腾讯World Crafter：具备隐式3D记忆的世界生成模型

本周，Tencent发布了名为World Crafter的全新交互式世界模型。与传统的视频生成不同，该工具允许用户通过文本提示或单张参考图像创建交互式3D世界。其核心创新在于引入了隐式3D感知记忆（implicit 3D aware memory）机制。当用户视角发生偏移或重新观察场景时，World Crafter能够保持内容的高度一致性。

"It has implicit 3D aware memory. So, even if you look away and then you look back, things remain consistent the whole time."

这一效果是通过在生成视频的同时，重建场景的3D点云（3D point cloud）来实现的。模型实际上是将一个3D模型存储在其记忆中，从而获得对场景内容的更深层理解。该工具支持多种艺术风格、第一人称或第三人称视角，并允许控制不同角色。Tencent已开源该项目，提供基础模型和蒸馏快速版两个版本。

Ming Image 0.1：专为视觉设计优化的开源图像模型

在图像处理领域，Ming Image 0.1作为一款专为视觉设计打造的开源模型脱颖而出。这是一个拥有60亿参数的文本到图像生成器，特别针对UI界面、信息图表、海报等包含大量文字和元素的场景进行了优化。该模型支持最高2K分辨率，并具备一项关键特性：生成带有透明通道（Alpha Channel）的图像。

"It supports up to 2K resolution. And one particularly useful feature is that it can also generate images with transparency."

这意味着用户可以生成带透明背景的对象或设计元素，便于后续在其他设计中叠加使用。除了主模型Ming Image 0.1 Design（约12 GB大小），团队还发布了辅助模型Ming Image Design Layer。后者功能相反，能将一张完整的平面设计图拆解为多个独立的透明图层供单独编辑（约24 GB大小）。根据Artificial Analysis的排行榜，Ming Image Design在开源权重模型中排名第一。该工具采用宽松的MIT许可证发布。

Mirror Scene与Flux 3 Action：从3D场景重建到机器人控制

本周还发布了两个极具实用价值的工具。首先是Mirror Scene，这是一个3D场景生成器，能将任意图像重建为包含独立物体的3D场景。其工作流程包括识别物体、估算深度以及生成每个物体的3D几何结构，确保位置与原始图像对齐。该模型体积小巧（约6.1 GB），可导入Blender进行动画制作或接入物理模拟器训练机器人。

其次是Flux团队发布的Flux 3 Action，这是一个70亿参数的世界动作模型，旨在控制机器人。它结合视觉信息和关节位置数据，预测机器人的下一步动作及世界随之发生的变化。

"Not only is Flux 3 way smaller, it has like less than half as many parameters, but it also was able to achieve a higher success rate at a much faster speed."

在与Cosmos 3 Nano的对比中，Flux 3 Action参数量不到后者的一半，却实现了更高的成功率和更快的速度。此外，该模型还可用于控制视频游戏中的角色行为。

开源模型发布：7B参数轻量化方案

近期有一款基于70亿参数的基础模型权重开放下载，其体积仅为14GB。该资源包不仅包含模型本身，还附带了详细的文档说明，指导用户如何在机器人、电子游戏或其他设备上进行微调。对于希望深入了解技术细节的用户，官方主页提供了完整的文档支持。

Google发布Gemini 3.8 Flash TTS：文本生成语音的革命

Google本周发布了最新的Text-to-Speech（TTS）模型，包括Gemini 3.8 Flash TTS和Flash Light TTS。其核心亮点在于支持通过文本提示词设计完全全新的声音，无需依赖少量样本录音。

"Here's a high energy DJ voice from Melbourne... Heaps of great music on the way for you."

演示中展示了来自墨尔本的高能量DJ声音，以及一种独特的日本龙的声音。这些模型允许用户在转录文本中添加元标签（metatags），从而实现对生成语音的自然度和表现力的精细控制。例如，通过元标签可以模拟查找订单状态时的停顿、道歉语气以及重新安排配送的指令。

"Hang on a second. Let me find that order status... Give me one moment, I just updated the status and rescheduled the delivery."

更复杂的场景展示了通过元标签控制对话中的紧张情绪和动作指示，如“别跑”、“快走”，从而生成极具叙事张力的音频内容。

Gemini TTS性能基准与成本优势

Gemini 3.8 Flash TTS分为两个版本：主版Flash TTS和面向高吞吐量、成本效益规模的Flash Light TTS。后者支持超过100种语言和方言。

在Text-to-Speech质量基准测试中，新Gemini模型表现处于最先进（State-of-the-Art）水平。数据显示，在平均质量上，它甚至击败了11 Labs等竞争对手。在语音设计能力方面，通过文本提示创建新声音的效果也优于其他模型。

"On average, they even beat 11 Labs. And then in terms of voice design... this is also much better than other voice design models."

在Voice Arena排行榜的盲测中，Gemini 3.8 Flash在发音鲁棒性（Pronunciation Robustness）方面排名第二，并在整体语音生成能力上成为当前领导者。尽管质量顶尖，其定价却极具竞争力。

"Now given its quality, this is also insanely cheap."

目前该模型已通过API和Google AI Studio开放，用户可免费试用。此外，它也集成在Gemini Notebook（原Notebook LM）中。

Xiaomi MIMO 2.6：开源模型的性价比新标杆

小米上周公开了其Mimo 2.6模型的强化学习训练过程，本周正式发布了该模型。在开源权重模型中，Mimo 2.6 Pro的表现接近GPT-6 Astra和Astra，并超越了Fable 5。

在Deep Suite基准测试中，Mimo 2.6 Pro紧随GPT-6 Astra之后。在代理（Agentic）和知识工作基准测试中，它同样接近前沿模型水平。

"The craziest result here is Cyberjimy where it achieved like over 95% much higher than the other Frontier open models."

在Cyberjimmy基准测试中，Mimo 2.6 Pro取得了超过95%的成绩，远超其他前沿开源模型。在Artificial Analysis的智力指数中，Mimo 2.6 Pro以1分的微弱优势超越GLM-5.3，成为领先的开源模型。

模型名称 参数规模 (总/活跃) 大小 价格成本
MIMO 2.6 Pro Trillion (万亿) ~573 GB $0.13 / task
MIMO 2.6 Flash 311 Billion (亿) ~178 GB 更便宜

Mimo 2.6 Pro的成本极低，仅为13美分/任务，比GLM-5.3 Flash和DeepSeek 4.1 Flash更便宜。此外，小米还发布了Mimo Desktop应用。

Stepfun Step 5 Preview：多模态代理的新势力

中国AI实验室Stepfun发布了最新的多模态代理模型Step 5 Preview。该模型采用混合专家（MoE）架构，总参数量为600B，但推理时仅激活27B参数。它支持100万Token的上下文窗口。

在Deep SWE基准测试中，Step 5表现优异。在其他代理编码和知识工作基准测试中，它与GLM-5.3和Kimik 3相当或更优。在Artificial Analysis的排行榜上，Step 5落后GLM-5.3仅1分。

"It is almost three times cheaper than GLM 5.3 and also way cheaper than the closed models."

尽管性能接近，Step 5的价格仅为GLM-5.3的三分之一左右，远低于闭源模型。由于其具备视觉理解能力，Step 5在多模态任务中展现出强大的竞争力。

Step 5模型发布与Luma创意工作流升级

Step 5模型已通过其产品和API提供访问，并计划于10月15日正式开源发布。该模型在多项基准测试中表现优异，尤其在视觉渲染与金融研究领域展现出强大能力。例如，用户只需输入一张照片，模型即可将其渲染为3D效果。在金融研究方面，其性能也通过了相关基准测试的验证。对于希望深入探索的用户，官方主页提供了详细的技术文档与资源链接。

与此同时，视频赞助商Luma推出了全新的AI代理功能，旨在自主协同完成创意工作流。与传统单次提示词生成不同，Luma代理能够记住项目上下文，支持从概念开发、资产生成到多方向实验的全流程迭代。其最新视频模型Ray 3.2在运动理解、物理规律及三维空间感知方面表现突出，能够处理复杂的物体交互与摄像机运镜，生成具有真正电影感且连贯性高的视频序列。这种能力使得内容创作者无需逐帧调整，即可在单一环境中实现逼真的动态场景构建。

GAE几何原生自编码器与3D一致性生成

本周发布的GAE（Geometry Native Autoencoder）是一种能够生成高度一致3D世界的新型模型。与仅输出视频的传统方法不同，GAE在生成场景视频的同时，还会同步输出深度图（Depth Map）、摄像机轨迹以及随视角变化的3D场景重建模型。这种机制确保了在摄像机移动过程中，场景记忆的一致性得以保持。

"It also reconstructs a 3D model of the scene as the camera moves around so that it can keep the scene consistent in its memory."

GAE支持多种环境与角色，包括第一人称和第三人称视角。值得注意的是，该项目已完全开源，用户可通过官方页面获取下载与本地运行指南。其模型权重非常轻量，总大小低于12 GB，这意味着大多数中端消费级GPU即可运行该模型。此外，官方还发布了完整的训练与评估脚本，极大地降低了复现门槛。

OpenMuse开源智能体对比Meta Muse

上周Meta发布了个人AI代理产品Muse，具备自动总结邮件、购物预订及日历管理等能力。然而，鉴于用户对Meta处理个人信息的隐私担忧，本周出现了一个优秀的开源替代方案——OpenMuse。作为一个基于MIT许可证的代理框架，OpenMuse提供了浏览器、终端和文件访问权限，能够长期自主执行用户指令直至目标达成。

OpenMuse支持连接Gmail、Google Calendar等常用应用，实现邮件摘要回复与会议预订等功能。其核心优势在于模型无关性（Model Agnostic）：用户既可以使用本地大模型以保障隐私，也可通过API密钥接入付费模型。对于寻求Meta Muse开源替代品的用户而言，OpenMuse提供了一个灵活且权限开放的解决方案。

CLM对比模型：极速System One推理

继上周Jev提出基于System 1（直觉式快速决策）的模型后，本周开源社区推出了性能更优、速度更快的替代方案——对比语言模型（CLM, Contrastive Language Models）。与需要深度推理的System 2不同，CLM专注于快速决策。其训练采用对比学习目标，将状态与动作连接起来：给定当前情境和可选行动菜单，模型会立即对每个选项进行评分并输出置信度或概率分数。

该模型基于开源的Qwen 38B架构构建，参数量仅为80亿（8 billion）。在Dino Run游戏测试中，CLM展现了惊人的效率：其速度比Jev快9倍，且在大多数情况下性能持平。这表明在无需复杂战略推理的游戏或即时决策场景中，System 1思维模式具有显著优势。项目完全开源，包含详细的训练算法、数据配方及GitHub运行指南。

Grok 4.7：低成本定位与独立评测的落差

xAI发布了其最新模型Grok 4.7，官方宣传的核心优势在于极致的成本控制。根据xAI自报的基准测试数据，Grok 4.7在专业工作知识（GDP val）评估中表现优异，甚至超越了GPT-6 Astra模型，仅略低于Fable 5.1。在多小时办公任务及电气工程领域的测试中，其表现也颇具竞争力。

然而，独立评估机构Artificial Analysis的数据揭示了另一番景象。在智能指数上，Grok 4.7落后于GPT-6及最新的Claude模型，其智能水平仅与开源最佳模型Mimo 2.6 Pro持平。更令人意外的是，在“每任务成本”这一关键指标上，Artificial Analysis的数据显示Grok 4.7甚至比GPT-6更昂贵。综合智能与成本来看，该模型在效率曲线上处于低位，其性价比甚至低于其他前沿模型。目前，Grok 4.7已在Cursor、xAI Build及API中开放使用。

GPT-6系列：三级架构与极致的性价比分层

OpenAI本周发布了GPT-6系列的三款新模型，通过命名区分定位：Astro、Soul和Luna。这一策略旨在满足不同层级的需求，其中Astro代表最高智能但成本高昂；Soul作为中端选择，性能略逊于Astro但价格更亲民；Luna则是轻量级变体，专为无需复杂推理的快速任务设计。

在性能对比中，GPT-6 Soul Max的智能表现略低于Astro及领先Claude模型，但其成本仅为Astro的三分之一左右，显示出极高的性价比。而Luna系列虽然智能排名未进前五（低于DeepSeek和Gemini 3.8），但其单任务成本低至7美分。相比之下，最昂贵的Claude模型价格高出Luna超过100倍。目前，Soul和Luna已对付费用户开放于GPT-4o及Codecs中，免费用户可在桌面端使用Luna模型。

Claude Opus 5.5与Anthropic的基因编辑尝试

Anthropic发布了最新旗舰模型Claude Opus 5.5。经过实测，该模型在3D设计、编码及网页导航等复杂任务中表现出色，智能水平与GPT-6 Astra极为接近。然而，从成本效益角度考量，Claude Opus 5.5的单任务价格远高于GPT-6 Astra。对于追求效率的用户而言，目前仍更倾向于使用成本更低且性能相近的GPT-6系列模型。

此外，Anthropic发布博客称利用AI代理发现了潜在的基因编辑新酶系统。研究人员使用约950个智能体，消耗2.1亿token，历时21小时搜索DNA序列。AI识别出可能与CRISPR机制相关的重复字母串。这一成就的核心在于AI代理能独立从海量数据中筛选出值得验证的目标，而非直接确认新工具。不过，生物科技领域对此反应谨慎，指出DNA中存在大量此类序列但多数无实际用途，该发现的科学意义可能被夸大，仍需进一步实验验证。

仿真自训练：Skilled AI S1机器人的足球进化论

Skilled AI发布了一段令人印象深刻的演示，其核心模型S1正在通过模拟环境自主习得足球技能。这一过程借鉴了DeepMind训练AlphaGo的策略，即让机器人在虚拟环境中进行数百万局的自我对弈。选择足球作为训练目标并非随意之举，因为这项运动要求极高的平衡感、速度、控球能力以及即时反应。为了加速这一过程，Skilled AI在Nvidia的Isaac Sim模拟器中让S1进行了相当于超过140年的实际比赛时间的训练。

"They're basically kind of doing Alph Go, but for humanoid soccer."

训练初期，缺乏任何先验知识的机器人显得笨拙且容易摔倒。然而，经过几轮强化学习后，S1逐渐掌握了带球绕过防守、护球以及射门等复杂动作。其训练机制被称为自动训练阶梯（automatic training ladder）：对手是由旧版本的自身模型构成的，随着版本迭代，挑战难度逐步提升。这种在仿真中通过自我博弈积累的经验最终可以部署到现实世界，使机器人能够与人类进行自主足球对抗。这种策略不仅限于体育竞技，还可扩展至人机导航、物体搬运或自动驾驶等需要复杂决策的场景。

硬件突破：UBTE量产机器人与Unitree灵巧手Dex5S

本周机器人领域迎来两项重要硬件进展。首先，UBTE Robotics宣布其U1系列超写实人形机器人首批货物已开始发货。这款机器人的售价约为20,000日元（约合$2,800），预计于10月开始交付。U1系列的设计重点在于超逼真的面部、头发、服装和姿态表现。尽管其外观高度拟人，但作者指出公司尚未推出“猫娘”选项，认为这是一个巨大的市场错失机会。不过，首批交付标志着该系列从概念走向现实的重要一步。

与此同时，Unitree推出了其最新的灵巧手Dex5S。这是一款工程奇迹，旨在尽可能精确复制真实人类的手部结构。该手掌大小与真人相当，拥有22个自由度（degrees of freedom），这意味着它具备大量可独立运动的关节。这种设计使得手指能够像人类一样灵活弯曲和摆出各种姿势，而非僵硬如钳。每个关节还配备了冲击扭矩保护（impact torque protection）功能，当手部撞击物体时能限制冲击力。演示视频显示，Dex5S能够完成握持操作、弹奏钢琴键、做出手指手势以及使用剪刀剪纸等多种精细任务。该产品的起步价格为$6,500。这些硬件的进步为机器人执行更复杂的物理交互任务奠定了基础。

轻量级多模态新星：Dots 3 Note与ARC AGI基准测试

在开源模型领域，RedNote（中国版TikTok）发布了Dots 3 Note。这是一个拥有280亿参数（28 billion parameters）的混合专家模型，但在推理时仅激活160亿参数。尽管其上下文长度仅为512 tokens，远小于前沿模型通常拥有的百万级窗口，但在其体量下表现优异。特别是在智能体编码和解决问题方面，Dots 3 Note的性能接近比它大10倍的模型（如拥有2.8万亿参数的Kimik 3）。

"One of the most impressive things about it is its score on this arc AGI benchmark."

该模型最令人瞩目的成绩来自ARC AGI基准测试。这是一个极具挑战性的环境，AI必须在从未见过的游戏规则中自主学习规则并赢得游戏。由于大多数模型的权重是固定的，难以随时间学习新事物，因此这对AI来说是巨大难题。然而，Dots 3 Note在ARC AGI2测试中取得了开源模型中的最佳成绩。该模型已完全开源，提供两种版本：全量模型大小为577 GB，而FP8量化版仅为300 GB。作为一个中等规模的多模态模型，它在多模态理解方面同样表现出色，是一个值得尝试的高效选择。

统一嵌入空间：OUS VL与Limiter的极致压缩

除了生成式模型，本周还值得关注两款专注于数据处理的开源工具。首先是OUS VL嵌入模型，它旨在解决多模态搜索问题。传统方案需要为文本、图像、视频和文档分别建立模型，而OUS VL将这些不同格式转换为统一的数值表示（embedding space）。这相当于将所有输入翻译为一种通用语言，从而实现跨模态的高效检索。

OUS VL提供两种变体：支持音频的Omni 3B1（30亿参数），以及仅处理视觉内容的Vision变体（20亿或90亿参数）。在同等规模下，其性能平均达到最先进（state-of-the-art）水平。Vision 9B1模型大小为16.8 GB，Omni 3B1仅为11 GB。更重要的是，这些模型采用限制极少的Apache 2许可证发布。此外，还有一款名为Limiter的1B（10亿参数）模型进一步压缩了体积。这些小型化、高效能的嵌入和生成模型，为开发资源受限的应用场景提供了极具性价比的开源方案。

Liite 1B：专为硬核数学设计的超轻量模型

Liite 1B是一个完全针对解决高难度数学问题而设计的超小型模型，其独特的着陆页设计虽令人不适，但性能表现却极为惊艳。在竞争性数学基准测试中，该模型取得了94%的高分成绩。尽管参数量极小，它却通过大幅降低计算资源消耗，在多项基准测试中碾压了体积大数十倍至数百倍的竞争对手。这种效率优势使其成为特定领域的强力工具，尽管在通用任务上的表现可能不如大型模型全面。该项目的代码和模型已开源，用户可通过官方页面获取详细的本地运行指南。

"Aside from the really strange design of this landing page, which kind of hurts my eyes..."

对于希望本地部署的用户来说，Liite 1B的体积非常友好。该模型仅包含10亿参数，整体大小约为2GB。这意味着即使是低端GPU也能轻松承载并运行该模型。这种极致的轻量化使得研究人员和开发者无需昂贵的硬件基础设施，即可在本地环境中探索其强大的数学解题能力。对于关注垂直领域模型优化的团队而言，这是一个极具参考价值的案例。

Iikido Alter：压缩至328GB的网络安全专家模型

Iikido Alter是一个专注于网络安全领域的开源权重模型。开发团队基于GLM 5.3这一优秀的基础模型进行了微调，并采用了巧妙的工程压缩技术。原始完整模型的体积高达1.5TB，经过处理后被大幅缩减至328GB。这种压缩并非以牺牲核心能力为代价，而是最大程度地保留了模型的推理质量。在包含32个漏洞的测试集中，压缩后的Alter模型成功发现了23个漏洞。相比之下，未压缩的全量模型仅发现了25个漏洞。这一数据表明，经过优化的Alter在保持高性能的同时，极大地降低了部署门槛。

"...compressed it all the way down to just 328 GB while preserving most of the reasoning quality..."

该模型已开放下载，用户可前往Hugging Face页面获取相关资源及使用说明。对于需要处理大规模代码库或进行自动化安全审计的企业而言，Iikido Alter提供了一个在存储成本与推理性能之间取得良好平衡的解决方案。其开源特性也鼓励了社区进一步探索其在网络安全场景下的应用潜力。

Google Project Suncatcher：太空数据中心的可行性验证

Google近期公布了Project Suncatcher计划，旨在探索在低地球轨道卫星上构建大规模AI计算系统的可能性。该计划的核心理由在于，太空中的太阳能资源极为丰富，卫星可接收近乎恒定的阳光，其潜在发电量可达地面系统的八倍。然而，在建造实体数据中心之前，Google首先需要验证AI芯片能否承受太空环境的极端挑战。为此，他们准备发射搭载Trillium TPUs的原型卫星。

"...whether AI chips can actually survive in space."

测试涵盖了多个关键维度。首先是发射阶段的震动，火箭升空过程中产生的加速度可达10G，而硬件通常需承受高达100G的冲击。Google通过大型振动台模拟发射环境，结果显示芯片成功存活。其次是辐射问题，在质子束设施中进行的测试表明，Trillium TPUs比预期更能抵御辐射。此外，太空中的散热难题通过热管和散热器技术解决，而卫星间的高速通信则依赖于极高精度的激光链路连接。Google计划明年进行两颗卫星的系统测试，以验证芯片生存、辐射耐受、散热及通信等基础要素。

Supra Image：可运行于手机的微型图像生成模型

本周还出现了一款名为Supra Image的超小型图像生成模型。该模型仅拥有1亿参数，相比之下，主流的Z Image模型参数量高达60亿。Supra Image的体积仅为后者的约六十分之一，整体模型文件大小约为417MB。得益于如此极致的轻量化，该模型可以直接在手机或其他小型设备上运行，实现了边缘端图像生成的突破。

"...this is small enough to run on just your phone or other smaller devices."

由于参数量的限制，Supra Image生成的图像质量相对较低，这是模型规模缩小带来的必然权衡。然而，对于需要在移动设备上实时生成简单图像或进行原型设计的应用场景而言，这是一个极具吸引力的选项。官方已提供详细的本地运行说明，使得开发者能够轻松集成这一轻量级工具。尽管在画质上无法与云端大型模型媲美，但其在便携性和即时性上的优势填补了市场空白。

结论

本周AI领域呈现显著的“性价比分层”与“垂直化深耕”趋势。大模型层面，GPT-6系列通过三级架构实现极致成本优化，Mimo 2.6与Step 5在保持前沿性能的同时大幅降低推理成本；相比之下，Grok 4.7与Claude Opus 5.5在智能指数或成本效益上缺乏竞争力。多模态与具身智能方面，World Crafter、GAE及Flux 3 Action通过隐式3D记忆与轻量化架构，解决了视频生成一致性与机器人控制的效率难题。同时，Liite 1B、Dots 3 Note等超轻量模型证明了在数学解题与特定基准测试中，小参数规模同样具备碾压大模型的效率优势。