Black Forest Labs 宣布 FLUX 3 Video 的初版文生视频与图生视频能力即日起通过 BFL API 和部分合作方开放，可生成最长 20 秒的 HD 视频，并支持 Full HD 放大输出与原生音频。该模型支持多镜头切换、关键帧、视频续写、多语言对白与唇形同步，并提供低成本快速预览的 Draft Mode。官方称内部评测中文生视频明显优于现有 SOTA 模型，图生视频与 Seedance 2.0 持平；后续将推出 FLUX 3 Image 与开放权重版本 FLUX 3 Dev。
#模型发布#视频#多模态
Mistral 发布 Shieldstral，一个 3B 开源权重多模态安全分类器，以 Apache 2.0 许可开放下载，可在单张 16GB NVIDIA GPU 上运行。它把内容审核建模为二分类问答任务，推理时接受自然语言策略并输出校准后的安全分数，无需重新训练即可适配新策略，统一处理文本、图像及文本加图像内容。官方称其在文本安全、拒答检测、策略适应性和多模态基准上匹配或超过最多 7 倍参数量的开源 guard 模型。
#模型发布#安全/对齐#多模态
Liquid AI 发布 LFM2.5-2.6B，一款完全在设备端运行的智能体模型，基础版与后训练版已在 Hugging Face 上线。该模型为 2.6B 参数、预训练约 34T tokens，词表扩展至 128K 并包含 128K 上下文扩展阶段，后训练经 SFT、教师专精、MOPD 蒸馏与 Agentic RL 四阶段。推理方面在 M5 Max 上解码 220 tokens/s、Ryzen AI Max+ 395 上 113 tokens/s，占用低于 2.5 GB，手机端保持 30 tokens/s，并首日支持 llama.cpp、MLX、vLLM、SGLang 和 ONNX。
#模型发布#端侧#Agent
Qwen 发布 Qwen3.8-Max，官方称其在编码与协作场景树立新标杆，模型名为 qwen3.8-max。该模型支持 enable_thinking 与 xhigh、medium、low 三档 reasoning_effort，上下文窗口为 1000000，并支持并行工具调用与文本、图像输入。官方同时给出 Claude Code、Codex、Qoder CLI、Qwen Code、OpenClaw 等编码助手的接入配置，其中 Qwen API 兼容 Anthropic API 协议与 OpenAI Responses 协议。
#产品更新#编码#Agent
#产品更新#DeepSeek
#模型发布#Agent#编码
MiniMax 发布通用多模态生成模型 H3，可理解文本、图像、视频和音频组成的统一上下文，生成带原生立体声的视频，最长 15 秒、2K 分辨率。官方称 2K 下每秒价格不到主流模型的三分之一，768p 价格不到主流模型 720p 的一半，并计划在近日开放模型权重。H3 采用 Contextual Omni Representation、H3-VAE、H3-Omni Transformer 和 In-Context Regeneration 等技术，官方表示完整技术报告即将发布。
#模型发布#多模态#视频
Today, we are releasing Inkling-Small. Inkling-Small achieves comparable performance to Inkling at a quarter of its size. It features 276B total parameters, 12B active. We are making the full weights available. https://t.co/BtYNcpkDRA Fine-tune it on Tinker today, or chat with it in text, image, and audio on Tinker Playground.
#产品更新#开源生态#多模态
Today, we are releasing Inkling-Small. Inkling-Small achieves comparable performance to Inkling at a quarter of its size. It features 276B total parameters, 12B active. We are making the full weights available. https://t.co/BtYNcpkDRA Fine-tune it on Tinker today, or chat with it in text, image, and audio on Tinker Playground.
#模型发布#开源生态#多模态
One brain. For any robot. 🤖 We’re launching Gemini Robotics 2: our next-generation physical AI bringing full body intelligence to humanoids, advanced dexterity, multi-robot teamwork and more.
#模型发布#具身智能#DeepMind
Google DeepMind 发布 Gemini Robotics ER 2，定位为机器人的高层大脑，支持实时空间推理、多步任务规划和多机器人协作，可通过 Gemini API、Google AI Studio 或 Gemini Enterprise Agent Platform 调用。相比 ER 1.6，新模型能通过连续视频流跟踪任务进度并实时纠错，在进度分类任务上达到 57.4% 准确率，在 moment-finding 任务上达到 91.3% 准确率和 0.96s 平均绝对距离。官方还展示了其编排 Boston Dynamics Spot 的导航与机械臂 API 完成取物，并支持 Apptronik Apollo 2 与 Franka F3 Duo 协作，代码已在 GitHub 开源。
#模型发布#具身智能#多模态
Poolside 发布 Laguna S 2.1，这是一个可在终端或开发环境中自主规划、改文件、跑代码并持续数小时的智能体编码模型，采用 MoE 架构，1180 亿参数、每 token 约 80 亿激活，支持最多 100 万 token 上下文，量化后可跑在单台 NVIDIA DGX Spark 上。在 Poolside 自家 harness 中，开启思考模式的 Laguna S 2.1 在 Terminal-Bench 2.1 上得分 70.2%，权重以 OpenMDW-1.1 许可发布在 Hugging Face，最终评测轨迹（含失败案例）也已公开。公司同时上线 macOS 桌面应用 Poolside Desktop Assistant，基于 Agent Client Protocol，可在同一窗口运行 Claude Code、Codex、Gemini 等智能体，本地模型通过 MLX 离线运行。
#产品更新#编码#Agent
Google DeepMind 发布新一代音乐生成模型 Lyria 3.5，在音乐性、歌词和人声质量上有明显提升，即日起在 Google Flow Music 中上线。官方称该模型旨在帮助用户创作更丰富的曲目，并提供创作控制。
#模型发布#多模态#Google
xAI 发布新一代语音模型 Grok Voice Think Fast 2.0，在智能、转写准确率和对话能力上均有提升。官方称在 24 种语言、数千条短语的评测中，其转写准确率相对 Deepgram Nova 3 和 ElevenLabs Scribe v2 提升 1.5–2.0 倍，相对 Grok Voice Think Fast 1.0 提升 1.4 倍，噪声环境下与专用语音转文字模型的差距扩大到约 10 倍。该模型在说话的同时并行推理，推理 token 效率更高，工具调用通常在智能体第一句话结束前执行。2026 年 8 月 5 日起 grok-voice-latest 将指向 2.0，无需手动升级，定价为每分钟音频 $0.08。
#模型发布#语音#xAI
Liquid AI 发布两款双向编码器 LFM2.5-Encoder-230M 和 LFM2.5-Encoder-350M，基于 LFM2 混合架构，支持 8,192 token 上下文，已在 Hugging Face 开放权重。官方称在分类、自然语言理解和 token 级任务上可微调，350M 在 14 个模型 17 项任务中排名第四，230M 超过 ModernBERT-base 和所有 EuroBERT。CPU 上 8,192 token 单次前向约 28 秒，约为 ModernBERT-base 的 3.7 倍速度，评测框架已在 GitHub 开源。
#模型发布#端侧#数据/训练
Kimi K3 is now live on Together AI. We’re proud to be a Day 0 launch partner for @Kimi_Moonshot’s open frontier model, built for long-running agentic workflows across code, tools, vision, and research. https://t.co/OcsTUTtS3l
#产品更新#部署/工程#Agent
Kimi K3 is live on Modal. Moonshot has shipped the world's first open 3T-class model, and we're a day zero launch partner. We trained a custom DFlash speculator for K3's novel architecture so you can run it faster, losslessly. The most capable open model we've worked with by far.
#行业动态#部署/工程#开源生态
#模型发布#开源生态#多模态
Black Forest Labs 发布多模态基础模型 FLUX 3，在单一架构中联合学习图像、视频和音频，可单次生成最长 20 秒带音频视频，支持文本、图像或视频输入。其视频骨干被 mimic 用于 FLUX-mimic 机器人控制系统，在软体 kitting 任务上报告 95% 成功率，高于同数据训练的 π0.5 的 55%；冻结骨干时仍具竞争力。FLUX 3 Video 已开放早期访问，图像生成与编辑随后推出，动作预测通过合作方提供，并计划发布开放权重版本。
#模型发布#多模态#视频
NVIDIA 推出 Cosmos-H-Dreams，可根据初始 RGB 帧和实时机器人运动学数据，自回归生成手术场景。经知识蒸馏并由 FlashDreams 加速后，模型在单张 NVIDIA RTX PRO 6000 上达到约 160 帧/秒，高于标准推理的约 10 帧/秒。其提供 dVRK 台面缝合预训练检查点并已集成 Versius 平台，但定位为研发平台，而非诊断系统或实体手术机器人控制器。
#模型发布#视频#具身智能