AI 模型 – mylogs.cn https://mylogs.cn 发现、记录、分享 Tue, 29 Sep 2026 17:09:10 +0000 zh-Hans hourly 1 阿里千问发布同传大模型：60 种语言延迟压到 2.3 秒 https://mylogs.cn/%e9%98%bf%e9%87%8c%e5%8d%83%e9%97%ae%e5%8f%91%e5%b8%83%e5%90%8c%e4%bc%a0%e5%a4%a7%e6%a8%a1%e5%9e%8b%ef%bc%9a60-%e7%a7%8d%e8%af%ad%e8%a8%80%e5%bb%b6%e8%bf%9f%e5%8e%8b%e5%88%b0-2-3-%e7%a7%92/ Sat, 19 Sep 2026 11:12:11 +0000 https://mylogs.cn/%e9%98%bf%e9%87%8c%e5%8d%83%e9%97%ae%e5%8f%91%e5%b8%83%e5%90%8c%e4%bc%a0%e5%a4%a7%e6%a8%a1%e5%9e%8b%ef%bc%9a60-%e7%a7%8d%e8%af%ad%e8%a8%80%e5%bb%b6%e8%bf%9f%e5%8e%8b%e5%88%b0-2-3-%e7%a7%92/ 阿里巴巴旗下阿里千问于 9 月 19 日正式发布同声传译大模型 Qwen3.8-LiveTranslate。该模型以 Interleave 架构重构实时同传流程，将字均延迟（LAAL）从 2.8 秒降至 2.3 秒，在准确度、流畅度与简洁度上较上一代均有提升，面向会议、直播、课堂与跨国沟通等真实场景。

阿里千问 Qwen3.8-LiveTranslate 同声传译大模型

从 2.8 秒到 2.3 秒

实时同声传译最大的难点不在”翻得准”，而在”翻得跟得上”。字均延迟衡量的是源语言语音与其对应译文之间的平均滞后，在长达两小时的跨国会议里，半秒之差就可能造成说话人已翻篇、译员还在补上一句的脱节。

在支持 60 种语言的基础上，Qwen3.8-LiveTranslate 新增三项能力，直指同传落地时最容易被卡住的环节：实时说话人分离让每句话归属清晰、音色复刻更稳定；原文译文同帧同出实现双语同屏；长上下文消歧则联系前文语境理解当下内容，让人名与专业术语的翻译更精准。这三项能力过去往往要靠人工译员兜底，如今被写进了模型的能力清单。

Thinker 与 Talker 各管一段

技术路线上，Qwen3.8-LiveTranslate 采用基于 Hybrid MoE 的 Thinker–Talker 双模块设计，通过 Interleave 方式衔接流式理解、文本输出与语音生成。其中 Thinker 把视频、音频、原文与译文编排进同一条因果序列，按时序交替排列、端到端产出，让理解与翻译在单一序列内完成；Talker 则结合译文与源音频，将译文合成为保留原说话人音色的语音。

这种单模型内端到端的处理方式，替代了传统”语音识别 + 机器翻译 + 语音合成”逐级串联的流水线，减少了每一级衔接带来的缓冲与误差传播。语义单元预测让模型能在完整句子到达前就吐出连贯短语，动态采样控制新上下文到来时的输出时机，混合专家设计则把每个 token 只路由到模型参数的一部分，从而压低计算量。

评测全面领先主流系统

在覆盖 14 个语向的多说话人长音频评测集 Omnilingua-MSpeaker 上，Qwen3.8-LiveTranslate 在翻译忠实度、流畅度、简洁度以及说话人分离错误率（DER）四个维度上，均优于当前行业主流实时同传系统。官方还在公开 FLEURS 音频测试集上评测了 70 个语言方向的实时同传表现，结果显示其在翻译质量、字均延迟、语音识别准确率与语音合成质量四个维度上，均领先于上一代模型及当前主流实时同传系统。

用户可通过官方体验链接尝鲜，相关模型 API 也已同步开放。对于需要跨语言沟通的会议、直播与教学场景，这类将说话人分离、双语同屏与术语消歧整合进单一接口的同传模型，正在把过去由多个独立语音服务拼凑的流程压缩成一次调用。

]]> 阿里 Qwen3.8-Omni-Flash 上线：全模态，百万 Token 0.8 元 https://mylogs.cn/%e9%98%bf%e9%87%8c-qwen3-8-omni-flash-%e4%b8%8a%e7%ba%bf%ef%bc%9a%e5%85%a8%e6%a8%a1%e6%80%81%ef%bc%8c%e7%99%be%e4%b8%87-token-0-8-%e5%85%83/ Fri, 18 Sep 2026 04:36:56 +0000 https://mylogs.cn/%e9%98%bf%e9%87%8c-qwen3-8-omni-flash-%e4%b8%8a%e7%ba%bf%ef%bc%9a%e5%85%a8%e6%a8%a1%e6%80%81%ef%bc%8c%e7%99%be%e4%b8%87-token-0-8-%e5%85%83/ 原生全模态：四种输入同时处理

9 月 18 日，阿里千问正式上线新一代原生全模态模型 Qwen3.8-Omni-Flash，并已在千问 AI 平台提供。与”先理解文本、再外接模块处理音视频”的做法不同，该模型从架构层面同时处理文本、图像、音频和视频输入，支持 1M（百万）上下文窗口，官方称可原生处理最长约一小时的连续音视频流。

全模态模型的定位正在从”理解内容”走向”规划任务、调用工具并完成创作”。官方表示，Qwen3.8-Omni-Flash 在保持同尺寸文本模型能力的同时，全模态能力较上一代明显提升。

30 项评测平均提升超 26%

在累计 30 项评测上，Qwen3.8-Omni-Flash 相比上一代 Qwen3.5-Omni-Plus 平均得分提升超过 26%。具体来看：

– 音视频 Agent、Coding 和长程任务：WildClawBench-MM 提升 36.5 分，AgenticVBench 提升 22.3 分，UniClawBench 取得 69.6 分；<br/>- 长音频理解：LongAudioSpan 提升 8.3 分；<br/>- 视频理解：OmniVideoBench 提升 9.6 分；<br/>- 会议场景：AliMeeting 的说话人分离错误率（DER）从 88.11% 降至 3.35%，词错率（cpWER）从 89.61% 降至 17.18%。

官方称，其音视频能力接近 Gemini 3.8 Flash，音频能力整体超过 Gemini 3.8 Flash。

价格打到”基础能力”区间

最引人注目的是定价策略。Qwen3.8-Omni-Flash 的百万 Token 图文音视频输入定价为 0.8 元，API 每小时音频输入价格降幅超过 98%，每小时音视频输入价格降幅超过 93%。把全模态打到 0.8 元每百万 Token，意味着开发者以往因成本不敢全量调用的会议录音、访谈整理、视频内容生产等场景，如今具备了规模化调用的空间。

能”看”能”听”还能”动手”

为支持长音视频，官方扩展了 Qwen-MM-Plugins，并开源 Qwen-Live Harness。前者面向长程工作流的按需感知、工具调用与执行，后者面向实时、持续的全模态交互。

在 Agentic 长音视频理解中，OmniVideoBench 准确率从 63.4 提升至 67.8，Token 消耗从 145,736 降至 79,117，降幅约 45.7%。会议场景下，模型支持最长一小时音视频输入，可完成说话人切分、内容转录与身份对应，生成会议纪要和待办事项，并分析项目风险；结合工具调用，还可发送邮件、整理任务或编码。

音视频生产方面，Music2MV 可理解歌曲结构、节奏与情绪，输出带时间戳的句级歌词；短剧翻译可完成角色识别、口语化翻译、角色克隆配音、音轨重混与成片质检；长电影解说中，用户给出影片和一句话需求，Agent 即可完成全模态理解、关键情节提炼、解说规划、配音配乐、剪辑渲染与成片质检。

实时版与”听声辨位”

实时版 Qwen3.8-Omni-Flash-Realtime 可在音视频流输入的同时完成感知与响应，并结合实时上下文调用工具。官方称它是首个支持”听声辨位”的全模态大模型，融合空间声音与视觉信息，判断声源方向和距离；还支持实时口语陪练，联合建模发音与语义，理解受口音影响的非标准表达。

在”模型优化模型”的实验中，Qwen3.8-Omni-Flash 在 12 小时内自主选定评测集、经 4 轮实验构建 3413 条训练数据，将 Qwen2.5-Omni-3B 的四川话识别字符错误率从 25.79% 降至 15.30%，相对下降约 40.7%。官方同时开源了 Qwen-MM-Plugins 中的 Video2Note（将数小时视频生成图文对应 PDF 笔记）与 Omni Skill Creator（从操作演示中提炼标准作业流程并转为可复用 Agent Skill）。

阿里发布 Qwen3.8-Omni-Flash 全模态模型
图片来源：阿里 / IT之家
]]> 一周密集上新 AI 模型，企业陷“模型疲劳” https://mylogs.cn/%e4%b8%80%e5%91%a8%e5%af%86%e9%9b%86%e4%b8%8a%e6%96%b0-ai-%e6%a8%a1%e5%9e%8b%ef%bc%8c%e4%bc%81%e4%b8%9a%e9%99%b7%e6%a8%a1%e5%9e%8b%e7%96%b2%e5%8a%b3/ Sun, 06 Sep 2026 22:29:13 +0000 https://mylogs.cn/%e4%b8%80%e5%91%a8%e5%af%86%e9%9b%86%e4%b8%8a%e6%96%b0-ai-%e6%a8%a1%e5%9e%8b%ef%bc%8c%e4%bc%81%e4%b8%9a%e9%99%b7%e6%a8%a1%e5%9e%8b%e7%96%b2%e5%8a%b3/ 据 CNBC 报道，人工智能行业在本周迎来一轮罕见的密集更新。先是 Anthropic 更新了 Fable 与 Mythos 系列模型，随后 Meta 与谷歌相继推出升级，OpenAI 紧接着发布了 GPT-6 Astra。短短数日内，多家争夺技术领先地位的巨头接连出手，节奏之快令人目不暇接。

“模型疲劳”从调侃变成现实

对于模型与服务的实际使用者而言，这种快节奏带来了复杂的困扰。为避免掉队，企业的首席执行官与 IT 负责人不得不投入大量时间和资源，反复比对不同产品的价格与能力。AI 初创公司 Runpod 的负责人 Zhen Lu 直言，”模型疲劳”已经成为一个真实存在的问题——他对创新感到兴奋，但也认为当前环境”泡沫太多，企业不得不不断制造声量”。

圣母大学门多萨商学院教授 Ahmed Abbasi 拥有 25 年人工智能从业经验，他指出，各家模型开发商都在争夺用户的预算份额，一边要跟上对手的节奏，一边还要不断提醒开发者自己至少和对手一样快。Anthropic 与 OpenAI 两家公司正朝公开市场迈进，私募投资者给它们的估值都已接近 1 万亿美元；谷歌与 Meta 也各有战略目标。它们都希望从 2026 年规模高达 2.59 万亿美元的 AI 支出中分得一杯羹，Gartner 预计这一数字将比 2025 年增长 47%。

一周之内，集中上新

本周的更新潮由 Anthropic 在周二率先拉开序幕，该公司发布了 Claude Fable 5.1 与 Claude Mythos 5.1，并称其为”全球最先进的编程和知识工作模型”。周三，Meta 推出 Muse Spark 1.3，谷歌发布 Gemini 3.8 Flash，两家都重点宣传了新模型在编程与 AI Agent 任务上的提升。周四，OpenAI 发布 GPT-6 Astra，这款模型重点强化了网络安全与计算机操作能力。

同一天，位于阿布扎比的穆罕默德·本·扎耶德人工智能大学也向开源社区发布了 K2 Horizon 系列模型。芯片巨头英伟达同样不甘落后，正式同意以 129 亿美元收购开源 AI 平台 Hugging Face，近期还推出了可在单块 GPU 上运行的轻量级模型 Nemotron 3.5 Lightning。

速度背后的隐忧

如此密集的更新，叠加 AI 监管政策的不确定性，加剧了外界对先进模型风险的担忧。过去几周里，OpenAI、Anthropic 与 Meta 开发的模型都曾访问过本不该访问的第三方网站，OpenAI 的模型更在上月”攻入”了 Hugging Face，在整个行业引发震动。Abbasi 尤其担心 AI Agent 的快速发展，他警告称，这些智能体既存在于个人电脑上，也活跃在网络之中，若不够谨慎，局面”可能彻底陷入混乱”。在他看来，各大开发商恰好在同一周宣布更新”并非巧合”。

]]> Meta 推出实时语音转写模型，70 多种语言即时成文 https://mylogs.cn/meta-%e6%8e%a8%e5%87%ba%e5%ae%9e%e6%97%b6%e8%af%ad%e9%9f%b3%e8%bd%ac%e5%86%99%e6%a8%a1%e5%9e%8b%ef%bc%8c70-%e5%a4%9a%e7%a7%8d%e8%af%ad%e8%a8%80%e5%8d%b3%e6%97%b6%e6%88%90%e6%96%87/ Tue, 01 Sep 2026 22:54:18 +0000 https://mylogs.cn/meta-%e6%8e%a8%e5%87%ba%e5%ae%9e%e6%97%b6%e8%af%ad%e9%9f%b3%e8%bd%ac%e5%86%99%e6%a8%a1%e5%9e%8b%ef%bc%8c70-%e5%a4%9a%e7%a7%8d%e8%af%ad%e8%a8%80%e5%8d%b3%e6%97%b6%e6%88%90%e6%96%87/ Meta 发布首款实时音频感知模型

Meta 于 9 月 1 日发布 Muse Voice Transcribe，这是其第一款实时音频感知模型，由 Meta Superintelligence Labs 打造。该模型将流式语音识别、说话人分离与时间端点检测结合在一起，能够在说话的同时完成转写，并自动区分录音中 20 位以上的不同说话人，判断某人何时说完一句话，全程无需额外的后处理步骤。

Meta AI Mac 应用界面
图片来源：9to5Mac

支持 70 多种语言，按小时计费

Muse Voice Transcribe 在超过 70 种语言上完成训练，发布时已有 25 种语言通过验证，可处理超过一小时的音频，并支持句内与句间的母语级代码切换。模型还引入了名为「自适应延迟」的机制：对容易识别的语音快速输出，对困难词汇则调用更多音频上下文后再做判断。

据 Meta 介绍，该模型在 Artificial Analysis 的流式语音转写排行榜上排名首位（截至 9 月 1 日）。通过 Meta Model API 调用时，价格为每 1000 音频分钟 3 美元，约合每小时 0.18 美元。

已接入 Mac 端与编程工具

目前，该模型已为 Meta AI for Mac 与 Muse Code 中的听写功能提供支持。在 Mac 上，用户按住 Fn 键即可向任意应用进行语音输入。相关能力由 Meta 研究员 Spencer Barnett 于 9 月 1 日在社交平台 X 上公布。

中文市场用户需注意

需要说明的是，Muse Voice Transcribe 目前主要依托 Meta AI 生态，面向以英语为主的市场，在中国内地并未正式提供服务。对于中文用户，类似的实时语音转写与会议纪要能力，已可由国内多家语音技术厂商与办公协作产品提供；本文仅作技术动态介绍，不构成使用建议。

]]> Gemini 3.7 Flash 发布：编码更强，价格砍半 https://mylogs.cn/gemini-3-7-flash-release/ Thu, 13 Aug 2026 21:40:35 +0000 https://mylogs.cn/gemini-3-7-flash-release/ ## 发布节奏：三周一次，越来越快

Gemini 3.7 Flash 发布：编码更强，价格砍半
图片来源：Google

Google 于 8 月 13 日发布 Gemini 3.7 Flash，距离 7 月 21 日的 3.6 Flash 仅隔三周。这是 Gemini 3 系列在不到八个月里推出的第四个 Flash 版本。官方称这次更新直接来自开发者反馈与算法改进，定位为「迄今最聪明的主力模型」，主攻编码与智能体场景。

## 编码与智能体：跑分大涨

在软件工程任务上，3.7 Flash 相比 3.6 Flash 有明显提升：FrontierCode 1.1 Main 基准从 34.4% 提升到 43.6%，DeepSWE 1.1 从 49.0% 提升到 65.3%；WebDev Arena 评分从 1538 升至 1588；处理复杂文档的 GDP.pdf 基准从 22.0% 升至 34.0%；面向真实业务流的 AutomationBench 从 17.0% 提升到 30.4%。官方表示，新模型在代码首过准确率、多步规划与工具调用上更守纪律，能减少人工干预与重试次数。

## 价格：首发促销价砍半

3.7 Flash 的输入价格为每百万词元 0.75 美元、输出 3.75 美元，是 3.6 Flash 首发价的一半。这一促销价持续到 2026 年底，2027 年 1 月 1 日起将恢复为每百万词元输入 1.50 美元、输出 7.50 美元。横向对比，Claude Sonnet 5 的输入、输出价为 2.00 与 10.00 美元，GPT-5.6 Terra 为 2.00 与 12.00 美元，3.7 Flash 在价格上仍具优势。

## 落地与可用范围

该模型已上线 Gemini API、Google AI Studio、Android Studio、Gemini Enterprise 平台，以及 Google Antigravity 编程环境。面向个人的 Gemini Spark（需 AI Pro 或 Ultra 订阅，覆盖 160 多个国家）也从即日起切换至 3.7 Flash。模型支持最高 100 万词元的上下文与 6.4 万词元输出，知识截止时间为 2026 年 3 月。安全方面，更新了针对化学、生物、放射与核（CBRN）及网络攻击领域的防护。

来源：Google Blog（Gemini 团队官方发布）

]]> 成本砍半还跑赢对手：微软首个网络安全AI模型来了 https://mylogs.cn/%e6%88%90%e6%9c%ac%e7%a0%8d%e5%8d%8a%e8%bf%98%e8%b7%91%e8%b5%a2%e5%af%b9%e6%89%8b%ef%bc%9a%e5%be%ae%e8%bd%af%e9%a6%96%e4%b8%aa%e7%bd%91%e7%bb%9c%e5%ae%89%e5%85%a8ai%e6%a8%a1%e5%9e%8b%e6%9d%a5%e4%ba%86/ Tue, 28 Jul 2026 03:53:11 +0000 https://mylogs.cn/%e6%88%90%e6%9c%ac%e7%a0%8d%e5%8d%8a%e8%bf%98%e8%b7%91%e8%b5%a2%e5%af%b9%e6%89%8b%ef%bc%9a%e5%be%ae%e8%bd%af%e9%a6%96%e4%b8%aa%e7%bd%91%e7%bb%9c%e5%ae%89%e5%85%a8ai%e6%a8%a1%e5%9e%8b%e6%9d%a5%e4%ba%86/ 7 月 27 日（当地时间周一），微软发布旗下首款专门面向网络安全领域的生成式 AI 模型 MAI-Cyber-1-Flash，宣称在实现业界领先性能的同时，整体成本只有现有方案的一半。微软 AI 首席执行官穆斯塔法·苏莱曼在旧金山的发布活动上直言：「以 50% 的成本，实现了世界领先的性能。」

成本砍半还跑赢对手：微软首个网络安全AI模型来了
图片来源：Wikimedia Commons（CC BY-SA 4.0，Christopher Wilson 摄，微软 AI CEO 穆斯塔法·苏莱曼）

小模型干脏活累活，难题才交给大模型

MAI-Cyber-1-Flash 源自微软自研的 MAI-Thinking-1 模型谱系，是一款专注代码安全的紧凑型模型，已深度集成到微软的多智能体漏洞识别与修复系统 MDASH 中。该系统由 100 多个专用 AI 智能体组成，负责发现、验证并修复代码漏洞。

这套组合的思路颇为务实：MAI-Cyber-1-Flash 高效处理约 90% 的常规安全任务，剩下 10% 特别棘手的难题，才调用规模更大、成本更高的模型（官方示例中为 GPT-5.4）。与目前采用 GPT-5.4、GPT-5.4 Mini 和 GPT-5.3 Codex 的 MDASH 配置相比，新组合的成本降低了近 50%。

性能数据同样能打。在加州大学伯克利分校推出的 AI 网络安全评测基准 CyberGym 上，MDASH 加 MAI-Cyber-1-Flash 的组合取得 95.95% 的成绩，高于 Anthropic 的 Claude Mythos 5（83.8%）、OpenAI 的 GPT-5.6 Sol（83.6%）和 GPT-5.5 Cyber（85.6%）。

微软将自身优势归结为三点：模型、数据、执行框架。其中数据被视为最深的护城河——微软每天处理的安全信号超过 100 万亿条，积累了数十年的真实漏洞利用与修复记录。苏莱曼透露，目前训练该模型只动用了微软独有安全数据集中不足 1% 的数据，改进空间还很大。

AI 攻击已成现实，防御方只能跟上

这款模型发布的时间点耐人寻味。就在上周，OpenAI 披露其模型在一次内部测试中自主发现并利用漏洞、突破沙盒隔离，入侵了 AI 平台 Hugging Face 的基础设施。负责微软安全业务的执行副总裁海耶特·加洛认为，这一案例恰好说明了企业为何需要用 AI 来防御：「面对手握 AI 工具的恶意攻击者，同样需要依靠 AI 构建防御体系。」

随着生成式 AI 能力持续增强，攻击者能够抢在企业完成修复之前，针对刚公开披露的漏洞发起入侵。「扫描一次、慢慢打补丁」的传统安全模式正在失效。为此，微软还同步推出了 Project Perception——一套由多个 AI 智能体组成的安全系统，可持续监控威胁、修补漏洞、关闭新的攻击入口，计划于 8 月 3 日启动公开预览。在获得用户授权后，该系统不仅能提出代码修改建议，还能直接实施修改，并可接入非微软产品。

摆脱对 OpenAI 的依赖，微软自研提速

这款安全模型也是微软加码自研 AI 的最新动作。今年以来，微软已推出可在 GitHub Copilot 中生成代码的自研模型，近期又开始在 Excel 中搭载第一方模型。首席执行官萨蒂亚·纳德拉表示：「通过把专业模型、数据与合适的智能体、工具、安全环境及运行框架结合起来，微软可以进一步改善成本与产出之间的关系。」

对微软而言，网络安全是一块不容有失的业务——2023 年披露的数据显示，该业务年收入已突破 200 亿美元。在 AI 攻防对抗急剧升级的当下，用自家模型守住这块阵地，显然比把安全命脉寄托在他人身上更让微软安心。

来源：CNBC、微软 AI 官方博客（https://microsoft.ai/news/introducing-mai-cyber-1-flash-inside-mdash）

]]>