什么值得买App下载 App ›
连续签到专享现金活动

混元Hy4 flash开源、谷歌发布Gemini 4 Neon | 多模态大模型11.19日报

腾讯开源混元Hy4 flash,谷歌同日发布Gemini 4 Neon;豆包实时音视频API全量上线,语音接入与幻觉抑制两项研究也各进一步。

腾讯混元开源 Hy4 flash:224B 总参只激活 12B,多模态加 1M 上下文

11 月 18 日,腾讯宣布开源 Hy4 flash,标准指令版、FP8 量化版和 Base 预训练版三个版本同时在 GitHub、Hugging Face、ModelScope、GitCode 放出,总参数 224B(含 64B Engram)、激活仅 12B,支持多模态和 1M 上下文。对考虑拿开源模型当智能体干活的人来说,参数是次要的,API 价格和调用服务稳不稳才决定它能不能接住高频任务。

混元Hy4 flash开源、谷歌发布Gemini 4 Neon | 多模态大模型11.19日报
图源:知乎・甲木未来派

官方口径与价格

社区实测与用量

谷歌发布 Gemini 4 Neon:1M 上下文吃下表格音视频,输入每百万词元 3 美元

11 月 18 日谷歌发布 Gemini 4 Neon,可在同一个 100 万 token 上下文里综合理解表格、PDF、图表、音频和视频,Artificial Analysis 智能指数 61 分排全球第三,输入每百万词元 3 美元、输出 15 美元,已同步开放 Gemini API。习惯拿海外旗舰做对比的用户值得留意这次「能力没缩、成本先降」的组合,尤其看它和你现有模型的每任务成本差多少。

火山引擎全量上线豆包实时音视频通话模型 1.0 API

11 月 19 日,火山引擎上线豆包实时音视频通话模型 SeedRealtime 1.0 的 API 服务,把声音、画面、时序统一进同一个端到端模型,支持「边看、边听、边说」并能在合适时机主动开口,绕开了 ASR、VLM、TTS 级联串联的延迟叠加与信息损耗。模型本体今年 8 月就发过,这次全量开放 API 才是开发者能上手接的节点,真实延迟和计费细则还要以控制台为准。

多模态研究更新:把声音接进大模型常识,给全模态幻觉逐词找证据

近两天的两项研究都在解决多模态「能不能用」:港中深联合微软研究院提出 ConvexLLM,把音频表示约束在大模型原有文字词向量的凸包内,VoiceBench 11 项任务综合 75.36 分居同量级开源模型第一;北邮与南洋理工则提出 training-free 的 OmniConfess,逐词追问每个输出 token 依赖哪个证据通道来抑制全模态幻觉。在做语音或全模态链路的人,这两种思路对应着目前最实际的两类报错来源。

混元Hy4 flash开源、谷歌发布Gemini 4 Neon | 多模态大模型11.19日报
图源:知乎・机器之心

评论

评论区空态插画

当前文章无评论,是时候发表评论了