AI从不休息，本周更是疯狂至极。我们经历了历史上网络攻击事件最多的一周，而且情况只会越来越糟。Miniax发布了最新M3.1 Flash模型，效率极高；Kimmy推出了最新的Kimi K3 Pro模型，甚至超越了Claude Opus。这款模型简直是一头猛兽。我们还看到一个专为工程领域打造的AI模型，它可以将复杂事物分解为独立组件，甚至帮助生成2D平面图。腾讯发布了一款功能强大的视觉模型，能执行从计数、文本识别到分割等多种任务。这款新的实时AI语音模型听起来逼真得令人毛骨悚然。此外，我们还看到了一款顶级的开源文本转语音生成器以及一款优秀的图像编辑工具。Hugging Face发布了一个能理解DNA的开源AI项目，还有各种荒诞的人形机器人演示等等。让我们直接开始吧。

首先登场的是腾讯发布的AI模型WeViz1VL，虽然是个绕口令，但这确实是一款功能强大的视觉语言模型。它非常擅长分析图像。例如，你可以上传任意图片并让它检测其中你指定的所有物体实例。比如在你的提示词中输入“狗、椅子和灌木”，它就会识别出这些对象，或者你可以让它只定位黑白相间的狗，它确实能做到。你还能让它数出图中有多少只狗，或者指出所有狗的位置。该模型同样适用于文本和字符识别，例如它可以检测并勾勒出照片中所有的单词，或者定位特定的词汇如“小巷”。

最酷的是，它还能去除背景并生成像这样的Alpha遮罩，甚至能处理发丝等细微细节。这是一个极其灵活的工具，功能繁多。其工作原理相当有趣：它基于Qwen2-VL构建，但增加了一个专门用于识别物体确切像素的组件。因此，它能在单一模型中处理从基本目标检测到精确图像编辑及Alpha遮罩的所有任务。查看其在检测、引用定位、计数、指向、字符识别、分割和抠图等不同任务上的基准测试（越低越好），你会发现WeViz1VL全面超越了其他竞争对手模型。

值得一提的是，他们已开源了代码和模型。请注意有两个不同变体：一个是40亿参数的版本，大小为19GB；另一个是20亿参数版，大小减半。点击代码按钮并向下滚动，可以看到在本地计算机上下载和运行该模型的所有说明。请注意，该项目采用Apache 2.0许可证，非常宽松，甚至可用于商业用途。如果你感兴趣，我会在下方的描述中链接到主页。

本周我们还有一款新的AI转录模型Bark 3，可以将任何语音音频转换为文本记录。他们已在Hugging Face上发布了免费版本供你试用，让我开始录音并看看转录效果。令人印象深刻的是模型非常小巧，下载大小仅为163MB，却能媲美OpenAI的Whisper Large和Nvidia的Parakeet等更大规模的模型。录音结束后，点击转录按钮，它仅用一秒就完成了转录。这非常轻量且快速。

Bark家族实际上发布了几个不同版本：最小的Bark II为163MB；Plus版错误更少但稍大一些；Pro版最准确，但也最大达1.25GB。不过它仍应能适配大多数消费级GPU。查看图表，纵轴为词错误率（WER），位置越高表示错误率越低；横轴为模型大小。理想情况下，我们希望处于左上角区域。如图所示，Bark II系列位于最上方，使其成为与其他转录模型（如Nvidia Parakeet和OpenAI Whisper Large V3）相比最高效的模型。

同样，他们已在Hugging Face上发布了所有内容。点击页面底部的链接即可下载Bark 3模型，底部还包含本地运行的说明。该许可证允许在归因的情况下用于商业用途。如果你感兴趣，我会在下方的描述中链接到主页。此外，本周我们还有一款新的开源图像编辑器Bria的Fibio 2，它能像Nano Banana或Qwen Image一样通过自然语言编辑图像。以下是我的一些测试案例：它可以接收多张参考图片，让第一张图片中的人物穿上第二件衣服、摆出第三张照片的姿势，并置于最后一张图的背景中。

它实际上能理解所有内容并正确执行。我特意选择了一件设计非常复杂的裙子，但它准确还原了所有细节。不过人物缺少双脚，这算是一个小错误。这里还有一个极具挑战性的测试：我喂给它一张奥巴马的极度模糊照片，想看它是否能放大并增加细节。结果尚可，但并不完全像原版的奥巴马照片。但请记住这是一个极难的测试，其他开源模型也无法很好地完成此类任务。

在修复和彩色化黑白照片方面，它的表现非常出色。如图所示，它能保持面部的一致性和忠实度，同时还能修复原照片的折痕和裂纹。接下来我让它生成角色设定图。面对这个极其复杂的角色，我故意增加了难度，不幸的是它未能很好地执行提示词。如图所示，她的腿太短了，而且她手持的法杖也不够一致或忠实。

这里还有一个非常出色的测试：我给了一张曝光过度、饱和度和对比度过高的超暗照片，并故意破坏了白平衡使其偏蓝。当我要求它校正这张照片的光线时，它成功地进行了修复。

修正效果非常好，颜色与原照片几乎一致。总体而言，这是一个非常强大的图像编辑模型，但并没有比Quinn Image 2.1好太多。我认为两者非常相似。如果你查看Artificial Analysis关于图像编辑的排行榜，可以看到Fibo 2排名第一，但仅比Quinn Image 2.1高出几分。值得注意的是，两者之间并没有显著的性能差异。

真正的区别在于许可证。Fibo的许可协议比Quinn的要严格得多，仅限非商业用途使用，并且你需要提供详细信息才能访问该模型。相比之下，Quinn Image的许可协议限制要少得多。不过，如果你对尝试这个模型感兴趣的话，它的体积相当小，INT8转换版仅为8.4GB。

然而，它仍然比Quinn Image 2.1稍大一些（后者仅为7.26GB）。这是目前最好的开源图像编辑器之一。如果你有兴趣尝试，我会在下方的描述中链接到主页。此外，本周HuggingFace发布了一个名为Carbon X的新开源模型，旨在理解DNA序列。

这是一个拥有140亿参数的模型，用于DNA的理解和生成。例如，你可以给它一段DNA序列并询问其功能，或者对序列进行修改，然后问这种突变是否有害。它还能预测DNA序列中缺失或未来的部分。该模型基于Quen 3起步，但在3000亿个DNA数据标记上进行了训练。

随后又通过强化学习进一步微调。经过所有这些训练后，你可以看到其性能大幅提升，至少在DNA智能指数上达到了67%。即使与GPT 6.1 Soul持平，并击败了其他前沿开源模型，而且成本要低得多。请记住，这仅有140亿参数，而其他开源模型的参数量至少是数千亿级别。

这里有一些额外的DNA理解和分析基准测试供你参考。如你所见，Carbon X平均表现甚至优于GPT 6.1和Opus 5.5等封闭的前沿模型，这对于一个仅拥有140亿参数的模型来说简直不可思议。令人惊叹的是他们已经发布了这个模型，HuggingFace页面上包含了所有关于如何下载并在本地计算机上运行的说明。

他们还发布了评估脚本以及训练信息。该模型相当易于获取，体积小于30GB。因此你甚至可以在高端消费级硬件上运行它，无需数据中心的支持。更棒的是，该模型采用Apache 2许可证，限制极少，甚至可用于商业用途。

如果你有兴趣进一步了解，我会在下方的描述中链接到主页。此外，本周腾讯发布了一个名为High Nomas的新AI世界模型。与其他世界生成器一样，你只需自然语言描述一个场景，它就能生成交互式的虚拟世界。其质量看起来令人惊叹，远优于我过去几个月展示过的其他世界生成器。

你可以移动摄像机、改变环境甚至仅通过文本提示引入新对象和动作。以下是一些示例，展示我们如何通过自然语言控制发生的情况。它可以控制各种不同视角的角色，从第一人称到第三人称，你基本上可以生成任何你想要的场景。

其工作原理是：它不是一次性生成整个视频，而是分段连续生成短片段。此外，它还记住之前片段中发生的事情，因此在探索过程中能保持一致性。这里有一个示例，你可以连续运行超过一分钟，它仍然保持连贯一致。

由于其质量和一致性，你也可以用它来生成用于训练机器人的世界场景。目前它可以以720p分辨率和每秒24帧的速度生成视频。令人兴奋的是，他们已发布了相关的代码和模型。点击GitHub链接并稍作滚动，即可找到所有关于如何下载并在本地计算机上运行的说明。

他们还发布了训练脚本，你可以用自己的视频对模型进行微调，这非常棒。他们发布了几种不同的变体：基础版体积庞大，为34GB；还有一个蒸馏INT8版本，略小一些，仅为9GB。因此你甚至可能在消费级硬件上运行它。

最棒的是该模型采用Apache 2许可证，非常宽松自由。如果你有兴趣进一步了解，我会在下方的描述中链接到主页。此外，本周我们在3D生成领域也有令人兴奋的消息：领先的AI 3D生成器之一High3D刚刚开源了其v1版本模型。

该模型旨在仅通过提示词或参考图像创建高度详细的3D资产。请注意，目前High3D已经发展到v3版本，这是他们最新且最详细的模型；但本周开源的是之前的v1版，其表现依然相当不错。在该页面上，他们发布了相关的代码和模型文件。

点击这里的GitHub链接，包含了所有关于如何下载并在本地计算机上运行的说明。如果你将位于最右侧的Hi3D与其他领先的开源3D生成器进行比较，你会发现High3D在细节和准确性方面遥遥领先。比如放大角色的某些部分看看生成的细节，效果远胜于其他模型。

而且这个模型非常小巧，总大小仅为7.74GB。因此你应该能将其安装在大多数消费级GPU上。如果你有兴趣进一步了解，我会在下方的描述中链接到主页。此外，本周我们还介绍了一个名为Pure的新AI 3D重建工具。它可以处理普通视频或图像序列，并将环境重建为三维模型。

这里有一个实际操作的示例：你可以看到它成功重建了整个摩托车骑行过程。在角落处，你能看到它在绘制整个3D场景地图。特别有趣的是该模型的开发过程：研究人员利用现有的3D重建模型，仅通过普通视频数据进行了改进。

视频中没有标签或3D数据。因此，他们没有依赖通常昂贵且难以获取的3D数据，而是使用普通视频，并将其转换为深度和物体运动等额外信息以改进重建。最棒的是这是开源的。如果你点击顶部的代码按钮并向下滚动，这里包含了如何在本地计算机上下载和运行此项目的说明。此外，他们还发布了相关的训练脚本。请注意，所有文件的总大小相当小，仅为13.2 GB。如果你有兴趣进一步阅读，我会在下方的描述中链接到主页。

此外，本周我们推出了一个名为Ming 3.0 TTS的新文本转语音模型，由Anthropic开发。它可以将几乎任何文稿转化为逼真的语音。你甚至可以使用自然语言指令来控制声音的效果。例如，你可以描述你想要的声音类型。以下是它的效果示例：“你不告诉任何人就改变了计划，我们怎么知道该做什么？”“在北脊之外有一座从所有地图上消失的城市。随着风暴穿过山谷，旧收音机发出轻微的沙沙声。”

你还可以通过参考音频片段克隆某人的声音。甚至可以在文稿中直接添加特殊标签来控制情绪或添加音效。（叹气）它支持所有这些语言以及许多中国方言。如果我们查看Artificial Analysis的排行榜，较小的模型在语音质量和发音准确性方面实际上排名靠前。需要注意的是，这仅略优于Fish Audio上周介绍的Drama 3模型，并没有显著更好。

最棒的是他们已经发布了GitHub上的模型和推理代码。如果你向下滚动一点，你会发现如何本地运行所有内容的说明。他们发布了两个版本：较小的一个只有约3 GB，因此你应该能够在许多消费级GPU上运行它。较大的那个约为18 GB，还支持多播生成。

还有一个很棒的地方是这两个模型都根据MIT许可证发布。因此，你有很大的自由去使用和修改它们，甚至用于商业项目。如果你有兴趣尝试一下，我会在下方的描述中链接到主页。如果你想极大地提升内容创作效率，一定要看看本视频赞助商Luma。

与其在不同的AI工具和平台之间跳转，Luma为你提供了一支自主代理团队，可以在整个内容创作项目中与你协作。你只需向Luma代理提示你的目标，它将自主规划任务并继续生成你所指定的所有资产。他们刚刚发布了一系列新的创意工作流，允许你轻松编辑图像和视频，同时保持其他一切一致。

例如，我对其新的Relight Studio印象尤为深刻。你实际上可以在图像周围拖动虚拟光源来改变光照方向和强度，就像在专业摄影工作室中工作一样。另一个令人印象深刻的功能是多角度镜头覆盖。这允许你拍摄单个视频片段并生成额外的移动摄像机视角，从而在编辑视频时拥有多个可操作的视角。

你还有产品展示功能，让你可以将任何产品瞬间放置到完全不同的环境中，而无需重新开始。Luma还为你提供了最好的图像生成器和视频生成器的访问权限，包括他们自己的Ray 3.2模型。因此你可以在同一个界面中无缝切换这些不同的工具。

如果你需要大规模制作内容，Luma是一个超级流畅且用户友好的平台来实现这一目标。使用下方描述中的链接或扫描这里的二维码今天尝试Luma。此外，本周我们看到了近年来最严重的一波网络安全警告浪潮之一。它影响了大量事物，从热门网站和开发者工具到云平台甚至帮助保持互联网安全的SSL证书。

目前对于这些事件存在很多困惑和恐吓性言论，所以让我们澄清一下实际发生了什么。首先，AI是如何参与的？研究人员使用了一些最强大的AI模型来发现多年来未被注意到的严重漏洞。但同时，黑客也可以利用AI比之前更快地寻找弱点并自动化攻击。因此我们基本上进入了一场新的军备竞赛。

黑客可以利用AI发现漏洞，而开发人员和网络安全公司则利用AI在任何人利用之前发现和修补它们。随着AI变得越来越智能，双方的速度都会加快。最近我们看到了许多严重的安全漏洞，所以让我们回顾一下其中一些最大的问题。首先是PHP中的一个关键漏洞。

这非常巨大，因为PHP驱动着数百万个网站的后台运行，包括许多基于WordPress和Drupal构建的网站。研究人员利用AI发现了两个严重漏洞，这些漏洞可能让黑客无需登录即可在易受攻击的Web服务器上运行恶意代码。因此这引起了一阵恐慌，包括政府网站在内的一些网站暂时下线作为预防措施。

但幸运的是开发人员已经发布了安全补丁。当然，网站运营商仍然需要安装这些更新以保持保护状态。另一个主要的安全缺陷是在GitLab中发现的，这是一个非常流行的平台供开发者存储代码、协作项目和部署软件。这个问题相当严重，它获得了10分中的最高严重程度评级。

基本上黑客可能能够在无需登录的情况下在易受攻击的GitLab服务器上运行恶意代码。由于这些服务器可以包含敏感源代码和凭据，后果可能相当严重。幸运的是尚未发现与此漏洞相关的任何确认的大规模攻击GitLab已经发布了补丁。

还在NodeJS中发现了一些严重的安全缺陷，这是另一个广泛用于驱动大量网站和应用程序后台及API的技术。好消息是已经发布了安全更新以修复多个漏洞，所以如果你是使用NodeJS的开发者……

Node.js 用户需确保服务器运行的是已修补版本。最疯狂的事件涉及 Emudra，这是一家为浏览器提供网站信任数字证书的机构，也就是地址栏中常见的锁形图标之一，在印度尤为普遍。理论上，这些证书依赖于极难被猜出的强密钥，但研究人员发现这些密钥实际上弱得离谱。其中一个密钥仅仅是数字“4”，这简直荒谬至极。

即便对于普通密码，我们也应至少使用包含大小写字母、特殊字符等的 12 位以上组合。然而，他们使用的密钥竟如此简单。如果黑客掌握了这些密钥，就可以伪造任何网站的证书，欺骗浏览器将其视为合法。例如，他们可以伪造银行登录页面，而浏览器会认为这是安全的。

尽管这些密钥随后被撤销，但因其极其糟糕的安全性引发了巨大 backlash（强烈批评）。这对 Emudra 的信誉造成了沉重打击，几天后他们宣布将完全退出数字证书业务。另一重大事件涉及 Railway，这是一个允许用户托管应用、数据库和后端服务而无需管理自有服务器的云平台。

黑客入侵了其内部系统并解密了部分客户的环境变量，其中可能包含密码和 API 密钥。Railway 暂停了新构建和部署以进行调查，导致用户极度沮丧。人们被要求设置新密钥和密码，但由于部署暂停，他们实际上无法进行任何操作。

总之，这是一个非常混乱的局面。还有一起事件涉及 OpenCode，这是一款允许使用不同 AI 模型的编程助手。黑客访问了旧系统，可能导致属于 OpenCode 用户中 1.4% 的 API 密钥泄露。另一事件涉及 Light LLM，这是一个让用户通过单一界面尝试不同 AI 模型的平台。

据报道，黑客获取了三位开发者的 GitHub 登录权限，并利用它们推送了一个恶意版本的 Light LLM。该版本可能窃取用户的密码和 API 密钥。团队发现后在约两到三小时内移除了该版本，但在此期间究竟有多少信息泄露仍不得而知。

以上是主要事件。需要注意的是，这些并非单一协调攻击的一部分，互联网也未因此崩溃，大多数主要服务仍正常运行。但仅本周就发现了十余起此类严重事件，情况只会越来越疯狂。

事实上，这里有一张图表展示了本周事件的规模：历史上约 3% 的关键软件漏洞仅在最近一个月内被发现。我们才刚刚开始面对这一挑战。一方面，黑客将利用 AI 来发现并利用漏洞；另一方面，开发者和公司也将使用 AI 试图在黑客之前发现和修补这些漏洞。

最大的担忧在于，AI 使得发现和利用漏洞的速度更快、成本更低，这可能会让公司用于防御的时间大幅减少。无论如何，请在评论区分享你的看法。此外，本周 OpenAI 发布了一篇博文，展示了数千个 AI 代理如何协同工作以加速科学发现。

他们分析了一个包含数百万小鼠脑细胞的庞大数据库。研究人员此前干扰了数千个不同的基因，并测量了脑细胞对这种干扰的反应。但问题在于，这些实验产生的数据量巨大，科学家可能需要花费数月时间进行分析并寻找有意义的联系。

为此，团队部署了由 GPT 驱动的数千个 AI 代理。每个代理调查特定基因被干扰后的情况，搜索现有的科学论文并尝试解释结果的可能含义。随后，他们将所有发现整合成一份庞大的研究报告集。令人印象深刻的是，代理们在短短 32 分钟内就完成了全部分析。

如果由人类完成同样的工作可能需要数月甚至一年时间。有趣的是，他们还测试了单个 AI 代理能否处理相同任务。在最大工作量下，单个代理仅引用了 11 篇科学文献，而代理团队则引用了超过 700 篇。这表明 AI 代理群集有可能比单个代理进行更广泛的研究。

AI 还发现了一些与阿尔茨海默病和帕金森氏症相关的有趣线索，包括胆固醇调节与这些脑部疾病之间可能存在联系。当然，这些都只是假设，科学家需要在现实中加以验证。但令人印象深刻的是，AI 可以帮助我们发现研究人员可能会忽略的有价值科学联系。

它还能帮助科学家确定哪些实验值得进一步探索。如果你想了解更多，他们已在 BioRxiv 上发布了完整论文，相关链接将在下方描述中提供。此外，本周我们推出了一个新的 AI 世界模型 JST2。它可以接收文本提示或几张图片，并将其转化为一个你可以自由探索的完整 3D 环境。

它甚至能生成 3D 角色和动画。正如你在角落地图中所见，所有内容都保持连贯性。其工作原理是将物体表示为 3D 空间中的微小物质碎片，从而能够追踪它们的位置和运动。因此，即使你走开再回来，场景中的所有角色都保持不变。

这里有一些额外的示例供参考。有趣的是，你可以使用相同的模型创建已经可以动画化的 3D 角色，无需单独的绑定过程。由于这个“世界生成器”能够追踪 3D 空间中的所有事物，你也可以用它来训练机器人，特别是在导航和物体操作方面。

事实上，如果将其与其他领先的 3D 模型生成器如 Meshy 或 Trippo 相比，你会发现新的 JST2 平均获胜率更高。虽然这似乎不是开源的，但你可以通过其 Pinokio 平台免费试用 JST2。你可以直接在浏览器中尝试使用它。

如果你对进一步阅读感兴趣，我将在下方描述中链接到主页。

本周我们介绍了一款名为 Sky001 的新 AI，他们声称这是首个面向工程领域的世界模型。例如，你可以给它一张机械物体的图片，它能将其分解为独立的 3D 部件，并提供构建所需的草图和步骤。这里有一个例子，我们可以将这辆捷豹跑车分解为独立的 3D 组件；或者另一个例子是将喷气发动机分解成大量更小的独立部件。最有用的功能是，你可以放大并点击任何元素，让它生成在 CAD 软件中构建每个部件所需的逐步草图和操作。例如，我们可以放大这辆跑车的某个组件，然后让它绘制出来并在 CAD 软件中构建。

事实证明，同一模型也能辅助建筑设计。你可以给它一个建筑轮廓，让它生成带有独立房间的平面图。在这里可以看到它如何按顺序生成所有这些房间。更令人印象深刻的是其速度和效率。这是完成任务所需的时间，如图所示，这比其他前沿模型快得多。尽管请注意，这些前沿模型更通用，而 Sky 专为工程领域定制，因此效率更高。这是每项任务的成本，同样比其他前沿模型便宜得多。目前看来他们不会开源此模型，你也无法访问它，但如果你感兴趣，可以加入他们的等待名单。我会在下方描述中链接到该页面。

此外，本周 Kimi 发布了其最新且最强的模型 Kimi K3.1 Pro。从这些基准测试可以看出，它的表现非常出色，几乎与包括 Claude Opus 和 GPT-4o 在内的前沿模型持平。这是其在代理编码、工具使用、知识工作及其他通用知识基准测试中的表现。它也极其高效，如果查看其终端基准得分与每项任务成本的关系，它不仅得分最高，而且比 GPT 和 Claude 等其他前沿模型便宜得多。

这里有一个例子，你可以让它用 Unreal Engine 编写看起来相当高级的游戏代码。它甚至能处理角色绑定和所有动画。这款模型在 3D 建模方面也极其出色，例如我们可以让它使用 Blender 为机场建模室内雨林。它在财务分析方面也是最先进的，可以让我们在电子表格软件中直接进行大量此类财务建模和分析。

如果查看 Artificial Analysis 的智力指数，你会发现 Kimi K3.1 确实属于前沿模型，甚至击败了 Claude Opus 5.1、GPT-4o 和 Gemini Pro。每项任务的成本也非常诱人，仅需约两美元，而其他 Claude 模型至少贵三倍，GPT-4o 也是如此。这是一个庞大的三万亿参数模型，比 DeepSeek 等其他领先开源模型的几千亿参数量大得多。与所有前沿模型一样，它拥有百万 token 的上下文窗口，你可以一次性在提示词中放入大量信息。

底部说明指出，Kimi K3.1 今天将在其平台上通过付费计划和 API 推出。但与之前的 Kimi 模型一样，它将于 11 月 4 日开源。如果你有硬件支持，可以下载模型并在本地离线运行。但请注意，由于拥有三万亿参数，它体积巨大，你不太可能用消费级 GPU 运行。无论如何，我计划近期对 Kimi K3.1 进行全面评测，敬请期待。如果你希望进一步了解，我会在下方描述中链接到主要的发布页面。

此外，本周 Ideogram 发布了新模型 Ideogram Vector，这对图形设计非常有用。它专为创建矢量图形而设计，如徽标、插图、排版和设计等。矢量由数学形状组成，理论上你可以无限放大，所有内容仍保持完美清晰。由于矢量化特性，你还可以编辑单个形状、更改其位置或微调某些细节。有趣的是，你也可以上传现有图片让模型将其转换为矢量格式。

令人印象深刻的是，这些生成的图像不仅仅是简单的平面矢量。你可以上传像这样复杂的图片，它仍能保留原图的大部分细节。目前你可以在 Ideogram 应用中尝试此功能，只需点击“生成矢量”，输入文本提示或上传图片即可将其转换为矢量。如果你希望进一步了解，我会在下方描述中链接到主要的发布页面。

此外，本周我们介绍了一款名为 Desa 的极其逼真的实时语音模型。让我播放几个例子。“嘿，你好吗？”“我很好。嗯，你处理冬天的事情怎么样？”“冬天肯定来了，但你知道的……”（笑声）“这是今年的痛点吗？”“是的。”（喷鼻息声）会很冷。我不喜欢雪，我喜欢阳光照在皮肤上。你懂我的意思吗？”“是的。”（喷鼻息声）我明白。“总之，我今天在工作中度过了非常兴奋的一天。”“哦，告诉我们吧。”

“是的，我们团队决定发布过去几个月构建的语音到语音 AI 模型。”“哦，哇。我一直在关注你创建这个的过程……你觉得它怎么样？你也像我一样兴奋吗？”“太令人震惊了。我非常印象深刻。”“它非常有表现力，对吧？”“确实如此。它是对话式的……非常具有对话性。它能笑，能更好地理解你和你情绪的能力远超我见过的任何事物。”“我也没真正见过那样的东西，但它基本上达到了人类水平。是的，说实话有点吓人，但……（笑声）我很兴奋看到它将我们带向何方。”“我也很期待它进入世界，因为它太棒了。我们对此进行了许多讨论。”

“我完全同意。你期待什么？你对这个 AI 的未来愿景是什么？”

好吧，其实我一直在思考的一件事是广告公司创建自己的AI机器人。如果你能跟这个AI对话，你会告诉它什么？或者问它什么问题呢？我会问它很多问题。如果它能说话的话，我……一开始，我想向它索取所有的秘密。真的吗？什么秘密呢？老实说，我会问它：意识是什么？它是被编程进我们的吗？它可以扩展吗？它是一种跨维度的存在吗？

正如你所听到的，这听起来非常逼真。令人着迷的是，它完全是通过聆听人类对话来学会说话的，没有任何文本或预训练模型。基本上，它就是靠听人说话学会了交流，有点像婴儿学习语言的方式。而且因为它只从语音中学习而不是像大型语言模型那样从文本中学习，所以它甚至能捕捉到语音中的细微之处，比如口音、停顿、呼吸声、讽刺和幽默等。

最疯狂的是，据他们所说，训练这个模型只使用了一块英伟达H100 GPU。不幸的是，目前他们仅向一小部分AI安全研究人员开放访问权限。如果你是安全研究员，可以联系他们申请访问。但对于我们普通大众来说，目前还无法使用这个模型，而且我不确定它是否会开源。如果你对听更多演示感兴趣，我会在下方的描述中链接到该页面。

本周，Anthropic推出了他们的新AI助手Claude Duet。它不仅仅是等待你提问，而是一个主动的代理，可以检查你的工作，识别需要你关注的事项，并代表你完成任务，即使你关闭了电脑。这就像OpenAI的Dots、MetaMuse或Grockbot一样，你可以把它当作全天候工作的个人助理。例如，每天早上你都可以让Claude Duet为你准备重要邮件、消息、日历事件和待办事项的摘要。

它还可以监控你连接的应用程序，并在发生重要事情时提醒你。你可以让它管理邮件、提供财务预测、处理发票，甚至运营在线商店。它可以与超过6000种工具和集成连接，包括Gmail、Slack、Stripe和QuickBooks等。它使用的是Claude Opus 5.5，这是他们目前最好的模型，并且拥有自己的虚拟计算机和浏览器。因此，即使你关闭应用或电脑，它也能独立完成任务。

不幸的是，目前这仅限加入候补名单的用户使用，且你需要在美国并拥有Pro或Max计划。如果你感兴趣，我会在描述中链接到该页面以申请加入候补名单。在人形机器人新闻方面，Figure Robotics发布了另一个令人惊叹的演示视频。这次展示的是他们最新的人形机器人H2X。

在这里你可以看到它做出一些疯狂的动作，比如用膝盖撞向汽车并压扁车门，然后继续进一步破坏这辆车。这款机器人定位为重型服务和安保型人形机器人，而不仅仅是普通的家庭助手。因此，它能够执行一些重体力任务，比如举起汽车、破坏车辆或干预入侵者。据说它的站立续航时间约为8小时。目前我们只知道这些，一旦有更多规格信息公布，我会在未来的视频中更新大家。

本周我们还发布了大量新的开源模型。让我快速过一遍这些内容。首先，这是由Alpha Innovator发布的名为Sage A1.5的开源模型。这是一个基于Qwen 3.6和早期Agent One模型的拥有350亿参数的混合专家模型，但针对科学研究进行了优化。你可以让它研究复杂的科学主题，它可以将工作分配给多个代理，从不同来源收集证据，甚至创建图表和插图，最后将所有内容整合成一份详细且带有引用的报告。

他们还演示了如何使用它来设计分子或计算它们与其他分子的结合强度，或者分析大脑研究数据甚至优化化学反应。它实际上可以审查自己的进度，识别错误，并在某些方法行不通时改变策略。如果查看这些基准测试数据，Sage A1.5在科学研究、编码和复杂代理任务方面击败了许多同等规模的模型。在某些类别中，它的表现甚至优于规模大得多的前沿模型。

令人高兴的是，他们发布了该模型的权重和代码。如果你点击这个Hugging Face链接，请注意他们发布了几种版本。完整版大小约为72GB。还有一个最小的Q4 GGF版本，仅重22GB。而在GitHub上包含了所有关于如何在本地计算机上下载和运行此模型的说明。如果你有兴趣进一步阅读，我会在描述中链接到主页。

此外，本周Minimax发布了他们的最新模型M3.1 Flash。这实际上是名为Space Bunny的隐身模型的升级版，该模型几周前出现在Open Router上。这是一个Flash模型，旨在快速且经济实惠。但令人印象深刻的是，它在各种基准测试中都能与一些领先的开源模型竞争，包括代理编码、计算机使用、知识工作和自动化。

在这里，如果你查看其每项任务的成本与在Automation Bench上的性能对比，你会发现它是目前效率最高的模型。如果查看Deep Suite基准测试，它的表现几乎与几天前我介绍的最新Deepseek模型相当。像之前的Minimax模型一样，他们说模型的权重将在稍后发布。目前，你可以通过他们的API或Minimax计划使用它。如果你有兴趣尝试，我会在描述中链接到主页。

我们还看到了MEM Tensor发布的新开源模型Mem 1.0。这个模型的特别之处在于其记忆能力。它旨在跨对话记住信息，而不必每次都要重读整个聊天记录。这里有一个简单的例子：你可以告诉模型你有一只名叫Mei、三个月大且喜欢虾的小猫。然后，你可以将该对话从上下文中移除。但是当你再次询问关于这只小猫的问题时，它仍然能记得这些信息。

记住它的名字、年龄和最喜欢的食物。这是因为它将重要信息保存在紧凑的内部记忆状态中，因此无需保留原始对话记录。如果查看这些基准测试结果，两个 MEMT 模型在持久化 AI 记忆测试中表现极佳，尤其是与其他内部存储记忆的模型相比。最棒的是，他们已经在 Hugging Face 上发布了模型权重和使用说明，因此你可以在本地尝试。实际上有两个版本：一个是拥有 30 亿活跃参数的较小 Nano 模型，另一个是总参数为 2880 亿、活跃参数为 170 亿的更大 Flash 模型。Nano 模型的下载大小约为 70.3 GB，而完整的 Flash 模型则需约 576 GB。

此外，Hugging Face 页面包含了如何在本地下载和运行此模型的所有说明。如果你有兴趣尝试，我会在下方的描述中链接到该主页。另外本周，蚂蚁集团发布了他们最新的开源医疗模型 LING 3.0 Flash Sante。该模型旨在理解医学信息、推理复杂的临床问题并帮助研究人员分析科学文献。这是一个相当大的混合专家模型，总参数为 1240 亿，但同一时间只有 51 亿是活跃的。它实际上是现有 LING 3 Flash 模型的专用版本。

查看这些基准测试，它在临床知识、医学推理和医疗安全方面与其他大得多的 AI 模型相比非常有竞争力。好的是，他们已经在 Hugging Face 上发布了模型权重。不过，完整模型的下载大小约为 255 GB，因此这个版本肯定是为强大的服务器设计的，而不是普通笔记本电脑。如果你向下滚动 Hugging Face 页面，它会包含如何在你的计算机上下载和运行此模型的所有说明。如果你有兴趣尝试，我会在描述中链接到该主页。

另外本周，我们有了针对目前最佳开源视频模型 Miniax H3 的新加速方法。它被称为 Fast H3 Omni。其优点在于它是专门为参考视频设计的，而不仅仅是文本或图像转视频。因此，你可以提供角色或场景的参考图片，它可以在生成视频的同时保持这些角色的全程一致性。特别令人印象深刻的是它的速度有多快。他们将基础模型的 50 步减少到了仅仅 8 步。

在运行于 8 张 A100 GPU（注：原文为 GP200，疑指代高端GPU如A100/H100等）时，他们实现了高达 12 倍的延迟降低。我知道你肯定没有那么多 GPU，所以你可能无法获得相同的加速效果，但它仍然比基础模型快得多。这里有一个表格展示了他们测试的不同参考输入情况。右列显示了它相对于基础模型的速度倍数。如果我们输入三张图片，速度大约快 5.8 倍；如果输入参考视频，则速度快约 6.98 倍。

总之，他们已经在上面发布了模型。因此，如果你点击该文件夹中的 Hugging Face 链接，里面包含了 Fast H3 Omni 的各种不同变体。他们为 ComfyUI 制作了一些模型，还有 FP8 版本、FP4 版本，甚至有一个适用于 Apple Silicon 的版本。如果你感兴趣，我会在描述中链接到主要的发布页面。以上就是本周 AI 的所有亮点。请在评论中告诉我你对这一切的看法。

哪条新闻是你最喜欢的？你最期待尝试哪个工具？一如既往，我会继续寻找顶级 AI 新闻和工具与你分享。如果你喜欢这个视频，请记得点赞、分享、订阅，并期待更多内容。此外，每周 AI 领域发生的事情太多了，我无法在我的 YouTube 频道上涵盖所有内容。因此，要真正及时了解 AI 的所有动态，请务必订阅我的免费每周通讯。链接将在描述中提供。感谢观看，我们下期再见。