NVIDIA 发布 Cosmos 3 家族四个开源权重模型 用于交互式世界仿真与驾驶场景生成
NVIDIA 在 Cosmos 3 模型家族新增四个开源权重检查点，用于生成交互式世界仿真和多传感器多视角驾驶场景。四个模型均为 Cosmos 3 Nano 的后训练版本，各含 16B 可训练参数，采用 OpenMDW1.1 许可，允许按其条款商用和非商用。
推荐理由：四个开源权重模型分别覆盖驾驶仿真和机器人双臂操作，配套的四阶段后训练配方可供研究者按自己的传感器配置或本体数据做适配。
精选
Hugging Face Blog精选AI 评分6161 Google DeepMind精选AI 评分6868 Google DeepMind 发布 Gemini Omni 1.2 Flash，视频生成扩至 15 秒并降价 30%
Google DeepMind 发布 Gemini Omni 1.2 Flash 视频生成模型，在 Gemini API 和 Gemini for business 全面开放。
推荐理由：原文列出降价 30%、时长扩到 15 秒和多轮对话编辑等具体参数，做批量视频产出的团队可据此评估成本与选型。
Google AI Blog精选AI 评分7171 Google 发布 Gemini Omni 1.2 Flash，支持 15 秒视频并降价 30%
Google DeepMind 发布 Gemini Omni 1.2 Flash，并在 Gemini API 和 Gemini for business 正式开放，Gemini Omni 系列首次全面可用。
推荐理由：官方公告列出了时长、价格和一致性等具体能力变化，开发者可以据此评估是否把视频生成工作流迁移到这个版本。
Hugging Face Blog精选AI 评分6969 Gradium 发布端侧 TTS 模型 Phonon，在 Open TTS Leaderboard 多项指标领先
Gradium 在 Hugging Face 博客回顾两周前开源的端侧文本转语音模型 Phonon，无需服务器和网络即可运行。模型有约 65 MB 和 75 MB 两个版本，支持英语、法语、德语、西班牙语和葡萄牙语，内置超过 100 种声音，其中 Phonon 31m 采用 Apache 2.0 许可可商用。
推荐理由：官方详解 Phonon 端侧 TTS 的架构、许可与排行榜表现，可帮助读者评估小模型离线语音方案的适用性。
OpenAI · 部署安全与系统卡精选AI 评分7171 OpenAI 发布 ChatGPT Images 2.6 系统卡，披露 Sunburst 与 Flare 图像模型安全评测
OpenAI 发布 ChatGPT Images 2.6 系统卡，更新 Sunburst 和 Flare 图像模型并披露安全评测结果。
推荐理由：官方系统卡给出图像模型的安全评测细节，读者可以对比 2.5 基线看拦截表现，了解 GIF 等新功能的风险防护思路。
Google DeepMind精选AI 评分7373 Google DeepMind 发布世界模型 Genie 4，支持实时交互与原生音频生成
Google DeepMind 发布新一代世界模型 Genie 4，开始以研究预览形式向可信测试者推出，官方称其为旗下首个原生生成音频的实时世界模型。模型原生多模态，可同步生成环境声、音乐与可交互对话，支持用键盘控制和自然语言实时修改场景，并由 Gemini 3.8 Flash 作为循环中的引导智能体拆解目标、逐步校验多步事件。
推荐理由：原文介绍原生音频与实时交互等能力的实现方式，并说明细节漂移等当前局限，便于读者判断其可用边界。
Mistral AI精选AI 评分6060 Mistral 发布 Voxtral 3 语音模型系列与语音代理 SDK
Mistral 发布 Voxtral 3，包含新一代语音转写与语音合成模型系列和一个语音代理 SDK，今日起可通过 Mistral API（欧洲、美国和全球端点）使用，并支持自部署以控制音频数据。
推荐理由：原文附定价表和多组转录、TTS 对比基准，想搭建语音代理的读者可据此估算成本并权衡 API 与自部署。
Comfy Blog精选AI 评分6969 FLUX 3 Image Klein 发布 5.6B 开放权重，可在 ComfyUI 中运行
Black Forest Labs 发布 FLUX 3 家族的紧凑开放权重模型 FLUX 3 Image Klein，5.6B 参数可在单张消费级 GPU 上运行，已提供 Hugging Face 下载和 ComfyUI 模板。
推荐理由：原文附 RTX 5070 出图从 71 秒降到 8 秒内的量化实测，读者可据此评估本地消费级 GPU 跑开源图像模型的成本。
Comfy Blog精选AI 评分6262 Gemini Nano Banana 2.1 上线 ComfyUI Partner Nodes
ComfyUI 宣布 Google 图像生成与编辑模型 Gemini Nano Banana 2.1 已通过 Partner Nodes 上线，该模型是 Nano Banana 2 的继任版本，主打价格与性能平衡。
推荐理由：原文列出思考档位、参考图上限和分辨率选项等参数，可以据此判断是否直接替换现有 Nano Banana 2 节点。
Suno · Blog精选AI 评分6767 Suno 推出 Speech（beta），一条音轨同时生成语音与配乐
Suno 推出 Speech（beta），官方称其为首个把语音与背景音乐合成为同一条完整音轨的音频模型，现已向所有用户开放。用户输入一段文字并描述想要的嗓音与音乐风格，即可生成配上原创背景音乐的朗读音频，该功能此前已小范围测试一个月。官方提示 beta 阶段口音和戏剧性停顿尚不稳定，将根据社区反馈持续改进。
推荐理由：Suno 官方介绍了语音与配乐合为一条音轨的生成方式和用法，并坦承 beta 阶段口音与停顿还不稳定，可据此判断适用场景。
MiniMax Research Blog精选AI 评分6262 MiniMax 发布新一代开源权重音乐生成模型 Music 3.0
MiniMax 发布新一代开源权重音乐生成模型 Music 3.0，输入创作构思与可选歌词即可一次生成最长五分钟的完整歌曲。模型由基于 Qwen3.5-8B 初始化的 8B 全局 LLM 与 0.6B 局部 LLM 组成 Hybrid-LM，配合八层 RVQ、2.4B flow-matching 模块和 123M Flow-VAE 完成音频渲染。
推荐理由：原文给出 Hybrid-LM、RVQ 与 Flow-VAE 的完整架构拆解，读者可了解五分钟整曲生成如何兼顾结构与音质。
MiniMax Research Blog精选AI 评分6767 MiniMax 发布多模态生成模型 H3，支持 2K 原生立体声视频并计划开源权重
MiniMax 发布通用多模态生成模型 H3，可统一理解文本、图像、视频和音频上下文，生成最长 15 秒的 2K 分辨率视频并带原生立体声。官方称早期测试显示其已可胜任广告、电商、游戏等商业内容创作，2K 下每秒价格不到主流模型的三分之一，并计划在符合法规的前提下于近日开源模型权重。
推荐理由：原文给出与主流模型的价格对比和开源权重计划，读者可以据此评估它在商业视频内容生产中的成本空间。
Meta AI Blog精选AI 评分7272 Meta 发布 Muse Image 并预览 Muse Video 媒体生成模型
Meta 发布图像生成模型 Muse Image 并预览视频生成模型 Muse Video，二者是 Meta Superintelligence Labs 开发的首批媒体生成模型。
推荐理由：图像模型以智能体方式调用搜索和代码工具，并用测试时算力换质量，读者可据此对比现有图像生成产品的技术路线差异。
已经到底了