AI 编程实时动态与要闻

Google DeepMind 10 月 27 日发布 Genie 4，称其为迄今最逼真、交互性最强的世界模型。它基于 Gemini Omni，提升了物理和人物动作的真实感，首次原生生成环境声和可互动的角色对话，并由 Gemini 3.8 Flash 在回路中规划复杂事件。目前只向受信测试者开放研究预览，即将登陆 Google AI Ultra（Project Genie）及 Gemini API / AI Studio 早期伙伴；官方未公布量化跑分。

查看大图

Mistral AI 正式推出 Voxtral 3 语音多模态大模型家族与配套的实时 Voice-Agent API。该套件包含 40 亿参数的 Mini 转录模型、超越 Whisper 与 Gemini 3.5 的 Small 转录模型，以及基于 LiveKit 的端到端语音智能体 SDK。系统支持 50 种语言高精听写与说话人分离、跨 35+ 语言带情感标签的情感语音合成（TTS）以及 30 分钟音频专业级声音克隆。在 Artificial Analysis 独立基准评测中，Small Transcribe 3 以 2.1% 极低字错率登顶全球语音识别榜单季军，Realtime 转录单步延迟低至 500ms 以内，每分钟语音智能体调度成本低至 0.04 美元。

查看大图

Adobe Research 与布朗大学在 arXiv:2610.22744 中正式发布统一多模态多参考视频编辑框架 OmniXRef。针对现有视频编辑模型通常仅支持单一文本提示、难以精确解耦多参考源（如参考视频的运镜、参考图像的主体外观与自然语言指令）的行业痛点，OmniXRef 采用单流扩散 Transformer（Diffusion Transformer）架构，提出 Mix-Patchify 与参考相对位置编码（R2-RoPE）。实测显示在运镜轨迹迁移中旋转误差低至 0.874、平移误差 3.961，超越顶尖商用闭源系统达 5 倍以上。

查看大图

前沿 AI 初创公司 Inception 联合创始人 Stefano Ermon 宣布正式推出新一代扩散架构大语言模型 Mercury 3。模型在 NVIDIA GPU 上实现高达 1,068 Token/秒的超高生成吞吐，参数量达到前代 Mercury 1 的 40 倍并支持 100 万（1M）Token 原生上下文。在 IFBench、GPQA Diamond 与 SWE-Bench Atlas 基准上全面对标前沿闭源基线，输入/输出百万 Token 标准定价为 0.20 / 0.70 美元（上线期半价优惠仅需 0.10 / 0.35 美元）。

查看大图

Viggle 10 月 19 日发布 JST-2。它不在像素或视频空间里学习，而是把世界表示为 3D 空间中的持久「原子」（Physics-Native Tokens），用一套架构同时生成场景、角色和动作。官方称在 NVIDIA B200 上约 1 秒生成一个 3D 场景，推理成本低于 0.01 美元，最多保留 64 个输入视角作为空间上下文；角色无需单独绑骨即可动画。现已在浏览器端 PINOC 免费试用，并提供 API 和 MCP。

查看大图

Fish Audio 于 2026-10-13 发布 Drama 3：以自然语言方括号指令导演情绪与节奏的 TTS，开源权重上架 Hugging Face，API 头 model: drama-3。骨干为约 35B 参数 MoE（每 token 约 3B 激活，自 Qwen3.5-35B-A3B 语言塔初始化），配合 codebook-MTP 音频解码器与人类偏好 RL。独立评测 Artificial Analysis Pronunciation Robustness 93.2%（S2.1 Pro 88.1%）；支持 83 语种、最多 16 说话人；Community License 年营收低于 50 万美元可免费商用。启动至 11 月 12 日 API 特价约 $10/百万字符。

查看大图

2026-10-08 Anthropic 推出 Claude Dashboards（付费套餐 Beta，连 BigQuery、Snowflake、Databricks、Salesforce 等，每张图可查看背后的 SQL）和 Claude Motion（Team/Enterprise Beta，用代码生成可编辑动画，不使用视频模型，可导出 MP4）。Docs、Slides、Design 同日结束 Beta，含 Free 在内的所有套餐可用，累计已创建 4500 万+ 份作品。

查看大图

视觉语言模型（VLM）智能体通过视觉观察与动作基元控制机器人已成为具身智能前沿，但反复调用大模型进行多轮单步规划导致了灾难性的 Token 膨胀与高昂的端侧交互延迟。北京大学（PKU）前沿团队推出了交互式代码执行框架 PyRUA-Lean。该架构颠覆了传统的单步 Tool-Calling 范式，将经典机器人底层运动基元与具身 VLA 模型动作组合成带条件判断与局部重试的 Python 执行单元（Code Cells）。智能体仅在真正需要全局重规划时才显式请求图像帧与关键状态回传。在涵盖 LIBERO-PRO、RoboTwin 2.0 与 RoboCasa365 的 700 组复杂实体仿真任务评测中，基于 GPT-6 Astra 规划器的 PyRUA-Lean 将整体任务成功率从 63.1% 显著推升至 71.7%，同时 LLM 调用频次减少 49%，输入 Token 消耗暴跌 65%。

查看大图

机器人学前沿研究团队（Tom Silver, Matteo Merler 等，@huggingface）联合开源了《Coding Agents for Generalized Task and Motion Planning Problems》重磅研究成果（arXiv: 2609.30233，代码库: tomsilver/robocode）。针对传统机器人任务与运动规划（TAMP）严重依赖专家人工编写特定启发式规则、面对多物体动态场景极易发生计算爆炸的根本瓶颈，该研究首次让自主编码智能体（Claude Code Opus 5、Codex）与仿真环境交互，自动合成跨未知环境高度泛化的通用操作程序。在包含 98,000 轮评估周期的严苛测试中，Coding Agent 生成程序的成功率达到 56% 至 95%，彻底压倒传统专家规划器。

查看大图

OpenAI 宣布 GPT-6 家族迎来两款企业级主力模型 —— GPT-6 Sol 与 GPT-6 Luna。两款模型继承了月初旗舰 GPT-6 Astra 的核心智能，通过新型投机解码与推理管线优化，将 API 价格较此前促销价腰斩 50%：高精度任务专用的 Sol 定价为 $2/$10 每百万 Token，高吞吐低延迟专用的 Luna 仅需 $0.10/$0.50 每百万 Token，且提示词缓存读取享受 90% 极限制扣。即日起登陆 ChatGPT Work 与 Codex，并向全量开发者开放 API。

查看大图