中国大模型开源浪潮：GLM-5.3与Hy4的崛起

本周AI领域最引人注目的消息之一是神秘代号“Ox Alpha”的最终揭晓，该模型被确认为智谱AI（Zhipu AI）发布的 GLM Flash。与此同时，团队还公开了完整权重的 GLM-5.3 模型。据评测显示，这一版本已成为当前可用的最佳开源大语言模型之一，极大地丰富了开发者社区的选择。腾讯也紧随其后，发布了其最强模型 Hy4（字幕中提及为H high4），并同样采取了开源策略。此外，阿里巴巴发布了最新模型 Qwen 3.8 Flash Next（字幕中提及为Quen），其性能表现已非常接近前沿闭源模型水平。这些中国科技巨头的密集开源动作，标志着全球大模型竞争进入了一个性能与可访问性并重的新阶段。

Block 3D：极速生成的3D内容创建工具

在3D生成领域，一款名为 Block 3D 的新模型引起了关注。该工具能够将文本提示转化为3D对象，其核心创新在于生成机制：它将3D物体分解为形状标记的块（blocks），并逐个生成这些块，但在每个块内部利用扩散模型并行生成所有标记。这种架构带来了显著的速度优势，比标准的自回归方法快五倍以上。平均而言，生成一个3D模型仅需 5秒 左右。尽管其生成的细节和质感并非顶级，但在速度上处于领先地位。项目方已公开代码及本地运行指南，并提供了训练自己的模型的方法。

One Video, One World：从视频到3D世界的重构

另一项实用工具是 One Video, One World，它可以将普通视频转化为包含独立对象的动画3D世界。该AI不仅能渲染出完整的场景，还能将各个物体分离并重建为独立的3D网格（meshes），使其具备物理模拟能力。系统需要识别物体间的空间关系、距离及运动轨迹。为了实现这一复杂任务，研究人员整合了多个基础模型：使用 Qwen 3VL 理解场景语义，利用 SAM 3进行分割，借助 Flux 2填补物体隐藏部分，最后通过 Hi3D Gen进行3D重建及姿态估计。该项目代码已开源（MIT许可），但需注意其依赖的其他平台可能受非商业许可证限制，且建议配备超过 40 GB 的显存以本地运行。

Fix Anything：修复退化3D渲染的神器

针对高斯泼溅（Gaussian Splatting）、NeRF或网格重建中常见的伪影问题，Fix Anything 提供了一套清理方案。当从非熟悉视角观察重建场景时，常会出现空洞、悬浮几何体或模糊区域。该工具利用预训练的视频模型（基于 1.2.1 版本），在保持原有相机路径和3D结构不变的前提下，将退化的渲染结果转化为更清晰、逼真的场景。它支持网格输入和稀疏点云输入，甚至能处理航拍等复杂视角的瑕疵修复。由于基于较旧版本模型，其在消费级显卡上的运行门槛相对较低。

Google Planetary Prediction Engine：地球数据的AI分析师

Google DeepMind 发布了 Planetary Prediction Engine，这是一个面向地球科学问题的“AI数据科学家”。用户只需通过自然语言提问（如预测疾病风险或粮食短缺区域），系统即可自动查找相关地理数据、清洗整合并训练机器学习模型进行预测。这一工具将原本需要专业团队耗时数周的工作缩短至几分钟。在尼日利亚粮食安全映射任务中，该系统将准确率从基线的 31% 提升至 66%（翻倍以上）；在刚果民主共和国埃博拉疫情预测中，得分达到 88%，比之前的最先进基线提高了超过 10%。该项目展示了AI代理在整合Google Earth等多源数据方面的巨大潜力。

其他亮点：Minimax实时视频与机器人奥运会

除了模型发布，本周还见证了 MiniMax 视频生成器的重大升级，使其具备了潜在实时运行的能力。此外，“世界人形机器人游戏”展示了惊人的成果，部分机器人的表现甚至打破了人类的世界纪录。Google DeepMind 还发布了新的视频生成器和转录模型，以及一个具备世界记忆能力的新AI世界生成器。同时，多个新的开源3D生成工具也相继亮相，进一步丰富了内容创作的工具箱。

代码世界模型：以编程逻辑维持视频连贯性

本周出现了一种名为“Code World Model”的新型AI，其核心创新在于让生成的视频世界具备记忆能力。传统的视频生成模型主要预测下一帧画面，往往缺乏对底层规则、物体状态及因果关系的维持。该项目将任务拆解：首先由一个编码代理（Coding Agent）作为“大脑”，对发生的事件进行推理并编写代码，从而更新一个持久化的世界状态。这一状态随后被转换为简化代理（如物体位置、场景布局），最后由微调后的MiniMax H3模型渲染出视频。这种架构类似于游戏引擎负责逻辑、图形生成器负责画面的分工模式。

“Think of it like a video game where the game engine is written by a coding agent while you get a video generator to actually handle the graphics.”

演示展示了长运行且风格可变的连贯世界，角色能与物体互动，左上角的地图实时追踪所有对象。这种设计确保了场景和事件的一致性，被认为是开发AI驱动视频游戏或交互式世界的关键步骤。项目已开源代码至GitHub，支持本地运行。虽然官方测试使用80GB显存的H800 GPU，但用户也可尝试量化版本以适应较低配置。

Voice Mem：双脑架构实现语音助手实时记忆

针对语音助手的个性化需求，新工具“Voice Mem”设计了一套专为实时运行的记忆系统。它摒弃了每次对话从头开始的做法，而是将记忆分为两部分：左脑存储事实信息（如人物、实体知识），右脑追踪偏好与情感。系统通过搜索记忆图并仅提取关键片段，避免了将数千条旧对话重新输入模型的低效方式。

“Jati, you crave real connection. Like how you always pick those quiet one-on-one talks over big crowds.”

在实际演示中，该模型能准确回忆用户关于性格（如偏好安静交流）及近期情绪波动（如因考试感到疲惫）的细节。数据显示，Voice Mem在记忆准确性上优于其他竞争方法，且显著减少了Token使用量。其延迟极低，达到亚秒级（subsecond）响应速度。这使得它成为构建具备长期记忆能力的个性化语音伴侣的理想工具，相关代码与运行指南已发布于GitHub。

MiniMax H3极速优化：蒸馏与稀疏注意力技术突破速度瓶颈

MiniMax H3作为当前的开源视频生成标杆，迎来了显著的速度提升。How AI Lab发布了“Fast Video”方案，在特定GPU（如H200）上可实现最高14倍加速。拥有高端硬件的用户甚至能实现实时生成（Real-time），即在30秒内完成15秒视频剪辑。该方案采用无数据（Data-free）蒸馏技术，利用原模型生成的示例训练更快的小规模生成过程，无需额外收集数据或原始数据集。

“The most impressive part is that this is datafree. So, they only use the already trained base miniax model as the teacher... They didn't need to go out and collect additional training data from scratch.”

加速的另一关键在于视频稀疏注意力机制（Video Sparse Attention），模型仅关注最有用的数据部分。推荐版本保留约10%的视频注意力数据，大幅削减计算量。尽管原始Transformer模型高达70GB，但社区已推出仅22.9GB的Fast Video检查点以适配Comfy UI。此外，FIA也发布了名为H3 Max的微调版本，进一步推动了生成速度的提升。

Minimax H3 Max 性能表现与开源争议

Minimax团队发布的H3 Max模型在基准测试中展现了显著的性能优势，不仅获得了最高的质量评分，还实现了最低的平均延迟。然而，该模型目前仅通过付费且封闭的API提供访问。这种将开源基础模型（Minimax H3）进行优化后重新包装并设置付费墙的做法引发了社区争议，有观点认为这纯粹是为了利润最大化。尽管Minimax团队曾暗示将开源该版本，但目前尚未兑现承诺。对于希望深入研究的读者，官方提供了详细的技术文档链接。

Luma Agents 重塑创意工作流与技能复用

视频赞助商Luma推出了Agents平台，旨在通过统一的智能工作空间整合从创意构思到成品输出的全流程。该平台集成了Seed Dance 2.5、Cling 3和Ray 3.2等顶级视频模型，并引入了核心的“Skills”功能。技能本质上是可复用的AI工作流，用户只需定义一次指令和资产参考，即可在任何新图像或视频上自动执行相同的处理流程。例如，可以创建一个“产品入水”技能，确保构图和视觉风格的一致性而无需重复提示词。这一功能适用于品牌营销、社交媒体内容生成等场景，极大提升了创作效率。

GLM-5.3 Flash：开源界的性价比奇迹

神秘模型“OX Alpha”被确认为智谱AI（Zhipu AI）发布的GLM-5.3 Flash。这是一个拥有3200亿总参数但仅激活180亿的混合专家（MoE）模型，其体积远小于万亿参数级的竞争对手。尽管作为Flash版本，它并未达到前沿智能的极致水平，但在智力与成本的平衡上表现卓越。基准测试显示，GLM-5.3 Flash在多项指标上超越了更大的GLM-5.2和Opus 4.8，并媲美中等规模的GPT-5.6 Terra。其每任务成本仅为9美分，远低于Kimi K3或GPT系列。此外，该模型幻觉率仅为20%，显著低于Opus的60%和GPT-5.6的80%-90%。

技术突破与本地部署可行性

GLM-5.3 Flash的高效性得益于其结合了线性注意力机制与稀疏注意力技术，将注意力计算量减少了约三倍。同时，该模型将KV缓存（工作内存）缩小了4.4倍，进一步提升了推理效率。值得注意的是，该模型完全由中国AI芯片驱动的数据中心提供服务，标志着国产算力在高端大模型部署上的突破。由于是开源项目，社区已迅速推出变体，如1-bit量化版本仅重93GB。这使得用户能够在高端消费级硬件上免费运行具备前沿智能水平的模型，为需要每日处理数百万Token的Agent部署提供了极具性价比的选择。

智谱 GLM-5.3 Flash：开源全量权重与本地部署潜力

智谱（Zhipu AI）在发布 GLM-5.3 Flash 的同时，按承诺于本周开放了完整模型 GLM-5.3 的权重。虽然该全量版本不具备视觉能力，但它被定位为当前 最具智能性和性能最强的开源模型。在基准测试中，其表现与 Kimi K3 基本持平，但参数量更少。该模型拥有 7530亿参数，完整权重体积高达 756 GB。然而得益于开源生态的迅速响应，社区已推出多种量化版本。例如 Unsloth 发布的 GGUF 格式中，1-bit 量化版仅重 217 GB。这意味着用户只需配置两到三张高端显卡即可在本地运行此级别智能的模型。

"This is currently the best open model you can run locally."

在智能指数评估中，GLM-5.3 的得分与 GPT 和 Claude 的最佳模型仅相差 1到2分，显示出其处于行业第一梯队。这一进展标志着用户现在可以在本地计算机上运行接近顶级闭源模型智能水平的 AI，极大地降低了前沿技术的访问门槛。对于希望拥有完全数据隐私且具备一定硬件资源的开发者而言，这是目前本地部署的最佳选择。

阿里 Qwen3.8-Flash-Next：小参数高效架构与极致性价比

阿里巴巴发布了最新预览版模型 Qwen3.8-Flash-Next，这不仅是 Qwen 系列的迭代，更是其即将推出的 Qwen4 架构的早期预览。该模型仅包含 1250亿参数，采用混合专家（MoE）架构。在实际使用时，仅有 60亿参数 处于激活状态，从而实现了极高的推理效率。尽管体积小巧，其性能表现却令人瞩目。

在多项代理编码和知识工作基准测试中，Qwen3.8-Flash-Next 的表现甚至超越了 DeepSeek V4 Flash 以及 Claude Opus 4.6 Max。在 Arena Webdev 排行榜上，它优于 GLM-5.3 Max，并与 GPT 4o Soul（原文为 Soul）持平。尽管在 Artificial Analysis 榜单上略低于 GLM-5.3 Flash，但它仍能与 Gemini 2 Flash（原文为 Gemini 3.7 Flash）并列，并击败了 DeepSeek V4 Pro 和 GPT-5o Luna Max（原文为 Luna Max）。

"It only costs like 10 cents per task, whereas GPT costs 9 times more."

该模型通过独特的架构设计实现了高智能密度：引入 510亿参数的 Engram Embeddings 作为局部模式的查找记忆，并在三层架构中应用 Gated Delta Net 以压缩长期上下文记忆。剩余层则使用 Qwen Sparse Attention 进行精确信息检索，类似阅读时保留摘要并随时跳转细节。API 调用成本极低，每任务仅约 10美分，而 GPT 的成本是其9倍。本地部署方面，完整模型为 360 GB，1-bit 量化版仅 72.5 GB，甚至可尝试在单张 RTX 6000 上运行。

腾讯 Hi4 Preview：架构创新与性能跃升

腾讯发布了其迄今为止最强的预览模型 Hi4，同样采用开源策略。该模型规模庞大，拥有 7700亿参数，激活参数量为 490亿。为了提升效率，腾讯借鉴了 DeepSeek 和 GLM-5.3 的技术，采用了 GatedSparse Attention、Index Cache 以及用于优化层间信息流的 Identity Hyper Connections。性能对比显示，Hi4 相比前代 Hi3 有显著提升。

在基准测试中，Hi4 Preview 不仅超越了 Qwen3.8-Max 和 DeepSeek V4 Pro，其得分也接近领先的开源模型 GLM-5.3 和 Kimi K3。在 Arena Webdev 排行榜上，Hi4 Preview 与 GLM-5.3 Flash 持平，显示出其在网页开发领域的强劲竞争力。尽管尚未出现在 Artificial Analysis 榜单上，但其开源权重已提供下载。

"I did not expect a 10-cent model to be at the frontier, but it looks like they've caught up as well."

该模型完整权重达 1.56 TB，但社区迅速推出了量化版本。一位疑似腾讯员工的开发者发布了 GGUF 格式，其中 1-bit 版本仅为 229 GB，大幅降低了本地部署的硬件要求。模型采用 Apache 2.0 许可证发布，提供了详细的本地运行指南，进一步推动了高性能 AI 模型的普及化。

中国实验室引领人形机器人速度突破

2026年世界人形机器人在北京举行，与去年笨拙缓慢且充满失误的表现不同，今年机器人的性能显著提升。其中，荣耀（Honor）生产的红色机器人和获得第一名的天工（Tien Gong）机器人在100米赛跑中表现抢眼。据报道，天工机器人仅用9.39秒完成100米跑，这一成绩几乎追平了尤塞恩·博尔特保持的9.38秒人类世界纪录。这标志着人形机器人已在速度上超越或持平顶级人类运动员。这种进步尤其体现在中国实验室的研发成果中，其迭代速度令人惊叹。

强化学习塑造独特跑步姿态与跳跃能力

在400米比赛中，天工Omniroot机器人以类似害羞动漫少女的姿态夺冠。这种将手臂紧贴躯干并前倾的姿势被证实是一种速度“黑客”技巧。该姿态是通过强化学习训练得出的最优解，机器人尝试了无数种跑步变体后选择了这一最高效方式。在跳跃项目中，天工Ultra机器人展现了惊人的爆发力：它在立定跳高中跳出4.8米的成绩，打破了人类仅3.73米的纪录；在跳高项目中越过2.88米，同样优于人类的2.45米纪录。尽管在跳远项目中跳出7.9米仍略低于人类8.95米的纪录，但其整体表现已极具竞争力。>

"It seems to be a speed hack where it keeps its arms close to the torso and it leans forward, which apparently makes it run faster."

复杂协作与平衡挑战：从足球到拔河

除了竞速，机器人还参与了更具协调性要求的比赛。在人形机器人大赛足球环节中，尽管画面显得混乱且碰撞频发，缺乏高度协调性，但机器人需同时处理追踪球、队友及对手位置并决定传球或射门等复杂任务，极具娱乐性。在拔河比赛中，展示了卓越的力控制能力：机器人需实时协调握力、绳索角度和平衡数据。当绳子角度变化时，机器人的臀部会下沉呈深蹲状并后仰以重新平衡身体。>

"As soon as the rope angle changes, notice the hips of the robots. They kind of drop into a squat and then they lean back..." 此外，天工Ultra还在跳高项目中再次夺金。虽然部分机器人如Mini Pie在跳跃中失败甚至摔倒，但天工Ultra成功完成了包括障碍赛在内的多项高难度动作，AGI Bot X2也自主完成了复杂的100米障碍赛道。

多语言转录新工具：Gemini 3.5 Transcribe发布

本周Google发布了最新的语音转文字模型Gemini 3.5 Transcribe。该工具提供两种模式：逐字记录模式（verbatim mode）精确还原所有口语内容，而智能转录模式（smart transcription mode）则自动去除错误、填充词并格式化文本。>

"There's also a smart transcription mode which helps you get rid of errors, filler words..." 该模型支持多语言检测与转录，能在英语、西班牙语和印地语之间无缝切换而不遗漏内容。此外，它还具备多说话人检测、时间戳标记以及字母数字转录功能。例如，在混合语言环境中，模型能准确识别不同语种并生成正确的文本记录。这一工具特别适用于需要高精度和格式化的会议或采访场景，显著提升了语音处理的效率与准确性。

Google 实时语音转录与 Gemini 1.1 Flash 视频模型更新

Google 近期发布了 Gemini Live Transcribe，这是一款具备极低延迟的实时语音转录工具。该功能支持 亚秒级延迟（sub-second latency），专为交互式语音代理或实时字幕设计。它并非独立工具，已集成至 Gemini Mac 应用中，用户可通过语音指令触发 Gemini 模型执行分析文件、生成图像或控制屏幕内容等操作。“Instead of just typing text prompts to control your agents, you can just use your voice to dictate your commands.” 该模型已通过 AI Studio、Antigravity 及企业平台发布，消费者可在 Mac OS 的 Gemini App 和 Android 的 Rambler 中使用，Chrome 版本也将很快推出。

与此同时，Google DeepMind 发布了 Gemini 1.1 Flash 视频模型。虽然版本迭代较小，但引入了关键特性：模型现在能查看 最多10秒（up to 10 seconds）的前置画面以保持一致性，而非仅依赖最后一帧。用户可提供首尾帧生成中间动作，适用于相机环绕或无缝循环。“It can now take an existing video and keep extending it while looking at up to 10 seconds of previous footage rather than relying on just the last frame.” 此外，新增的 360p 草稿生成功能（cheaper 360p draft generation）可将生成速度提升 多达60倍（up to 60 times faster）且成本更低，用户可先在低分辨率下测试创意再放大至 1080p 或 4K。目前该模型已在 AI Studio 和 Google Flow（付费计划）中开放试用。

Orbit++：针对3D视觉与重建的高难度基准测试

Google DeepMind 本周发布了名为 Orbit++ 的新基准测试，旨在评估 AI 系统在真实世界中的相机运动理解能力。这对于 3D重建、机器人技术和计算机视觉 至关重要。“Orbit++ is basically a data set of these much harder videos designed to test 3D vision and 3D reconstruction AI models.” Orbit++ 从互联网上的真实 360度视频（real 360° videos）开始，利用全景视图计算相机运动轨迹，随后裁剪出包含更复杂场景的正常视角视频。这种由 AI 生成的“棘手”视频旨在测试模型在重建3D场景和预测相机运动时的表现。实验显示，现有系统如 Cole Map 或 Mega SAM 在处理此类数据时往往失败。该数据集为构建3D重建模型的开发者提供了一种全新的压力测试手段，以验证模型在极端情况下的鲁棒性。

小米 AI Cube：本地运行千亿参数模型的原型机

小米展示了 AI Cube，一款旨在完全在本地运行大型 AI 模型的微型桌面计算机。该设备无需连接云端服务器，支持 100多亿参数（over a 100red billion parameters）的模型离线运行，从而保障隐私并消除对互联网订阅的依赖。AI Cube 的核心由小米自研的三颗芯片组成：X-ring O3（主处理器，含10核CPU、16核GPU及神经处理器）、O100（专为AI数据传输设计，内存带宽高达 1.22 TB/s）以及 D100（专用AI芯片）。这三颗芯片协同工作，使设备能同时运行 1200亿参数 的大模型和 30亿参数 的小模型，用户可根据需求在快速响应与重型推理之间切换。

原型机配备 80 GB 统一内存（unified memory），最高支持扩展至 160 GB，理论上可容纳高达 2000亿参数（up to 200 billion parameters）的模型。小米认为，这种小型化、专为AI优化的设备将取代笨重的 GPU 机架，成为未来个人 AI 计算机的形态。目前该原型机尚未公布价格和发布日期，传闻将于明年上市。

字节跳动 Diffusion OpsD：提升图像生成效率的新训练法

本周，字节跳动发布了一种名为 Diffusion OpsD 的新型图像模型训练方法。传统训练中，奖励模型仅给出最终图像的优劣反馈，导致生成器难以定位中间步骤的问题所在。“Diffusion opsD does instead is it turns that final reward into much more direct instructions about which intermediate steps actually caused the problem and how to fix them.” Diffusion OpsD 将最终奖励转化为更直接的指令，通过确定使输出更好或更差的方向，创建附近的 正目标（positive target）和 负目标（negative target）。模型随后直接训练以接近正目标并远离负目标。

实验对比显示，该方法效果显著。在测试案例中，基础模型（base model）无法正确渲染文本且其他训练方法效果不佳，而采用 Diffusion OpsD 的模型（最右侧）生成了质量最高的图像。这种方法通过提供更精确的训练信号，帮助图像生成器更高效地提升性能，解决了传统奖励机制中信号模糊的问题。

OBSD扩散模型实现高效微调与显著质量提升

OBSD技术通过引入特定机制，成功解决了基础模型在理解复杂语境时的缺陷。例如，当提示词包含“倒钩射门”（bicycle kick）时，基础模型往往错误地生成一辆自行车；而经过OBSD处理后，模型能够准确理解语境并生成正确的倒钩射门图像，且画面中不包含自行车。在定量评估方面，该技术展现出显著的性能优势：相比此前最强的竞争对手，OBSD实现了44%的质量提升。同时，其训练效率极高：在Stable Diffusion 3.5上减少了40%的训练时间，在Z Image Turbo上则节省了63%。此外，该方法具有模型无关性（model agnostic），可应用于其他扩散模型的微调。项目方已开源代码，用户可通过GitHub仓库获取本地运行指南。 > "It's able to achieve a 44% better quality gain over the previous strongest competitor."

Bria Fibbo 1.5支持结构化JSON提示与自然语言编辑

本周发布的开源图像生成器Bria Fibbo 1.5由Bria AI推出，其独特之处在于支持详细的JSON格式提示词。用户可通过不同字段精确控制照片的描述、位置、相对大小、形状颜色及纹理等要素，模型能很好地遵循这些结构化信息进行生成。虽然作者认为其画质并非顶尖（目前首选为Korea 2），但其强大的图像编辑功能值得关注。用户可以使用自然语言对现有图片进行迭代修改，例如添加搭在扶手上的毯子、地板上的精装书或椅子上的猫。尽管画质表现中规中矩，但其灵活的结构化输入与编辑能力为图像创作提供了新路径。感兴趣的用户可通过相关链接访问官方主页体验该工具。 > "You can also feed it a really detailed JSON prompt like this where you can break down different aspects of the photo using different JSON fields."

S1机器人模型实现单样本演示的新任务泛化能力

继Gen 1.5之后，新的机器人基础模型S1展示了惊人的单样本学习能力。传统上训练机器人执行全新任务需要收集大量演示数据并进行专门微调，而S1仅需观看一次视频示范即可尝试执行该任务，无需额外训练。在演示中，机器人成功完成了从未见过的新任务，包括移栽植物、制作手冲咖啡、组装套件以及烹饪并翻面煎饼。这些任务耗时可达10分钟，涉及数十个独立动作。这一突破体现了机器人模型在固定参数下涌现出的泛化能力，能够应用从未见过的新技能。这对于未来家庭机器人至关重要：用户只需演示一次特定任务，机器人即可学习并在未来应用该技能。 > "With S1, you can just show the robot one video demonstration of what you wanted to do and it can attempt that task without any additional training."

结论

中国大模型竞争已全面转向极致性价比与本地部署可行性。GLM-5.3 Flash、Qwen 3.8 Next及腾讯Hi4通过MoE架构与稀疏注意力技术，在保持亚美分成本的同时逼近闭源模型性能，且社区量化版本使高端消费级硬件运行千亿参数模型成为现实。在应用层，Block 3D与One Video等工具通过架构创新大幅降低生成门槛；Minimax H3的实时化优化与S1机器人的单样本泛化能力，标志着AI正从静态生成向动态交互演进。此外，天工机器人在田径项目中超越人类纪录及Google Planetary Engine在科学预测中的高准确率，证实了AI在多模态理解与复杂物理世界建模上的实质性突破。