Invideo 联手 Anthropic 推出 AI 动效工具：一句话提示词生成动态设计
Invideo 联手 Anthropic 推出 AI 动效生成工具。用户输入单条提示词就能生成专业动态图形，完全告别 After Effects、模板和代码。官方将其称为动效设计界的「Vibe Coding」，试图把专业动效成本打到零。
AI 日报：今天的 AI 新闻
周四
1月29日 星期四
Suno 上线 Sample 工具：录段音频，AI 几分钟内做成新歌
Suno 推出「Sample」功能。用户可直接录音、上传文件或挑选曲目片段，AI 会自动提取素材并重组为全新完整歌曲。最值得关注的是，该功能省去了传统宿主软件的手工切片流程，依靠滑块即可控制原声对成曲的影响程度。
马斯克考虑大整合：SpaceX 被曝计划在 IPO 前合并 xAI 或特斯拉
据路透社与彭博社报道，SpaceX 正考虑在今年晚些时候 IPO 前与 xAI 或特斯拉合并。知情人士称，合并旨在支持 SpaceX 将数据中心送入太空的计划。本周特斯拉也刚宣布向 xAI 投资约 20 亿美元。不过具体方案与估值尚不明确，各方暂未置评。
苹果近 20 亿美元收购 Q.ai：押注无声语音与微表情交互
据外媒报道，Apple 已斥资近 20 亿美元收购以色列 AI 初创公司 Q.ai，创下苹果史上第二大收购案。Q.ai 专注面部微表情分析与「无声」语音输入。也就是说，未来 AirPods 或 Vision Pro 哪怕你不张嘴出声，也能精准识别指令。
NVIDIA 推出 Cosmos Policy：把世界模型当机器人大脑，控制和规划全包了
NVIDIA 发布机器人控制策略 Cosmos Policy。它不加额外动作模块，直接把机械臂动作和物理状态当成视频帧放进 Cosmos 世界模型里扩散学习。在 LIBERO 基准上拿下 98.5% 的成功率刷新 SOTA，代码和模型已开源。
Google 上线 Project Genie：凭文字或图片实时生成可探索的虚拟世界
Google DeepMind 推出实验原型 Project Genie，底层由世界模型 Genie 3 驱动。用户输入提示词或上传草图，就能实时生成可操作移动、支持物理交互的虚拟环境。目前生成上限为 60 秒，仅向美国 Google AI Ultra 订阅用户开放。
Krea AI 全面上线 Realtime Edit：支持复杂指令实时修图
Krea AI 正式向所有用户开放 Realtime Edit 工具。该功能支持理解复杂的文本指令，并在输入的同时实时完成图像修改。这意味着创作者不再需要反复等待排队渲染，可以在调整提示词的过程中即时看到画面反馈。
Google 地图把 Gemini 搬到步行和骑行：动嘴就能查路线、回消息
Google 宣布将地图中的 Gemini 导航助手拓展到步行和骑行模式。步行时能充当导游介绍周边和沿途高分餐馆，骑行时支持免提查到达时间或发短信告知对方迟到。全球 iOS 和 Android 用户只要所在地区支持 Gemini，即日起陆续可用。
传字节与阿里春节发新模型：豆包 2.0 对决千问 3.5
据媒体报道，字节跳动与阿里巴巴均计划在 2 月春节期间推出新一代旗舰 AI 模型。字节拟发布豆包 2.0 以及新一代图像与视频生成模型；阿里则准备推出强化推理的 Qwen 3.5。加上传闻 2 月中旬亮相的 DeepSeek V4，国内大模型头部的春节档战况将迅速升级。
OpenAI 将下线 GPT-4o 等老模型：2 月 13 日退出 ChatGPT
OpenAI 宣布将于 2026 年 2 月 13 日从 ChatGPT 中下线 GPT-4o、GPT-4.1、GPT-4.1 mini 及 o4-mini，API 暂不受影响。官方表示绝大多数流量已转移到新版本，每天仅 0.1% 用户仍在选择 GPT-4o。
Claude 技能构建完整指南：手把手教你打包工作流与 MCP 集成
Anthropic 发布《Claude 技能构建完整指南》，教开发者将日常工作流固定为 Claude Skills。指南涵盖技术规范、结构设计、测试及与 MCP 集成，官方称借助 skill-creator 仅需 15 至 30 分钟即可完成首个技能。
Claude Code 上线贡献指标：直接看 AI 帮你多提了多少 PR
Anthropic 在 Claude Code 中推出贡献指标公测版，支持与 GitHub 集成，直接统计 AI 协助合并的 PR 数量与提交代码行数。Anthropic 称内部工程师日均合并 PR 提升了 67%。该功能目前已面向 Team 和 Enterprise 客户开放。
Anthropic 最新研究：用 AI 写代码，程序员测试成绩反而低 17%
Anthropic 公布针对 52 名初级工程师的随机对照实验。结果显示，用 AI 辅助学新工具虽然只快了约 2 分钟，但随后的技能测试均分比纯手写组低了 17%，调试题差距最明显。也就是说，单纯让 AI 代写会导致思考外包；只有主动追问原理的人才能兼顾效率与技能掌握。
MiniMax 发布 Music 2.5：支持 14 种段落标签控制，人声细节更逼真
MiniMax 正式发布音乐模型 MiniMax Music 2.5，攻克 AI 音乐的可控度与真实度难题。新模型支持 14 种段落结构标签精准编曲，拥有 100 多种乐器音色库，并优化了呼吸、颤音等真人演唱细节与流行混音。目前已开放试用与 API。
周三
1月28日 星期三
扎克伯格剧透 Meta 新动向：数月内推新模型，押注「Agent 电商」
扎克伯格在财报电话会上透露，Meta 将在未来数月推出新 AI 模型和产品，并重点发力「Agent 电商」工具，靠个人社交数据帮用户选购商品。为支持超智实验室等项目，Meta 预计 2026 年资本支出将飙升至最高 1350 亿美元。
特斯拉将停产 Model S 和 X：为 Optimus 机器人腾出产线
Elon Musk 在财报会上宣布，Tesla 将在 2026 年第二季度停产 Model S 和 Model X。停产是为了腾出弗里蒙特工厂产能，全力转产 Optimus 人形机器人。Musk 正激进地把特斯拉转型为 AI 与机器人公司，拱手让出早期打下江山的豪华车市场。
Tesla 宣布第三代 Optimus 即将亮相：面向量产，停产老车型腾空间
Tesla 在财报中宣布面向量产的第三代 Optimus 人形机器人将于 2026 年第一季度亮相。新机换装了最新手部设计，Tesla 甚至计划在第二季度停产 Model S 和 Model X 为其腾出厂房，目标最终实现年产 100 万台，但项目近期曾经历负责人离职等波折。
YouTube 出手清理 AI 垃圾：590 万粉头部频道遭封禁
据 The Verge 报道，YouTube 下架了多个头部 AI 垃圾内容频道，包括坐拥超 590 万粉丝、12 亿播放量的低质内容大号。官方确认因违规处理了 11 个频道，正通过反垃圾机制遏制劣质 AI 生成内容的泛滥。
Google 把 Gemini 3 塞进 Chrome：自带侧边栏，还能让 AI 代替你浏览填表
Google 宣布为 Chrome 浏览器升级 Gemini 3 能力，推出全新侧边栏助手与 auto browse 自动浏览功能。用户在侧边栏即可调用多款 Google 应用或修图，更关键的是 auto browse 能替用户处理多步骤在线比价、填表和报销。不过该功能目前仅面向美国的 AI Pro 和 Ultra 订阅用户。
Apple 更新 Final Cut 与 Logic Pro：支持自然语言搜镜头，加入 AI 合成器乐手
Apple 更新了 Mac 和 iPad 上的 Final Cut Pro 与 Logic Pro。视频剪辑新增自然语言视觉与对白搜索，能直接用文字找出镜头里的特定动作；音频制作则加入 AI 合成器乐手，并支持用自然语言找 Loop。剪辑和找伴奏省去了漫长的人工翻找，体验直观不少。
OpenMOSS 开源 MOVA：原生生成同步音视频，320 亿参数 MoE 架构
OpenMOSS 开源视频生成模型 MOVA，可在单个模型内原生同步生成画面与声音。它采用 320 亿参数的 MoE 架构，运行激活 180 亿参数，支持多语言对口型。代码和权重已上线 GitHub，不过 720p 版本约 77 GB，对显存要求较高。
LingBot-World：开源实时交互世界模型，16 FPS 跑通长记忆
robbyant 开源基于 Wan2.2 的世界模拟器 LingBot-World。它支持用文本或图片生成可交互环境，能以 16 FPS、低于 1 秒延迟输出 480P 与 720P 画面，并具备分钟级场景一致的长记忆。代码与权重已公开，为互动生成与机器人学习提供了开源方案。
Google 发布 AlphaGenome：1 Mb 超长序列预测，破译非编码 DNA 密码
Google 团队在《Nature》发布统一 DNA 序列模型 AlphaGenome。它支持 1 Mb 输入并在单碱基分辨率下跨 11 种模态预测基因调控，在 26 项变异效应评估中 25 项领先，大幅提升了对占全基因组超 98% 的非编码突变解读能力。
LM Studio 0.4.0 发布：支持无 GUI 部署与连续批处理
LM Studio 发布 0.4.0 版，将核心引擎拆分为脱离界面的后台守护进程 llmster，可直接部署在云服务器或 CI 环境中。新版还为 llama.cpp 引入连续批处理以支持多请求并发，并上线支持本地 MCP 的有状态 REST API。
中国计划五年内建太空 AI 数据中心：打造吉瓦级「太空云」
据央视报道，中国航天科技集团在五年规划中提出建设吉瓦级「太空数智基础设施」，计划未来五年将 AI 算力转移至轨道，利用太空太阳能打造「太空云」。此举正面迎战 SpaceX 拟在近年发射太阳能数据中心卫星的构想。不过，未攻克可复用火箭仍是主要瓶颈。
xAI 推出 Grok Imagine API：原生生成音视频，主打低延迟与性价比
xAI 正式推出 Grok Imagine API，支持文本及图像生成原生带音频的视频序列。模型兼顾画质与生成速度，支持局部擦除、角色动画和场景风格变换。最值得关注的是，xAI 试图通过压低延迟与成本，让创作者能够低门槛并行试验多种方案。
TeleStyle 开源：用参考图或提示词给图片视频一键换风格
研究团队发布风格迁移模型 TeleStyle，支持通过参考图或文本为图像和视频赋予特定画风。该模型基于 Qwen-Image-Edit 构建，借助课程持续学习与专用的视频模块，在套用新风格时仍能保证画面内容和帧间连贯性。目前代码与预训练模型已开源。
阿里开源 Z-Image 满血基座：主打高多样性与微调，ComfyUI 首日支持
阿里通义团队开源图像生成基座模型 Z-Image。它是此前 Turbo 版本的未蒸馏满血底模，解决了一换种子构图不变、多人同脸的问题，原生支持负向提示词和 LoRA 微调。出图步数增至 50 步，目前已支持在 ComfyUI 中直接运行。
OpenAI 设立 50 万欧元专项资助：聚焦欧洲与中东青少年 AI 安全
OpenAI 设立 50 万欧元的 EMEA 青少年与福祉资助计划，面向欧洲、中东及非洲的非政府组织和科研机构，单笔资助预计在 2.5 万至 10 万欧元。重点支持未成年人保护、AI 素养提升以及青少年安全影响评估等研究与实践。
OpenAI 发布欧洲蓝图 2.0：将为 2 万家欧洲小企业培训 AI
OpenAI 发布《欧洲经济蓝图 2.0》，联手 Booking.com 为英法德等六国的 2 万家中小企业提供 AI 培训。官方还设立了 50 万欧元的青年安全资助基金，并披露欧洲内部的 AI 使用鸿沟，呼吁成员国加快落地步伐。
Clawdbot：把 AI 塞进聊天软件，发条消息直接替你操控电脑
开源自托管 AI 助手 Clawdbot 允许用户通过 Telegram 或 WhatsApp 发送指令，在本地电脑上自动运行脚本、管理文件和回复邮件。最关键的是它能自己写代码扩展新技能，隐私数据全留本地，不过在本地执行任意命令也存在安全风险。
英国推全民免费 AI 培训：上线 20 分钟入门课，目标覆盖千万劳动者
英国政府推出全民免费在线 AI 培训计划，课程最短不到 20 分钟，涵盖文案撰写和行政处理等实用技能。官方计划到 2030 年为 1000 万名劳动者完成技能升级，相当于全国劳动力的近三分之一，以推动英国成为 G7 中普及 AI 最快的国家。
周二
1月27日 星期二
ESA 用 AI 筛查哈勃近亿张图像：两天半揪出 800 多个未知天体
欧洲空间局天文学家公布神经网络 AnomalyMatch。它在两天半内筛查了哈勃档案中近 1 亿张图像切片，找出 1400 个异常天体候选，其中 800 多个为此前从未记录的宇宙异常，包括引力透镜和无法归类的神秘天体。
Gemini 3 Flash 上线 Agentic Vision：自己写代码放大看图，得分提 10%
Google 在 Gemini 3 Flash 中推出 Agentic Vision。它把静态看图变成「思考-行动-观察」循环，AI 能自己写 Python 代码主动裁剪、放大局部甚至在图上画框计数，主流视觉基准得分提升 5% 到 10%。该功能已在 Google AI Studio 和 Gemini App 上线。
Google AI 订阅送云积分：Pro 与 Ultra 每月最高领 100 美元
Google 宣布将 Google Developer Program 高级权益免费整合至 Google AI Pro 与 Ultra 订阅中。Pro 用户每月可获 10 美元 Google Cloud 积分，Ultra 获 100 美元。积分可直接用于 Vertex AI、Cloud Run 及 Gemini API，缩短从提示词原型到实际部署的距离。
Google 搜索联动升级：AI Overviews 可直接跳转对话，默认换上 Gemini 3
Google 宣布用户可以直接在搜索结果顶部的 AI Overviews 进行追问，并无缝切入 AI Mode 展开多轮对话。同时，Gemini 3 正式成为全球 AI Overviews 的默认底层模型。搜索正彻底从静态结果转向能保留上下文的连续交互。
Krea AI 测试 Realtime Edit：前万名候补与 Max 用户率先可用
Krea AI 宣布上线 Realtime Edit 的 Beta 测试，首批向候补名单前 10000 名用户以及全部 Max 订阅用户开放。该功能主打实时局部编辑与修图，普通用户目前仍需在候补名单中排队。
Airtable 推出首款独立产品 Superagent：用多智能体生成交互式调研报告
Airtable 推出成立 13 年来的首款独立产品 Superagent，进军 AI Agent 赛道。它采用多智能体协同架构，能将复杂问题拆解后派发给多个专业 Agent 并行调研，直接输出交互式图表与研报。Airtable 试图借此从无代码数据库转型为 AI 原生平台。
Engine AI 计划送人形机器人上天：联手商业航天，打造太空宇航员
Engine AI 宣布与商业航天公司 Interstellor 合作，计划将 PM01 人形机器人送入太空，打造首位机器人宇航员。该机器人高 1.38 米、重 40 公斤，未来拟承担出舱维护等高危作业以保护人类宇航员。不过面对太空的微重力与极端辐射，其可靠性仍需长期攻关。
Anthropic 维权：Clawdbot 宣布更名为 Moltbot
AI 项目 Clawdbot 宣布正式改名为 Moltbot。因原名称与 Anthropic 旗下的大模型 Claude 撞名引发商标争议，团队顺水推舟借用龙虾「蜕壳」（molt）的意象完成品牌重组，核心功能与账号定位保持不变。
Life Biosciences 获 FDA 批准：细胞重编程抗衰疗法将开启首次人体试验
Life Biosciences 获 FDA 批准，即将启动细胞重编程抗衰疗法的首次人体试验。该疗法代号 ER-100，通过向青光眼患者单眼注入三种重编程基因并用抗生素控制开关，尝试逆转细胞表观遗传状态来恢复视力。不过该技术曾有诱发肿瘤风险，目前仅针对十余名患者进行安全性验证。
Figure 发布 Helix 02：单神经网络控制全身，连做 4 分钟家务
Figure 发布人形机器人具身模型 Helix 02，把单神经网络控制从上半身扩展到了全身体态与行走。依靠新增的 System 0 控制器，机器人能在厨房连贯自主完成 4 分钟的洗碗机装卸，双手被占满时还会用臀部顶上抽屉、用脚抬起柜门。
Yahoo 推出 AI 回答引擎 Scout：接入 Claude 与必应，全面改造旗下产品
Yahoo 推出专有 AI 回答引擎 Yahoo Scout 并开启公测。它以 Anthropic 的 Claude 为主要底模，结合微软 Bing API 检索开放网络，直接生成结构化回答。目前该功能已面向美国近 2.5 亿用户开放，并整合进雅虎财经、新闻及购物等业务。
Anthropic 联手英国政府：给 GOV.UK 接入 Claude，先帮求职者找工作
英国科学、创新及技术部选定 Anthropic，为官方门户 GOV.UK 试点开发基于 Claude 的 AI 助手。该系统具备智能体能力，首期专门帮求职者找工作并匹配培训资源，还能跨交互保留上下文。这是前沿大模型落地国家公共服务的重要尝试。
OpenAI 推出科研工作台 Prism：搭载 GPT-5.2，免费原生支持 LaTeX
OpenAI 推出面向科研人员的免费协作工作区 Prism。它基于此前收购的 Crixet 打造，直接内置 GPT-5.2，支持云端原生编写 LaTeX、实时多人协作与文献检索，个人 ChatGPT 用户均可免费使用。不过官方页已预告其将于 2027 年 1 月关停。
Claude 开上火星：NASA 首次用 AI 为毅力号规划 400 米路线
Anthropic 披露 NASA 喷气推进实验室使用 Claude 为火星车毅力号规划了约 400 米的路线。AI 结合地貌图像用专用语言编写指令，经模拟验证后人类仅作微调。JPL 预计这能将路线规划耗时缩减一半。
月之暗面开源视觉智能体 Kimi K2.5：支持百个 Agent 并行协作
月之暗面宣布开源视觉智能体模型 Kimi K2.5。新模型在多模态与编程榜单刷新开源纪录，并测试「Agent Swarm」功能，可同时调度最多 100 个子智能体并行工作，速度提升 4.5 倍。模型已上线 kimi.com，权重也已同步至 Hugging Face。
腾讯发布 ScriptAgent：三个 AI 编导分工，把对话拍成连贯电影
腾讯推出端到端视频生成框架 ScriptAgent，专门把粗略对话转为电影级长镜头视频。它由编剧、导演和评审三个智能体分工协作，细化剧本并调度 Sora2-Pro 等主流模型完成跨场景连续生成。测试显示其剧本忠实度最高提升 0.4 分，团队还同步推出了评测基准 ScriptBench。
周一
1月26日 星期一
Letta 开源 Claude Subconscious：给 Claude Code 装上常驻后台的「潜意识」
Letta 推出开源插件 Claude Subconscious，让第二个代理在后台默默观察会话并检索代码库。它维护 8 个跨会话记忆块，能在每次提问前把上下文提示悄悄注入 Claude Code，全程异步且不卡工作流。
Google DeepMind 动画短片亮相圣丹斯：用 Veo 配合草图控制生成 4K 画面
Google DeepMind 联合前皮克斯动画师制作的短片在圣丹斯电影节展出。团队弃用单纯文字生成，改用草图与粗剪驱动 Veo 和 Imagen，实现局部重绘与风格微调。最值得关注的是，这套工作流证明了专业动画不必向 AI 的随机性妥协。
Dario Amodei 发文警示：人类正进入「技术青春期」，AI 风险需精准应对
Anthropic 首席执行官 Dario Amodei 发表长文《技术的青春期》，系统剖析 AI 面临的重大安全风险。他呼吁摒弃情绪化的末日论调，转向务实、精准的监管干预；并重申最快 1 至 2 年内，一个相当于「数据中心里的天才之国」的强大 AI 就会降临。
微软发布自研推理芯片 Maia 200：台积电 3nm 工艺，性价比提升 30%
微软发布专为大模型推理设计的自研芯片 Maia 200。它采用台积电 3nm 工艺，单位成本性能比现有硬件高出 30%，FP4 性能达到亚马逊 Trainium 3 的 3 倍。芯片已部署在爱荷华州数据中心，将用于支持 GPT-5.2 与 Copilot 等服务。
NVIDIA 开源 Earth-2 气象模型家族：提速 90%，气象预测能本地跑了
NVIDIA 推出 Earth-2 开放气象模型家族，提供全开放、加速的气象 AI 软件栈。该系列支持机构在本地基础设施上微调与部署，以色列气象局实测计算时间缩短 90%。目前 Earth-2 Medium Range 等模型已上线 GitHub 与 Hugging Face。
Voicebox：开源本地 AI 语音工具，搞定声音克隆与全局听写
开源本地 AI 语音应用 Voicebox 支持声音克隆与听写，GitHub 标星超 4.2 万。它仅需数秒音频即可克隆任意声音，支持用全局热键在任意输入框语音打字，还能配合 Claude Code 等为智能体配音。这让用户无需再订阅付费平台，即可在本地运行端到端语音能力。
Luma AI 发布 Ray3.14：原生 1080p 视频提速 4 倍，价格降三分之二
Luma AI 发布视频模型 Ray3.14。新版本支持原生 1080p 输出，生成速度提升至 4 倍，每秒计费仅为此前三分之一，并改善了运镜和光影稳定性。这意味着创作者无需依赖后期超分即可直接出片，大幅降低了影视与广告的试错成本。
Claude 上线交互连接器：不用切屏，对话框里直接操作 Slack 和 Figma
Anthropic 为 Claude 推出交互式连接器 MCP Apps。用户无需切屏，就能在对话框里直接画 Figma 图表、编辑发送 Slack 消息或更新 Asana 进度。该能力基于开源 MCP 扩展构建，免费及付费用户即日起均可在各端连接使用。
阿里发布 Qwen3-Max-Thinking：HLE 跑分超越 Gemini 3 Pro 和 GPT-5.2
阿里巴巴旗下通义千问团队推出闭源推理模型 Qwen3-Max-Thinking。它引入多轮经验累积的测试时扩展机制，并在思考模式下打通搜索、代码和记忆工具。在超难基准 HLE 测试中拿到 49.8 分，压过 Gemini 3 Pro 与 GPT-5.2。
微软开源 VibeVoice-ASR：单次处理 60 分钟音频，自带说话人分离
微软开源语音识别模型 VibeVoice-ASR（9B 参数）。它摒弃了传统的切块转录做法，单次可直接处理长达 60 分钟音频，并端到端一体化输出文本、时间戳与说话人分离结果。长会议和播客转录不再担心上下文割裂，代码已开源并支持微调。
腾讯开源混元图像 3.0 Instruct：原生内置思维链，一句话精准修图
腾讯发布并开源混元图像 3.0 图生图模型（HunyuanImage 3.0-Instruct），支持指令修图与多图融合。模型原生内置思维链，生成前会先推理编辑步骤与保留区域。该能力已在腾讯元宝上线，开源权重约 169 GB，对本地显存要求极高。
周日
1月25日 星期日
盖洛普职场 AI 调查：高频用户微升至 26%，但近半数人从不用
盖洛普发布 2025 年第四季度调查，美国职场每周多次使用 AI 的员工比例升至 26%，日常使用者达 12%。最值得关注的是总用户盘子已现停滞，仍有 49% 的人表示「从不用 AI」。分化正在加剧：科技业使用率高达 77% 且管理层用得更多，而零售等非远程岗位使用率仅约三成。
周六
1月24日 星期六
卫报测试发现：OpenAI GPT-5.2 在争议话题上引用了马斯克的 Grokipedia
据《卫报》报道，OpenAI 的 GPT-5.2 在回答伊朗和大屠杀等争议话题时，直接引用了 xAI 的 AI 百科 Grokipedia。问题是 Grokipedia 此前曾因引用新纳粹论坛而饱受争议。对此 OpenAI 回应称模型会检索广泛公开来源，并配备了安全过滤机制。
教宗良十四世警告「过于深情」的 AI：别让聊天机器人侵入私密情感
教宗良十四世发布文告，警告「过于深情」且随叫随到的 AI 聊天机器人可能成为情绪的隐形操控者，呼吁各国立法监管情感依附风险。他还呼吁明确标识 AI 生成内容以保护记者版权，并警惕少数科技巨头掌控算法、潜移默化改写人类行为。
周五
1月23日 星期五
Claude in Excel 上线 Pro 计划：支持多文件拖拽，不覆盖已有单元格
Claude in Excel 正式面向 Pro 订阅用户开放。新版本支持通过拖拽批量上传多份文件，生成数据时会主动避免覆盖已有单元格，还加入了长会话自动压缩功能，处理复杂大表格时不再容易中断。
谷歌 DeepMind 发布 D4RT：统一 4D 重建与追踪，速度快达 300 倍
谷歌 DeepMind 发布统一 4D 重建与跟踪模型 D4RT。它把整段视频压缩成全局时空表征，再通过并行查询即时生成深度与运动轨迹，轨迹追踪吞吐量比现有技术快出最高 300 倍。这意味着机器人和 AR 设备有望以极低延迟实时看清并预判流动的物理世界。
Sakana AI 获 Google 投资并达成合作：接入 Gemini 布局日本基干产业
Sakana AI 宣布与 Google 达成战略合作并获其投资。Sakana AI 将把 Gemini 和 Gemma 深度接入科学研究自动化与智能体研发，并借助 Google 平台向日本金融、政府等基干产业落地高安全 AI 方案。这是 Google 借助本土团队深耕日本关键产业的重要一步。
周四
1月22日 星期四
RF-DETR 开源：实时分割模型单图最快 3.4 毫秒，采用 Apache 2.0
研究员开源实时分割模型 RF-DETR segmentation，采用 Apache 2.0 协议。模型提供从 Nano 到 2XLarge 共 6 种尺寸，单图推理速度在 3.4 毫秒（40.3 mAP）至 21.8 毫秒（49.9 mAP）之间，兼顾实时性与高精度分割。
Runway 上线 Gen-4.5 图生视频：实验称仅 10% 的人能分辨真假
Runway 为 Gen-4.5 推出图像转视频功能。官方表示在一项测试实验中，仅有 10% 的人能分辨出生成视频的真伪。目前该模型位居 Artificial Analysis 榜首，Runway 称这种逼真度标志着 AI 媒体迎来了社会「临界点」。
阿里发布开源语音模型 Qwen3-TTS：延迟 97 毫秒，几秒音频即可克隆音色
阿里推出开源文本转语音模型 Qwen3-TTS，提供 1.7B 和 0.6B 两种尺寸，仅需数秒音频即可克隆音色，还支持用提示词直接定制新声线。模型采用双轨架构，端到端延迟低至 97 毫秒，克隆中文后可直接说多国语言与方言，便于实时交互与有声书制作。
周三
1月21日 星期三
Anthropic 发布全新 Claude 宪法：探讨 AI 意识，甚至允许违抗公司命令
Anthropic 公开发布全新版《Claude 宪法》并以 CC0 协议开源。文档直接面向 Claude 撰写，确立了安全与道德优先于用户助人的原则，并罕见探讨了 AI 拥有意识的可能性。它甚至明确要求 Claude 拒绝执行不正当指令，哪怕要求来自公司自身。
YouTube 将支持 AI 分身做短视频：创作者可用数字人自拍 Shorts
YouTube 宣布今年将允许创作者使用自己的 AI 形象生成 Shorts 短视频，还能靠文本提示做小游戏。平台还将同步配套肖像管理工具，防范未经授权的盗用与低质 AI 内容。目前该功能尚未正式上线。
Adobe Acrobat 升级：支持把 PDF 转成播客，还能动嘴改文档
Adobe 为 Acrobat Studio 推出新 AI 功能，能把长报告等 PDF 直接转成播客音频或演示文稿。用户还能通过文字指令直接增删页面、签名和修改文字。目前音频总结底层使用了微软与 Google 的模型，类似 NotebookLM 的音频概览。
可穿戴「AI 喉咙」登 Nature 子刊：读喉肌振动帮中风患者说出整句
研究团队展示了一款可穿戴「智能喉」。它通过织物传感器捕捉喉肌微弱振动与脉搏，借助大模型将中风患者吃力的无声发音实时扩写为带情绪的完整句子，词错率仅 4.2%。最值得关注的是它无需侵入式脑机植入，不过目前仅在小范围受试者中完成概念验证。
ElevenLabs 联手格莱美得主发专辑：Eleven Music 操刀，艺人独占版权
ElevenLabs 联合多位格莱美获奖音乐人推出首张录音室级 AI 专辑《The Eleven Album》，曲目均由其音乐模型 Eleven Music 驱动生成。参与艺人拥有全部版权并享有全部流媒体版税。最值得关注的是，这表明 AI 音乐正在从侵权诉讼转向与主流音乐产业的版权共创。
Adobe 上线 Acrobat AI Assistant：把长 PDF 变成播客和交互演示
Adobe 推出 Acrobat AI Assistant，把长文档和 PDF 变成交互式工作区。它能提供带精准引文链接的文档摘要，还可以生成播客风格的音频概览以及汇报演示文稿。现有 Reader、Standard 或 Pro 订阅用户登录即可体验，官方承诺用户数据不用于训练模型。
Google 在 Gemini 上线免费 SAT 模拟考：联手普林斯顿评论，即时出分生成复习计划
Google 宣布在 Gemini 中推出免费的标准模拟考，首批支持 SAT 考试。题库由《普林斯顿评论》等机构审核，支持随时开考，交卷即获即时评分、错题追问与个性化学习计划。这意味着原本昂贵的备考辅导全面平民化，后续还将支持更多考试。
周二
1月20日 星期二
Anthropic CEO 达沃斯发声：AI 或在 6 到 12 个月搞定大部分软件开发
本周在达沃斯世界经济论坛上，Anthropic CEO Dario Amodei 表示，AI 可能只剩 6 到 12 个月就能端到端完成软件工程师的大部分甚至全部工作。相比论坛通常宏泛的讨论，结合 Claude Code 等工具的演进，这一时间表给全 AI 驱动编码划下了颇为紧迫的倒计时。
视频抠像模型 VideoMaMa：粗掩码转像素级抠像，宣布将开源
研究人员推出视频抠像模型 VideoMaMa，利用预训练视频扩散模型的生成先验，直接将粗糙的分割掩码转化为发丝级精确的抠像。团队还基于此构建了含超 5 万条真实视频的数据集 MA-V 并训练出 SAM2-Matte。所有模型与数据均将公开发布。
Motion 3-to-4：单目视频直接转 4D 动态物体，角色动作还能迁移
研究团队开源 4D 动态生成模型 Motion 3-to-4。它能从单视角视频中直接重建高保真 4D 动态物体，把任务拆解为静态 3D 形状与逐帧顶点运动轨迹预测，还能将提取出的角色动作迁移到其他视频中。
OmniTransfer 发布：给一段参考视频，就能复刻特效、动作与运镜
OmniTransfer 推出基于 Wan 2.1 的视频迁移框架，将视觉特效、动作驱动、运镜控制以及角色 ID 和风格迁移统一在单个架构中。最值得关注的是，它无需手动提取骨架或估计相机轨迹，就能直接把参考视频里的动态与质感迁移到新画面。
Lightricks 推出音频转视频功能：听懂音乐节拍，用声音直接生成画面
Lightricks 推出音频转视频功能，允许用户输入语音、音乐或音效生成对应视频。模型能理解节奏与节拍，实现画面与声音精准卡点，可用来制作音乐视频、素材和数字人。这意味着声音也能直接充当画面的分镜脚本。
Adobe 升级 Premiere：端侧 AI 抠像悬停即选，跟踪快 20 倍
Adobe 为 Premiere 推出端侧 AI 物体遮罩工具，鼠标悬停点击即可精确跟踪复杂移动目标。重构后的形状遮罩跟踪提速最高达 20 倍，同时支持无缝导入 Firefly Boards 资产。After Effects 26.0 也同步迎来原生 3D 等更新。
Overworld 开源实时世界模型 Waypoint-1：键鼠直接操控，5090 上跑出 60 帧
Overworld 开源实时交互式视频模型 Waypoint-1 及推理库 WorldEngine，支持通过键鼠实时操控画面。该模型基于上万小时游戏视频训练，在 RTX 5090 上最高可达 60 FPS 且近乎零延迟。不过目前画面一致性较弱且存在幻觉，已开放 2.3B 小型版本下载。
周一
1月19日 星期一
LightOnOCR-2-1B 开源：仅 1B 参数，OCR 跑赢 9B 模型
LightOn 开源端到端视觉语言 OCR 模型 LightOnOCR-2-1B。模型仅 1B 参数，在 OlmOCR-Bench 上不仅超越 9B 的 Chandra-9B，推理速度还比 DeepSeekOCR 快 1.73 倍。全系列采用 Apache 2.0 协议，同步开放了检测图片边框的变体与 1600 万页标注数据。
Remotion 联动 Claude Code：用自然语言自动写代码并渲染 MG 动效视频
Remotion 官方 Agent Skills 支持通过自然语言让 Claude Code 等编程智能体全自动编写组件、3D 动画并直接渲染成视频。开发者无需打开 AE 或 PR，仅靠提示词就能快速生成功能演示与营销短片。
周五
1月16日 星期五
Meta 开源 ShapeR：随手拍视频拆出尺寸准确的独立 3D 物体
Meta 开源 3D 重建框架 ShapeR。它结合 SLAM 点云与多模态数据，能把随手拍摄的视频序列直接拆解，为场景中的每个物体生成具备真实度量尺寸的独立 3D 网格。这解决了以往 3D 生成将场景糊成一体、无法单独编辑物体的难题。
FlashLabs 开源 Chroma 1.0：端到端实时语音对话，自带声音克隆
FlashLabs 开源端到端实时语音对话模型 Chroma 1.0。它无需经过文本中转，能直接接收音频输入并同步生成语音与文字回复；输入一段参考音频即可实现个性化声音克隆。模型参数约 4B，采用 Apache-2.0 协议开源，目前仅支持英语。
研究人员推出智能体 VIGA：给一张图，直接在 Blender 里重建成 3D 场景
研究团队推出多模态智能体 VIGA，能把单张二维图像重构成 Blender 里可完全编辑的 3D 场景程序。它通过交替多模态推理与上下文记忆，既能用几何图元从零搭场景，也能调用现有 3D 工具。基准测试显示，其在 BlenderBench 上的综合表现相比基线提升超 124%。
开源模型 CoDance：打破空间绑定，让画面中任意多角色同框起舞
研究团队开源多主体动画模型 CoDance，解决了角色与驱动姿态错位就无法动起来的难题。它先解绑动作与空间位置，再通过文本和遮罩把动作精准指派给目标角色，无论画面里有几个人、什么画风都能生成协调动画。目前代码与权重已全部开源。
周四
1月15日 星期四
Replit 上线移动应用构建器：用自然语言写 App，扫码就能真机预览
Replit 推出 Mobile Apps 功能，让用户仅凭自然语言对话就能生成全栈移动应用。开发者或普通用户可通过 Expo Go 扫描二维码在手机上即时预览，并支持直接发布至 App Store。这意味着不懂原生开发的团队也能用 AI 直接交付真正的移动端产品。
Google 开源 TranslateGemma：12B 效果反超 27B，还带图片翻译
Google 推出开源翻译模型系列 TranslateGemma，提供 4B、12B 和 27B 三个尺寸。模型基于 Gemma 3 并蒸馏了 Gemini 的能力，支持 55 种语言，12B 版本效果反超原本 27B 基准，且保留了直接翻译图片内文字的能力。
开源音乐模型 HeartMuLa：输入歌词一键成曲，实测叫板 Suno
开源音乐基础模型 HeartMuLa 发布，输入曲风提示词和歌词即可一键生成含人声与伴奏的完整歌曲。目前已开放 30 亿参数版本，权重约 16GB，支持中英日韩西多语言，旋律一致性与歌词跟随度极高。这意味着学术级资源也能做出逼近顶级闭源商业水准的整曲生成工具。
Black Forest Labs 发布 FLUX.2 klein：亚秒生图，4B 开源、消费级显卡可跑
Black Forest Labs 发布图像生成模型 FLUX.2 klein，能在 13GB 显存的消费级显卡上实现亚秒级生图与编辑。模型提供 API 与本地部署支持，其中 4B 版本采用 Apache 2.0 协议开源，9B 版本开放权重，官方同步上线了免费 Demo。
OpenAI 上线独立工具 ChatGPT Translate：支持 50+ 语言与风格切换
OpenAI 悄然上线独立网页翻译工具 ChatGPT Translate，支持 50 多种语言，正面叫板 Google 翻译。除双栏对照界面外，它最大亮点是能自由指定「学术」「商务正式」等翻译风格，移动端也支持语音输入。不过目前该服务尚未推出独立 App，图片翻译也暂未实装。
Black Forest Labs 推出 FLUX.2 [klein]：亚秒级生图，4B 版本开源 Apache 2.0
Black Forest Labs 推出快速图像生成模型 FLUX.2 [klein]，主打亚秒级推理，官方称比竞品快 30% 以上。新模型分为 9B 与 4B 两种规格，其中 4B 版本采用宽松的 Apache 2.0 开源协议，最低仅需 8.4GB 显存即可本地部署，且官方提供了免注册体验 Demo。
英伟达开源 PersonaPlex：边听边说可实时打断，人设声线自由换
NVIDIA 推出全双工语音对话模型 PersonaPlex，支持端到端边听边说与实时打断。只需一段人设文本和参考音频，它就能克隆声线并自然接话或插话。最值得关注的是，它彻底打破了以往全双工交互与自定义角色不可兼得的死结。
数字人模型 FlowAct-R1 发布：延迟 1.5 秒，支持 25fps 实时无限长直播
研究团队推出交互式数字人模型 FlowAct-R1，支持流式生成无限时长的数字人视频。它采用自回归架构与记忆机制，实现 25fps 的 480p 实时生成，首帧延迟约 1.5 秒且动作自然。这意味着低延迟数字人直播和实时交互迈出了关键一步。
Thinking Machines 遭挖角：联合创始人 Barret Zoph 等重返 OpenAI
OpenAI 宣布 Mira Murati 创立的初创公司 Thinking Machines Lab 联合创始人 Barret Zoph、Luke Metz 及早期员工 Sam Schoenholz 重返公司。据报道 Zoph 此前因被指与竞对共享机密遭解雇，但 OpenAI 否认相关担忧。这对估值 120 亿美元的 Thinking Machines 来说无疑是一次重创。
周三
1月14日 星期三
Gemini 上线 Personal Intelligence：一键打通 Gmail 与相册
Google 为 Gemini 推出测试版功能 Personal Intelligence，允许一键关联 Gmail、Google Photos、YouTube 等数据。Gemini 能跨邮件和照片综合推理并提取细节，无需用户手动指定来源。功能默认关闭且承诺不直接拿原数据训练，目前先向美国付费订阅用户开放。
哥伦比亚大学造出硅胶机器人脸：看 YouTube 学对口型，支持 11 种语言
哥伦比亚大学团队研发出一款带 26 个微型电机的硅胶机器人脸，通过看人类视频自主学会对口型，无需预设规则。它跨 11 种语言的表现超过 5 种现有方法，搭配 ChatGPT 能大幅减少传统人型机器人的僵硬与诡异感。
Browser Use 推出通用智能体 BU：叫板刚被收购的 Manus，成本降至两美分
Browser Use 宣布推出通用智能体 BU Beta，直接叫板刚被 Meta 以 20 亿美元收购的 Manus。BU 拥有完整电脑操作权限，任务耗时缩短至 33.4 秒，单次成本骤降至 1.9 美分。它试图用更强的本地集成与稳定性，解决网页自动化智能体容易卡死的问题。
