按该标签聚合的大模型资讯列表（自动分类与标签提取）。共 53 篇文章。
本篇综述梳理了 2026 年 4 月 18 日 Hacker News 上的 AI/LLM 关键动态，包括 OpenAI 升级版 Codex 的通用代理功能、Anthropic 推出的 Claude Design 设计助理、Claude 4.7 分词器成本上升、Qwen 3.6‑35B 在文本到图像生成上的优势，以及围绕精确定位数据和设备年龄验证的隐私监管…
Cloudflare 为 Agents SDK 推出语音处理功能，允许开发者在现有智能助手架构中集成语音交互。该方案通过统一的 WebSocket 连接实现文本与语音状态同步，支持实时对话、多模态整合及低延迟传输。提供 React 钩子和通用客户端组件，开发者可灵活组合语音转文本（STT）和文本转语音（TTS）服务，无需重构现有系统。
蚂蚁集团在顶会发布AI鉴真Deepfake检测系统，采用多模态特征融合与自监督对抗学习，实现高精度伪造识别。实验在DFDC和FaceForensics++上分别达到96.8%和94.5%准确率，已在金融风控等业务中试点，展示了跨媒体检测的优势。
阿里巴巴 ATH 创新事业部确认，视频生成模型 HappyHorse 由郑波团队研发，已在 Artificial Analysis 评测平台夺冠，支持文本/图像到视频的多模态生成并计划 4 月 30 日开放 API。模型展示了皮克斯风格短片、带音效的篮球、洞穴探险等案例，体现阿里在大模型和多模态交互方面的最新布局。
本文聚焦AI领域最新动态，包括OpenAI推出ChatGPT Pro订阅服务（100美元/月）、腾讯QClaw V2多Agent智能体发布、MiniMax全模态命令行工具MMX-CLI亮相等技术创新。同时涵盖行业政策调整（微信公众号禁用AI工具）、航天探索（NASA月球任务）及产品发布（大疆Pocket 4、三星Z Fold 8）。核心亮点在于AI模型能力…
Meta 经过 9 个月全链路重构推出原生多模态大模型 Muse Spark，凭借算力提升 10 倍、强化学习和沉思模式，在多模态感知、医学问答和推理任务上与 Gemini、GPT 5.4 持平或领先。模型已上线但闭源，API 仅限合作伙伴，计划后续开源。短板仍在编程和长时自主 Agent 任务。
Meta 发布具备工具使用、视觉思维链和多智能体协同能力的多模态模型 Muse Spark，评测显示其在部分任务上可与顶级模型媲美。与此同时，GLM‑5.1、Qwen 3.6 Plus 等开源大模型持续迭代，部署仍受硬件限制。社区讨论了模型部署优化、安防防护以及商业化路径，描绘了当前 AI 生态的技术与市场双重趋势。
DeepSeek 在网页端推出快速模式和专家模式，并在界面上自称 V4，暗示新一代模型即将发布。快速模式侧重即时对话并支持多模态，专家模式面向复杂任务但不支持多模态，生成质量更高。社区实测显示专家模式可能是 V4 Lite，仍未达到传闻的 1M token 上下文。视觉模型也进入灰度测试，整体更新表明 DeepSeek 正在为完整 V4 做最后准备。
DeepSeek 在网页端悄然推出 V4 版升级，新增快速模式与专家模式两种使用路径。快速模式侧重速度和多模态输入，专家模式在复杂任务上表现更佳但功能受限。实测表明专家模式在物理仿真和创意写作上优势明显，Vision 多模态模型即将上线。公司开始引入付费服务，以支撑长期运营。
Deep Agents v0.5 引入异步子代理，支持将任务委托给远程后台代理并即时返回任务 ID，同时提供任务管理工具。文件系统扩展至 PDF、音频、视频等多模态类型，自动识别 MIME 并传递给模型。采用 LangChain 的 Agent Protocol 作为标准服务器协议，兼容多种部署方式，提升并发与多模态处理能力。
Anthropic 年收入突破 300 亿美元，并推出高性能模型 Claude Mythos 与安全项目 GlassWing。Claude Mythos 具备更强推理和多模态能力，但因安全风险采用受限发布，仅向可信合作伙伴开放。GlassWing 提供实时监控与风险评估，结合 RLHF 与对抗训练降低有害输出。技术上，模型使用约 1800 亿参数的混合稀疏…
ReCALL框架通过‘诊断-生成-校准’闭环解决生成式与判别式范式冲突，显著提升多模态图像检索性能，已在CVPR 2026录用，刷新CIRR和FashionIQ数据集的SOTA表现。
OpenAI即将发布GPT-6大模型，性能较GPT-5.4提升40%，支持文本、音频、图像、视频的原生多模态处理，上下文窗口达2M Token。该模型将整合ChatGPT、Codex和Atlas浏览器，打造统一智能体。GPT-Image 2已展示超现实图像生成能力，但已下架。文章分析了OpenAI为GPT-6砍掉非核心业务、调整组织架构的算力战略，以及由此…
阿里千问3.6Plus在OpenRouter平台首日API调用量突破1.4万亿Token，创全球单日调用新高。该模型在编程能力子榜登顶中国，多模态能力超越Gemini-3.1 Pro，配合全模态、文生图等多领域模型形成技术矩阵。开发者通过'氛围编程'可直接生成可用应用，展现大模型在实际场景中的高效应用价值。
Google DeepMind推出Gemma 4多模态开源模型，涵盖文本、图像和音频处理能力，提供四种规模版本。其Dense与MoE架构优化了生成与推理任务，引发社区对性能与内存需求的讨论。同时，Hermes Agent因稳定性成为热门代理框架，微软企业级语音识别模型MAI-Transcribe-1也获得关注，凸显AI技术在研究与应用层面的双重进展。
Google 在 Apache 2.0 许可下开源 Gemma 4，主打高效推理、自治工作流和多模态处理，参数规模仅为传统大模型的十分之一，却在性能和排名上超越 10 倍大模型。模型已兼容 vLLM、llama.cpp、Ollama、Intel 硬件、Unsloth 与 Hugging Face 推理端点，并在 RTX 4090 与 Mac mini M4…
阿里发布Qwen3.6-Plus编程大模型，性能接近Claude，具备Vibe Coding、多模态理解及智能体能力。通过多个实测案例展示其在网页开发、3D场景生成和代码重构方面的强大表现，已上线阿里云平台，为开发者提供高效编程工具。
Google DeepMind 开源了 Gemma 4 系列多模态模型，提供 256K 令牌长上下文、文本/视觉/音频统一处理，并推出 31B 密集、26B MoE 以及面向边缘的 4B/2B 版本。Gemma‑31B 在开源榜单位列第三，GPQA Diamond 取得 85.7% 成绩。发布即获 llama.cpp、Ollama、vLLM 等框架支持，且…
Qwen3.5-Omni是阿里推出的全模态AI模型，具备215项SOTA成绩，支持音视频理解、实时编程和语义打断等创新功能。其Thinker-Talker架构和Hybrid-Attention MoE技术提升了处理效率和交互自然度，适用于视频会议、论文解读和网页设计等场景。
本文探讨了 AI Agent 架构中数据库的应用变化，分析了其在多模态数据处理、实时推理和动态知识更新中的关键作用，并提出了未来数据库架构的发展方向，具有较高的技术参考价值。