每日 AI 精选与日报

DeepSeek 发布实验性视觉模型 V4-Flash-Vision-Exp，智能体基准测试对标 Opus 4.8

DeepSeek 发布实验性多模态模型 V4-Flash-Vision-Exp，在图像理解基础上保持文本推理能力，其内部智能体基准测试成绩接近 Opus 4.8。该模型兼容 OpenAI 与 Anthropic API，支持 Base64、URL（32 MiB）及免费 Files API（64 MiB）三种传图方式，单图成本最高 384 tokens，单次请求最多 600 张图片。

DeepSeek-v4-flash-vision-exp 发布：支持图像与文本多模态输入

DeepSeek 推出 DeepSeek-v4-flash-vision-exp 模型，可同时接受图像与文本输入。用户能要求模型描述图片、从截图中读取文字、分析图表等。该实验版本扩展了 DeepSeek 的多模态能力。

DeepSeek-V4-Flash-Vision-Exp 发布

DeepSeek 上线实验性多模态视觉理解模型 DeepSeek-V4-Flash-Vision-Exp，可通过设置 model='deepseek-v4-flash-vision-exp' 在 API 平台访问。

DeepSeek V4-Flash-Vision-Exp 上线，开启多模态 API 服务

深度求索发布多模态视觉理解模型 DeepSeek-V4-Flash-Vision-Exp，已上线 API 平台。该模型纯文本能力与 V4-Flash 正式版持平，视觉理解 Agent Benchmark 表现大幅跃升，接近 Opus-4.8。API 按 token 计费，单张图片最多占 384 tokens，价格与 V4-Flash 一致，支持三种调用格式及三种图片传入方式。

Ox Alpha 发布：面向编码与智能体任务的免费推理模型

Ox Alpha 是一款面向编码、持续性智能体工作和生产负载的推理模型，现已免费开放使用。该模型支持 1，048，576 token 的上下文窗口，最大输出 131，072 token。

商汤开源 8B 参数多模态大模型 SenseNova U1.5 Lite，原生支持 4K 图像输出

商汤科技今日宣布开源轻量级原生统一多模态大模型 SenseNova U1.5 Lite，该模型拥有 8B 参数，原生支持 3-4k 上下文长度和 4K 高分辨率图像输出。模型支持 Bounding Box、Visual Marker 及多图参考等精细视觉控制，在指令遵循与图像编辑保持度上超越同量级模型，文字渲染与复杂布局能力媲美超大规模商业模型。

蚂蚁百灵开源 Ling-3.0-tiny / flash Base 模型，开放训练过程关键节点

蚂蚁百灵正式开源 Ling-3.0-tiny-base 与 Ling-3.0-flash-base，除最终 Base checkpoint 外，还同步开放预训练和中期训练的权重 checkpoint，共计 6 个。

Superwhisper 发布 462MB 开源文本规范化模型 S1-mini

Superwhisper 推出 S1 系列，其中 S1-mini 以开源权重发布在 Hugging Face 上。这是一款 0.6B 参数的文本规范化模型，基于 Qwen3-0.6B 微调，用于清理语音识别后的转录文本，去除填充词并应用标点与大小写。

Liquid AI 发布 LFM2.5-DSpark 草稿模型，解码速度最高提升 3.18 倍且输出不变

Liquid AI 为 LFM2.5 系列三款模型（1.2B-Instruct、2.6B、8B-A1B）发布 DSpark 草稿模型检查点，通过约 300M 参数的草稿模型一次提出 9 个候选 token，由目标模型单次前向验证，在 H100 上解码速度最高提升 3.18 倍，M4 Max MacBook Pro 上最高 2.87 倍。

DiffusionGemma 技术报告：Google DeepMind 开源离散扩散模型，单卡 H100 每秒生成约 1500 token

Google DeepMind 推出 DiffusionGemma，一个基于 Gemma 4 26B A4B MoE 模型微调而来的实验性开放权重文本扩散模型。

Hugging Face 发布 LFM2.5 系列 DSpark 草稿模型，推理速度最高提升 3.18 倍

Hugging Face 发布 LFM2.5 系列三款模型的 DSpark 草稿模型检查点，通过投机解码在不改变输出质量的前提下，GPU 吞吐最高提升 3.18 倍，端侧最高 2.87 倍。草稿模型约 300M 参数，LFM2.5-2.6B 函数调用延迟平均降低 57%，已开源支持 llama.cpp 和 SGLang。

Sakana Translateの翻訳モデルを新しい世代の「Sakana Namazu」へアップデート

GEN-1.5：通用型 AI 仅凭单次演示教会机器人新任务

机器人初创公司 Generalist AI 发布 GEN-1.5，该模型可将 3 至 12 秒的演示作为"物理提示词"载入上下文窗口，让机器人无需训练即可执行任务。在开罐、取钱等十项测试中，平均成功率为 59%；用五分钟数据训练十步后，成功率升至 83%。模型还能串联两个提示词、使用仿真演示并部分模仿人类手部动作，但所有结果均出自公司自身，未经独立验证。

Anthropic 内部运行未发布模型"Model 2"，性能超越所有公开版 Claude

Anthropic 在内部运行一款未发布的 AI 模型"Model 2"，其综合性能略强于 Claude Mythos 5，但在某些领域较弱。据该公司 2026 年 8 月的风险报告，该模型在内部能力指数 AECI 上比 Mythos 5 高约 1.5 点，提升幅度小于从 Mythos Preview 到 Mythos 5 的跃升。该模型主要用于内部编码、数据生成及研究与工程，目前无外部发布计划。

阿里发布 Qwen-UI-Agent，主打让模型真正"会用"每一块屏幕

阿里巴巴正式推出 Qwen-UI-Agent，一个以真实世界为中心的 GUI 智能体基座模型，覆盖移动端、电脑端、网页端及深度搜索（DeepSearch）环境。

Ornith-1.5 系列开源模型发布：397B 版性能媲美 Claude Opus 4.8，量化版可运行于 iPhone 17

DeepReinforce 推出 Ornith-1.5 系列开源模型，训练中引入"自我改进循环"机制。其中最大 Ornith-1.5-397B 采用 MoE 架构，总参数 3970 亿，性能媲美并在部分测试中超过 Claude Opus 4.8；另有 35B-A3B 与 9B 两个规模，9B 的量化版 Ornith-1.5-9B-Mobile 可在安卓手机及 iPhone 17 上运行。

Meta Muse Video 生成视频样片曝光，单次 AI 最长生成 10 秒视频

Meta 即将推出 Muse Video 模型，已邀请部分合作伙伴 Beta 测试，单次可生成最长 10 秒视频。测试样片显示其在细节呈现、场景物体关系理解及时间维度稳定性上潜力较高，但 Meta 承认音频与画面同步不足，高速运动物理准确性有差距。现有 10 秒样本尚不足以验证更长叙事、复杂角色一致性或高强度动作场景表现。