

> Google DeepMind 推出的 Project Genie 突破了传统内容生成的边界，允许用户通过文本或图片即时构建可交互的虚拟世界。这项基于 Genie3 和 Gemini 模型的技术，不仅实现了画面的实时渲染，更赋予了场景深度的物理交互能力。

## 文本到世界的维度跨越

Google DeepMind 近日向部分用户开放了其革命性的 AI 模型——Project Genie。这款工具的核心突破在于，它不再局限于生成静态图像或线性视频，而是能够根据用户的简单文本描述或上传的静态图片，即时构建出一个“活”的、可探索的虚拟环境。

这一技术的背后，是多种顶尖 AI 模型的深度融合。以 **Genie3** 为基座，结合 **Nano Banana Pro** 图像生成模型以及 **Gemini** 多模态模型的理解能力，系统能够瞬间将自然语言转化为沉浸式的互动场景。无论是科幻小说中掠过异星的飞船，还是纪录片中亚马逊雨林的探险，用户都能在生成的瞬间进入其中进行像电子游戏一样的自由探索。

![Google_AI_Studio_2026-02-02T03_03_18.750Z.png](https://static.downly.cn/images/58ec14d30776153073744aeee123a24d.png)<center>图源备注：图片由AI生成</center>

## 实时交互与动态渲染

与传统的视频生成模型（Sora 等）不同，Project Genie 的护城河在于“实时交互”。

*   **动态渲染** 系统会捕捉玩家的操作（如移动角色、转换视角），并实时计算和渲染下一帧画面，而非预先生成的固定视频流。
*   **物理反馈** 演示显示，当用户控制角色与场景物体互动时，环境会给予反馈。例如，蓝色小球滚过草地时，草地的颜色轨迹会根据物理接触发生实时改变。
*   **高度定制** 用户不再是被动的观众，而是创作者。上传手绘草图或现实照片，即可将其转化为游戏关卡，并自行设定交互逻辑。

## 应用前景与当前局限

目前，Project Genie 仍处于早期实验阶段，仅面向拥有美国地区 Google AI Ultra 账户且年满 18 岁的用户开放。受限于庞大的算力需求，当前的体验时长被限制在 60 秒以内，且偶有技术故障发生。

尽管如此，DeepMind 团队对该技术的未来充满信心。他们正致力于突破时长限制，并赋予用户对环境更精细的控制权。从长远来看，Project Genie 有望彻底重塑游戏开发流程，帮助电影导演快速进行分镜可视化，甚至在教育和应急救援领域，通过模拟复杂场景来提供低成本、高保真的训练环境。

DeepMind发布Project Genie 开启文本即时构建交互世界新纪元



> **导语**
> 2026 年 1 月 26 日，阿里发布旗舰推理模型 Qwen3-Max-Thinking。凭借“自适应工具调用”与“测试时扩展”两大技术突破，该模型在逻辑推理与编程等 19 项权威测试中跻身全球第一梯队，正面硬刚 GPT-5.2 与 Gemini 3 Pro。

## 思考的进化 两大技术重构推理逻辑

Qwen3-Max-Thinking 的发布标志着国产大模型从“参数竞赛”转向“智力密度”的较量。其强悍性能源于两项关键的技术革新。

首先是 **自适应工具调用能力**。这项率先在 Qwen Chat 上线的功能，赋予了模型类似人类的“行动力”。模型能够根据任务的复杂度，自主判断是否需要调用外部工具以及调用何种工具，实现了从单一文本生成到复杂问题解决的跨越。

其次是 **测试时扩展技术（Scaling Test-time）**。这是一种前沿的推理增强手段，允许模型在推理阶段动态调配算力资源。通过在输出结果前进行更深层次的逻辑拆解与自我验证，确保每一个回答都经过“深思熟虑”，从而显著提升在数学与代码任务中的准确率。

![Google_AI_Studio_2026-01-27T03_25_00.823Z.png](https://static.downly.cn/images/dda4dcaa81a429b21883755c352a18ca.png) <center>图源备注：图片由AI生成</center>

## 跻身顶流 权威测试平起平坐

在衡量大模型综合实力的竞技场上，Qwen3-Max-Thinking 交出了一份亮眼的成绩单。在涵盖逻辑推理、高阶数学、编程开发及多模态理解的 **19项权威基准测试** 中，其核心指标得分与闭源领域的霸主 **GPT-5.2** 及 **Gemini 3 Pro** 旗鼓相当。这一表现证实了中国 AI 模型已成功跻身世界第一梯队，具备了在全球范围内进行顶级技术对话的能力。

## 极速迭代 千问家族的马年加速度

回顾阿里的 AI 进化史，Qwen3 系列展现了令人惊叹的迭代速度：
*   **2025年9月**：发布万亿参数的 Qwen3-Max-Preview，夯实算力地基。
*   **2025年11月**：Thinking 版本早期预览亮相，探索推理模型新路径。
*   **2025年12月**：全模态 Qwen3-Omni-Flash 面世，突破实时流式响应。
*   **2026年1月**：旗舰推理模型正式落槌，宣告高阶推理能力的全面成熟。

随着 Qwen3-Max-Thinking 的落地，无论是科研领域的复杂计算，还是企业级的智能助理构建，其商业化应用的门槛将被进一步拉低。

阿里千问 Qwen3-Max 登场 19项基准对标 GPT-5.2



> 谷歌正式宣布将 Gemini 3 模型深度集成至拥有 30 亿用户的 Gmail 中，通过 AI 概览、增强写作及智能优先级排序等功能，试图将这款传统邮件工具彻底转型为智能个人助理。

## Gemini 3 驱动的效率革命

此次更新被谷歌称为 Gmail 历史上的重要转折点，标志着全球最大的邮件服务平台正式迈入“Gemini 时代”。核心驱动力来自最新的 Gemini 3 模型，旨在解决现代职场人面临的信息过载痛点。

最受瞩目的新功能是 **AI 概览**。面对冗长的往来邮件，Gemini 不仅能自动提取核心要点，更引入了强大的自然语言查询能力。用户无需在收件箱中大海捞针，只需提问“去年装修浴室的水管工报价是多少？”，系统即可精准定位相关邮件并生成摘要。目前，基础总结功能面向全体用户免费开放，而基于复杂语境的深度查询功能则作为增值服务，仅向 Google AI Pro 和 Ultra 订阅用户提供。

![Google_AI_Studio_2026-01-09T03_03_21.396Z.png](https://static.downly.cn/images/90546af1bb780969243d33861a674aa2.png)
 <center>图源备注：图片由AI生成</center>

## 写作辅助与上下文感知

在内容创作方面，谷歌将广受欢迎的“帮我写邮件”功能全面免费化。这不仅是简单的文本生成，从下个月开始，该功能将具备跨应用提取上下文信息的能力，意味着用户在撰写邮件时，AI 可以自动参考 Google Drive 或 Docs 中的相关文档。

此外，原有的智能回复功能已升级为更具人性化的“建议回复”。系统能够学习并模仿用户的个人语言风格，生成通过图灵测试级别的自然回复，而非生硬的机器语言。

![Google_AI_Studio_2026-01-09T03_03_32.874Z.png](https://static.downly.cn/images/fb0846d1631818854ddfdbec1bb2c82e.png)
 <center>图源备注：图片由AI生成</center>

## 智能收件箱与隐私防线

针对日益严重的“通知爆炸”，谷歌正在小范围测试 **AI 收件箱** 功能。该系统依据联系频率、社交关系深度及邮件语义内容，智能构建优先级。例如，逾期账单、医生预约提醒将被自动置顶，而营销推广等无关干扰将被有效过滤。

针对用户普遍关心的隐私问题，谷歌特别强调，所有的邮件分析均在严格遵循隐私保护协议的框架下进行，用户对数据拥有完全的控制权。谷歌的这一系列动作表明，其战略目标已不仅仅是优化通信工具，而是试图利用 Gemini 的深度集成，重塑人们管理数字生活的方式。

谷歌重构三十亿用户邮箱体验 Gmail全面接入Gemini大模型






> 导语
> 
> 本期资讯迎来重磅更新，OpenAI推出了针对科研优化的GPT-5模型并上线了教师专属工具，谷歌NotebookLM新增PPT生成功能强势挑战传统办公软件，腾讯发布HunyuanVideo1.5大幅降低视频创作门槛。与此同时，Elastic与Meta分别在多智能体协作协议与训练框架上取得突破，而维基百科则发布了针对AI文本的深度鉴别指南，旨在规范内容生态。

---


## 谷歌NotebookLM大更新 一键变身PPT制作神器

谷歌旗下的AI笔记助手NotebookLM迎来功能大跃进，新增了名为 Slide Decks 的演示文稿生成功能。用户只需上传相关资料，AI即可自动提取核心内容并转化为排版专业的演示文稿。这一功能的表现被业界评价为惊艳，直接成为了PPT和Canva的有力竞争者，将极大提升办公与学习效率。

![image.png](https://static.downly.cn/images/024cf0dfac696c51f653f3d358fbbf59.png)

<center>图源备注：图片由AI生成</center>

---

## 腾讯混元视频模型升级 10秒高清视频生成不再是梦

腾讯推出了基于DiT架构的轻量级视频生成模型——HunyuanVideo1.5。该模型拥有83亿参数，通过 元宝 平台即可体验。它不仅支持文生视频，还支持图文结合生成，能够快速产出5至10秒的高清视频。这一更新显著降低了视频创作的技术门槛，让普通用户也能轻松制作高质量的视频内容。

![image.png](https://static.downly.cn/images/5e267565a47867bc0bdf3e827ba9aeaa.png)

<center>图源备注：图片由AI生成</center>

---

## Elastic推出多智能体协作标准 打造AI版数字新闻室

Elastic正式发布了名为Agent2Agent（A2A）的多智能体协作标准。该协议利用JSON-RPC技术实现了智能体之间的任务精细拆分与状态同步，最大的突破在于无需共享内存即可协作。Elastic还通过开源一个 数字新闻室 的示例，生动展示了六大AI代理如何像乐队一样配合，流畅完成从选题到发布的新闻生产全流程。

![image.png](https://static.downly.cn/images/5f9aac1b130a82be18fcab4a647911cd.png)

<center>图源备注：图片由AI生成</center>

---

## 维基百科发布鉴别指南 揭秘AI写作的语言指纹

为了应对日益泛滥的AI生成内容，维基百科发布了《AI写作识别指南》。这份指南基于其内部的 AI清理计划 总结而成，旨在系统性地揭示大语言模型在文本生成中留下的 行为指纹 。指南强调，识别AI文本不能仅靠简单的高频词判断，而应关注其特定的句式结构与逻辑特征，为内容审核提供了可操作的鉴别方法。

![image.png](https://static.downly.cn/images/101f52dd1956c3075fa4af4a6bb4d178.png)

<center>图源备注：图片由AI生成</center>

---

## OpenAI赋能教育 推出教师专属ChatGPT且承诺隐私安全

OpenAI宣布为美国K-12认证教师免费提供 AI工具 ChatGPT for Teachers，该福利有效期将持续至2027年6月。为了消除教育界的顾虑，该工具提供了一个安全的工作环境，并默认承诺不使用用户数据来训练模型以保障隐私。此举旨在帮助教师在数字化时代更好地指导学生适应AI技术的发展，同时减轻教学负担。

![image.png](https://static.downly.cn/images/30c515c3475ee180f66a17f41f20218a.png)

<center>图源备注：图片由AI生成</center>

---

## Meta发布DreamGym框架 模拟强化学习破解训练难题

Meta联合高校研发并推出了DreamGym框架，旨在解决大语言模型训练成本高昂和反馈机制不可靠的行业痛点。该框架利用模拟的强化学习环境，通过动态调整任务难度，像健身房训练一样循序渐进地提升模型能力。这种方法不仅提高了训练效率，还增强了模型的可靠性与安全性。

![image.png](https://static.downly.cn/images/d3fa042390d520290392fcd2717db907.png)

<center>图源备注：图片由AI生成</center>

每日AI资讯1122：谷歌一键生成PPT，腾讯视频模型升级





> 今日AI领域迎来多项突破：OpenAI推出企业知识功能，赋能团队协作；美图的AI助手让修图变得像聊天一样简单；谷歌Gemini则实现“一键生成”PPT，极大提升办公效率。同时，OpenAI与AMD的合作及在音乐生成领域的探索，预示着AI算力与创作能力的全新纪元。

## OpenAI解锁企业“最强大脑” 内部知识库一键调用

OpenAI近日正式上线“Company Knowledge”功能，旨在帮助企业整合内部跨平台的碎片化信息。这一新功能使ChatGPT能够连接并调用企业内部的知识和数据源，从一个通用的聊天机器人，转变为能够深度理解企业情况的智能助理，极大地促进团队成员间的高效协作。

![image.png](https://static.downly.cn/images/75664ca6b8423df31517532a7a9db594.png)
<center>图源备注：图片由AI生成</center>
<br>

## 对话式P图成真 美图RoboNeo让修图像聊天

美图公司推出了一款名为RoboNeo的AI修图Agent，它彻底改变了传统的图像编辑方式。用户不再需要掌握复杂的软件操作，只需通过自然语言与RoboNeo对话，描述自己的修图需求，例如“帮我更换图片背景”或“调整人物状态”，AI便能实时完成精准的编辑。这项技术不仅能自动拆分图层，更显著降低了专业修图的门槛，让普通用户也能轻松获得专业级的P图效果，效率瞬间拉满。

![image.png](https://static.downly.cn/images/03f5e2b46a766446ed7f2bfdb7eb59d9.png)
<center>图源备注：图片由AI生成</center>
<br>

## OpenAI与AMD强强联手 共筑AI算力新高峰

OpenAI与AMD达成了一项重磅合作协议，为AI领域的发展注入了新的动力。根据协议，AMD计划在2026年下半年为OpenAI提供高达1000兆瓦的计算能力，以支持其日益复杂的生成式AI模型的推理需求。作为合作的一部分，OpenAI还将获得AMD普通股的认购权，这标志着双方正式成为计算领域的重要战略合作伙伴，共同开启AI的新纪元。

![image.png](https://static.downly.cn/images/d9480424031edc5414095ef674a2faa0.png)
<center>图源备注：图片由AI生成</center>
<br>

## AI作曲家来了 OpenAI研发智能配乐工具

OpenAI正将其强大的生成能力扩展到音乐领域。据了解，该公司正在秘密研发一款全新的文本生成音乐工具，能够根据用户的文字描述或音频片段，智能创作出符合需求的配乐。该工具可以灵活适配音乐的情绪与节奏，未来有望彻底改变短视频配乐和人声伴奏的创作流程。通过与茱莉亚学院的合作，OpenAI旨在打磨出专业级的AI作曲能力，大幅提升内容创作者的生产效率。

![image.png](https://static.downly.cn/images/bb736c40bd596166c3c3e8b471a2b60a.png)
<center>图源备注：图片由AI生成</center>
<br>

## 科技之光点亮黑暗 Neuralink助盲人重见光明

由马斯克联合创立的Neuralink公司在人工视觉技术领域取得了里程碑式的进展。该团队成功利用其先进的植入式脑机接口技术，为一名因黄斑变性而失明长达15年的70岁患者恢复了中央视力。这一突破性成果不仅为无数眼科疾病患者带来了新的希望，也标志着人工视觉技术向临床应用迈出了关键一步。

![image.png](https://static.downly.cn/images/89adb31b546e15271c8d4e33648ea4cf.png)
<center>图源备注：图片由AI生成</center>
<br>

## 告别繁琐PPT 谷歌Gemini一键生成演示文稿

制作PPT的噩梦即将成为过去。谷歌在其Gemini Canvas中增加了一项强大的AI功能，允许用户通过输入简单的提示词或直接上传文件，就能快速、自动地生成一套完整的演示文稿。这项新功能旨在将学生和职场人士从繁琐的幻灯片制作中解放出来，其操作过程极其简便，让文件秒变幻灯片，极大地提升了工作与学习效率。

![image.png](https://static.downly.cn/images/ce3c5be8177ee55e30f776861944111a.png)
<center>图源备注：图片由AI生成</center>
<br>

每日AI资讯1027：企业知识库迎革命，AI修图配乐更智能



> 导语：今日AI界风起云涌：谷歌Gemini凭借集成图像生成功能，在美国iOS免费榜上一举超越ChatGPT；OpenAI则发布了专为编程任务优化的GPT-5-Codex新模型。同时，百度文心、xAI也相继发布新模型，Anthropic与DeepMCPAgent则在AI代理开发领域提供新思路，而苹果和OpenAI的内部调整也预示着行业格局的深刻变化。

## 谷歌Gemini历史性超越 终结ChatGPT榜首神话

谷歌AI助手Gemini近日迎来里程碑式进展，其在美国iOS平台的下载量成功超越长期霸榜的ChatGPT，登顶免费应用榜首。此次逆转的关键在于Gemini最新集成了强大的NanoBanana图像生成模型，并向所有免费及付费用户开放。这一举措极大地降低了AI图像生成的使用门槛，吸引了大量用户，成功打破了ChatGPT在AI应用领域的垄断地位。

![image.png](https://static.downly.cn/images/1ae4a639f18f56031aa91d60a8b9e0d6.png)

<div align="center">图源备注：图片由AI生成</div>

## OpenAI再出重拳 发布编程专用模型GPT-5-Codex

OpenAI发布了专为Agent编程任务设计的全新模型GPT-5-Codex。该模型具备创新的动态计算能力，能够根据任务的复杂度实时调整其思考速度和资源分配，在多个编程基准测试中展现了卓越的性能，标志着AI在代码生成和理解能力上又迈出了重要一步。

![image.png](https://static.downly.cn/images/fd4b0e54f85828b732262d14f171e0e2.png)

<div align="center">图源备注：图片由AI生成</div>

## Anthropic发布指南 解锁LLM Agent新玩法

为了帮助开发者更好地构建大语言模型代理（LLM Agent），Anthropic公司发布了《编写高效工具指南》。该指南详细介绍了一套“原型-评估-协作”的三步迭代流程，并提出了五大核心设计原则。旨在指导开发者为Agent选择最匹配其上下文与策略的工具，从而规避开发过程中的常见误区，释放LLM Agent的真正力量。

![image.png](https://static.downly.cn/images/2a276e53c30a4e771d99e9109f27f769.png)

<div align="center">图源备注：图片由AI生成</div>

## 马斯克旗下xAI推新 Grok 4 Fast追求极致速度

马斯克创立的xAI公司推出了新模型Grok 4 Fast，其最大亮点在于速度提升了惊人的10倍。用户现在可以通过Grok网页版的早期访问模式切换体验。该模型的核心设计思路是优化快速响应能力，为此在处理复杂任务的精细度上做出了一定的妥协，旨在为用户提供更即时的交互体验。

![image.png](https://static.downly.cn/images/9da8e2c22c2f57e4d0bf7a5efec187b6.png)

<div align="center">图源备注：图片由AI生成</div>

## 百度文心新模型登顶 开源社区再添中国力量

百度文心大模型家族的最新成员ERNIE-4.5-21B-A3B-Thinking在Hugging Face文本生成模型排行榜上强势登顶。这款模型采用了先进的轻量级MoE（混合专家）架构，总参数为21B，但在推理时仅激活3B参数，实现了极高的效率。同时，它还支持高达128K的长上下文处理，是中国AI开源领域的又一重要进展。

![image.png](https://static.downly.cn/images/b894bf3b7cf87f4716f5cb25a1e42e32.png)

<div align="center">图源备注：图片由AI生成</div>

## 开源框架DeepMCPAgent亮相 助AI代理生产力暴增

一款名为DeepMCPAgent的开源框架引起了业界的广泛关注。该框架允许开发者利用LangChain和LangGraph，快速构建生产级别的AI代理。其核心优势在于即插即用的动态MCP工具发现功能，并且强调模型无关性，用户可以自由集成任何LLM模型，极大地简化了AI代理从原型到生产的流程，有望重塑AI代理的开发和应用生态。

![image.png](https://static.downly.cn/images/389f1d86785c9fc08ce6c7ba5316c7d8.png)

<div align="center">图源备注：图片由AI生成</div>

## OpenAI与微软关系生变 欲降收入分层比例

据报道，OpenAI正寻求修改与主要合作伙伴微软的财务协议。计划的核心是逐步降低微软的收入分成比例，目标是到2030年，将微软的分成从目前的近20%降至8%。此举旨在为OpenAI保留更多资金，以应对日益增长的巨大计算资源开销，预计将为公司带来超过500亿美元的额外收入。

![image.png](https://static.downly.cn/images/cfff2ff6e0edad22e8b2fc52f1aed657.png)

<div align="center">图源备注：图片由AI生成</div>

## 苹果AI转型遇挑战 Siri前负责人宣告离职

苹果公司在人工智能领域的转型之路再添变数。资深主管罗比·沃克宣布将于下月离职，他曾是Siri及公司AI与搜索业务的核心负责人。此次高层人事变动，引发了外界对于苹果AI战略发展前景以及其内部转型能力的担忧。

![image.png](https://static.downly.cn/images/de69b038560f79f302dc19b323c2de8d.png)

<div align="center">图源备注：图片由AI生成</div>

## Mercor转型AI训练师招聘 获亿元融资

初创公司Mercor宣布成功转型为一家专注于AI训练师的招聘平台，并已完成1亿元人民币的融资。该公司的目标是填补当前人工智能领域巨大的人才缺口，通过提供专业的培训和精准的岗位匹配，为AI产业持续输送合格的训练师人才。

![image.png](https://static.downly.cn/images/014557461160ef1d5e665afbc79258b3.png)

<div align="center">图源备注：图片由AI生成</div>



每日AI资讯0916：谷歌Gemini登顶iOS榜首，OpenAI发布编程新模型



> 导语：今日AI领域动态纷呈，从Zendesk利用GPT-5大幅提升客服效率，到商汤科技为开发者提供及时的迁移支持，再到谷歌、通义千问等巨头不断推出革新性模型，AI技术正以前所未有的速度渗透并重塑各行各业。与此同时，AI在艺术创作领域的潜力也得到进一步释放，无论是动画长片还是音乐单曲，都展现了惊人的创造力。而麻省理工学院的“读心”设备和AI人才市场的激烈竞争，更是预示着一个由AI驱动的全新时代正在加速到来。

---

## Zendesk集成GPT-5 AI客服独立解决问题能力飙升

Zendesk宣布其平台已成功整合OpenAI的GPT-5技术，这一升级使其AI客户服务代理的能力实现了质的飞跃。现在，AI不仅能处理复杂的、需要多轮对话的客户咨询，还能独立执行如退货处理等多步骤操作。数据显示，整合后AI能够独立解决超过50%的客户服务请求，在某些场景下，这一比例甚至高达80%至90%，极大地提升了客户服务的效率和问题解决率。

![image.png](https://static.downly.cn/images/75c240eebb82149de9a9c1e19bfdec7e.png)
<center>图源备注：图片由AI生成</center>
<br>

---

## 商汤科技雪中送炭 为Claude API用户提供5000万免费Token

针对Anthropic公司停止向部分中国企业提供Claude API服务的突发情况，商汤科技迅速响应，推出了“日日新”SenseNova大模型平台的迁移支持计划。为了帮助受影响的用户平滑过渡，避免业务中断，商汤科技慷慨地为迁移用户提供了高达5000万的Token免费体验包，展现了其作为本土AI巨头的责任与担当。

![image.png](https://static.downly.cn/images/48910bbf87b534a29a37ec63fea982c4.png)
<center>图源备注：图片由AI生成</center>
<br>

---

## 报告撰写神器 Google NotebookLM新增80种语言与自定义风格

谷歌对其强大的笔记工具NotebookLM进行了重要更新，新增了报告生成功能。新功能支持超过80种语言，并且允许用户根据上传的资料，自定义生成报告的语气、风格和结构。无论是撰写博客文章还是正式报告，AI都能根据文档类型动态推荐最佳格式。用户还可以通过输入长达千字的详细提示词，对生成内容进行精细化的控制。

![image.png](https://static.downly.cn/images/c5fabf5f868c87dc5cb038186fc1b830.png)
<center>图源备注：图片由AI生成</center>
<br>

---

## OpenAI入局动画电影 《Critterz》欲以AI颠覆好莱坞

OpenAI正投入资源，支持一部名为《Critterz》的AI动画长片的制作。这部影片的制作模式极具颠覆性：预算低于3000万美元，团队仅30人，制作周期预计9个月。该片计划在2026年5月的戛纳电影节上首映，其目标是验证通过AI技术大幅降低好莱坞电影制作成本和时间的可行性，或将为电影行业带来一场深刻的变革。

![image.png](https://static.downly.cn/images/3522adc8281067738c4415f3ed180b77.png)
<center>图源备注：图片由AI生成</center>
<br>

---

## AI当歌手 昆仑万维Mureka V7.5发布全球首支AI单曲

昆仑万维发布了由其最新的Mureka V7.5模型创作的全球首支AI音乐单曲《Digital Heartbeat》。这首歌曲支持多达十种语言的演绎，充分展示了AI在音乐创作领域的惊人潜力。特别是在中文歌曲的演绎上，无论是在音色、演唱技巧还是情感表达的细腻程度上，都取得了显著的进步，让人们看到了AI成为专业音乐人的可能性。

![image.png](https://static.downly.cn/images/47244d45596d1f29a560a52a348e94c6.png)
<center>图源备注：图片由AI生成</center>
<br>

---

## 歌声也能精准识别 通义千问发布全新语音识别模型

通义千问团队发布了其最新的语音识别模型Qwen3-ASR-Flash。该模型基于强大的Qwen3基座，并经过海量多模态及ASR数据的训练，具备极高的识别精度和鲁棒性。尤为突出的是，它在极具挑战性的歌声识别任务上，错误率低于8%。在中英文及多语种的基准测试中，该模型均表现出色，为语音转文字技术树立了新的标杆。

![image.png](https://static.downly.cn/images/8933f951c68057a18dfa381b55682fb1.png)
<center>图源备注：图片由AI生成</center>
<br>

---

## 抢人大战升级 MiniMax与字节跳动祭出天价期权激励

AI领域的人才争夺战已进入白热化阶段。为了吸引并留住顶尖人才，MiniMax与字节跳动等头部公司纷纷推出了极具吸引力的高额期权激励计划。MiniMax为核心员工提供了价值数十万至数百万美元的期权，旨在将个人利益与公司长期发展深度绑定。而字节跳动则对其Seed部门的大模型技术员工实施月度快速兑现的期权激励，月薪高达9至13万元人民币，力度空前。

![image.png](https://static.downly.cn/images/d1921e260d3b88762558d77c1ba69878.png)
<center>图源备注：图片由AI生成</center>
<br>

---

## 心里想什么AI就知道 麻省理工发布“无声沟通”设备AlterEgo

麻省理工学院（MIT）的科学家们开发了一款名为AlterEgo的非侵入式可穿戴AI设备，它开启了“无声沟通”的全新可能。该设备能够捕捉到用户在心中默念指令时，面部和喉部产生的微弱神经肌肉信号，并将其转化为语音输出或设备指令，整个过程无需用户发出任何声音。这项技术预示着人机交互方式的革命性未来。

![image.png](https://static.downly.cn/images/45e8dc19cde36e7b5e5c5e32e6d62010.png)
<center>图源备注：图片由AI生成</center>
<br>

---

## 滤镜新玩法 Snapchat推出文本生成AI图像功能

社交应用Snapchat为其付费订阅用户推出了一项名为“Imagine Lens”的创新AI功能。这是Snapchat首款开放式提示词图像生成滤镜，允许Snapchat+ Platinum和Lens+的用户通过输入简单的文本提示词，来实时生成、编辑和重制独特的图像滤镜。用户可以将这些个性化创作分享到Snapchat平台内外，极大地丰富了社交表达的创意空间。

![image.png](https://static.downly.cn/images/e68d40fad4d578e4ee50ebed5918104c.png)
<center>图源备注：图片由AI生成</center>
<br>

---

## 移动端文本处理利器 谷歌发布高效嵌入模型EmbeddingGemma

谷歌深度学习团队发布了一款专为移动设备设计的开源文本嵌入模型——EmbeddingGemma。该模型拥有3.08亿参数，在权威的MTEB基准测试中，被评为500M参数以下级别中性能最佳的多语言嵌入模型。它能够高效支持RAG和语义搜索等任务，并且无需联网即可在设备端本地运行，其性能甚至可以媲美体量两倍于它的模型。

![image.png](https://static.downly.cn/images/89e12614fd621da022f4ba9c64f021dc.png)
<center>图源备注：图片由AI生成</center>
<br>

---

## AI帮你深度研究 InfoSeek框架构建复杂知识网络

一个名为InfoSeek的全新人工智能框架被提出，旨在合成用于复杂深度研究任务的数据。该框架通过一个创新的双代理系统，深度挖掘文本中的实体与关系，并构建起一棵“研究树”。通过引导用户在这棵知识树上进行层层深入的探索，InfoSeek能够帮助用户获得对复杂问题更全面的答案。其相关数据集已经向公众开放。

![image.png](https://static.downly.cn/images/6c2f1948635bbb9f46a966a1657af8c2.png)
<center>图源备注：图片由AI生成</center>
<br>

每日AI资讯0909：AI应用全面爆发，重塑客服、颠覆创作、开启“无声沟通”新纪元



> 本期AI资讯聚焦多个领域的重大突破。从阿里通义Fun-ASR模型在垂直领域语音识别精度的显著提升，到Kimi K2模型带来的文本生成速度革命；从可灵与即梦AI在视频生成领域实现更精准的控制与更低的创作门槛，到Tripo 3.0引领的3D建模行业变革。与此同时，Meta面临的天价版权诉讼也为整个AI行业的训练数据合规性敲响了警钟。

## 阿里通义语音识别新突破 垂直行业精准度飙升

阿里通义最近推出了新一代的端到端语音识别大模型Fun-ASR。该模型显著强化了上下文感知能力和高精度转写技术，特别是在家装、保险等专业垂直行业，其识别准确率获得了巨大飞跃。据数据显示，保险行业的识别准确率提升了18%，而家装、畜牧等领域的提升幅度也达到了15%至20%，为特定行业的语音应用场景带来了更可靠的技术支持。

![image.png](https://static.downly.cn/images/5336f2bfa0b9114e07ee38e56c4715fe.png)

## Kimi K2模型再加速 输出速度剑指每秒百字符

月之暗面公司发布的Kimi K2高速版AI模型在性能优化后，其内容输出速度实现了大幅提升。该模型能够稳定达到每秒60 Tokens的输出速度，峰值速度更是高达每秒100 Tokens，极大地提高了处理效率，为用户带来了前所未有的流畅服务体验。Kimi K2基于先进的MoE架构，拥有强大的代码生成和通用代理处理能力，其万亿级别的总参数量使其在处理复杂任务时游刃有余。

![image.png](https://static.downly.cn/images/f2e5df9d13b652eb0f3c4d298eb76585.png)

## Meta陷版权风波 AI训练数据合法性引争议

科技巨头Meta公司正面临一场严重的法律诉讼，此案可能成为史上最大的AI训练数据侵权案。两家成人影片公司提起诉讼，指控Meta在进行AI训练时，明知故犯地使用了至少2396部受版权保护的影片内容。原告方提出了高达3.59亿美元的天价索赔，此案再次引发了科技行业内外对于AI训练数据来源合法性的广泛关注和激烈讨论。

![image.png](https://static.downly.cn/images/3710613ffbe00595dce99518874e849f.png)

## InternLM发布轻量级多模态模型 赋能科学研究

InternLM团队（书生·浦语）近日发布了一款仅有8B参数的轻量级多模态推理模型Intern-S1-mini。该模型巧妙融合了Qwen3-8B语言模型与InternViT视觉编码器，并通过包含超过2.5万亿科学领域token在内的海量数据进行预训练。这使得Intern-S1-mini不仅能处理常规的文本和视觉信息，还具备解析分子式、蛋白质序列以及规划化学合成路径等高级科学研究能力，为科研领域提供了强大的AI工具。


![image.png](https://static.downly.cn/images/d75c9b57a4bab6762eb64da756002cf0.png)

## 可灵AI精准控帧 视频生成迈入新纪元

可灵AI近期基于其全新的2.1模型，重磅推出了首尾帧功能。这一创新功能将AI视频生成过程中的随机性转变为高度的可控性，用户可以通过设定视频的起始与结束画面，来精准控制视频内容的走向。据官方数据，新模型的效果提升高达235%，让精准可控的视频生成从一个设想变为现实，彻底改变了AI视频创作的行业格局。

![image.png](https://static.downly.cn/images/609e55ad98c0cf44ebb5cc4487578798.png)

## 即梦AI智能多帧技术 一键生成超长镜头

即梦AI上线了创新的“智能多帧”技术，极大地简化了视频创作流程。用户仅需提供最多10张关键帧图像，系统便能自动分析并生成长达54秒的专业级连贯视频。这项技术彻底颠覆了传统的视频创作模式，显著降低了内容创作的门槛，充分展现了AI在长视频生成领域的巨大潜力和广阔前景。

![image.png](https://static.downly.cn/images/e7920e1da7634fa7a8e58c8c3177cbd6.png)

## VAST发布Tripo 3.0 AI驱动3D建模革命

VAST公司最新发布的Tripo 3.0版本，正通过其强大的人工智能技术革新传统的3D建模行业。该平台凭借其高效和易用性，已经吸引了超过300万专业开发者用户。Tripo 3.0在游戏开发、影视制作、建筑设计和工业设计等多个领域展现了AI驱动3D内容创作的强大潜力，预示着一个全新的3D内容创作时代已经到来。

![image.png](https://static.downly.cn/images/53dde85232904380889e5b78ce0ceb36.png)

搜索结果: 文本生成