XNews

新模型和多模态工具发布

新模型和多模态工具发布

供应商发布了新的多模态、音频、浏览器和3D模型及工具。

Key insights

xAI发布Grok Voice Agent API,支持实时语音代理

xAI宣布推出Grok Voice Agent API,定价为每分钟0.05美元,提供双向实时语音输入/输出、自动语言检测与切换、外部工具调用、实时搜索与推理、情感控制语音参数以及多种语音选项。该API兼容OpenAI实时规格,并在音频基准测试中具有竞争力。

BU-30B开放模型优化浏览器交互

BU-30B-A3B-Preview是一个针对浏览器控制和DOM理解的开放模型,基于Qwen3-VL-30B-A3B-Instruct,采用混合专家(MoE)设计。它支持32k个令牌,运行时激活约3B个参数以提高效率,旨在实现单GPU部署中的准确网页自动化、点击和提取。

新多模态和3D工具拓宽内容生成

多家供应商发布了用于视觉和3D任务的模型:Nano Banana Pro(Gemini图像检查点)被认为在知识可视化方面表现更佳;EgoX将第三人称视频重构为第一人称视角;微软的TRELLIS.2生成具有PBR工作流程的照片级真实3D;Seedance 1.5 Pro改善生成视频的音频视频同步和对话对齐。

Mistral OCR 3和Claude浏览器插件瞄准企业工作流程

Mistral OCR 3提供高精度文档解析,包括表单、表格和手写内容,输出Markdown/结构化JSON,定价为每千页2美元,并提供批量折扣。Anthropic的Claude Chrome插件已向付费用户推出,支持侧边栏任务、多标签工作流和Claude代码集成,以便进行浏览器内代码测试和控制台读取。

Source posts