日报

数据来源：AI HOT（aihot.virxact.com） 模型发布/更新 美团 LongCat-2.0 正式发布：国产算力集群训练的万亿参数大模型 美团于 6 月 30 日发布新一代万亿参数大模型 LongCat-2.0 并开源。模型总参数 1.6T，平均激活约 48B，原生支持 1M 超长上下文，并在五万卡国产算力集群上完成全流程训练与推理。架构上采用 LSA 稀疏注意力、零计算专家、ScMoE 及 MOPD 多专家融合，把专家分成 Agent、Reasoning、Interaction 三组。AI HOT 收录的信息显示，LongCat-2.0 在 SWE-bench Pro 获得 59.5，在 SWE-bench Multilingual 获得 77.3，预览版已通过 OpenRouter 和 longcat.ai 开放，月调用量跻身 OpenRouter 全球前三。 📎 公众号：龙猫LongCat（美团） NVIDIA 发布 Nemotron-Labs-TwoTower 开放权重扩散语言模型 NVIDIA 发布 Nemotron-Labs-TwoTower，这是一个基于冻结自回归骨干 Nemotron-3-Nano-30B-A3B 的扩散语言模型。它采用双塔架构：上下文塔冻结，降噪器塔训练，通过层对齐交叉注意力和状态播种协作。在 2×H100 上的 BF16 评估中，它保留 98.7% 的 AR 基线质量，生成吞吐量提升 2.42 倍。降噪器在约 2.1T token 上训练，骨干使用 25T token 预训练，总参数约 60B，每 token 活跃参数约 3B/塔，并支持扩散、模拟 AR 和 AR 三种解码模式。 ...

数据来源：AI HOT（aihot.virxact.com） 模型发布/更新 Claude Sonnet 5 发布，强化自主工具使用与 Agent 能力 Anthropic 发布 Claude Sonnet 5，定位为新一代 Sonnet 模型，强调计划、浏览器、终端和工具调用能力，可在更长任务中自主运行。AI HOT 收录的信息显示，它在推理、工具使用、编程和知识工作等智能体场景相比 Sonnet 4.6 有明显提升，性能接近 Opus 4.8，但价格更低：2026 年 8 月 31 日前输入为每百万 token 2 美元、输出为每百万 token 10 美元，之后恢复到每百万输入 3 美元、输出 15 美元。真正的信号在于，Sonnet 线正在继续向“高性价比主力 Agent 模型”靠拢，模型竞争不只看极限能力，也看能否以更低成本支撑大量工具型工作流。 📎 Anthropic Newsroom：Claude Sonnet 5 Google DeepMind 发布 Nano Banana 2 Lite 和 Gemini Omni Flash Google DeepMind 推出 Nano Banana 2 Lite 与 Gemini Omni Flash。前者是 Nano Banana 系列里速度最快、成本最低的图像模型，文本生成图像约 4 秒出图，每张 1K 分辨率图像成本为 0.034 美元，已进入 Google AI Studio、Gemini API、AI Mode in Search 和 Gemini app 等产品；后者面向高画质视频生成与对话式编辑，视频输出定价为每秒 0.10 美元，并向开发者开放 API。Google 的多模态路线正在变得更产品化：图像模型追求低成本和高频入口，视频模型则逐步进入可编程的开发者接口。 ...

数据来源：AI HOT（aihot.virxact.com） 模型发布/更新 美团 LongCat Owl Alpha 登上 OpenRouter 热门榜，1.6 万亿参数 MoE 使用国产 ASIC 训练 AI HOT 收录的信息显示，美团 LongCat 的 1.6 万亿参数 MoE 模型 Owl Alpha 已成为 OpenRouter 上最流行的模型之一，累计消耗 10 万亿 tokens，性能被称达到 Gemini 与 Opus 4.6 级别。该模型使用 35 万亿 tokens 训练，并完全在 5 万块国产 ASIC 上完成训练；上线后每日调用量进入全球 Top 3，在 Hermes Agent 排名第 1、Claude Code 排名第 2、OpenClaw 排名第 3。真正值得关注的是两条线索：一是国产算力已经进入大模型训练叙事的核心位置，二是模型竞争正在被真实调用量和 Agent 场景重新排序。 📎 X：Emad Mostaque (@EMostaque) 产品发布/更新 Cursor for iOS 公测版发布，手机端可启动云端编码智能体 Cursor 推出 iOS 原生公测版，所有付费计划用户可用。开发者可以在手机上启动始终在线的云端智能体，也可以远程操控电脑端智能体；移动端支持语音输入、斜杠命令和模型选择，任务状态通过锁屏 Live Activities 与推送通知同步。云端智能体运行在隔离虚拟机中，可自动迭代生成合并就绪的 PR，并输出演示、截图和日志。这个发布说明编码 Agent 正在从桌面 IDE 扩展到移动入口：用户不一定要坐在电脑前，才能触发和接管一个开发任务。 ...

数据来源：AI HOT（aihot.virxact.com） 模型发布/更新 Grok 4.5 在 SpaceX 和 Tesla 私测，马斯克称性能接近 Opus Elon Musk 称，Grok 4.5 基于 1.5T V9 基础模型，并在补充训练中加入 Cursor 数据，目前已在 SpaceX 和 Tesla 进入私测。他表示，初步评估显示其性能接近、甚至可能超过 Opus，强化学习仍在继续提升模型，Grok Build 工具链也在完善。这个消息还没有完整技术报告支撑，但它值得关注：xAI 正在把模型迭代直接放进马斯克体系内的真实业务场景里验证，下一步竞争不只是榜单表现，也会看模型能否服务航天、汽车、工程和企业内部工作流。 📎 X：Elon Musk (@elonmusk, xAI) 新浪开源 VibeThinker-3B，强调推理可压缩、事实知识难压缩 新浪发布并开源 VibeThinker-3B。AI HOT 收录的信息显示，这个 3B 参数模型基于 Qwen2.5-Coder-3B，经 SFT、强化学习、自蒸馏等多阶段后训练，在 AIME26 等数学和编程基准上接近远大于自身的模型，LiveCodeBench 表现也超过多个 20B 以下模型；但在知识密集型 GPQA-Diamond 上明显落后。真正有意思的是它背后的判断：逻辑推理可能依赖少数可压缩模式，而广泛世界知识仍需要更大参数承载。对小模型路线来说，这区分了“可以压缩的能力”和“压缩后会损失的知识”。 📎 The Decoder：Sina’s open model VibeThinker-3B 产品发布/更新 Wayfinder Router 推出确定性模型路由，面向本地和托管 LLM 混合使用 Wayfinder Router 是一个在本地模型和托管大语言模型之间做查询路由的工具。它不依赖额外模型调用，而是分析提示词长度、标题、列表、代码、数学证明和硬约束等结构特征，在微秒级给出路由决策，并支持 OpenAI 兼容 API、Ollama、Anthropic、Groq、vLLM 等接口。它切中的问题很现实：当团队同时使用本地模型、便宜模型和高能力闭源模型时，路由器不能本身又带来高延迟、高成本和随机性。确定性路由会成为 AI 成本控制和隐私部署里的基础组件。 ...

数据来源：AI HOT（aihot.virxact.com） 产品发布/更新 阿里千问输入法上线 macOS 版，主打高速 AI 语音输入 阿里千问输入法 macOS 版上线官网，支持最快 300 字/分的 AI 语音输入，可以自动润色、把口语整理成更工整的文字，并支持 9 种方言。官方还预告 iOS、Android 和 Windows 版本将于近日发布。它的意义不只是多了一个输入法产品，而是把“语音转文字、润色、纠错、上下文回复”这些 AI 能力下沉到系统级输入入口；如果体验足够稳定，AI 助手会更自然地进入写作、办公和移动沟通场景。 📎 IT之家：阿里千问输入法上线 macOS 版 Runway API 推出广告本地化 Recipe Runway API 新增广告本地化 Recipe，允许开发者通过一次 API 调用翻译静态广告和图形资产。这个功能看起来不大，但指向的是生成式创意工具的一个高频商业场景：品牌不只需要“生成一张图”，还要把同一套素材快速改写成不同语言、市场和投放环境可用的版本。视频和图像生成 API 正在从创意生成，继续延伸到营销资产的规模化运营。 📎 X：Runway (@runwayml) 行业动态 SpaceXAI 商标消息引发对 xAI 归属的讨论 X 账号 cb_doge 称，SpaceX 注册了 “SpaceXAI” 商标，并表示 xAI 将不再作为独立公司存在，而会成为 SpaceX 的 AI 产品线。这个消息仍需以公司后续正式披露为准，但它反映出一个值得关注的方向：马斯克体系内的 AI、航天、汽车和社交产品可能会被更紧密地组织在一起。对外部观察者来说，真正关键的是 xAI 的模型、数据和算力资源未来会如何服务 SpaceX 与 Tesla 的业务。 📎 X：cb_doge (@cb_doge) 苹果 Vision 负责人将加入 OpenAI，AI 硬件人才争夺继续升温 Berry Xia 汇总称，苹果 Vision 产品组副总裁 Paul Meade 将离职加入 OpenAI 硬件部门。相关信息还提到，Meade 负责过 Vision Pro、无屏幕 AI 智能眼镜和 AR 眼镜研发；苹果首款触控 OLED MacBook 计划使用 M5 Pro/Max 芯片，并在 2026 年底到 2027 年初发布。无论单个产品节奏如何，苹果核心硬件人才流向 OpenAI 都说明，下一阶段 AI 竞争已经明显进入设备形态、交互入口和软硬件整合能力的争夺。 ...

数据来源：AI HOT（aihot.virxact.com） 模型发布/更新 OpenAI 预览新一代模型 GPT-5.6 Sol OpenAI 放出 GPT-5.6 Sol 的预览信息，将其定位为下一代模型。目前公开内容仍很克制，尚未披露具体技术细节、性能参数或功能特性。真正值得关注的是节奏本身：前沿模型发布正在越来越常见地先进入预告、预览和受控放量阶段，而不是一次性面向所有用户打开。 📎 OpenAI：Previewing GPT-5.6 Sol 产品发布/更新 Claude Code v2.1.195 发布，继续打磨全屏模式、Hook 与语音体验 Claude Code v2.1.195 新增 CLAUDE_CODE_DISABLE_MOUSE_CLICKS 环境变量，可在全屏模式下禁用鼠标点击、拖拽和悬停，同时保留滚轮。它还修复了 Hook 匹配器把含连字符标识符按子串匹配的问题，改为精确匹配；macOS 语音听写在默认输入设备变更后长期会话中录入静音的问题也被修复。对高频使用者来说，这类更新说明命令行智能体已经进入细节密集迭代阶段，稳定性和可控性正在和模型能力一样重要。 📎 Claude Code Releases：v2.1.195 行业动态 纽约时报修订诉讼，指控微软为 OpenAI 建造版权侵权超级计算机 《纽约时报》提交经大量编辑的法庭文件，拟修订其对 OpenAI 和微软的版权诉讼，并把微软建造超级计算系统的角色放到更核心位置。它认为，该系统被设计用于帮助 OpenAI 在未经许可的情况下训练 AI，且其文章在训练数据中被加权处理。微软则称这次修订是“挽救不利先例的最后手段”。这起纠纷的意义不只在内容版权，也在于算力基础设施是否会被纳入帮助侵权责任的讨论。 📎 Ars Technica：NYT alleges Microsoft built supercomputer to help OpenAI infringe copyrights 近 400 家美国报纸起诉微软和 OpenAI，称新闻内容被未经授权用于训练 AI 代表近 400 家纸媒的出版商联盟在纽约南区联邦地区法院起诉微软和 OpenAI，指控其未经授权抓取新闻内容，用于训练 Copilot、ChatGPT 等 AI 产品。起诉书称被告系统性复制文章并删除版权管理信息；原告认为 AI 产品基于这些内容创造巨大商业价值，却没有向出版商付费。OpenAI 回应称训练数据基于公开可获取内容且符合合理使用原则，微软未置评。这类案件会继续定义“公开网页内容”与模型训练之间的商业边界。 ...

数据来源：AI HOT（aihot.virxact.com） 模型发布/更新 Ornith-1.0 开源模型家族发布，专注 Agentic Coding 全参数规模 DeepReinforce 发布 Ornith-1.0 开源模型家族，覆盖 9B Dense、31B Dense、35B MoE 和 397B MoE，定位是面向智能体编程的自改进模型。它的重点不只是模型参数规模，而是把任务脚手架也纳入强化学习优化，让模型同时学习“怎么组织执行过程”和“怎么给出最终方案”。这对 coding agent 很关键：当竞争从单轮代码生成转向长链路调试、工具调用和失败恢复，模型能否形成更稳定的执行轨迹，会直接影响真实项目里的可用性。全系列 MIT 开源并提供 GGUF 版本，也让本地和私有代码场景多了一个可测试选项。 📎 DeepReinforce：Ornith 1.0 产品发布/更新 OpenRouter MCP 服务器发布，模型选择被直接放进编辑器工作流 OpenRouter 推出 MCP 服务器，为 Claude Code、Codex CLI、Cursor 等客户端提供实时模型数据、定价、基准和文档查询。它的价值在于把“该用哪个模型”从浏览器资料查找变成了智能体工作流里可调用的上下文：开发者可以直接在编辑器里比较模型能力、价格和端点，再发起测试推理。随着模型数量继续膨胀，模型路由和选择本身正在变成基础设施能力，而不再只是人工经验判断。 📎 OpenRouter：MCP Server Midjourney 预览 V8.2，并继续加速草稿模式 Midjourney 新增 --preview 参数，允许用户提前体验 V8.2 的美学和个性化效果；同时，V8.1 草稿模式支持搭配 --sref random 生成 24 张不同风格的低分辨率草稿，再选择结果升级到全分辨率。这个方向很清楚：图像生成产品正在把“单次出图”改造成“快速探索风格空间”。当试错成本下降，创作者的工作方式会更接近设计软件里的发散、筛选和迭代，而不是一次性押注提示词。 📎 X：Midjourney 预览 V8.2 / Midjourney Updates：随机风格草稿模式 Codex 在 ChatGPT 移动 App 正式可用 OpenAI 宣布 Codex 在 ChatGPT 移动 App 中正式开放，并新增一对一设备配对，让手机与电脑连接更安全。移动端补上通知、目标、侧边聊天、文件预览和内联审阅评论后，Codex 的使用场景开始从桌面开发环境扩展到“随时检查和推进任务”。这类体验会改变 coding agent 的使用节奏：长任务仍在开发机后台运行，但用户可以在移动端审查结果、批准下一步和补充指令。 ...

数据来源：AI HOT（aihot.virxact.com） 模型发布/更新 OpenAI ChatGPT 语音最大规模升级：双向 AI 语音模型 Bidi 1 已上线测试 OpenAI 尚未正式官宣，但部分用户已经在 ChatGPT 网页版和 App 的模型选择器里看到 Bidi 1。它的关键变化是“边听边说”：模型可以在持续输出时接收用户打断，并立刻切换到新指令。相比传统语音助手的一问一答，这更接近真人对话节奏，也说明语音交互正在从“识别语音输入”走向“实时协作界面”。 📎 IT之家：ChatGPT 语音模型 Bidi 1 Qwen-AgentWorld 开源：让 Agent 学会“先预测，再行动” 通义千问开源 Qwen-AgentWorld，目标是给智能体提供一个原生语言世界模型，让 Agent 在行动前先预测环境反馈。它覆盖 MCP、Search、Terminal、SWE、Web、OS、Android 七类场景，并通过真实交互轨迹训练。真正值得关注的是它把“环境模拟器”和“智能体基础模型”结合起来：如果模型能更便宜地试错，Agent 训练和评测就不必完全依赖真实环境。 📎 公众号：通义实验室（千问） Gemini 3.5 Flash 集成计算机使用能力 Google 把 Computer Use 作为内置工具集成进 Gemini 3.5 Flash，开发者可以用它构建跨浏览器、移动端和桌面环境的智能体。此前这类能力更像独立模型或专门功能，现在被放进主力 Flash 模型，意味着企业自动化正在向默认能力靠拢。它同时加入敏感操作确认、提示注入检测等保护，说明“会操作电脑”这类能力的安全边界已经成为产品核心。 📎 Google Blog：Gemini 3.5 Flash computer use GPT-5.5 Instant 新版本，对话更有趣 OpenAI 推送新版 GPT-5.5 Instant，重点放在日常对话体验和复杂约束处理上。官方称它能更好理解问题背后的意图，并让购物、本地推荐等场景更连贯。这类“Instant”模型的价值不在于单次推理最强，而在于高频、低摩擦、低等待的默认体验；当默认模型变得更会聊天，用户对 AI 助手的日常期待也会继续抬高。 📎 X：OpenAI (@OpenAI) 产品发布/更新 豆包正式推出专业版 豆包专业版基于豆包 2.1 系列大模型上线，面向复杂办公和生产力任务。它接入可执行 Agent 任务的豆包 2.1 模型，支持操作本地电脑和浏览器、调用 Skills、执行定时任务、使用 Office 办公套件，甚至生成带后端数据库的在线应用。对字节来说，这不是一次简单订阅升级，而是在把豆包从聊天入口推向可执行工作台。 ...

数据来源：AI HOT（aihot.virxact.com） 模型发布/更新 FastWan-QAD：单卡 5090 上 1.8 秒生成 5 秒视频 Sky Computing Lab 发布 FastWan-QAD，重点不是再堆更大的视频模型，而是把视频生成速度压到更接近可交互的区间。按官方说法，在单张 RTX 5090 上端到端生成一段 5 秒 480P 视频只需 1.8 秒，背后依赖量化感知蒸馏方案。对视频创作和工作流产品来说，这类进展的意义在于把“等待渲染”进一步改造成“边试边改”，也让本地高性能视频生成更有现实可用性。 📎 X：Sky Computing Lab (@haoailab) 京东全栈开源 JoyAI-VL-Interaction，从“一问一答”走向“边看边说” 京东这次开源的不只是一个视觉语言模型，而是一套面向实时交互场景的完整系统。JoyAI-VL-Interaction 可以持续观察视频流、主动判断关键事件并实时响应，还支持把复杂任务转交给后台 Agent 处理。它在真人盲评里相对豆包和 Gemini 的视频通话助手都拿到了较高胜率，说明“持续看世界并实时说话”正在从演示能力变成可部署能力，尤其适合安防、陪护、直播讲解等场景。 📎 公众号：京东 JoyAI 网易有道发布 Confucius4-TTS：14 语种跨语种无口音语音克隆开源模型 有道推出的 Confucius4-TTS，把语音克隆进一步做成“更少样本、更少限制”的基础能力。官方给出的重点包括 3 秒音频实现零样本克隆、14 种语言支持、无需参考文本，以及跨语种无口音合成。对教育、内容制作和数字人场景来说，这意味着多语音色复用和跨语言表达的门槛继续下降，而开源也会推动更多垂直场景快速跟进。 📎 IT之家：Confucius4-TTS Krea 2 技术报告正式发布 Krea 2 的技术报告公开后，外界终于能更系统地理解这类创意生成模型到底靠什么建立效果优势。相比单纯宣传“生成更好看”，技术报告更有价值的地方在于它把数据来源、模型架构和训练技巧摊开，让行业看到图像生成产品竞争已经不只是模型能力比拼，也是在比训练方法、数据工程和交互设计的整体组合。 📎 X：Krea AI (@krea_ai) 豆包音频生成模型 1.0 发布，重新定义 AI 音频创作 火山引擎发布 Doubao-Seed-Audio 1.0，重点不是单点配音，而是一次提示词里直接编排多角色对白、情绪、背景音乐和环境氛围。它还强调长音频里多角色音色一致、支持“一声多角”和音色风格解耦控制。对播客、有声内容、广告和短剧制作团队来说，这代表 AI 音频正在从“辅助配一段音”走向“直接组织整段声音叙事”。 📎 公众号：火山引擎 Mistral OCR 4 Mistral OCR 4 把 OCR 能力从“识别文字”进一步往“理解文档结构”推进。新版本新增边界框、块分类和逐词置信度，覆盖 170 种语言，并支持单容器自托管部署。对企业文档解析来说，这种升级的实用价值很直接：更容易把 OCR 结果接入后续流程自动化、知识库清洗和合规审计，而不仅仅停留在文本抽取。 ...

数据来源：AI HOT（aihot.virxact.com） 模型发布/更新 PP-OCRv6 登陆 Hugging Face，50 语言 OCR 覆盖从轻量到中型部署 PaddleOCR 发布的新一代 PP-OCRv6 模型族把 OCR 部署拉得更细：tiny、small、medium 三档参数规模分别面向极轻量、通用和更高精度场景，其中 small 和 medium 覆盖 50 种语言。按照官方基准，medium 在检测和识别两侧都比上一代 server 版本明显提升，说明 OCR 这类基础能力仍在持续进步，而且正在朝“更小也更强”的方向走。对做文档处理、票据识别和多语种内容采集的团队来说，这类模型更新的实际价值很直接，就是更低的资源门槛和更广的语言适配。 📎 Hugging Face Blog：PP-OCRv6 产品发布/更新 Sakana AI 推出 Fugu，多智能体编排被封装成单一 API 能力 Sakana AI 的 Fugu 试图把“多智能体系统怎么拆任务、调模型、做验证”这套复杂工程，压缩成开发者侧更易调用的产品接口。AI HOT 给出的信息显示，Fugu Ultra 面向工程、科学和推理等高复杂度任务，核心卖点不是单个模型更强，而是通过动态编排多个模型，把多智能体工作流变成默认能力。这类产品的意义在于，未来很多团队未必自己搭 agent orchestration，而是直接采购一层编排服务。 📎 X：Berry Xia 关于 Sakana Fugu 的整理 Oak 公开测试，版本控制开始专门为 AI 智能体重写交互模型 Oak 不是在 Git 上加一点 AI 包装，而是重新定义了更适合智能体的版本控制体验。它用内容寻址、懒加载和“分支即会话”的思路替代传统提交流，目标是让 Claude Code、Codex、Cursor 这类工具更快地进入仓库、理解状态并执行编辑。这个方向值得关注，因为当编码智能体开始成为实际工作流中的常驻成员，围绕它们重做底层开发工具，很可能会成为一个独立产品赛道。 📎 Oak 项目页面 ...