Google DeepMind 发布 Gemini 4 Neon 模型
Google DeepMind 发布 Gemini 4 Neon,这是约七周内推出的第四款 Gemini 4 模型。Neon 每百万 token 输入价格为 $3,缓存输入为 $0.15,输出为 $15,并提供 1M-token 上下文窗口和四档 effort 级别。
Google DeepMind 发布 Gemini 4 Neon,这是约七周内推出的第四款 Gemini 4 模型。Neon 每百万 token 输入价格为 $3,缓存输入为 $0.15,输出为 $15,并提供 1M-token 上下文窗口和四档 effort 级别。
Google 推出 Gemini 4 Neon,并公布其 low、medium、high 三个推理档位的定价对比方法。Neon 的价格为每百万输入 token $3、每百万输出 token $15,当前高于半价促销的 Carbon 和 Hydrogen,但预计 12 月 1 日 Carbon 恢复原价后排序将改变。
Google DeepMind 发布 Gemini 4 Neon,面向复杂软件工程、知识工作和科学研究提供快速端到端任务执行能力。模型支持 1 million-token 上下文窗口,定价为每百万输入 token $3、每百万输出 token $15,并提供四档思考等级。
推荐理由:Gemini 4 Neon 提供四档思考等级、百万 token 上下文和面向生产环境的智能体能力,便于评估复杂工作流中的性能与成本权衡。
Google DeepMind 的 Gemini 4 Neon 正式上线 OpenRouter,可通过 Google Cloud 使用。该模型面向复杂软件工程、知识工作和科学场景,定位介于 Carbon 与 Hydrogen 之间;Google 称其在 Artificial Analysis Coding Agent Index 排名第一,每任务成本比 Carbon 低 32%。
Google 发布 Gemini 4 Neon,并通过 API 提供服务,定价为每 1M 输入 tokens $3、每 1M 输出 tokens $15。
RadixArk 发布首个模型 DaisyRose-27B,该模型基于 Qwen3.8-27B,使用 Miles 通过强化学习完成后训练。训练使用约 1,200 个精选任务,在 18 天内动用 144 张 H200 GPU,支持最长 1M tokens 的会话,并将 Terminal-Bench 4.1 pass@1 从 5.6% 提升至 12.0%。
推荐理由:RadixArk 公开了长程智能体后训练的数据、训练后端与沙箱方法,便于读者比较其效率收益与复现条件。
Google DeepMind 发布 Genie 4,允许用户通过文本实时改变天气、角色或故事线,并生成随场景变化的原生实时声音。Genie 3 新增长达 3 分钟的会话、360 度全景支持和可串联世界;Project Genie 还加入基于语音描述搭建世界的 AI 智能体与社区作品库。
Microsoft AI 在 Ignite 大会一次发布 7 款新模型,主攻全天候 AI 智能体,并以价格与性能比作为主要定位。
推荐理由:文章汇总 7 款模型的基准、价格与可用状态,便于横向比较其对现有模型组合的替代范围。
Hugging Face 以 Apache 2.0 许可证开源0.5B参数语音识别模型 Rumble-2-Flash,支持40+种语言,并原生支持 Transformers 和 vLLM。
推荐理由:通过与更大模型对比及通话场景评测,文章呈现0.5B语音识别模型在多语言、速度和鲁棒性上的表现。
OpenAI 发布 GPT-6.2 Astra 与 Sol,面向 ChatGPT Work、Codex 及 API 用户开放,API 模型名分别为 gpt-6.2-astra 和 gpt-6.2-sol。
腾讯混元宣布开放 Hy4 flash 模型权重,包含 Hy4 flash-FP8 和 Hy4 flash-Base 两个版本。该模型总参数量为 224B,激活参数量为 12B,支持 1M 上下文并原生支持多模态,定位高效日常生产力场景。模型以 Tencent Hy License 发布,可通过 Hugging Face 和 GitHub 获取,官方预告 Hy4 即将推出。
Microsoft AI 发布 MAI Image 2.7 和 MAI Image 2.7 Flash,并推出由 Flash 驱动的 Canvas 交互式图像工作区。
OpenAI 发布面向高难度项目的 GPT-6.2 Astra 和面向日常工作的高效模型 GPT-6.2 Sol,两者已通过 API 以 gpt-6.2-astra 和 gpt-6.2-sol 提供,LLM 0.38 也已支持新模型。
同一件事,精选收录的是《OpenAI 发布 GPT-6.2 Astra 和 Sol》
数字生命卡兹克深度实测 GPT-6.2 Astra,评价其成本较低但能力偏向明显,沟通可读性仍然较弱。OpenAI 已发布 GPT-6.2 Astra 与 Sol,并同步上线 ChatGPT、Codex 和 API。
推荐理由:实测同时覆盖成本与沟通表现,可帮助读者对照省钱诉求和实际可用性,但摘要未提供完整测试细节。
Microsoft 在 Ignite 2026 发布多款 MAI 模型,并推出 MAI Licensed Weights,允许企业使用专有数据定制模型后,在自己的 Azure 环境中运行。
OpenAI 发布 GPT-6.2 Astra 和 GPT-6.2 Sol,分别面向高要求专业工作与日常任务,并降低 API 运行成本。Astra 每百万输入、缓存输入和输出 token 的价格分别为 $8、$0.40 和 $40,Sol 保持 $2、$0.10 和 $10。
同一件事,精选收录的是《OpenAI 发布 GPT-6.2 Astra 和 Sol》
Artificial Analysis 评测显示,OpenAI 的 GPT-6.2 Astra 和 GPT-6.2 Sol 位居其智能指数第二,仅落后于 Claude Fable 5.2。
推荐理由:评测同时呈现智能、任务成本、科学知识、3D、机器人与编码表现,为比较两款模型的权衡提供了具体依据。
OpenAI 发布 GPT-6.2 Astra 和 GPT-6.2 Sol,两个模型现已开放使用。官方称两款模型高效且面向真实场景表现,Sol 的 ultrafast 已扩展至 Pro 200 套餐,作者表示 Sol 是其日常使用的主力模型。
OpenRouter 宣布 OpenAI 的 GPT-6.2 Astra 和 GPT-6.2 Sol 上线,两款模型均提供 Pro 版本。GPT-6.2 Astra 面向最难的项目,评测成绩创新高,每任务成本不到 GPT-6 Astra 的三分之一,价格为 $8/M 输入、$40/M 输出;GPT-6.2 Sol 面向日常智能体工作,价格为 $2/M 输入、$10/M 输出。
推荐理由:两款模型分别覆盖高难度项目与日常智能体任务,并给出评测表现和按 token 计费价格,便于比较定位与使用成本。
Microsoft 在 Ignite 2026 发布 MAI 系列 7 个新模型,覆盖网络安全、编码、图像编辑、实时语音、转录和决策等场景。
Microsoft AI 发布首个语音到语音模型 MAI Realtime 1,基础使用定价为每分钟 $0.01。官方称该模型在质量、速度和价格上优于 GPT Realtime 2.1,位于 Big Bench Audio 语音推理与 τ-Voice 智能体任务完成基准的价格性能前沿。
Microsoft AI 发布 MAI Code 2 和 MAI Code 2 Flash 编码模型,分别面向日常企业编码任务与高频常规编码工作。按四项编码基准,MAI Code 2 以 40% 的成本达到 GPT 6.1 Sol 的 98% 性能,以 5% 的成本达到 Claude Opus 5.5 的 96% 性能。
推荐理由:文章给出两款模型在编码基准、前端评测与成本方面的对比,并说明其在 GitHub Copilot 和 Microsoft Foundry 的可用状态。
OpenAI 发布 GPT-6.2 Astra 和 Sol,提升专业输出、编码、电脑操作与效率,并降低 ChatGPT Work、Codex 和 API 的使用成本。新模型已面向 ChatGPT Work、Codex 和 API 提供。
推荐理由:发布信息聚焦专业输出、编码、电脑操作和效率提升,并说明这些变化覆盖 ChatGPT Work、Codex 与 API。
Artificial Analysis 评测 OpenAI 新发布的 GPT-6.2 Astra 和 GPT-6.2 Sol,Astra 的 Artificial Analysis Intelligence Index 上涨 5 分至 62,GPT-6.2 Sol 的编码代理表现未提升。
OpenAI 即日起向 Plus、Pro、Enterprise 和 Edu 用户开放 GPT-6.2 Astra 与 Sol,可在 ChatGPT Work 和 Codex 中使用。
快手可灵 AI 发布新一代图像创作模型 Kling Image 4.0,现已全量上线,并向企业客户与开发者开放 API。模型采用“理解生成统一”架构,原生支持 8K 图像生成,内置 110+ 种预设影调风格和 70+ 种商用字体,可处理最高 15000 tokens 文本输入、生成单图最多 2000 字,以及一次最多 10 张风格连贯的组图和电商详情页等超长画幅长图。
Cloudflare 将自身称为 neolab,并已推出 System One 模型 Clef 和 Clairic,其模型路线聚焦后训练及让较小、更快的模型处理适合的任务。Clairic 是一款抽取模型,可从非结构化输入中通过一次前向传播提取并计算类型化数值,以减少 LLM 在订单号识别、JSON 格式和模型幻觉方面的问题。团队还在实验推理模型和其他 LLM,但不太可能从零预训练前沿模型。
Black Forest Labs 在访谈中介绍 FLUX 3 如何联合训练图像、视频与声音,以学习物体运动、视角变化和碰撞声音。团队认为普通二维视频可提供不同视角下物体外观的证据;其视频放大器沿用 FLUX 3 骨干,以减少逐帧增强导致的时间闪烁。FLUX Kontext 团队还分享了从关系标注实验到训练数据和模型的数月迭代,以及修复老旧家庭照片的实际用法。
Alibaba 发布 Qwen4-Max,以更少激活参数和更低价格对标 Opus 5.5、GPT-6 与 Kimi K3.1 Pro。该 MoE 模型总参数量为 2.4 trillion,每个 token 激活 71 billion 参数,支持原生图像输入和 1 million-token 上下文窗口。
推荐理由:架构、token 消耗与 API 定价数据齐全,读者可据此比较其与 Opus 5.5、GPT-6 等模型的性价比取舍。
Google 发布 Gemini 4 Carbon、Decisions API 和自托管 agent 沙箱。Gemini 4 Carbon 提供 1M 共享 token 池,11 月 30 日前定价为每 1M tokens 输入 $2.00、输出 $10.00。
腾讯混元推出 Hy4 flash,总参数 224B、激活 12B,支持多模态和 1M 上下文。其 API 输入价格为每百万模型 token 0.5 元,输出为每百万模型 token 2 元,均低于 Hy4。
腾讯混元推出 Hy4 flash,总参数 224B、激活参数 12B,支持多模态和 1M 上下文。其 API 价格相比 Hy4 大幅降低,面向日常模型使用场景。
通义千问发布 Qwen4 Max,Artificial Analysis Intelligence Index 得分为 43。其每任务成本为 $3.27,约为 Qwen3.8 Max 的三分之一,输出 token 用量减少 39%。
Qwen4-Max 在 Agent Arena 榜单中以 +7.5% 净提升排名第14,成为榜单排名最高的中国模型。Alibaba 成为排名第一的中国实验室,总榜升至第5,仅次于 Anthropic、Google、OpenAI 和 Meta。
Qwen 团队发布基于新 Qwen4 架构的 Qwen4-Max,拥有 2.4T 骨干参数、每 token 激活 71B 和 328B N-gram Embedding 参数。模型具备原生视觉能力,并提供 100 万 token 上下文窗口,面向长程智能体任务。
Anthropic 发布语言模型 Claude Fable 5.2,可通过 Python 代码驱动模拟画笔,在虚拟画布上绘制数十万笔而不依赖外部图像模型。模型生成的停车场写实画面约含 700,000 笔,绘画过程中还能根据画面覆盖错误并接受评论调整。
美团发布面向智能体的 1.6 万亿参数 LongCat-2.5,并按 MIT 许可证开放模型权重。该模型全程使用中国 AI 芯片训练,采用 MoE 架构,每个 token 激活约 48B 参数,支持文本、图像和视频输入、1M token 上下文及最长 128,000 token 输出。
推荐理由:美团同时披露了 LongCat-2.5 的开放权重、中文芯片训练路径与多项智能体基准成绩,便于读者评估其自部署成本和能力位置。
Gemini 4 Carbon在MathArena数学基准中以85.4% ±3.0%的预期性能超过GPT-6.1 Sol和Claude Fable 5.2。按测试所用推理设置,其预计成本分别为$15.70 ±$1.33、$40.20 ±$2.59和$1.07 ±$0.018。Gemini 4 Carbon常见失败模式是超过时限,并曾运行脚本超过11小时而未检查进度。
Runway 发布 Praxis-1 机器人控制模型,以开放权重和 Apache 2.0 源码形式提供,并允许商业使用。模型接收摄像头图像、文本指令和机器人位置信息,预测环境变化并持续计算控制动作;其在 Nvidia RoboLab-120 上的成功率为 46.2%,实机十项任务共成功 88 次。
MOSS-Live 在 MOSS 官网公布的六项全双工指标中均居参评模型首位,其停顿抢话率为 1.44%,无关语音误接话率为 2.00%。与 GPT-Live-1、GPT Realtime 2.1 和豆包相比,MOSS-Live 的工具调用成功率为 51.00%、多轮任务成功率为 57.93%,但后者仍低于 GPT-Live-1 的 67.68%。