一、目录一大语言模型与推理技术进展腾讯混元发布并开源 Hy3 大模型美团 LongCat-2.0 以 MIT 许可正式开源SpaceXAI 联合 Cursor 发布 Grok 4.5 模型Cognition 发布 SWE-1.7 代码智能体模型Rio-3.5-Open-397B 被证实为 Nex 与 Qwen 权重线性融合二多模态与世界模型动态字节跳动发布 Seedream 5.0 Pro 图像生成模型SeFi-Image 团队开源多规格文本到图像模型系列Meta 发布 Muse Image 智能图像模型并开放 Muse Video 预览Reve 推出 Reve 2.1 图像生成模型SenseNova 发布统一视觉任务多模态模型 SenseNova-Vision蚂蚁灵波发布 LingBot-Vision 视觉基础模型及深度补全 2.0蚂蚁灵波开源具身智能视频基础模型 LingBot-Video蚂蚁灵波发布开源交互式世界模型 LingBot-World 2.0Mistral AI 发布 Robostral Navigate 具身导航模型三语音与音频专用模型进展阿里升级实时语音识别模型 Fun-ASR-RealtimeOpenAI 发布 GPT-Realtime-2.1 与 2.1-mini 实时音频模型OpenAI 推出 GPT-Live 系列全双工语音交互模型Cohere 开源阿拉伯语专用语音识别模型xAI 为 Grok Voice 新增 21 款旗舰语音并升级原有音色小米 MiMo-V2.5-ASR 开放 API 并接入 Token PlanMOSI 开源端到端多说话人音频理解模型二、详细内容汇总一大语言模型与推理技术进展1. 腾讯混元发布并开源 Hy3 大模型腾讯混元团队正式发布 Hy3 大模型正式版采用 MoE 架构总参数 295B、激活参数 21B支持 256K 上下文窗口已以 Apache 2.0 协议开源。官方表示模型在后训练数据质量与 RL 算力规模上显著提升Agent 能力、推理与长上下文表现可比肩参数规模为其 2–5 倍的更大尺寸旗舰模型。体验与性能方面在内部 270 位专家盲测中得分 2.67/4优于 GLM5.1工具调用稳定性、抗幻觉及多轮意图保持等体验指标大幅改善幻觉率从 12.5% 降至 5.4%。目前元宝已接入 Hy3 并免费向用户提供文件生成、数据分析与网页制作等功能腾讯云 API 定价为每百万 tokens 输入 1 元、输出 4 元同时在 OpenRouter、Nous Portal 和 CodeBuddy 等平台提供两周限时免费体验。参考链接https://hy.tencent.com/research/hy3https://github.com/Tencent-Hunyuan/Hy3https://huggingface.co/tencent/Hy32. 美团 LongCat-2.0 以 MIT 许可正式开源美团 LongCat 团队宣布 LongCat-2.0 模型以 MIT 许可证全面开源公开模型权重与推理代码。该模型采用 1.6T 参数的混合专家MoE架构每次推理激活约 480 亿参数支持最长 100 万 token 上下文。模型定位为 Agent 原生模型可直接集成 Claude Code、OpenClaw 和 Hermes Agent 等智能体框架。部署层面官方提供 GPU 和 NPU 平台的推理支持并已在国内大规模集群上完成部署验证。参考链接https://x.com/Meituan_LongCat/status/20737689400783177133. SpaceXAI 联合 Cursor 发布 Grok 4.5 模型SpaceXAI 与 Cursor 联合训练并正式发布 Grok 4.5 模型采用 MoE 架构定位为面向软件工程、数据科学、金融法律等知识工作的通用智能体模型。模型具备 500k 上下文窗口、80 TPS 推理速度官方称其 token 效率两倍于同类领先模型Elon Musk 表示其内部评估水平大致与 Claude Opus 4.7 相当且速度更快预计上下文窗口后续将升级至 1M。训练方面模型纳入了万亿级 token 的 Cursor 交互数据覆盖代码库与软件工具的用户交互并通过真实环境下的强化学习提升工具调用、错误修复与结果验证能力。定价方面基础版为每百万输入 token 2 美元、输出 6 美元高速版为每百万输入 token 4 美元、输出 18 美元。目前该模型已在 Grok Build、Cursor 全平台及 SpaceXAI 控制台上线Cursor 订阅用户首周可享受双倍使用额度。官方同时说明该模型在 CursorBench 上的分数因训练数据意外包含 Cursor 代码库快照已被排除。参考链接https://x.ai/news/grok-4-5https://cursor.com/blog/grok-4-54. Cognition 发布 SWE-1.7 代码智能体模型Cognition 实验室发布 SWE-1.7 模型为其目前训练的最强代码智能体模型基于 Kimi K2.7 基座通过大规模强化学习训练完成。官方称其在保持前沿性能的同时显著优化了成本曲线挑战了 “后训练天花板” 的行业认知。性能表现上该模型在 FrontierCode 1.1 Main 基准得分为 42.3%接近 GPT-5.5 与 Claude Opus 4.8 等顶级闭源模型在 Terminal-Bench 2.1 得分为 81.5%SWE-Bench Multilingual 得分为 77.8%均处于行业第一梯队。技术层面模型通过 top-p 采样重放稳定训练熵值、跨洲多集群分布式训练、高质量数据清洗流水线、自压缩长上下文四项核心技术实现能力突破具备更凝练的思维链与更全面的代码库探查习惯。目前 SWE-1.7 已在 Devin 全平台Web、Desktop、CLI上线由 Cerebras 提供 1000 TPS 的高速推理版本。参考链接https://cognition.com/blog/swe-1-75. Rio-3.5-Open-397B 被证实为 Nex 与 Qwen 权重线性融合里约热内卢市信息技术机构 IplanRIO 发布的 Rio-3.5-Open-397B 模型被 Nex-AGI 团队证实未经过独立训练本质是开源模型 Nex N2 Pro 与 Qwen3.5-397B-A17B 按约 0.6:0.4 比例的逐元素线性权重融合。验证证据包含两方面一是移除模型硬编码的 “You are Rio” 系统提示词后在 120 次身份提问中模型有 79.2% 自称为 “Nex”0% 自称为 “Rio”甚至能完整复述 Nex-AGI 的机构背景表述二是张量级数学验证显示模型全层权重与 “NexQwen” 线性融合的余弦相似度达 0.986–0.993在高维参数空间中可排除偶然重合的可能。事件后续IplanRIO 更新了 HuggingFace 模型说明称原计划发布经过策略蒸馏的最终版本因操作失误上传了未蒸馏的基础融合权重并就混淆致歉。社区同时围绕公共资金使用产生争议相关人士澄清项目未动用公共训练经费官方公开表述存在沟通偏差。参考链接https://github.com/nex-agi/Nex-N2/issues/4https://huggingface.co/prefeitura-rio/Rio-3.5-Open-397B/commit/a778c1ec4e21180ee55c3ea016a348e549e75f09二多模态与世界模型动态1. 字节跳动发布 Seedream 5.0 Pro 图像生成模型字节跳动 Seed 团队正式发布多模态图像创作模型 Seedream 5.0 Pro在图文匹配、结构合理性、文字渲染与画面美感等基础能力上全面升级核心突破集中在四个方向复杂信息可视化可将数据、概念与密集文本转化为专业排版的信息图支持时间轴、图表、实景等多元素融合满足教育、科普、商业海报等高信息密度生产场景交互式精准编辑基于空间位置感知能力支持点选圈选局部修改、草图渲染、色彩与材质替换、图层智能分离、多图融合等可控编辑操作真实影像与人像质感强化物理光影、材质肌理与皮肤细节还原支持摇拍等进阶摄影效果兼顾写实人像与 3A 级游戏角色创作原生多语种支持支持十余种常用语言直接输入与文字渲染自动适配不同语种的排版规则与文化视觉特征。目前模型已上线火山方舟体验中心将陆续登陆豆包、即梦平台。官方表示模型在细粒度文字渲染、像素级编辑一致性上仍有优化空间。参考链接https://seed.bytedance.com/seedream5_0_prohttps://mp.weixin.qq.com/s/COjQ-auPvV9Cc3AFZZxzbg2. SeFi-Image 团队开源多规格文本到图像模型系列SeFi-Image 团队正式开源 SeFi-Image 系列文本到图像基础模型核心采用 “语义优先扩散” 架构将语义结构与纹理细节的生成流分离使语义潜变量先于纹理完成降噪为纹理生成阶段提供清晰的结构锚点。模型系列覆盖 1B、2B、5B 三种参数规模每个规模均提供 Base 基础版、RL 强化对齐版、Turbo 少步蒸馏加速版三类变体其中 5B 版本仅使用约 125K A800 GPU 小时的训练资源在 GenEval、LongTextBench、DPG-Bench 等多项基准测试中取得具备竞争力的表现。官方同步发布了命令行与 Python API 形式的推理代码模型权重与代码已在 GitHub 与 Hugging Face 开放。参考链接https://jmliu206.github.io/sefi-web/https://huggingface.co/SeFi-Image/SeFi-Image-5B-turbo3. Meta 发布 Muse Image 智能图像模型并开放 Muse Video 预览Meta Superintelligence Labs 发布旗下首个图像生成模型 Muse Image同时推出视频生成模型 Muse Video 预览版。Muse Image 采用 Agentic 设计范式推理过程中可自主调用搜索与代码工具并进行自我修正支持精确局部编辑、多参考图像合成还能借助 Instagram 公开内容理解社交语境。根据 Arena 排行榜数据该模型在文本到图像、单图像编辑、多图像编辑三项任务中均位列第二。落地方面Muse Image 已在 Meta AI 应用、网页版、美国地区 Instagram Stories 及部分国家 WhatsApp 上线后续将拓展至 FacebookMuse Video 仍处于预览阶段计划后续面向创作者与 Meta AI 用户开放。参考链接https://ai.meta.com/blog/introducing-muse-image-muse-video-msl/https://about.fb.com/news/2026/07/introducing-muse-image-meta-ai/https://x.com/AIatMeta/status/20745776628408323824. Reve 推出 Reve 2.1 图像生成模型Reve 官方发布新一代图像模型 Reve 2.1距上一版本发布仅间隔一个月。官方称模型核心升级在于以结构化布局替代纯文本提示实现了更细致的图像规划与精确渲染视觉智能与推理能力显著提升仍保持顶级 4K 生成质量且训练算力仅为行业常规方案的十分之一。评测表现上Reve 2.1 在 [Arena.ai](Arena.ai) 与 Design Arena 两项评测中均位列第二并刷新分数记录。社区反馈显示目前该模型 API 暂未全面开放。参考链接https://x.com/reve/status/2075248950756716747https://x.com/arena/status/20752515932773007875. SenseNova 发布统一视觉任务多模态模型 SenseNova-VisionSenseNova 团队正式发布 SenseNova-Vision 系列包含 7B-MoT 模型权重、SenseNova-Vision-Corpus-50M 数据集、推理代码与技术报告。该模型提出统一多模态生成范式将异构计算机视觉任务全部转化为统一多模态模型的原生文本、图像或图文混合生成无需为不同任务设计专属预测头或架构分支可同时覆盖目标检测、OCR、关键点检测等结构化理解深度估计、法向量预测等稠密几何任务语义 / 引用 / 推理分割以及多视图三维重建四大类视觉任务。性能方面模型在 COCO 目标检测、NYUv2 深度估计、RefCOCO 引用分割等主流基准上达到或接近业界最优水平。模型权重基于 CC BY-NC 4.0 许可发布仅限非商业用途。官方同时提示模型并非单项任务最优方案输出结果依赖特定解析规则对提示词较为敏感稠密几何预测精度需独立校验。参考链接https://github.com/OpenSenseNova/SenseNova-Visionhttps://huggingface.co/sensenova/SenseNova-Vision-7B-MoT6. 蚂蚁灵波发布 LingBot-Vision 视觉基础模型及深度补全 2.0蚂蚁灵波科技Robbyant正式发布 LingBot-Vision 自监督视觉基础模型系列同步推出 LingBot-Depth 2.0 深度补全模型。LingBot-Vision 采用掩码边界建模方法无需人工标注即可在线学习亚像素边界引导密集视觉令牌学习以 ViT-g/16 为教师模型蒸馏出 L、B、S 三个尺寸的学生模型在 NYUv2 深度估计任务上达到 0.296 RMSE效果优于 7B 参数的 DINOv3小尺寸模型同样保持性能优势。LingBot-Depth 2.0 将深度补全建模为掩码深度任务改用 LingBot-Vision 作为编码器初始化在透明、反射表面场景下可重建稳定连续表面块掩码 DIODE-Indoor 数据集上的 RMSE 较前代减半。所有模型权重已通过 HuggingFace 开源代码在 GitHub 以 Apache 2.0 许可发布提供 pip 安装、Python 接口及 PCA 可视化演示。参考链接https://technology.robbyant.com/lingbot-visionhttps://github.com/Robbyant/lingbot-visionhttps://huggingface.co/collections/robbyant/lingbot-vision7. 蚂蚁灵波开源具身智能视频基础模型 LingBot-Video蚂蚁灵波科技发布并开源首个专为具身智能设计的 MoE 视频基础模型 LingBot-Video采用单流 DiT 加稀疏 MoE 架构总参数 30B推理时仅激活 3B 参数在 1M token 序列下推理速度约为同规模稠密模型的 3.18 倍可满足机器人实时仿真需求。训练方面模型在大规模互联网视频预训练基础上叠加了超过 7 万小时的具身定向数据并通过奖励对齐后训练优化物理合理性、任务完成度与视觉质感。官方数据显示其在 RBench 视频生成基准上以 0.620 分排名第一超越 Wan2.6、Seedance 1.5 Pro 等主流模型。项目基于 Apache 2.0 协议开源提供 Dense-1.3B、MoE-30B-A3B 及基于 Qwen3.6-27B 的重写器在内的完整权重与代码。参考链接https://technology.robbyant.com/lingbot-videohttps://huggingface.co/collections/robbyant/lingbot-video8. 蚂蚁灵波发布开源交互式世界模型 LingBot-World 2.0蚂蚁灵波科技发布 LingBot-World 2.0 交互式世界模型主打无限时长的实时可交互开放世界生成。技术层面模型通过因果预训练与少步蒸馏实现小时级无视觉漂移的长时间生成支持 720p / 60fps 实时流式输出与亚秒级控制延迟。交互方面引入 Agentic Harness 机制包含 Pilot Agent玩家视角与 Director Agent导演视角支持用户自由探索、近战 / 远程攻击、事件触发、多人协同操控等多样化交互模式可生成自然地貌、人文景观、战斗场景等多元内容。目前 14B 参数的 causal-fast 版本权重与推理代码已开放采用 CC BY-NC-SA 4.0 许可仅限非商业使用用户可通过 Reactor 或 LingGuang 移动端体验实时版本。官方说明当前公开版本缺失部分功能完整演示将在 WAIC 2026 上海展会提供同时模型在长期世界记忆、真实物理理解上仍存在局限。参考链接https://technology.robbyant.com/lingbot-world-v29. Mistral AI 发布 Robostral Navigate 具身导航模型Mistral AI 发布其首款具身导航模型 Robostral Navigate参数量为 8B。模型核心特点是仅需自然语言指令与单颗 RGB 摄像头输入无需深度传感器或 LiDAR即可驱动机器人在复杂未知环境中自主导航。其支持轮式、足式及飞行机器人可跨机器人尺寸与摄像头内参实现泛化。在 R2R-CE 未见环境基准测试中模型导航成功率达到 76.6%。目前官方仅提供企业合作联系渠道未开放开源或公开 API。参考链接https://mistral.ai/news/robostral-navigate/三语音与音频专用模型进展1. 阿里升级实时语音识别模型 Fun-ASR-Realtime阿里正式升级实时语音识别大模型 Fun-ASR-Realtime核心升级点在于首字延迟控制在百毫秒级别识别准确率接近同系列离线模型并具备基于上下文的自我纠错能力。能力覆盖上模型支持 16 种方言与 30 种语言方言识别字符准确率平均 88.62%在 12 类方言上领先竞品工业中文与英文场景准确率分别达 88.42% 与 91.58%泰语等东南亚语言也完成专项优化。其离线版本 Fun-ASR-Flash 在 Artificial Analysis 平台上以 1.7% 字错率位居全球第一。落地方面该模型已支撑影视飓风 “重返荒岛” 100 小时直播实时生成 132 万字字幕目前已在阿里云百炼平台开放体验。参考链接https://mp.weixin.qq.com/s/Uq03C7koDBwmYtxoR8kSvA2. OpenAI 发布 GPT-Realtime-2.1 与 2.1-mini 实时音频模型OpenAI Developers 发布 GPT-Realtime-2.1 与 GPT-Realtime-2.1-mini 两款实时音频模型现已在 API 及 OpenAI Playground 上线。其中 GPT-Realtime-2.1 为 Realtime-2 的增量更新重点优化了字母数字信息的识别处理效果GPT-Realtime-2.1-mini 是 mini 系列首次加入推理与工具调用能力定价与前代 GPT-Realtime-mini 保持一致。此外 OpenAI 通过改进缓存机制将 Realtime 全线语音模型的 p95 延迟降低至少 25%。参考链接https://developers.openai.com/api/docs/models/gpt-realtime-2.1[shturl.cc/CUbAt8XjJITOAZYsKv3vzA](shturl.cc/CUbAt8XjJITOAZYsKv3vzA)https://x.com/testingcatalog/status/20742667986948098213. OpenAI 推出 GPT-Live 系列全双工语音交互模型OpenAI 发布新一代全双工语音交互模型系列 GPT-Live包含 GPT-Live-1 与 GPT-Live-1 mini 两个版本。该系列采用全双工架构可实现边听边说的自然对话体验支持将复杂推理、搜索及 Agent 任务异步委托给 GPT-5.5 处理保证交互流畅性。目前模型正逐步向 ChatGPT 全球用户推送付费用户默认使用 GPT-Live-1免费用户默认使用 GPT-Live-1 mini开发者与企业可注册获取 API 上线通知。官方同时说明该模型目前不支持视频与屏幕共享在部分语言中存在口音与流利度局限。参考链接https://openai.com/index/introducing-gpt-live/https://openai.com/form/gpt-live-1-in-the-api/4. Cohere 开源阿拉伯语专用语音识别模型Cohere 正式发布开源自动语音识别模型 Cohere Transcribe Arabic参数量 2B基于 Conformer 架构。模型专为阿拉伯语及其各方言优化同时支持英语转录与语码混合场景。官方数据显示其在 Open Universal Arabic ASR Leaderboard 上平均词错误率WER为 25.87领先 Whisper、OmniASR 等同类模型且在 96% 的人工评测中获得更高偏好。模型以 Apache 2.0 许可证在 Hugging Face 开放权重支持通过 transformers 或 vLLM 在各类设备上部署运行。参考链接https://cohere.com/blog/transcribe-arabichttps://huggingface.co/CohereLabs/cohere-transcribe-arabic-07-20265. xAI 为 Grok Voice 新增 21 款旗舰语音并升级原有音色SpaceXAI 为 Grok Voice 发布 21 款全新旗舰语音同时对原有的 Ara、Eve、Leo、Rex、Sal 五款语音进行重新训练优化了节奏、措辞与重音自然度全面提升。新语音均支持超过 25 种语言针对客服支持、角色演绎、评论解说、广告配音、教育讲解等垂直场景做了专项优化。所有语音已在 Voice Agent API、Text to Speech API 以及 Grok Voice Agent Builder 中上线开发者可通过 xAI 控制台构建自定义语音代理支持使用[pause]、whisper等语音标签控制表达效果。参考链接https://x.ai/news/new-flagship-voices6. 小米 MiMo-V2.5-ASR 开放 API 并接入 Token Plan小米 MiMo 开放平台正式上线 MiMo-V2.5-ASR 语音识别模型 API并同步接入 Token Plan 订阅方案。该模型于 2026 年 4 月首次发布支持中英双语识别原生覆盖吴语、粤语、闽南语、四川话等多种汉语方言支持中英无标签语码转换、歌词高精度转写以及强噪声、远场、多说话人重叠等复杂声学场景。根据公开基准数据其在通用中英文、方言、歌词、语码混合等多项任务上达到业界领先水平。计费方面API 按音频输入时长计费国内价格为 0.5 元 / 小时同时提供包月 / 包年 Token Plan 套餐一次订阅可覆盖 MiMo V2.5 全系模型适配高用量场景。参考链接https://mimo.xiaomi.com/mimo-v2-5-asr7. MOSI 开源端到端多说话人音频理解模型MOSI 官方宣布开源 MOSS-Transcribe-Diarize 0.9B 端到端音频理解模型性能更强的 Pro 版本暂未开源计划后续通过 API 提供服务。模型采用 Whisper-Medium 编码器 Qwen3-0.6B 风格解码器的端到端架构替代传统 ASR 说话人分离的级联方案可一次性输出带时间戳与说话人标签的结构化转录文本。其支持 128k 长上下文可处理最长约 90 分钟的音频输入支持多语言转录与热词提示。基准测试中模型在 AISHELL-4、Alimeeting、Podcast、Movies 等多个多说话人数据集上的字错率与说话人匹配效果显著优于主流方案。部署方面模型支持 vLLM、SGLang Omni 服务化部署单张 H100 下可实现近百倍实时因子的处理速度官方同时提供字幕生成 Web 工具支持 SRT/ASS 导出与视频烧录。参考链接https://github.com/OpenMOSS/MOSS-Transcribe-Diarize