[控场AI]
· 15 分钟阅读· 7,614 字

AI周报:Gemini 4 Carbon翻车,24个新发布降本提速

AI周报:Gemini 4 Carbon翻车,24个新发布降本提速

本周24个AI新发布中,Gemini 4 Carbon榜单强但实战磨人,轻量开源工具集体拉低门槛与成本。

本周AI圈集中发布24个新成果。谷歌Gemini 4 Carbon在第三方综合智力指数拿60分位列第二、单题成本较低,但在反重力工具的真实开发任务中暴露长耗时与稳定度短板,单任务推理平均31.3分钟,复杂任务动辄一两小时且需反复返工。与之相对,谷歌推出轻量版Hydrogen主打高速执行,同档得分反超Argon,与Carbon联动可少用24%配额、快19%;Decisions API与Meta Muse Ember把批量判断任务压到每百万输入0.1美元级别。此外,开源实时语音、端侧TTS、4K生图、三维重建、视频加速及AlphaGenome2等集中涌现,整体在把AI的使用门槛和花销大幅拉低。

本周AI圈一口气砸出24个新发布,谷歌新一代旗舰Gemini 4 Carbon纸面数据亮眼,但真实开发任务中暴露了长耗时和稳定度短板。真正让人坐不住的,是另外23个新面孔——它们不拼全能,专攻把算力开销和等待时间砍下来。

Gemini 4 Carbon:榜单强者,实战磨人

在谷歌反重力开发工具AntiGravity里,Carbon开启最高思考档位跑了五道实操大题。用纯前端代码写90秒1080P人类文明史动画并接Gemini语音旁白,前后近40分钟、三轮追问后画面依然粗糙,时间线和动效对不上。更让人抓狂的是界面看不到单次绘画用量,查额度指令无反应,跑完烧了多少算力全程摸黑。

Vending Bench二榜上

电脑操作测试中,让Carbon打开浏览器里的88键虚拟钢琴编一段一分钟快节奏独奏并实弹,结果音准和节奏全散,而同台的Claude Fable 5.2表现稳得多。跨软件写歌任务第一遍跑了一小时,伴奏盖过人声、节拍对不上,返工半小时后合成器伴奏层次丰富,但人声混音依然拖后腿。虚幻引擎忍者跑酷游戏跑了两个小时,中途出现天空光照报错,光照效果和角色手感都略输GPT-6 Astra。物理光追测试第一轮直接交白卷,硬修后水花爆裂效果像闪烁碎块,与Fable 5.2差距明显。

回到看图老本行,Carbon在落叶里找伪装青蛙时自己写脚本分块放大八倍,精准圈出目标,连Fable 5.2都没找到,同场只有国产DeepSeek广告同样找出。但六张脑部影像辨瘤只对一张,GPT-6 Astra同样只对一张,Fable 5.2对了两张——医学影像理解仍是共同难关。

第三方榜单的另一面:第二名的代价

在第三方综合智力指数里,Carbon拿到60分,站上全榜第二,压住GPT-6 Astra,单题平均账单约5.48美元,比同列高价档的Claude Opus 5.5和Fable 5.2便宜2到5倍。读指针表盘测试以85%拿第二,仍没超过人类九成出头的平均线;走迷宫排第三;金融法律税务的日常知识工作榜排第三;软件工程榜以61.2%排第三,单任务烧掉61美元出头,但已是第一梯队里最省钱的。需要长线账本和三维空间的考验反而出彩:模拟经营自动售货机的Vending Bench二榜赚到16000多美元拿下全场最高,50套公寓照片转二维弧形图的Blueprint Bench二拿到0.586分打平人类水平,智能体终极测试搭配专用框架也拿下第一。

出字速度上Carbon快过Fable 5.2、慢于一批GPT模型,但综合智力指数里单任务平均推理耗时高达31.3分钟,同类中位数只有13.1分钟。用每月约100美元区间的Ultra订阅跑长任务动辄等一两个小时,包月入场费显得沉重。API从11月10日起进入谷歌AI开发工作台和安卓开发工具,首发优惠价每百万输入2美元、输出10美元,11月30日后涨回输入4美元、输出20美元。

综合智力指数(如文中提及的第三方综合智力指数)通常指由独立评测机构构建的基准测试集,涵盖数学、逻辑、知识问答、代码与多步推理等题型,以标准化得分横向比较不同大模型。它并不等同于真实开发体验,因为榜单分数往往在受控条件下取得,未充分反映长任务中的稳定性、工具调用失败率与等待时间。文中Carbon在榜单上以60分位列第二、单题平均账单约5.48美元,却在实操中频繁返工,正说明榜单排名与工程可用性之间存在落差。读者在参考此类指数时,应结合任务类型、耗时和单次成本综合判断。

轻量快跑:Hydrogen与Decisions API

隔了两天,谷歌在11月12号放出轻量化新版本Gemini 4 Hydrogen,不拼深度思考,专攻日常写代码和智能体高速执行。同样支持100万Token多模态上下文,输出上限也能给到100万Token,API压到每百万输入1.5美元、输出7.5美元。官宣页写明同等高思考模式下Hydrogen在综合智力指数拿到51分,反超同系列主攻长线推理的Gemini 4 Argon的50分;开到最高思考档能冲到54分。配合新调度器在同一绘画里自动切换Carbon和Hydrogen,终端编程测试通过率接近Carbon,同时少用24%配额、快上19%。官方示例包括一句话生成能逛能加建筑的3D积木世界、可转动配置外观的户外水壶3D网店、用代码公式驱动表格上千单元格冻成像素动画。对比表里它在多项知识工作和网页任务上高过轻量档的Claude Sonnet 5.5和GPT 6.1 Terra。除反重力平台限付费Pro和Ultra外,Gemini应用、谷歌搜索和AI开发工作台所有用户包括免费档都能直接用。

国产大模型也在同一条赛道上发力

11月11号的Gemini Decisions API背后是定制的Decision1模型,跳过逐字写长回复,一次喂进最多256K token图文档和音视频,连同最多1000道是非选择或打分题只算一轮全部给出答案。监控示例里看一段画面就能同时答出有没有液体泼洒、接下来怎么处理、严重程度,并给每题标把握度方便人工复核。整套响应延迟压到150到250毫秒,输出端零计费,每百万输入只收0.1美元,同一份输入不管附带多少题只计一次。AI Studio有免费试用额度,多项决策评测平均胜过TypeSafe Jeff 1.14,单项各有输赢。

Meta同赛道推出最小多模态模型Muse Ember,专干文档提取、看图分类和代码小任务,同样100万Token上下文并支持Responses API。官方工作流里大号模型当总指挥,派16个Muse Ember分身给1万张相机照片写图注、重命名、分相册,处理到5632张时总花费约0.72美元。API按单次请求含缓存总输入量分两档:20万Token以内每百万输入0.1美元、缓存输入低至0.004美元、输出0.5美元;超过20万整次按输入0.3、缓存0.012、输出1.5计费。同级测试成绩超过Claude Haiku 5.5和GPT-6 Luna,开源权重尚未确认。

百度11月11号推出文星5.5 Flash预览版,总参数2800亿、每次只挑140亿参数上场,带百万Token上下文。官方案例用11小时C++编码在虚幻引擎做出张家界风格武侠游戏《云秀行》,还展示机场Blender三维场景和提示词生成完整平面动画。百度自测跑分与一线开源对手不相上下,千帆平台和OpenRouter已上线API,官方明确稍后以Apache 2.0开源权重。

语音交互:边听边说的新底座

实时对谈语音模型扎堆出现,共通本事是不等对方说完就接话,能边听边开口、随时应对插话。Higurashi开源的Haru 4B每133毫秒同步吃进并产生一帧用户和模型的语音及文本,聊起来能带“嗯”“对”这类搭腔和笑声,随情绪换语调,插嘴也能自然接住。推理代码和权重已分开下载,Apache 2.0协议,本地约12GB显存可跑,另有苹果芯片Mac版,但它属于未做听令对话微调的预训练底座,陪聊一绝、查严肃知识扛不住。

Fish Audio的Live 3专接电话客服和网页实时语音代理。模拟汽车窗口点餐演示里,点餐人连珠炮下单又突然打断,把麦香鱼套餐的无糖可乐换成冰咖啡,Live 3只换这一杯,前两份巨无霸的配料一点没乱,结尾原原本本复述所有配餐和33.53美元总价。已上线官网和API,暂未开源。11月9号以Apache 2.0开源代码和权重的SoFone Realtime更专攻听懂潜台词:煎饼念到面粉被打断说没鸡蛋,0.36秒内刹住改推酸奶替代;声音紧绷说“我没事”能听出硬撑情绪;“我没说他偷了钱”中不同重音单词全抓得准;连反讽“周一真好”都会先笑一声再安慰。首发三个版本中Tag版擅长情绪标签、Flash版主打高并发、E2E版压低首段语音等待。同一张80GB显卡早期对照测试里E2E版首段出声约0.25秒、Flash版约0.31秒,中英文完整支持,日语俄语放在Flash版。11月13号补充Flash 4bit量化版,建议至少36GB统一内存,苹果芯片Mac可全离线跑。

Zephyr在11月9号开源的ZONOS 3 mini轻到极致:总参数8亿、每次激活1亿、体积不到1.8GB,Apache 2.0,云端网页、英伟达显卡、苹果芯片和纯CPU都能跑,还能靠WebGPU塞进浏览器本地运行。官方实测首段音频出声延迟在Pixel 9手机浏览器低于570毫秒、苹果M3轻薄本不到150毫秒。一段人声参考即可克隆音色,同一句台词能调美音、英音、傲音、年轻或中年情绪及带气声的不同质感。

实时全双工语音模型与传统的“轮次式”语音交互有本质区别。传统语音助手需等用户说完、经语音识别转文本、再由大模型生成回复、最后语音合成输出,链路长且无法打断。全双工模型则以固定帧率(如文中Haru 4B每133毫秒一帧)同步接收和生成语音与文本,实现边听边说、随时插话。其技术难点在于同时建模用户与模型两路音频流,并保持语义连贯与低延迟。评价此类模型的关键指标包括首段音频出声延迟、打断响应时间和语音自然度,这些直接决定其能否用于电话客服、点餐等实时场景。

音乐与视觉:开源工具补齐生成短板

ACE Music一代冲上第三方人声音乐盲听榜头名,榜单快照拿下1160对战积分,紧随其后的SUNO V6是1144分。

紧跟其后的SUNO V6则是1144分

给一段风格文字或自带歌词,就能在歌词里用括号指令指挥某句轻声哼唱或用沙哑嗓音配吉他,从慢拍留白到快节奏连续压拍都压得住。它与Carbon音乐测试里那款人声软件同门,是本周单独放出的新模型,歌做好后能在配套平台拆出人声和单轨乐器导出分轨并转MIDI二改,网页端已开放试玩,官方计划2026年末开源轻量版Flash模型。

图像侧,MiniMax在11月11号放出开权重图片模型MiniMax H3 Image,把视频大模型H3底子搬到图片上。官宣示例中长宽4096像素约1600万像素的原生4K方图能在10秒内生成(官方测试宣称,未给普适本地设备条件)。一次可吃进最多16张参考图组合换装换景,包办自然语言修图、同一形象多视角转面、老照片修复上色、复杂排版文字海报和机械臂工程线条图,通过海罗AI Code和API可用。

Sperry团队的Iris Z用一套权重干三件事:画图时顺带算出标明物体远近的深度图、拿老照片反推深度图、用同一张深度图把罗马斗兽场重绘成海底废墟和雨夜霓虹。大模型版在7项深度基准均值上平均误差比专制模型Mog3还低,单项各有高低。权重和推理代码已公开,大模型版权重约64.4GB、小号约18.2GB,采用Flox非商业权重许可。

三维重建方面,开源的Budget 3D学会偷懒:分清空背景和关键细节,把算力往细节集中。研究团队单张H100批量8个物体实测中,Token预算从100%降到40%后,50部标准版单物体采样耗时从5.67秒降到2.66秒,提速约2.14倍,峰值显存从9.9GB省到7.8GB(仅采样耗时,高斯解码和渲染另计)。Turbo版不到半秒完成采样,代码权重已放出,Apache 2.0可本地跑。浙大和腾讯混元等团队的Splat Anything丢几张照片、多相机实拍或360度全景进去,从小摆件到航拍城区都能拼出可绕看的高斯三维场景,主权重约11GB、仓库合计约16.6GB,模型卡标Apache 2.0但项目页另列机构登记条款,学术研究、教育、评估和个人使用无需登记。

视频后期侧,开源的Reshoot 4D把整套节点和视效工作流嵌进ComfyUI,先按时间线重建可自由换角度的动态空间,再在虚拟相机编辑器拉环绕、俯拍或推进轨迹,调好焦点光圈暗角后交给视频模型LTX2.3渲染新运镜,改景深模糊不用整条重渲。代码AGPL3.0开源,模型各沿原许可,项目页测试条件下单张24GB显存RTX3090跑一条镜头约30分钟。OpenH3 Regenerate 2K的开放替代方案能直接重绘到1080P、2K甚至原生4K,参考增强IC版不再抹掉原稿重画,而是把低清草稿锁在参照上下文里补细节,原音轨直接沿用,五官口型和字样稳稳贴住原版,代码和本地推理说明已公开,但对硬件要求不低。

视频生成加速:四项研究把等待砍半

德州大学奥斯汀分校与Roblox联合研究的MPAD Diffusion,生成过程中自动挑出前景主体高清精雕、背景主动降画质。在基于12100014B模型跑720P 81帧视频的对比基准里,仅用全分辨率方案三成Token就把速度拉快4.8倍;同表另两种外加区域条件的方案虽快到5.2倍,但多项画质指标不如它。同套路还能用到flux.24B上。

它两步快2.4到2.7倍

斯坦福等机构的PH3拿MiniMax H3动手术,把采样降到2到4步,砍掉最后还原画面的解码器,算完步数直接输出像素加立体声。单张英伟达B200指定测试条件下,两步模式3.8秒吐出5秒768P带声视频,10秒视频9.2秒,均比视频自身播放还快;15秒视频18.6秒。对比加速版Saw H3,两步快2.4到2.7倍、四步快1.2到1.4倍。Hugging Face已有在线体验页,项目方预计11月16到22号间放出权重和推理代码。

Roblox联手的Pixvid直接微调现有开源视频大模型,推翻“先压缩进中间密码本再还原”的老规矩,改用新像素输出层逐帧在最终像素上作画。同等每帧Token数对照实验里直接生成两倍分辨率画面,结合深度图控制做视频编辑时,越野摩托高速集池也能逐帧对齐,按键控制响应延迟从Solar WM分块输出的中位400G95毫秒骤降到34毫秒,按下去下一帧就拐弯。代码和权重排在即将发布队列。

基础模型研究院iFM在11月10号以Apache 2.0开源世界模型PAN2,根据起手图加动作描述或纯文字推演最长20秒的后续物理变化,比如火车绕帐旋转、木碗、蓝水倒进带湿纸的玻璃容器。仓库体积86.2GB,在线试玩和本地运行都已备好,专给机器人或智能体做假设仿真,演示画面属模型预测,不能当真实验证过的物理规律。

扩散模型的采样步数与解码器是理解视频加速研究的关键。扩散模型生成视频通常需数十步去噪迭代,再经VAE等解码器把潜空间表示还原为像素,这两段都极耗时。文中的PH3把采样降到2到4步并砍掉最后解码器、直接输出像素与立体声,属于“少步采样+免解码”路线;MPAD Diffusion则通过区分前景与背景、对不同区域分配不同Token预算来减少总计算量。这类加速的共同思路是在画质可接受的前提下压缩计算冗余,因此评估时需同时看速度倍数与画质指标,不能只看快了几倍。

机器人与生命科学:触觉互通、分子预测

灵波科技开源的Lingbot Touch专治不同机械手传感器互不相传。过去压阻、磁感、视触传感器信号完全不通用,它用将近5000小时触觉记录训出共享模型,让不同机械手触觉经验直接互通,翻画册、抓麻将、加水杯和插接动作都顺畅,视觉被遮挡也能靠双手协同摸索完成。超小版模型文件才21.9兆、小号87.1兆,实际部署还需实体机械手和传感器,代码权重Apache 2.0开放商用。

斯坦福团队的Flash Aloha把机械臂干活速度提起来:不靠摇杆,操作人直接握着可反向驱动双臂以正常速度手把手示范,每项任务只要50次人手视觉加轻量平滑算法去抖,训练时遮掉画面里的人手操作员,只靠普通RGB输入,双臂就能以接近人类手速自主抛接球、用手指折短裤、装电池和清理桌面餐具,成功率全在八成以上。数据采集训练推理全套代码MIT开源,硬件方案同步公开。

生命科学两项新进展:Geodesic Intelligence在11月10号交出Nova Atom Light,预测蛋白质、核酸和小分子药物如何卡进靶点口袋,并给每个局部和结合界面打把握分,帮药物研发在做实验前挑出靠谱候选。FoldBench抗体与抗原接口子任务评估里,官方口径跑满172组案例拿到79.07%,同页引用的AlphaFold3在可评估167组里是47.90%——分母不同,只对应这类特定结构测试。

谷歌DeepMind在11月11号拿出AlphaGenome2。人体几乎所有细胞DNA都一样,脑细胞和免疫细胞分工不同关键在激活了哪些基因。它用68种组织超过1亿份单细胞数据训练,塞进100万个剪辑字母和指定细胞类型就能预测基因开关和突变后果。拿已有研究快照检验,从未见过的新细胞状态如区分新冠mRNA疫苗激活的免疫T细胞和静息细胞,只需几十个细胞样本无需重新训练即可推算。包含28种免疫细胞的单细胞评测里,它找出因果变异的比例达到30%,比单细胞微调过的上一代AlphaGenome的16%翻了接近一倍;方向性基因效应预测从23%升到43%,并在已知炎症性肠病机制回顾里浮现出肠道巨噬细胞激活特定基因的调控线索。API已面向非商业研究开放,商业用途内部预览中。

蛋白质-配体/抗体-抗原结构预测是AI制药的核心任务之一。给定靶点口袋结构,模型需预测小分子药物或抗体如何结合、结合姿态及置信度,从而在湿实验前筛选候选。常用评估基准如FoldBench会按接口残基等指标打分。需注意不同模型报告的百分比可能基于不同案例子集与分母,文中Nova Atom Light的79.07%与AlphaFold3的47.90%分母不同,不能直接横向比较。此类预测结果仅作候选排序参考,仍需实验验证,置信分高低比单一总分更能指导实际决策。

冷暖对比:全能王牌磨合,专才工具降价

盘完这24个新发布,冷暖对比很清楚:Carbon经高强度实操露出长耗时和稳定度短板;其余23个各自处于开放API、开源代码、开放权重或代发布等阶段。86.2GB世界模型和依赖高端显卡的视频重绘方案照样吃硬件,但每百万输入0.1美元的批量接口、浏览器就能跑的端侧语音、不到百兆的触觉模型,确实在把用AI的门槛和花销拉低一大截。最贵的全能王牌还在磨合稳定度,专管一摊的新工具和开源模型已经抢着帮普通人把门槛和开销打下来。

#Gemini 4 Carbon#Gemini 4 Hydrogen#AI周报#开源大模型#AI降本提速#实时语音模型#视频生成加速#AlphaGenome2
分享:

相关推荐