新 AI 模型

Muse Wonder

Muse Wonder 是 Meta 面向个人与专业 AI agent 的旗舰前沿模型，与 Muse Wonder Full 同系列发布，在吉瓦级规模的 Prometheus 数据中心训练完成。Active Memory 机制跨对话保存用户重要上下文并按任务主动检索相关细节，Active Focus 则让模型在长期目标上持续推进，尝试替代方案、解决阻塞并在重要操作前先行确认。官方称其在 Artificial Analysis Intelligence Index、AutomationBench-AA、MemoryBench、SWE-Marathon、DeepSWE 等 agent、记忆与编码基准上达到 SOTA，领域评测覆盖法律、金融与健康场景。模型现经 Meta Model API 与 Muse Code 提供，后续将接入 Muse 消费端体验并先向订阅用户开放。

Muse Wonder Full

Muse Wonder Full 是 Meta Muse Wonder 系列中更高配的旗舰型号，属于面向个人与专业 agent 任务的前沿 LLM，官方称该系列在 agentic、memory 与 coding 相关 benchmark（含 MemoryBench、SWE-Marathon、DeepSWE）上达到 SOTA 水平。它将 Active Memory（跨对话携带用户关键上下文并主动检索任务相关细节）与 Active Focus（通过尝试替代方案、排除阻塞和适应新信息来支撑长程任务执行）相结合。模型基于比 Muse Spark 1.3 更大更强的基座，在 Meta 的 gigawatt 级 Prometheus 数据中心训练，具备法律、金融、健康领域的专业知识、前沿 coding 能力，以及随 test-time compute 扩展而在分布外任务上超出趋势预估的表现。Muse Wonder Full 目前仅向 Muse Code 订阅用户提供，并配备 Meta 迄今最强的 CBRN 与网络滥用防护，对私人信息做谨慎处理。

GLM-Legal

GLM-Legal 是智谱基于轻量级 GLM-5.3-Flash 底座打造的法律领域专用模型，在 mid-training 阶段扩充法律语料，并在数万个拟真法律环境中进行 post-training 强化学习。据 Vals AI 独立评测，它以 19.2% 的全过率位列 Harvey Legal Agent Benchmark 开放权重模型第一（较基座提升 12.5 个百分点），并以更精简的参数规模在 LegalBench 与 PLawBench 上接近更大的闭源旗舰模型。配合 Harness 运行时编排框架，它面向法律咨询、案例分析与文书起草等 agentic 场景，相关能力也将接入 AutoClaw 桌面端。

Qwen-Image-2.1-Turbo

Qwen-Image-2.1-Turbo 是 Qwen-Image-2.1 的加速档 checkpoint，沿用同一套 7B 视觉生成架构，将去噪步数压缩到 8 步并预置推荐采样调度，配合 prefix KV cache 降低推理开销。能力与基础版一致：原生 RGBA 透明通道、最多 10 张参考图的多主体合成、通过圈选/标注/蒙版进行局部编辑，以及原生 2K 分辨率下的文字渲染。适合需要快速迭代出图与改图的场景，也可通过阿里云百炼 API 调用。

Claude Haiku 5.5

Claude Haiku 5.5（API 型号 claude-haiku-5-5）是 Anthropic 面向高吞吐、延迟敏感场景的新一代 Haiku 模型，已在 Claude API、Amazon Bedrock、Claude Platform on AWS、Google Cloud 和 Microsoft Foundry 上线。它提供 1M token 上下文窗口、128k 最大输出，支持 adaptive thinking 与 effort 参数，可在成本与智能之间权衡。官方称其为迄今最强的 Haiku 代际，在 computer use（OSWorld）与 Terminal-Bench 等 benchmark 上较 Haiku 4.5 大幅提升，也适合与 Opus 5.5、Sonnet 5.5 搭配充当高速 subagent。从 Haiku 4.5 迁移存在破坏性变更，如 manual extended thinking（budget_tokens）、采样参数行为变化与 computer 工具版本更新，官方提供了 whats-new 页与迁移指南。

GPT-6 Instant

GPT-6 Instant 是 OpenAI 面向 ChatGPT 消费端的日常对话模型，接替 GPT-5.6 Instant 的位置。它先向 Plus、Pro、Business、Enterprise 档推出（底层为 GPT-6 Sol），随后扩展到免费与 Go 档（底层为 GPT-6 Luna），均针对日常对话调优。首发 Intelligent UI，可将文本与按钮、表单、图表等交互组件组合成回复，并支持边思考边作答，官方称需要联网搜索的问题平均比 GPT-5.6 Instant 提前 44% 开始输出答案。该更新仅覆盖 ChatGPT 的 Chat 体验，Work 与 Codex 所用模型不变。

Vidu Q4 Preview

Vidu Q4 Preview 是 Vidu 下一代旗舰视频生成模型的公开预览版，API 模型 id 为 viduq4-preview。它支持音画同出（自动生成台词与音效）、自动切镜，可输出 3 到 16 秒、最高 4K 分辨率的视频；参考生视频最多接受 15 张参考图与 3 段参考音频，支持音色复刻与口型同步，图生视频则将单张静图延展为高动态流畅画面，可自然呈现爆炸、烟火等效果。适用于 AI 短剧、广告营销、社交互动与影视创作，API 定价 540p 起每秒 9 积分。

EmbeddingGemma 2

EmbeddingGemma 2 是 Google 基于 Gemma 4 架构打造、以 Apache 2.0 协议开源的端侧原生多模态 embedding 模型，共 7.4 亿参数，纯文本负载最低只需 270M，可加装 170M 视觉与 300M 音频编码器，把文本、代码、图片、音频与视频的组合映射到统一嵌入空间。它支持 8K token 上下文（约 5.5 分钟音频、29 张图片或 58 帧视频）与 Matryoshka 维度截断（768 最低可到 128 维，本地向量库存储最多缩减 6 倍），在 MTEB Code 和 MAEB 上居 1B 以下多模态 embedding 模型前列。量化后在 Pixel 11 Pro 上纯文本推理最低约 191MB 内存，适合端侧搜索、语义代码检索与隐私优先 RAG。

Mistral Large 4

Mistral Large 4（非官方简称 ML4，代号 le Chonk）是 Mistral AI 的旗舰原生多模态模型，采用 granular MoE 架构，总参数 1.05T、激活参数 49B，配备 1.6B vision encoder，上下文窗口 1M token，现已在 Mistral Studio API 开放公开预览，开放权重稍后释出。模型在欧洲自建数据中心的 3,800 块 NVIDIA Grace Blackwell GPU 上从零训练，主打 coding、agentic workflow 与多模态理解，在网络安全、金融、法律等企业负载上达到开放权重模型中的最先进水平，visual grounding 能力超过部分闭源前沿模型。适用于安全运营、文档与图表理解、金融法律知识工作、科学计算等企业场景。

Qwen-Image-2.1-Pro

Qwen-Image-2.1-Pro 是 Qwen 系列统一的文生图与图像编辑模型，视觉生成组件仅 7B 参数，采用 32 层单流 DiT 架构，配合混合粒度注意力机制与前缀 KV 缓存复用。它可原生生成透明（RGBA）图像、编辑透明图层并从照片中提取主体，编辑时支持最多 10 张参考图像，能用圆圈、手绘标注或独立蒙版指定局部编辑区域并保留人物与产品身份，同时改进了字体排印、人像光照与细节表现。该模型通过阿里云百炼（Model Studio）提供 API 服务。

FLUX 3 Image

FLUX 3 Image 是 Black Forest Labs 面向可控生成与编辑的旗舰图像模型，单端点即可完成文生图、像素级局部编辑与最多 10 张参考图合成，prompt 中的 JSON bounding box 直接控制版式，无需单独的 mode 参数。它支持在一次请求内对多个元素进行重着色、替换、移动、缩放或移除，分辨率覆盖 768sq 快速预览到 4K（约 16 百万像素）共 15 种宽高比，定价每张 $0.041 至 $0.607。适合海报与封面设计、多语种文字排版以及多参考图合成等场景。

MAI-Transcribe-2-Streaming

MAI-Transcribe-2-Streaming 是 Microsoft MAI 首个流式语音识别模型，面向实时对话式 voice agent 场景。它支持 60 种语言的低延迟实时转写与自动连续语种检测，收到音频约 100 毫秒后即输出 partial 中间假设，并随上下文滚动修正、尽快提交稳定文本。官方称其在 Artificial Analysis 的 final 与 partial 转写准确率榜单均排名第一，实时听写与字幕场景下文字出现速度约为最近竞品的 2 倍。模型目前以每小时音频 0.54 美元的 introductory 价格提供，可与 MAI-Voice-2.1-Flash 搭配构成低延迟语音 agent 回路。

MAI-Voice-2.1

MAI-Voice-2.1 是 Microsoft MAI-Voice 系列中保真度最高、表现力最强的 text-to-speech 模型，可从文本或短参考音频生成 23 种语言的自然语音。它支持经访问审核的 instant voice cloning、基于 SSML 的情感与风格控制，并在长文本生成中保持稳定的说话人一致性，适合有声书、播客、课程讲解与配音等场景。模型已通过 Azure Speech 以 public preview 形式开放，同系列另有面向实时语音 agent 等低延迟场景的 MAI-Voice-2.1-Flash 变体。

MAI-Voice-2.1-Flash

MAI-Voice-2.1-Flash 是 Microsoft MAI-Voice 2.1 系列的快速变体 text-to-speech 模型，主打高速低延迟的语音生成。它支持 23 种语言的高保真自然表达性合成，提供门控的即时 voice cloning（短参考音频即可复刻授权声线）与基于 SSML 的细粒度情感风格控制。模型为实时响应优化，适用于 voice agent、语音助手、IVR 与呼叫中心等对延迟和成本敏感的交互场景，可通过 Azure Speech SDK、Voice Live 与 Microsoft Foundry 获取。

PixelUMM

PixelUMM 是 NVIDIA 自研的 encoder-free 统一多模态模型，在像素空间直接处理文本、图像与视频的理解和生成。模型以 Qwen3-8B 为语言骨干，总参数量约 15.2B，采用 decoder-only Transformer 架构，将 RGB 图像表示为 16x16 像素 patch，并用迭代去噪生成头完成图像与视频生成。它支持文生图、图像条件文本生成、视频条件理解与视频生成，适合研究统一多模态建模与像素空间表征学习，权重按非商用研究许可发布。

Praxis-1

Praxis-1 是 Runway 首个开放权重的 world action model，把其世界模型同源的大规模网络视频预训练转化为真实机器人的通用控制策略。模型从视频中习得物理合理性与物体行为规律，同一策略可跨任意 embodiment 与环境迁移，覆盖双臂操作、机械臂到移动底盘等形态。官方评测显示，纯网络视频预训练在放置任务上与遥操作机器人数据相当（16.1 cm 对 16.0 cm final placement error），仿真与真机表现相关性达 0.95。目前正与 Noble Machines、Standard Bots、Ultra 等早期伙伴测试，开放权重将稍后公开发布。

Suno Speech

Suno Speech 是 Suno 推出的语音音频模型，官方称其为首个将语音与音乐作为一个连贯音轨一起生成的音频模型。用户输入一段想法、诗歌或自己写下的文字，再描述想要的音色与音乐风格，即可生成配有原创背景音乐的语音轨道。该功能内置于 Suno，beta 已向全部用户开放，适合制作朗诵、冥想、鼓舞音频、睡前故事等个性化语音内容。

Gemini 4 Argon

Gemini 4 Argon 是 Google 新一代旗舰前沿模型，也是 Gemini 4 系列的首个发布，主打在复杂长程工作流中保持深度推理，面向真实软件工程、法务金融税务等企业知识工作与防御性网络安全。官方给出多项领先成绩，包括 DeepSWE v1.1 77.9%、长视频理解 LVBench 91.7%、CWE-bench v1 68% 并列第一，并将输出上限提升到 1M token。模型分阶段推出，先向 Fairwind 计划的网络防御者开放，开发者、企业与消费者版本稍后开放；introductory 定价为输入 $2/M token、输出 $10/M token、缓存输入为输入价的 5%。

Ideogram 4.5

Ideogram 4.5 是 Ideogram 的精准图像编辑模型，用于抑制图像模型在多轮编辑中逐轮累积的像素漂移、色彩偏移与纹理伪影。其 precise-edit 管线把编辑未触及的像素从原图原样复制回来，支持可选 mask 圈定编辑区域、最多 4 张参考图（使用 mask 时为 3 张），结果按输入图像的原始宽高返回。模型可在高分辨率原图上直接局部编辑并无缝拼回，官方演示使用 24.2 MP 原图，生成端支持 1K/2K 预设（最高 2048x2048）及 1:6 到 6:1 的宽高比。适用于商品换色、老照片修复、招牌文字修改与大幅面印刷精修，已在 Ideogram app 与 API 开放。

GPT-6.1 Sol

GPT-6.1 Sol 是 OpenAI GPT-6 Sol 的升级版，在 agentic 编程、计算机使用和专业工作上提升明显，以约五分之一的标准 token 价格提供接近 GPT-6 Astra 的性能。API 定价为每百万输入 token 2 美元、每百万缓存输入 token 0.10 美元、每百万输出 token 10 美元；官方评测中 GDP.pdf 得分超过 Opus 5.5 且单任务成本不到其一半，OSWorld 2.0 与 Astra 的差距缩小到 2.1 个百分点以内。该模型已在 ChatGPT Work 和 Codex 中开放，开发者可通过 API 以 gpt-6.1-sol 调用。