Grok Voice 3.0 登顶 AudioArena 语音榜
xAI 的 Grok Voice 3.0 在 AudioArena 语音评测拿了第一，85.7% 的通过率压过 GPT Live 1 和 Gemini 的语音模型，想比比各家语音模型效果的可以看看。
#多模态
共 1620 条 · 7 天 147 条 · 30 天 620 条 · 话题观测 →
10月16日
NVIDIA Nemotron 3.5 Super VL 免费登陆 Cline，120B 参数视觉模型
NVIDIA 发了个开源视觉模型 Nemotron 3.5 Super VL，120B 参数但只激活 12B，在 Cline 里免费用，还能直接读图和视频。
Meta 发布 Muse Spark Open：816B 参数开源权重模型
Meta 放了个 816B 的开源模型 Muse Spark Open，激活才 42B，能看视频听音频写代码，搞智能体的可以跑跑看。
muse spark open 发布：816B 参数美国开源权重模型，支持 1M 上下文
美国又出一个开源权重模型，816B 参数、百万 token 上下文，主打写代码和跑智能体长任务，可以关注下权重何时放出。
Google 推出 Gemini 4 Argon，想让机器人只需一个模型
Google 把机器人要用的感知、控制、仿真全塞进 Gemini 4 Argon 一个模型，ERQA 基准拿了 87%，但演示里人工干预还不少。
NVIDIA 发布 Nemotron 3.5 Super VL：单一模型整合文本与视觉理解
NVIDIA 出了个 Nemotron 3.5 Super VL，文本和图像看图一个模型全包，做智能体不用再在两个模型之间倒腾上下文了。
Krea 发布 Krea 3 图像编辑模型：单张编辑不到 8 秒，$0.06
Krea 新出的 Krea 3 编辑一张图不到 8 秒才 6 美分，Nano Banana Pro 要 29 秒，跑批修图可以试试。
Nvidia 开源多模态模型 Nemotron 3.5 Super VL，面向企业智能体场景
Nvidia 开源了个 1200 亿参数的多模态模型 Nemotron 3.5 Super VL，专门跑企业智能体，还有小号 Bolt 版本能装在本地机器上，做微调的团队可以看看。
NVIDIA 发布 Nemotron 3.5 Super VL，CoreWeave 提供无服务器推理
NVIDIA 新出的多模态 MoE 模型，12B 激活参数，能处理图片加文本，CoreWeave 上直接能调，缓存输入只要 $0.05 每百万 token。
OpenRouter 上架采用 Hybrid Mamba-Transformer MoE 架构的多标记预测模型
OpenRouter 上了个新模型，Mamba 和 Transformer 混合架构加多标记预测，输出更快，主攻文档处理和视频理解这几类活儿。
NVIDIA 开源多模态模型 Nemotron 3.5 Super VL 上线 OpenRouter
NVIDIA 开源的 120B-A12B 多模态模型上了 OpenRouter，1M 上下文，能看屏幕和视频的智能体可以试试这个。
ElevenLabs 发布 Eleven v4，八语言盲测中听众认为其表现力更强
ElevenLabs 放出了自家 Eleven v4 和竞品的八语言盲听测试，听的人都说它读起来更有感情，做配音的可以去听听对比。
NVIDIA 发布 Nemotron 3.5 Super VL，长输入下仍保持高输出速度
NVIDIA 放出了 Nemotron 3.5 Super VL，是个视觉语言模型，亮点是输入拉到 100K token 还能保持输出速度，Artificial Analysis 有跑分对比。
Chef Robotics 在 Anyscale 上训练 VLA 模型提速 10 倍
Chef Robotics 用 Anyscale 把机器人 VLA 模型训练提速 10 倍，16 张 A100 上扩展效率有 92%，做机器人训练的可以看看这套做法。
10月15日
NVIDIA 公开 Nemotron 3.5 Super VL 训练细节，权重与数据全开放
NVIDIA 把 Nemotron 3.5 Super VL 的训练配方、数据、权重都放出来了，想做视觉多模态定制微调的可以直接拿去复现。
Gemini 4 Argon 在 Antigravity 中自主生成可探索 3D 宝塔场景
DeepMind 放了个演示，Gemini 4 Argon 在 Antigravity 里自己搭出一座能逛的 3D 宝塔，几分钟搞定，过程全程自动。
NVIDIA 发布开源多模态模型 Nemotron 3.5 Super VL
NVIDIA 开源了个 120B 的多模态模型，激活只有 12B，能看图看视频还能调工具跑智能体，做 Agent 的可以看看。
NVIDIA 与 Scale AI 联合发布 Nemotron 3.5 Super VL 专用模型
NVIDIA 和 Scale AI 一起搞了个 Nemotron 3.5 Super VL，思路是把通用模型改成便宜好用的专用模型，做企业部署的可以看看。
NVIDIA 发布开源模型 Nemotron 3.5 Super VL，主打视觉理解与工具调用
NVIDIA 又添了一个开源多模态模型，视觉加工具调用一体化，想自己部署 Agent 的话可以看看它和 Qwen-VL 比怎么样。
NVIDIA Nemotron 3.5 Super VL 开源权重模型上线 Together AI
NVIDIA 的开源权重多模态模型 Nemotron 3.5 Super VL 上 Together AI 了，能看文档、屏幕和视频做推理，适合做常驻智能体。
StepFun 开源 Step 5 Preview：600B 稀疏 MoE，权重已上线 Hugging Face
StepFun 把 600B 的 Step 5 Preview 权重直接开源了，1M 上下文还带视觉输入，搞智能体和长文档的可以去 Hugging Face 下载试试。
MiniCPM-V 4.7 接入 Claude Code，跑通编码工作流
有人把 MiniCPM-V 4.7 塞进 Claude Code 里跑编码，还建了个 3D 场景，出错自己改，想看开源多模态模型干活的可以瞧瞧。
NVIDIA 或在 GTC 发布 Nemotron 3.5 Super VL 新模型
NVIDIA 预告下周 GTC 上可能发 Nemotron 3.5 Super VL，一个带视频理解的多模态模型，架构细节已经泄露出来了。
TypeSafe AI 发布 Jev 1.14：新增图像输入与 262k 上下文
TypeSafe AI 的 Jev 1.14 上线了图像输入和边界框类型，上下文可选开到 262k，价格也便宜，做视觉任务的可以试试。
DeltaStreamer 提出流式视频理解智能体框架
这篇论文做了个能边看视频边记笔记的智能体，回答问题前还会回头重看历史帧补证据，在 OVO-Bench 和 StreamingBench 上分数都超过了现有方法。
Jev 1.14 上架 OpenRouter：多语言与多模态升级，价格不变
OpenRouter 上架了 Jev 1.14，输出免费输入才 $0.042/M，还加了看图能力和多语言改进，性价比党可以试试。
OpenRouter 演示用 Chat Completions 格式传多模态内容并获取选项概率
OpenRouter 演示了传图片音频视频拿选项概率的写法，整次请求才 0.00012 美元，做分类任务可以抄。
论文12:45
用 LLM 结合文本与传感器数据过滤工业训练数据，虚拟流量计 MAPE 从 7.1% 降至 5.4%这篇论文教你用 LLM 读工程师备注来清洗工业传感器数据，虚拟流量计的 MAPE 直接从 7.1% 降到 5.4%，做工业机器学习的可以看看思路。
