macOS 或 iOS 客户端。登录订阅：用已订阅 Cursor Teams Premium（$120/月）、Cursor Ultra（$200/月）或 SuperGrok Heavy（$300/月）的账号登录。创建 Bot：点击创建新 Bot，为其命名、设置职位头衔和任务描述。分配任务：给 Bot 指定具体工作，如销售外联、招聘筛选、费用管理或 Bug 复现。自动执行：Bot 自动登录指定的应用或网站，像真人一样在界面层操作并自主推进任务。人机协作：Bot 在云端 24 小时运行，仅在需要人类判断的关键节点回来找你确认。多 Bot 协同：可同时创建多个 Bot 并行运行，它们会互相通信、协商分工，甚至自动创建子 Bot 组建团队。Grok Bot的核心优势无接口限制：无需 API 或 MCP，直接登录应用和网站，在界面层像真人一样点击、填写、推进任务。云端常驻：每个 Bot 拥有专属云计算机，24 小时后台独立运行，不依赖你的设备是否在线。多 Bot 协同：可同时部署多个 Bot 处理不同任务，它们之间自主通信、协商分工、协同推进复杂工作流。工作流演化：观察并保存你的操作步骤为模板，支持执行中纠正，工作流随使用持续优化。自组织团队：可指令 Bot 自行组建团队，自动创建子 Bot 并分配职责，实现层级化管理。闭环执行：Grok Bot 能推进到任务最后一步，只在关键节点找你确认。Grok Bot的同类竞品对比对比维度Grok BotOpenClaw运行模式云端常驻，每个 Bot 拥有专属小型云计算机，24 小时后台独立运行，不依赖用户设备在线。本地优先，任务在用户本地设备或自托管服务器上执行，设备关机则任务中断。部署架构中心化托管，Bot 在 xAI 云端运行，用户通过客户端远程查看进度和接收通知。去中心化自托管，数据不经过第三方服务器，支持 Docker 一键部署，隐私可控性更强。交互入口专用桌面客户端（macOS）+ iOS App，Bot 以独立聊天窗口形式存在，支持多 Bot 并行会话。支持 Telegram、Discord、Slack 等 50 多个消息平台接入，通过聊天指令触发任务。模型支持深度绑定 Grok 系列模型，底层由 xAI 自研模型驱动，模型能力统一但不可切换。可自由切换 OpenAI、Anthropic、Google 及本地开源模型，用户可按任务需求灵活配置。工具操作直接登录用户账号，在应用界面层像真人一样点击、填写、操作，无需 API 或 MCP 支持。依赖 MCP（Model Context Protocol）和 API 连接工具，对无接口的传统软件支持有限。多 Agent 协同原生支持多 Bot 并行运行，Bot 之间可直接通信、协商分工、自动创建子 Bot 组建团队。单次会话为主，不同任务间缺乏持久化协同，多 Agent 协作需手动串联。工作流能力支持录制用户操作并保存为模板，Bot 可自主按模板执行并随纠正不断优化，实现工作流演化。通过预设指令和脚本定义工作流，缺乏”观察-学习-自动优化”的闭环演化机制。安全与隐私账号凭证托管在 xAI 云端，Bot 代登录操作，用户需信任平台的数据安全策略。本地运行，账号凭证和任务数据保留在用户侧，不经过第三方服务器，隐私可控性更高。定价门槛需订阅 Cursor Teams Premium（$120/月）、Cursor Ultra（$200/月）或 SuperGrok Heavy（$300/月）。开源免费，仅需承担自托管的服务器成本，对个人开发者和小团队门槛极低。Grok Bot的应用场景销售外联：夜间自动研究客户账户、拉取 Salesforce 数据、起草个性化邮件，早上留给你审批后发送。招聘筛选：自动浏览 LinkedIn 简历、匹配岗位需求、生成候选人短名单并安排面试。费用管理：从 Gmail 提取收据、分类归档、核对金额，定期生成报销报告。Bug 复现：自动登录测试环境、按步骤复现用户提交的 Bug、提交工单并移交给调试 Bot 跟进。内容运营：每小时扫描 Slack 频道查找会议信息，提醒相关人员并提供社交用语建议。# 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ClawTeams - AI 电商运营协同平台，专家 Agent 并行执行下一篇dots.tts - 小红书联合上海交大开源的语音合成基座模型相关文章YourHair – AI 在线发型设计与测试工具，多维面部分析AI小集5千影 QianYing – 巨人网络推出的有声游戏生成大模型AI小集3Molmo 72B – 开源的多模态AI模型，基于Qwen2-72B模型，超越Llama 3.2AI小集3SoCreate – AI编剧软件，支持图片视觉融入剧本AI小集3AI-Trader – 港大开源的AI自动交易竞赛框架AI小集3Fun-CosyVoice3.5 – 阿里通义实验室推出的语音生成模型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知漫剧QwenPawRenoiseLawbot脱敏猫ClineJoyAI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！49分钟前GLM-5.3 – 智谱推出的最新 AI 大模型52分钟前Gemini 3.7 Flash – Google DeepMind 推出最新的主力模型4小时前wigolo – 开源的本地搜索工具，支持接入多种编程 Agent5小时前Sonilo – AI 视频配乐与音效生成平台，自动分析画面节奏5小时前笔记同步助手 – 基于微信生态的 AI 笔记内容剪藏工具21小时前Grok 4.6 – SpaceXAI 推出的最新一代旗舰大模型22小时前dots.tts – 小红书联合上海交大开源的语音合成基座模型1天前ClawTeams – AI 电商运营协同平台，专家 Agent 并行执行1天前PixelRAG – 伯克利开源的视觉原生 RAG 框架1天前EvoX – EvoMap 推出的自进化 AI Agent，首创蜂群模式1天前LTX-2.5 – LTX 开源的 AI 视频生成基础模型1天前Today AI – 个人级 AI Agent 操作系统，能接入各类云服务1天前Nemotron 3.5 Lightning – 英伟达开源的 MoE 模型2天前DeepSeek Harness – DeepSeek 推出的 AI 智能体运行框架2天前

DeepSeek Harness – DeepSeek 推出的 AI 智能体运行框架AI工具6小时前更新AI小集04DeepSeek Harness是什么DeepSeek Harness 是 DeepSeek 推出的 AI 智能体运行框架，采用”一切皆插件”理念，基于 Cordis 系统构建。模型、工具、技能、会话、沙箱、存储、调度、UI 等全部能力均为插件，可自由组合替换。DeepSeek Harness提供标准、PTC、极简、创造四种运行模式，支持全程轨迹追踪与回放。DeepSeek Harness 对标OpenAI Codex与Anthropic Claude Code，主攻编程和办公场景，实现从需求理解到代码交付的完整闭环。DeepSeek Harness的主要功能一切皆插件的 Agent 框架：模型、工具、技能、会话、沙箱、存储、循环、调度、UI 等所有 Agent 能力均以插件形式实现，开发者无需修改源码可替换或扩展任意组件。四种运行模式标准模式：完整编码 Agent，支持文件编辑、Shell、网页检索、Skills、计划、子代理和工作流PTC 模式：在标准模式基础上，通过 Code Mode SDK 让模型用 TypeScript 程序组合多步工具调用极简模式：仅保留 bash 和文件编辑两个工具，用于模型基准测试创造模式：支持运行时检查、插件实验和自定义 Agent preset 创作轨迹追踪与会话管理采用仅追加（append-only）的会话日志设计，完整记录系统提示词、思维链、工具调用、子 Agent 调度、上下文注入等全部事件。支持会话恢复、分叉、检索与回放，彻底解决 Agent 黑盒问题。多智能体协作：主 Agent 可将任务委派给子 Agent，支持并行执行、工作流编排、计划模式、目标追踪、待办事项和后台任务管理，覆盖长任务和复杂自动化场景。安全与权限控制：默认采用 workspace-write 模式限制文件/命令执行范围；工具调用经过前置策略、安全守卫、执行包装和后置处理流水线；权限切换和审批请求全部进入会话日志，支持事后审计。多种交互入口：提供 Web UI（默认localhost:3080）、TUI 终端界面、Headless 脚本模式、ACP 服务和 JSON-RPC/Python SDK，同一套核心能力可通过不同配置组装成不同产品形态。DeepSeek Harness的技术原理基于 Cordis 插件元框架：Cordis 是 Harness 的底层插件系统，只负责插件的加载、卸载和依赖管理。每个插件向共享上下文（Context）注册服务、类型化事件和可逆副作用，卸载时自动撤销注册，避免系统残留状态。运行时 Harness 本质上是一个 Cordis Context，不同包向其中注册服务与能力，最终由配置文件组合成可运行的智能体。插件树与配置层组合：运行时的dsh是按层叠加的插件树。配置通过 Profile（具名组装）+ Bundle（配置行与代码分发单元）+cordis.patch.yml（用户补丁）顺序叠加，后层可替换或插入新配置。同一套代码可被组装成完全不同的产品形态。能力接缝（Capability Seam）三层分离：任何能力都拆分为，接口定义（服务定义）、实现提供者（具体执行）、消费者（面向模型的工具包）。例如 Bash 能力，接口定义”执行命令”，本地实现创建进程，工具包将其转为模型可理解的 schema。替换实现层（如本地 Shell → 远程容器）无需重写模型工具或 Agent Loop。Agent Loop 生命周期：Turn：一次用户输入开启的完整轮次Step：一次模型请求 + 后续工具调用流程严格按事件驱动：输入 → 组装提示词与工具 Schema →agent/pre-step→ 模型请求 → 流式输出 → 工具调用 →tools/pre-execute→tools/execute→tools/post-execute→ 交回后续 Step。工具执行支持并发安全检测、屏障隔离和超时重试。Session Log 作为权威事件源：核心设计原则：模型可见的内容必须能从日志重建。用户消息、助手输出、工具调用与结果、上下文压缩、权限变化、取消原因等全部以事件形式进入追加式会话流。界面显示、持久化、恢复、Fork、遥测和回放均从同一事件源派生，而非各自维护状态。这确保了调试、审计和复现的可靠性。核心包职责分离：core/session：仅追加会话事件日志core/system-prompt：组装提示词片段和工具 Schemacore/tools：工具注册与受控执行流水线core/agent：Agent 接口与活跃实例注册表core/agent-loop：默认驱动llm/llm：消息、流式输出和模型适配器接缝自指与动态扩展：创造模式提供自指 Cordis 工具，支持 Agent 检查当前运行时插件树，动态挂载/卸载临时插件。动态插件仍运行在 Cordis 的 Context 和 Effect 机制下，注册项有明确的清理路径。安全流水线：经过完整流水线：前置策略 → 不可逆安全守卫 → 实际执行 → 后置处理 → 内容整理 → 结果通知。被守卫拒绝的操作不能被后续插件重新放行，系统采用”失败关闭”原则。微信关注回复“开源”，加入AI开源项目交流群如何使用DeepSeek Harness安装启动：快速体验（需已安装 Node.js）：npx @deepseek-ai/dsh web源码安装：gitclone https://github.com/deepseek-ai/deepseek-harness按仓库 README 完成依赖安装后启动。配置模型：打开 Web UI（默认localhost:3080），需填写模型 API Key。支持接入 DeepSeek 模型（需到 DeepSeek 开发平台购买）或其他第三方模型。选择工作区与预设：选择本地工作目录（项目文件夹）选择Agent 预设：标准模式：完整编码 Agent，支持文件编辑、Shell、检索、Skills、计划、子代理PTC 模式：标准模式 + Code Mode SDK，模型用 TypeScript 程序组合多步操作极简模式：仅 bash + 文件编辑，用于基准测试创造模式：支持自定义 Agent preset，可运行时检查插件树并动态扩展开始交互：在输入框描述需求，Agent 即可自动执行代码编写、文件操作、网页检索等任务。通过「轨迹」视图可查看原始事件级运行日志，支持会话回放与分叉。插件管理在设置中查看/启用/停用 100+ 内置插件，或通过配置文件自定义插件组合，无需修改源码可替换任意能力组件。DeepSeek Harness的核心优势开放生态：不限于接入 DeepSeek 自家模型，计划通过标准化接口支持多模型接入，与 Claude Code 的封闭策略形成鲜明差异化。极致性价比：配合 DeepSeek 低价缓存机制，社区实测单次真实编程任务平均成本仅约 0.028 美元，约为 Claude Code 的七分之一。安全合规：国产自研框架无后门隐患，恰逢 Claude Code 被工信部确认存在严重安全后门、国内大厂加速排查管控的替代窗口期。系统可靠性：团队负责人崔添翼拥有 Jane Street 九年量化交易背景，长期专注于”如何让复杂系统稳定运转”，将金融级执行可靠性带入 Agent 工程。模型解耦：Harness 团队与模型团队独立运作、独立注册公众号，以独立于大模型的业务形态推进，生态合作灵活性和扩展性显著更强。Harness 效能：同一模型在不同 Harness 下表现可差出 53 个百分点，DeepSeek Harness 能让中等强度模型以极低价格完成大部分标准化任务，实现”便宜模型打出豪华战绩”。端到端闭环：覆盖上下文管理、工具调用编排、执行沙箱、反馈循环、会话持久化五大核心模块，实现从需求理解到代码交付的完整自动化闭环。DeepSeek Harness的项目地址项目官网：https://www.deepseek.com/harness/GitHub仓库：https://github.com/deepseek-ai/deepseek-harnessDeepSeek Harness的同类竞品对比对比维度DeepSeek HarnessCodexClaude Code开发公司深度求索（DeepSeek）OpenAIAnthropic产品定位AI 智能体运行框架终端原生编程智能体终端原生编程智能体模型接入策略开放多模型，计划支持第三方模型接入仅限 OpenAI 官方模型仅限官方 Claude 模型，曾通过隐写手段限制非官方端点生态开放度开放共建，面向全球征集插件、Skill、MCP 及第三方界面生态伙伴闭源运营，生态由官方控制封闭生态，逆向工程修改令牌后被官方限制安全合规国产自研，无后门隐患，符合国内监管要求美国公司，存在数据跨境风险被工信部 NVDB 确认存在安全后门隐患（2.1.91–2.1.196 版本）单次任务成本约$0.028（配合低价缓存机制）较高较高（Claude Code 年化收入已达 25 亿美元级别）核心架构五大模块：上下文管理、工具调用编排、执行沙箱、反馈循环、会话持久化内置工具调用与代码执行环境内置工具调用与代码执行环境团队背景负责人崔添翼，Jane Street 九年量化交易与系统开发背景OpenAI 内部研究团队Anthropic 内部研究团队DeepSeek Harness的应用场景智能编程开发（VibeCoding）：开发者通过自然语言描述需求，Harness 自动完成从代码生成、运行测试、报错捕获到自我修正的完整闭环，实现端到端的软件交付。办公自动化：Harness 调用文件系统、浏览器及各类 API，自动完成文档处理、数据分析、邮件分类回复和日程安排等日常办公任务，替代重复性人工操作。系统运维与 DevOps：通过终端命令执行服务器部署、监控配置、日志分析和故障排查，集成到 CI/CD 流水线中实现代码的自动构建、测试与发布。多 Agent 协作项目：协调产品经理、架构师、开发工程师、测试工程师等不同角色 Agent 分工合作，统一调度完成大型复杂项目的拆解与交付。企业私有化部署：在金融、政务、医疗等安全敏感行业的本地环境中部署，对接内部 ERP、CRM、数据库等私有系统，实现安全可控的智能化改造。DeepSeek Harness面临的挑战先发巨头挤压：OpenAI Codex 与 Anthropic Claude Code 已占据智能体代码市场头部地位，Claude Code 年化收入达 25 亿美元且占 GitHub 公开提交量 4%，DeepSeek Harness 作为后来者需在生态和用户习惯上实现突破。开发者生态冷启动：Harness 的核心价值高度依赖插件、Skill、MCP 及第三方界面等生态伙伴的丰富度，而生态建设需要长期积累，短期内难以与已成熟竞品抗衡。长程任务可靠性验证：Agent 框架需要处理多轮推理、工具调用和失败重试等复杂场景，从内测到证明其在真实生产环境中稳定交付长程任务，仍有大量工程验证工作。多模型适配的工程复杂度：开放支持多模型接入虽为差异化优势，但不同模型的上下文机制、工具调用格式和推理特性各异，适配和维护成本将显著增加。用户迁移成本与习惯壁垒：开发者已深度习惯 Claude Code、Cursor 等现有工具的工作流和交互范式，切换至新框架面临学习成本和工具链重构阻力。# 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IndexTTS-2.5 - Bilibili 开源的工业级零样本语音克隆模型下一篇Nemotron 3.5 Lightning - 英伟达开源的 MoE 模型相关文章RedKnot – 小红书开源的长文本推理加速引擎AI小集3podlm-public

DeepSeek-V4 – DeepSeek推出的新一代大语言模型系列AI工具4个月前发布AI小集07DeepSeek-V4是什么DeepSeek-V4是DeepSeek推出的新一代大语言模型系列预览版，拥有百万字超长上下文窗口，在Agent能力、世界知识与推理性能方面达到开源领域领先水平。模型包含deepseek-v4-pro 和 deepseek-v4-flash 两个版本，分别定位高性能与经济高效，均已开源并提供API服务，支持非思考与思考双模式，为长文本处理与智能体应用提供普惠化基础设施。DeepSeek-V4的主要功能百万上下文处理：原生支持1M Token超长文本理解与记忆，为官方服务标配。混合注意力机制：CSA与HCA架构大幅降低长上下文计算与显存开销。Agent编码增强：针对Claude Code、OpenClaw等主流Agent框架深度优化。双模式推理：支持非思考与思考模式，后者可通过reasoning_effort参数调节强度。多领域专家融合：通过OPD蒸馏整合数学、代码、Agent等领域专家能力。经济高效选择：Flash版本用更低参数实现接近Pro的推理性能，API成本显著降低。DeepSeek-V4的技术原理CSA压缩稀疏注意力：将每m个token的KV压缩为1个条目，通过Lightning Indexer计算索引分数并执行Top-k稀疏选择，结合滑动窗口与Attention Sink机制保留局部依赖。HCA重度压缩注意力：以更大压缩比m’将KV条目合并为单个条目，保持密集注意力而不采用稀疏选择，进一步降低计算量。mHC流形约束超连接：将残差映射矩阵通过Sinkhorn-Knopp算法投影到双随机矩阵流形，约束谱范数不超过1，增强深层信号传播稳定性。Muon优化器：模型采用混合Newton-Schulz迭代对梯度矩阵进行正交化，分快速收敛与精确稳定两个阶段，支持大规模MoE高效训练。FP4量化感知训练：对MoE专家权重和CSA索引器QK路径进行FP4量化，用FP8扩展动态范围实现无损反量化，降低内存与计算开销。DeepSeek-V4的性能体现知识能力世界知识领先开源：SimpleQA-Verified达57.9%，超越所有已评测开源模型20个百分点，仅稍逊于Gemini-3.1-Pro（75.6%）。中文知识突出：Chinese-SimpleQA达84.4%，大幅领先K2.6（75.9%）与GLM-5.1（75.0%）。教育知识接近前沿：MMLU-Pro 87.5%、GPQA Diamond 90.1%，与GPT-5.4持平，略低于Gemini-3.1-Pro。推理与代码能力数学竞赛比肩闭源：HMMT 2026 Feb达95.2%，IMOAnswerBench达89.8%，超越K2.6与GLM-5.1，接近GPT-5.4与Opus-4.6。代码竞赛首次开源追平闭源：Codeforces Rating达3206，与GPT-5.4（3168）相当，当前排名人类选手第23位。高难度推理突破：Apex Shortlist达90.2%，超越GPT-5.4（78.1%）与Opus-4.6（85.9%）；LiveCodeBench达93.5%，领先所有对比模型。Agent能力软件工程接近顶级闭源：SWE Verified达80.6%，与Opus-4.6（80.8%）基本持平；SWE Pro 55.4%、SWE Multilingual 76.2%。终端操作领先开源：Terminal Bench 2.0达67.9%，超越K2.6（66.7%）、GLM-5.1（63.5%）与Opus-4.6（65.4%）。工具调用泛化优秀：MCPAtlas Public 73.6%、Toolathlon 51.8%，在包含广泛工具和MCP服务的评测中表现突出。长上下文能力百万上下文检索强劲：MRCR 1M达83.5%，超越Gemini-3.1-Pro（76.3%）；128K内检索性能高度稳定，1M时仍保持较强能力。真实场景长文档理解：CorpusQA 1M达62.0%，优于Gemini-3.1-Pro（53.8%）。效率表现计算量断崖式下降：1M上下文下，V4-Pro单Token推理FLOPs仅为V3.2的27%，V4-Flash仅为10%。KV缓存大幅压缩：1M上下文下，V4-Pro累计KV缓存为V3.2的10%，V4-Flash仅为7%。路由专家FP4量化：专家权重采用FP4存储，未来硬件上理论可再提升1/3效率。如何使用DeepSeek-V4网页端/App：访问DeepSeek官网或官方App，选择专家模式（Pro）或快速模式（Flash）。API调用：修改model参数为deepseek-v4-pro或deepseek-v4-flash，base_url保持不变。思考模式：复杂Agent场景建议启用思考模式并设置reasoning_effort: max。本地部署：通过Hugging Face或ModelScope下载开源权重自行部署。DeepSeek-V4的关键信息和使用要求版本规格：Pro版1.6T参数/49B激活，Flash版284B参数/13B激活，预训练数据分别为33T与32T。上下文长度：两个版本均支持1M Token，旧接口deepseek-chat与deepseek-reasoner将于2026-07-24停用。API定价（每百万Token）：Pro输入缓存命中1元/未命中12元，输出24元；Flash输入缓存命中0.2元/未命中1元，输出2元。算力限制：Pro版当前服务吞吐有限，预计下半年昇腾950超节点批量上市后价格将大幅下调。DeepSeek-V4的核心优势百万上下文普惠化：1M Token超长上下文成为官方服务标配，突破传统注意力机制的二次计算瓶颈，使长文本任务与测试时缩放真正可行。极致长上下文效率：通过CSA压缩稀疏注意力与HCA重度压缩注意力的混合架构，1M上下文下V4-Pro的单Token推理FLOPs仅为V3.2的27%，KV缓存仅10%，Flash版更是低至10%与7%。开源模型性能新标杆：V4-Pro-Max在知识、推理、代码竞赛等评测中全面领先前代开源模型，Agent编码能力内部评测优于Claude Sonnet 4.5，交付质量接近Opus 4.6非思考模式。双版本灵活覆盖：Pro版（1.6T/49B）定位顶级性能，Flash版（284B/13B）以极小激活参数实现接近的推理能力，API价格低至Pro的1/12，普惠不同预算场景。Agent能力原生增强：针对Claude Code、OpenClaw等主流Agent框架专项优化，支持跨用户消息边界的连贯推理保留，在SWE、Terminal Bench等Agent评测中表现优异。DeepSeek-V4的项目地址HuggingFace模型库：https://huggingface.co/collections/deepseek-ai/deepseek-v4技术论文：https://huggingface.co/deepseek-ai/DeepSeek-V4-Pro/blob/main/DeepSeek_V4.pdfDeepSeek-V4的同类竞品对比对比维度DeepSeek-V4-ProClaude Opus 4.6Kimi K2.6模型定位开源高性能MoE闭源顶级通用开源Agent智能开源状态完全开源闭源API开源/开放API总参数量1.6T未公开未公开激活参数49B未公开未公开上下文长度1M Token200K1M Token核心架构CSA+HCA混合注意力传统TransformerMoE+长上下文MMLU-Pro87.589.187.1SimpleQA57.946.236.9Codeforces3206––SWE Verified80.680.880.2Terminal Bench67.965.466.7MRCR 1M83.592.9–API输入价格12元/百万Token约150元/百万Token约60元/百万Token长上下文效率KV缓存仅为V3.2的10%标准KV缓存高效但细节未公开DeepSeek-V4的应用场景长文档分析：支持百万字级论文、报告、法律合同的全文理解与跨章节推理。智能体编码：在Claude Code、OpenClaw等框架中执行复杂代码生成、重构与调试任务。多轮工具调用：在Agent工作流中保留完整推理历史，支持跨用户消息边界的连贯思考。知识密集型问答：在世界知识评测中大幅领先开源模型，适用于教育、科研与专业咨询。白领办公任务：模型在中文写作、信息分析、文档生成与编辑等场景表现优异。# 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GPT-5.5 - OpenAI 推出的最新旗舰大模型下一篇StepAudio 2.5 ASR - 阶跃星辰推出的自动语音识别模型相关文章MVDrag3D – 南洋理工大学推出的拖拽式多视图3D编辑技术AI小集2MyMap.AI – AI图表制作平台，对话式创建思维导图、流程图、矩阵图、演示文稿AI小集3Lingo – 西湖心辰推出的端到端语音大模型，媲美GPT-4oAI小集4Octask – 光魔科技推出的 AI 内容工作室平台AI小集3SecondMe Book – 国产AI Agent社交平台，支持真人发帖AI小集3I2V-01-Live – 海螺AI推出的图生视频模型，将静态图像转化为动态视频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知漫剧QwenPawRenoiseLawbot脱敏猫ClineJoyAI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GLM-5.3 – 智谱推出的最新 AI 大模型1小时前Gemini 3.7 Flash – Google DeepMind 推出最新的主力模型4小时前wigolo – 开源的本地搜索工具，支持接入多种编程 Agent5小时前Sonilo – AI 视频配乐与音效生成平台，自动分析画面节奏5小时前笔记同步助手 – 基于微信生态的 AI 笔记内容剪藏工具21小时前Grok 4.6 – SpaceXAI 推出的最新一代旗舰大模型22小时前dots.tts – 小红书联合上海交大开源的语音合成基座模型1天前Grok Bot – SpaceXAI 推出的 AI Agent 系统，多 Bot 并行协作1天前ClawTeams – AI 电商运营协同平台，专家 Agent 并行执行1天前PixelRAG – 伯克利开源的视觉原生 RAG 框架1天前EvoX – EvoMap 推出的自进化 AI Agent，首创蜂群模式1天前LTX-2.5 – LTX 开源的 AI 视频生成基础模型1天前Today AI – 个人级 AI Agent 操作系统，能接入各类云服务1天前Nemotron 3.5 Lightning – 英伟达开源的 MoE 模型2天前

Gemini Spark – 谷歌推出的个人 AI AgentAI工具3个月前发布AI小集03Gemini Spark是什么Gemini Spark 是 Google 推出的 24/7 个人 AI Agent，基于 Gemini 3.5 模型与Antigravity框架运行，深度集成 Gmail、Docs、Slides 等 Workspace 工具。工具能在设备关闭后仍于云端后台持续执行任务，支持设置周期性触发器、学习新技能并创建完整工作流，将 Gemini 从问答助手升级为可主动代劳的数字代理。Gemini Spark的主要功能全天候后台任务执行：Spark 作为云端 Agent，即使用户关闭笔记本或锁定手机，仍能在后台持续完成复杂任务。周期性任务与触发器：自动解析月度信用卡账单，标记新增或隐藏的订阅费用；按设定条件持续监控指定信息源。可教学的新技能：用户可指令 Spark 检查特定邮件来源（如学校通知），提取关键截止日期，生成摘要发送给指定联系人。完整工作流创建：自动整合分散在邮件与聊天中的会议笔记，生成格式化的 Google Docs 报告，并起草项目启动邮件。MCP 扩展连接：已支持 Canva、OpenTable、Instacart 等第三方服务，未来数周内将通过 MCP 协议直接代用户完成跨平台操作。如何使用Gemini Spark目前 Gemini Spark 处于 Beta 阶段，仅面向美国地区的 Google AI Ultra 订阅用户逐步开放，可在Gemini App设置中查看并启用。Gemini Spark的核心优势真·全天候在线：区别于对话窗口内响应的助手，Gemini Spark 可在用户离线时持续推进任务进度。深度原生集成：与 Google Workspace 无缝打通，数据读写权限与协作能力远超外挂式插件。可教学进化：用户通过自然语言即可训练 Spark 掌握专属工作流，无需编程或复杂配置。多模态任务链：支持从信息收集、内容生成到跨应用执行的端到端闭环，非单点工具调用。渐进式权限控制：用户自主决定 Agent 的开启状态、连接范围与操作边界，隐私与可控性并重。Gemini Spark的同类竞品对比对比维度Gemini SparkClaude Computer UseOpenAIOperator所属公司GoogleAnthropicOpenAI核心定位24/7 云端个人 AI Agent桌面操控型 AI Agent云端浏览器代理运行环境云端后台（设备可离线）本地 macOS（需设备在线）云端沙盒浏览器后台持续执行支持，关闭设备仍运行不支持，随会话结束停止有限，长任务易中断桌面应用操控夏季通过 macOS App 支持已支持完整桌面控制不支持，仅限浏览器内办公套件集成原生深度集成 Workspace连接器 + 屏幕控制 fallback无原生办公集成OSWorld 任务成功率未公开（基于 Gemini 3.5）约 72%–73%约 38%–43%人在回路确认高风险操作前请求确认频繁请求确认频繁请求确认，易冻结Gemini Spark的应用场景个人财务管理：自动追踪订阅服务扣费异动，每月生成账单分析报告并推送提醒。家庭事务协调：持续监控学校邮件，汇总活动与截止日期，每日向父母双方发送结构化摘要。职场项目启动：自动收集会议纪要与邮件讨论，整理为项目文档并起草团队通知邮件。跨平台内容创作：调用 Canva 生成配图，结合 Docs 撰写文案，通过 Gmail 发送完整营销方案。日常行程管理：基于 Calendar 与邮件内容，主动识别冲突并建议调整，甚至代为预订餐厅。# 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Gemini 3.5 Flash - Google 推出的新一代 AI 大模型下一篇Gemini Omni Flash - 谷歌推出的多模态视频生成模型相关文章LangExtract – 谷歌开源的结构化信息提取工具AI小集3酷表ChatExcel – AI数据分析辅助工具，一句话即可操控ExcelAI小集21文心 5.0 Preview – 百度最新推出的AI语言模型AI小集3Ouro – 字节Seed推出的循环语言模型AI小集4MAI-UI – 阿里通义开源的全尺寸GUI智能体基座模型AI小集3Qwen-CUA – 阿里 Qwen 等推出的原生 Computer Use AgentAI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知漫剧QwenPawRenoiseLawbot脱敏猫ClineJoyAI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GLM-5.3 – 智谱推出的最新 AI 大模型1小时前Gemini 3.7 Flash – Google DeepMind 推出最新的主力模型4小时前wigolo – 开源的本地搜索工具，支持接入多种编程 Agent5小时前Sonilo – AI 视频配乐与音效生成平台，自动分析画面节奏5小时前笔记同步助手 – 基于微信生态的 AI 笔记内容剪藏工具21小时前Grok 4.6 – SpaceXAI 推出的最新一代旗舰大模型22小时前dots.tts – 小红书联合上海交大开源的语音合成基座模型1天前Grok Bot – SpaceXAI 推出的 AI Agent 系统，多 Bot 并行协作1天前ClawTeams – AI 电商运营协同平台，专家 Agent 并行执行1天前PixelRAG – 伯克利开源的视觉原生 RAG 框架1天前EvoX – EvoMap 推出的自进化 AI Agent，首创蜂群模式1天前LTX-2.5 – LTX 开源的 AI 视频生成基础模型1天前Today AI – 个人级 AI Agent 操作系统，能接入各类云服务1天前Nemotron 3.5 Lightning – 英伟达开源的 MoE 模型2天前

Gemini 3.7 Flash – Google DeepMind 推出最新的主力模型AI工具4小时前更新AI小集02Gemini 3.7 Flash是什么Gemini 3.7 Flash 是 Google DeepMind 推出的新一代主力 AI 模型。模型专为 Coding 与 Agent 工作流设计，在软件工程、网页开发和企业自动化等基准上大幅跃升，部分指标超越Claude Sonnet 5与GPT-5.6 Terra。模型首发价仅为 3.6 Flash 原价的一半，定位高频 Agent 与企业工作流的”性价比杀手”。Gemini 3.7 Flash的主要功能软件工程：支持生成高质量生产级代码，在 FrontierCode 与 DeepSWE 基准上大幅提升，首遍准确率与调试能力显著增强。Web 开发：支持从截图、图片或完整 Design System 输入，一键生成高保真交互式网页，Code Arena Elo 评分领先竞品。Agent 自动化：执行复杂多步骤企业工作流，自动规划、调用工具并在遇到障碍时自适应调整，AutomationBench 表现大幅跃升。知识密集型工作：处理金融、法律、生物科学等领域的复杂文档推理，GDP.pdf 等长文档理解能力显著增强。多模态创作：配合 Nano Banana 将文字提示实时转化为可玩的 3D 游戏，或将静态 PDF 转化为带交互图表的动态网页。Gemini Spark 集成：作为 24/7 个人 Agent 的后台模型，驱动 Google Workspace 内的文件整理、邮件起草与状态更新等自动化操作。Gemini 3.7 Flash的技术原理算法迭代与快速演进机制：模型针对 Coding 和 Agent 场景的后训练优化与能力定向增强，非单纯依赖预训练规模扩张，从而在保持 Flash 系列速度优势的同时，实现软件工程与知识工作质量的跨越式提升。多步骤规划与严谨推理执行：模型内置更主动的推理资源分配机制，面对复杂任务时会投入更多计算资源进行多步骤规划与工具调用，在执行过程中遇到路障时自适应调整策略、澄清意图；这种”更严谨的执行力”大幅减少了人工监督需求与反复重试次数，是其 Agent 与企业自动化能力跃升的核心技术支撑。原生多模态统一理解：3.7 Flash 具备跨文本、音频、图像、代码和视频的统一理解能力，使其能在 3D 游戏生成、机器人训练闭环和文档智能转换等场景中，将视觉输入（如截图、设计稿）与语言指令融合处理，实现从静态 PDF 到交互网页、从文字描述到可运行 3D 资产的端到端生成。Agent 工作流与 Sub-Agent 编排：针对高频 Agent 场景进行底层优化，通过改进的指令遵循精度与路障适应能力，支持主模型调度多个 sub-agents 协同完成任务；编排能力使其在 Web 开发等场景中可并行处理布局生成、交互逻辑编写与视觉组件渲染，成为支撑长期在线、大规模调用的企业自动化后端基础设施。如何使用Gemini 3.7 Flash开发者接入：开发者可通过 Gemini API 或 Google AI Studio 直接调用模型。快速体验：在Google AI Studio中可零成本创建项目并选择 gemini-3.7-flash 模型，快速测试文本、代码与多模态能力。移动集成：Android Studio 已集成该模型，开发者可在移动应用开发流程中获得代码辅助与生成功能。Agent 编排：通过Google Antigravity这一 Agent-first 开发环境，可编排 sub-agents 构建复杂自动化工作流。企业部署：企业用户可通过 Gemini Enterprise Agent Platform 自定义业务流程与工具集成，实现规模化高频调用。企业使用：企业员工也可直接通过 Gemini Enterprise App 统一入口，用内置的 3.7 Flash 能力处理文档与自动化任务。Gemini 3.7 Flash的核心优势极致迭代节奏：Flash 系列从 3.5 进化到 3.7 仅用了 3 个月，3.6 到 3.7 更是压缩到 3 周，Google 对开发者反馈和市场竞争的响应速度在主流模型中无出其右。Coding 能力跃升：FrontierCode 1.1 Main 从 34.4% 提升至 43.6%，DeepSWE v1.1 从 49% 跃升至 65.3%，首遍代码准确率与长周期软件工程能力均获得跨越式增强，已具备生产级主力模型的代码输出质量。Agent 与企业自动化绝对领先：AutomationBench 得分 30.4%，不仅较自身上一代近乎翻倍，更大幅甩开 Claude Sonnet 5（10.7%）和 GPT-5.6 Terra（23.6%），成为当前企业工作流自动化场景的最强模型。部分基准超越旗舰竞品：在 FrontierCode 1.1（43.6%）和 WebDev Code Arena（1588 Elo）两项关键 Coding 基准上，3.7 Flash 已反超 Claude Sonnet 5 和 GPT-5.6 Terra，打破了”Flash 只做轻量辅助”的刻板印象。极致性价比壁垒：推广价输入 $0.75、输出 $3.75 每百万 Tokens，仅为 3.6 Flash 原价的一半，更是 Claude（$2/$10）和 GPT（$2/$12）的三分之一到四分之一；在高频 Agent 和企业级工作流中，这一成本优势随调用量指数级放大。原生多模态端到端创作：支持文字直接生成可玩的 3D 游戏、截图/Design System 一键转化为交互网页、静态 PDF 自动变为带实时图表的动态数据故事，创作链路完整且无需多模型拼接。Gemini 3.7 Flash的项目地址项目官网：https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-3-7-flash/Gemini 3.7 Flash的同类竞品对比对比维度Gemini 3.7 FlashGPT-5.6 Terra发布方Google DeepMindOpenAI定位Coding + Agent 主力模型通用旗舰模型FrontierCode 1.143.6%🥇41.3%DeepSWE v1.165.3%69.6%🥇Code Arena Elo1588🥇1523AutomationBench30.4%🥇23.6%Terminal-bench 2.185.8%87.4%🥇GDP.pdf34.0%🥇24.7%输入价格 / 1M$0.75🥇$2.00输出价格 / 1M$3.75🥇$12.00迭代节奏3 周一更数月周期核心优势性价比 + Agent 自动化绝对 Coding 性能Gemini 3.7 Flash的应用场景智能 Coding 助手：自动生成生产级代码、调试复杂 Bug、完成长周期软件工程任务，首遍准确率较上一代大幅提升。交互式 Web 开发：从截图或 Design System 输入一键生成高保真交互网页，支持多 agent 协作与视差动效。企业工作流自动化：驱动 RPA 与业务系统，自动完成跨平台数据录入、审批流转、报告生成等高频重复任务。3D 游戏与内容生成：配合 Nano Banana 将文字描述实时转化为可玩的 3D 游戏，动态生成角色、道具与纹理。文档智能转换：将静态 PDF 年报、研报自动转化为带实时图表、数据汇总与交互功能的动态网页或数据故事。# 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wigolo - 开源的本地搜索工具，支持接入多种编程 Agent下一篇GLM-5.3 - 智谱推出的最新 AI 大模型相关文章Thinker – 优必选开源的具身智能视觉语言模型AI小集2Fashion-VDM – 谷歌和华盛顿大学联合推出的虚拟试穿技术AI小集2字幕说 – AI文本转语音工具，每日10次免费合成逼真配音和字幕视频AI小集2DeepPiano – 智曲科技推出的AI钢琴应用AI小集7Follow Your Pose – 开源的姿态全可控视频生成框架AI小集2Vision Search Assistant – 结合视觉语言模型和网络代理搜索技术的开源框架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知漫剧QwenPawRenoiseLawbot脱敏猫ClineJoyAI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！48分钟前GLM-5.3 – 智谱推出的最新 AI 大模型51分钟前wigolo – 开源的本地搜索工具，支持接入多种编程 Agent5小时前Sonilo – AI 视频配乐与音效生成平台，自动分析画面节奏5小时前笔记同步助手 – 基于微信生态的 AI 笔记内容剪藏工具21小时前Grok 4.6 – SpaceXAI 推出的最新一代旗舰大模型22小时前dots.tts – 小红书联合上海交大开源的语音合成基座模型1天前Grok Bot – SpaceXAI 推出的 AI Agent 系统，多 Bot 并行协作1天前ClawTeams – AI 电商运营协同平台，专家 Agent 并行执行1天前PixelRAG – 伯克利开源的视觉原生 RAG 框架1天前EvoX – EvoMap 推出的自进化 AI Agent，首创蜂群模式1天前LTX-2.5 – LTX 开源的 AI 视频生成基础模型1天前Today AI – 个人级 AI Agent 操作系统，能接入各类云服务1天前Nemotron 3.5 Lightning – 英伟达开源的 MoE 模型2天前DeepSeek Harness – DeepSeek 推出的 AI 智能体运行框架2天前

感谢IT之家网友shutiao、木木人工、Kazuto、Domado、浪花庆山粉、AlanMac、华南吴彦祖、LL J、乌蝇哥的左手、files、火瓶座的线索投递！IT之家8 月 14 日消息，当地时间 8 月 13 日，谷歌宣布推出 Gemini 3.7 Flash 模型，专为编程与 Agents 场景打造。IT之家注意到，本次发布距 Gemini 3.6 Flash 发布仅间隔约三周，谷歌称该版本的推出直接源于开发者的反馈以及一系列算法创新。Gemini 3.7 Flash 在软件工程、知识工作及网页开发工作流方面均实现了大幅提升。此外，在今年年底前（截至 2026 年 12 月 31 日），Gemini 3.7 Flash 将以首发优惠价提供（Gemini 3.6 Flash 也将有相同优惠），仅为原 3.6 Flash 每百万 Token 价格的一半：输入：每百万 Token 0.75 美元（现汇率约合 5.1 元人民币）输出：每百万 Token 3.75 美元（现汇率约合 25.3 元人民币）即日起，面向 160 多个国家和地区的 Google AI Pro 及 Ultra 订阅用户推出的 Gemini Spark 将正式接入 Gemini 3.7 Flash。本次模型升级显著提升了 Spark 处理知识工作的效率，优化了其对 Google Workspace 系列应用工具的使用能力，从而为复杂且跨技能的综合工作流提供更高的准确度与更高质量的输出。此外，Gemini 3.7 Flash 推出了全新的安全防御机制，在严防化学、生物、放射性及核（CBRN）领域和网络攻击滥用的同时，确保合法且有益的应用场景得以顺利实施。

手机摄像头，也是进化到会自己转头了。如果你也关注数码产品，可能还记得前些年「全面屏」刚流行那会出现过的升降摄像头。为了把屏幕上的刘海和挖孔藏起来，前置镜头被塞进机身内部，需要自拍时再自动升起，用完就收回去。8 月 12 日，荣耀正式发布 Robot Phone。去年第一次公布概念时，这台「机器人手机」最抢眼的就是背后那颗会动的摄像头。这一次，机械结构本身就是相机的一部分：镜头升起之后可以继续转向、跟随人物移动，还能自己寻找拍摄对象。手机背后，多了一颗会自己找人的摄像头想把这么一套东西塞进手机，首先得把机械结构做得足够小。Robot Phone 的云台拥有 4DoF 自由度，荣耀为它设计了一套钛合金云台架构，内部集成超过 100 个精密零件，用到了 60 多项精密工艺，加工精度做到 ±0.005 mm。整套云台的尺寸相比早期方案缩减了 65%，其中一颗云台电机只有 2.6 g，体积甚至比一些机器人灵巧手使用的关节电机还小。但小还不够。人在镜头前走动、突然转身，甚至边跑边拍的时候，云台也得迅速跟上。Robot Phone 的三轴最高控制转速达到 360°/s，负责整个云台展开、收回和悬停的翻转电机，扭矩密度达到 120 N·m/L。这些参数翻译成人话，其实就是两件事：平时得完整藏进手机里，用起来又不能慢吞吞。更重要的是，这颗会动的摄像头的能力不只能在原生相机中调用。在「灵感帮拍」里，AI 可以识别人和场景、给出姿势建议，同时直接控制云台改变机位和构图。以后自己要是不知道该怎么构图，让镜头自己来动就行。抖音和微信也接入了类似能力。抖音里的「AI 直播追焦」，可以在主播走动时控制云台跟着转，让人物一直留在画面里。微信视频通话也是类似的思路。人在房间里起身、换个位置，或者一边通话一边做别的事情，不用总想着自己有没有走出画面，云台会跟着人的位置调整镜头朝向。为了配合这颗会转动的镜头，荣耀还放进了四麦克风阵列和 AI 指向收音。镜头朝向发生变化，收音方向也会跟着调整。YOYO 也能直接调用它。比如对着手机做手势，云台可以转过去；播放音乐时，它还能跟着节奏摆动。荣耀甚至给这套东西做了拟人化表情和「YOYO 幸运星」之类的互动玩法。有些功能看起来多少带点「电子宠物」的味道，但这也解释了荣耀为什么一定要在 Robot Phone 里保留「Robot」这个名字。YOYO 以前再聪明，能调动的东西大多还在屏幕里面。现在，它至少多了一颗真的会转的「脑袋」。当然，这颗脑袋最后还得装在一台能每天用的手机上。Robot Phone 厚约 9.59mm，重量 248g，正面一块 6.31 英寸屏幕，内部搭载第五代骁龙 8 至尊版移动平台，还装进了一块 7060mAh 青海湖电池。作为参照，iPhone 17 Pro Max 重 233g，两者只差 15g。 对一台背后还塞着完整机械云台的手机来说，重量控制得相当不错。会转还不够，这颗摄像头还得拍得好Robot Phone 的主摄采用 2 亿像素传感器，另外还有超广角和潜望长焦，常规旗舰机的焦段覆盖它都有，并没有因为机械结构的加入而缩水。荣耀还为它加入了一颗自研影像芯片「荣耀驭光 H1」，主要负责视频里的实时处理，官方给出的数据是信噪比提升 8 dB、动态范围来到 14 档。最值得说的，其实还是这套云台本身。过去想用手机拍出足够稳定的移动画面，最直接的办法往往是再带一台手持稳定器。后来 Pocket 这类产品把相机和三轴云台做成了一体，随手掏出来就能拍，稳定的运动镜头也因此离普通用户近了很多。而这次，荣耀则更加大胆，把一台 Pocket 塞进了用户每天都拿在手里的手机，连「多带一台设备」都省了。视频规格方面，荣耀 Robot Phone 支持 4K 120 fps 慢动作、4K 暗光视频和 4K 实时人像美颜。并且荣耀这次还找来了 ARRI，按照他们的标准升级影像实验室。图｜ARRI Alexa Mini LF｜One Stop Films如果平时关注电影拍摄，你应该不会对这个名字陌生。从《沙丘》《奥本海默》到大量商业电影和剧集，ARRI 的 ALEXA 系列一直是电影工业里最常见的摄影机之一。荣耀和 ARRI 的合作也落到了 Robot Phone 的整个拍摄流程里。Robot Phone 首次支持 ARRI LogC3 曲线和 AWG3 广色域，同时内置 11 种 ARRI Looks。想直接出片，可以套用预设好的色彩风格；想留更多后期空间，也可以拍 Log。伪色监看、峰值对焦、斑马纹等专业辅助工具，以及 2.39:1 画幅，在「ARRI 电影模式」中也是一应俱全。图｜FoneArena普通用户可以直接拿它的色彩预设来拍，想认真做视频的人也能从 Log、监看工具一路拍到后期，可以说真正做到了「老少皆宜」。荣耀开始给 AI「长手长脚」Robot Phone 并不是荣耀这两年唯一一件带着「机器人」味道的产品。2025 年公布「阿尔法战略」时，荣耀就把「物理 AI」写进了三阶段路线，并宣布未来 5 年投入超过 100 亿美元建设 AI 终端生态。今年 MWC，Robot Phone 和荣耀首款具身智能人形机器人一起亮相；随后成立的阿尔法实验室，也把人机交互、运动控制、端侧模型等列入重点研究方向。图｜路透社到了 4 月，荣耀又把人形机器人带到了北京亦庄的机器人半程马拉松。手机背后会转的云台和赛道上两条腿跑步的机器人，形态相差很远，背后要解决的问题却有不少交集：视觉怎么感知环境，AI 怎么判断接下来要做什么，以及最后怎么让一套机械结构准确地动起来。软件这一边，荣耀也在给 YOYO 加更多执行能力。Robot Phone 首发 YOYO Pro 模式，并采用荣耀与阿里巴巴基于「千问大模型」共同开发的终端大模型方案。新的 YOYO 自动执行可以连续完成超过 100 步复杂任务，一句话交代需求之后，系统可以跨越不同应用和服务，把过去需要用户反复点击的操作自己跑完。荣耀去年还开始推动第三方服务通过 MCP 接入 YOYO，并提出到 2026 年接入超过 2000 个 MCP 服务和 20000 个 AI 服务。这次随着 Robot Phone 一起出现的 YOYO 技能商店，又把云台、相机、多模态通话等超过 100 项系统能力开放给了开发者和科技爱好者。Robot Phone 多了一套机械云台之后，软件指令还可以直接落到一块真实的机械结构上：让摄像头转向一个人、改变拍摄角度，或者配合视觉和语音完成新的交互。这样一来，操作系统需要调度的东西已经不只有 App 和系统功能，还开始包括模型、服务，以及 Robot Phone 上这套能实际运动的硬件。手机本来就是荣耀最拿手的产品，也是用户每天都会随身携带的设备。人形机器人什么时候能真正走进普通家庭还不好说，但一套由 AI 控制的机械结构，已经可以先装进手机，跟着用户一起出门。所以 Robot Phone 对荣耀的意义，可能也不只是一款「造型特别」的旗舰手机。过去两年，荣耀已经把 100 亿美元的 AI 投入、人形机器人、Agentic OS、YOYO Skills 和今天这套机械云台一件件摆了出来。显然，荣耀已经不满足于让 AI 只待在屏幕里了。最后来看看价格：荣耀 Robot Phone 提供 12GB + 512GB 和 16GB + 1TB 两个版本，售价分别为 9999 元和 12999 元，8 月 18 日正式开售。