实时信息流

小米发布并开源工业级目标说话人语音识别大模型 Xiaomi-CocktailASR-1，针对多人同时说话时识别率大幅下降的鸡尾酒会难题。模型采用端到端 LLM 架构，以目标说话人参考音频作为声纹提示，在多个主流多说话人测试集上达到 SOTA；单人识别性能比肩标准 ASR 模型，可拒识非目标说话人并支持思维链推理模式。代码开源于 GitHub 和 HuggingFace。

X-AuT 通过渐进式剪枝与跨尺度蒸馏压缩语音 LLM 的音频编码器，将 Qwen3-ASR-0.6B 的 18 层音频 Transformer 压到 16 层，十个中英文基准的宏平均错误率从 5.61% 降至 5.27%。压到 14 层时错误率为 5.75%，音频塔参数减少 20.7%。相同配方下，1.7B 教师模型带来 5.55% 平均错误率，优于自蒸馏的 8.45%。

北航与清华团队提出 UniH3 框架，通过分层同质性记忆（H2M）模块从高质量图像中蒸馏任务内与任务间先验，并用同质性引导注意力（HGA）注入修复流程，同时以分层异质性平衡器（H2B）缓解任务内与任务间优化冲突。在 MedIR-2D-500K 和 MedIR-3D-3K 两个大规模基准上，UniH3 在全能及单任务医学图像修复中均达到 SOTA。代码已开源。

Google 联合东京大学、RIKEN AIP 和东北大学发布 ToolGrad，将工具调用数据生成流程反转为先构建并实际执行验证工具链、再生成用户查询，在 ToolBench 上通过率从 63.8% 提升至 99.8%。

千问新款 AI 眼镜 N1 在 2026 年外滩大会 AI 支付展区以黑色遮蔽材料包裹的方式展出，首次引入虹膜识别能力，误识率低于百万分之一，可在复杂环境下通过眼动追踪收银设备、佩戴即完成身份核查。该产品不带显示屏，工作人员透露定价可能低于 S1。千问此前已推出 S1、G1 等 AI 眼镜，并在 7 月世界人工智能大会上展示全双工语音、眼动追踪、体征监测等技术。

TRL v1.13 发布！我们的开源 RL 训练库，用于对基础模型进行后训练 本次新版本聚焦"长上下文训练"，新增了一份关于如何用 1M+ token 上下文对模型进行后训练的指南 https://huggingface.co/docs/trl/long_context_training ，以及一如既往的速度和内存使用方面的多项改进 详见 https://github.com/huggingface/trl

腾讯混元发布开源语音基础模型 AuK，支持统一语音生成与编辑，可通过自然语言指令加参考音频实现零样本 TTS、指令控制生成、内容与音色/风格/情感编辑、去口音、语速音调控制、增强去噪及多说话人和音乐分离。

针对 AI 研究员 Ethan Mollick 称谷歌已不再拥有前沿模型的言论，谷歌 DeepMind 工程师 Logan Kilpatrick 反驳称，Gemini 3.8 Cyber 在许多网络安全测试和实际应用能力上已超过 Anthropic 的 Mythos。他表示谷歌内部 Chrome、Wiz 和 Cloud 团队已广泛使用该模型，Gemini 4 系列将继续推动前沿网络安全模型发展。

NVIDIA 发布 CUDA 13.4，为 Windows on Arm 带来 CUDA 支持，赶在 10 月 RTX Spark 笔记本上市前让开发者准备应用。NVIDIA 与 Microsoft 将 RTX Spark PC 定位为运行本地 AI 模型和个人智能体的设备；GPU 加速仍需兼容的 NVIDIA 硬件，现有 Arm PC 可帮助开发者开始移植。

高德发布 3D 原生城市世界模型 ABot-Earth 0.7，称其为全球首个全模态、可预测的 3D 原生城市世界模型，覆盖超过 196 个国家和地区。模型可从卫星图像或文字描述出发，10 分钟内在一块消费级 GPU 上生成公里级 3DGS 格式城市场景，效率较传统模式提升 1000 倍，已应用于飞行街景 2.0，体验官网同步上线。