GPT-6 Astra 首批实测：一周搭出曼哈顿，长任务仍会跑偏
OpenAI 于北京时间 9 月 4 日凌晨发布新一代旗舰模型 GPT-6 Astra，雷峰网汇总了首批拿到模型用户的实测案例。
推荐理由：汇总首批用户实测，展示 GPT-6 Astra 在长任务中的能力边界与仍需人工介入的环节。
#多模态
#多模态
今日 6 条雷峰网精选AI 评分8080 雷峰网AI 评分7171 阶跃星辰发布 Step 5 Preview，AA 智能指数 44 分位列全球开源前二
阶跃星辰发布 Step 5 Preview，在 Artificial Analysis Intelligence Index 上拿到 44 分，位列全球开源前二，输出速度 99.8 tokens/s，单个 Intelligence Index 任务成本 0.71 美元，支持 1M 上下文与 600B 参数。
雷峰网AI 评分6060 HiDream-O1-Video 对比 Seedance 2.5、MiniMax H3：三组图生视频实测
雷峰网用三组原创图生视频任务对比了 HiDream-O1-Video-1.0、Seedance 2.5 和 MiniMax H3，考察意图规划、时间因果与音画对应。
TechCrunch · AIAI 评分7272 Google 发布 Gemini 4 Argon，称其为迄今最强模型
Google 母公司 Alphabet 发布 Gemini 4 Argon，可处理编码、研究和写作等任务，并专门针对防御性网络安全训练，能自主发现、验证并修补关键软件漏洞。
Google DeepMind精选AI 评分8484 Google DeepMind 发布 Gemini 4 Argon 前沿模型
Google DeepMind 发布新前沿模型 Gemini 4 Argon，先通过 Fairwind Program 向受信任的网络安全防御方开放，随后逐步向开发者、企业和消费者推出。
推荐理由：Gemini 4 Argon 公布输出上限、定价与多项基准成绩，可据此判断前沿模型在长程工程与安全防御上的能力边界。
9to5Google精选AI 评分8888 Google 发布新前沿模型 Gemini 4 Argon
Google 发布新前沿模型 Gemini 4 Argon，面向复杂长程工作流的深度推理，输出 token 上限从 64K 提升到 1M，并扩展了编码、推理和多模态能力。
推荐理由：Google 新前沿模型把输出上限提到 1M token，并给出编码、安全与内部落地数据，可据此判断长程推理的实用边界。
Latent SpaceAI 评分7070 Opus 5.5 发布一周：社区称其擅长生成解说视频
Anthropic 的 Opus 5.5 本周发布后，社区反馈集中在用代码生成解说视频上，SimpleBench 得分 88.4%，在 Terminal-Bench-Science 上从低推理档的 24% 升至 xhigh 档的 62%。
Google DeepMind精选AI 评分7272 Google DeepMind 发布 Gemini 3.8 Live with Live Avatar
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，在 Gemini 3.8 Live 基础上加入近实时视频生成，让对话模型具备能听、能看、能说的动态视觉形象，并已在 Gemini Enterprise 上线。
推荐理由：Gemini 3.8 Live 新增实时视频形象能力，读者可了解多模态对话在企业场景中的形态变化。
Hugging Face BlogAI 评分3838 Liquid AI 发布 LFM2.5-VL-DSpark 草稿模型，为 LFM2.5-VL-3B 加速
Liquid AI 发布实验性草稿模型 LFM2.5-VL-DSpark，为视觉语言模型 LFM2.5-VL-3B 加入投机解码路径，端侧解码最高提速 3.13x、H100 上最高 2.66x，端到端最高提升 2.62x 和 2.27x。
NVIDIA Developer BlogAI 评分3131 NVIDIA 推出 NV-Reason-CT Open 3D CT VLM，面向放射科医生链式推理
NVIDIA 发布 NV-Reason-CT Open，这是一款面向 3D CT 扫描的开放视觉语言模型，支持放射科医生的链式推理（Chain-of-Thought）。现有通用前沿模型在体数据成像上表现不佳，多数开放医学 AI 模型也缺乏相关能力，而 3D CT 这一临床信息最丰富、数据最密集的模态长期被现代 VLM 忽视。
Google DeepMind精选AI 评分7474 Google DeepMind 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS
Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款文本转语音模型，前者面向角色设计与深度创作控制，后者面向高并发、低成本的配音与语音智能体场景。
推荐理由：Google DeepMind 发布两款 TTS 模型，给出语音克隆、逐行导演与安全水印的具体能力，可据此判断语音生成工作流的变化。
Google DeepMind精选AI 评分7676 Google DeepMind 发布 Gemini Omni 1.1 Flash
Google DeepMind 发布 Gemini Omni 1.1 Flash，通过 Gemini API 在 Google AI Studio 提供面向开发者的生成视频能力。
推荐理由：原文列出场景延长、首尾帧插值与 4K 放大等具体能力及 API 入口，可据此判断生成视频工作流的可控性变化。
NVIDIA Developer Blog精选AI 评分6262 阿里发布 Qwen3.8-Flash-Next 权重，预览 Qwen4 架构
阿里发布 Qwen3.8-Flash-Next 的模型权重，作为即将推出的 Qwen4 架构预览，供开发者实验和评估。该模型是多模态 MoE 模型，主模型 125B 参数，另有 51B N-gram 嵌入向量，每 token 激活 6B 参数，原生上下文窗口 262,144 token，可扩展至 1M token。NVIDIA 开发者博客介绍了在 GB300 NVL72 上针对智能体编码的实验。
推荐理由：阿里开放 Qwen3.8-Flash-Next 权重供开发者试用，可据此了解 Qwen4 架构预览版的 MoE 规格与长上下文能力。
Google DeepMind精选AI 评分6666 Google DeepMind 发布 Gemini 3.5 Transcribe 语音转写模型
Google DeepMind 发布 Gemini 3.5 Transcribe，称其为目前最精确的语音转文字模型，可直接把原始音频转成准确、格式化后的文本。
推荐理由：Gemini 3.5 Transcribe 给出了 WER、延迟与多语言数据，读者可据此判断语音转写在实际产品中的可用程度。
Google DeepMind精选AI 评分7474 Google DeepMind 发布 SL2T 手语转文本模型，率先落地 Pixel 11 的 Gboard 与 Live Transcribe
Google DeepMind 发布多语种手语转文本模型 SL2T，在 Pixel 11 的 Gboard 和 Live Transcribe 中提供手语听写功能，首发支持美国手语（ASL）转英文，后续将扩展更多设备与语言。
推荐理由：SL2T 把多语种手语翻译模型落到 Gboard 与 Live Transcribe，读者可了解其数据规模、隐私设计与基准表现。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 Gemini Robotics ER 2 具身推理模型
Google DeepMind 发布面向机器人的具身推理模型 Gemini Robotics ER 2，可作为机器人的高层大脑，理解物理世界、规划多步任务并把动作执行交给底层 VLA 模型，还能原生调用 Google Search 等工具。
推荐理由：官方给出 Gemini Robotics ER 2 在进度分类、时刻定位与多机器人协作上的具体指标，可据此判断具身推理模型的当前水位。
Google DeepMind精选AI 评分7878 Google DeepMind 发布 Gemini Robotics 2，为机器人带来全身智能
Google DeepMind 发布 Gemini Robotics 2，作为新一代机器人的智能层，解锁全身控制、高级灵巧操作和多机器人协作。
推荐理由：Google DeepMind 发布 Gemini Robotics 2 系列模型，读者可了解机器人在全身控制、灵巧操作与多机协作上的能力边界。
Google DeepMind精选AI 评分8080 Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 与 3.5 Flash Cyber
Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 和面向网络安全的 3.5 Flash Cyber。
推荐理由：官方给出三款 Flash 新模型的 token 效率、价格与基准对比，可据此判断智能体工作流的成本变化。
Google DeepMind精选AI 评分7878 Google DeepMind 发布 Nano Banana 2 Lite 与 Gemini Omni Flash
Google DeepMind 发布 Nano Banana 2 Lite 和 Gemini Omni Flash 两款模型。
推荐理由：两款新模型给出了延迟、价格与可用入口，读者可据此判断图像与视频生成工作流的成本变化。
Google DeepMind精选AI 评分7878 Google 发布 Gemini 3.5 Live Translate 实时语音翻译模型
Google DeepMind 发布 Gemini 3.5 Live Translate 音频模型，支持 70 多种语言的近实时语音到语音翻译，能自动检测语言并保留说话者的语调、节奏和音高。
推荐理由：Google 发布 Gemini 3.5 Live Translate，读者可了解其连续语音翻译机制与在 Google 产品中的落地节奏。
Google DeepMind精选AI 评分7878 Google DeepMind 发布 Gemma 4 12B 无编码器多模态模型
Google DeepMind 发布 Gemma 4 12B，一款面向笔记本的本地多模态模型，采用无编码器统一架构，视觉和音频输入直接进入 LLM 主干。该模型在标准基准上接近 26B MoE 模型表现，内存占用不到其一半，可在 16GB 显存或统一内存的消费级笔记本上运行，并首次在中型模型中支持原生音频输入。
推荐理由：Gemma 4 12B 用无编码器架构把多模态能力压到 16GB 显存，读者可据此判断本地智能体部署的门槛变化。
Google DeepMind精选AI 评分8888 Google DeepMind 发布 Gemini Omni Flash，支持多模态输入生成与对话式视频编辑
Google DeepMind 发布 Omni 系列首个模型 Gemini Omni Flash，可组合图像、音频、视频和文本输入生成高质量视频，并通过自然语言对话逐轮编辑视频。
推荐理由：Gemini Omni Flash 把多模态输入与对话式视频编辑结合，读者可了解其能力边界与首批上线渠道。
Google DeepMind精选AI 评分8888 Google DeepMind 发布 Gemini 3.5 Flash，主打智能体与编码
Google DeepMind 发布 Gemini 3.5 系列首个模型 3.5 Flash，定位为面向智能体与编码的前沿模型，已在 Gemini app、Search AI Mode、Google Antigravity、Gemini API 和 Gemini Enterprise 上线。
推荐理由：Gemini 3.5 Flash 在编码与智能体基准上的成绩和速度数据，可供判断前沿模型在延迟与质量间的取舍。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 Gemini 3.1 Flash TTS 语音模型
Google DeepMind 发布 Gemini 3.1 Flash TTS 文本转语音模型，主打更强的可控性、表现力与音质，并引入可用自然语言指令控制语气、语速和表达方式的音频标签。
推荐理由：Gemini 3.1 Flash TTS 的音频标签与多说话人能力，展示了语音生成从朗读走向可导演式控制的方向。