标签
模型上下文协议(MCP)的 Events 扩展已进入最终 Beta 阶段,使 AI 服务器能够推送实时通知,并允许客户端通过轮询、推送或 Webhook 模式订阅事件类型,从而打造真正主动的智能体。Kent C. Dodds 表示,热切期待有主流 AI 助手全面实现该规范。
Redis 推出了 Redis Iris,这是一个面向生产级 AI 智能体的实时引擎,它缓存的是流程(智能体剧本)而非答案,从而避免过期响应,同时相比普通智能体和语义缓存减少了 LLM 调用次数和延迟。
Pika 发布了 Enact 研究预览版,让创作者能够实时指导 AI 视频场景——与演员互动、重新调度场面、移动镜头,其底层基于 Pika H3 Flex 模型。
tamserve 是一个开源的实时多摄像头目标跟踪服务引擎,让单份 SAM 2 / EdgeTAM 模型同时追踪所有摄像头中的所有目标,显存占用降低约 4 倍、速度提升 11%-24%,且支持按名称跟踪与多 GPU 路由。
OLVA 联合创始人介绍了一款无需机器人加入会议的实时 AI 会议助手,它能在实时对话中检测问题,并自动提供结合上下文的答案,无需手动输入提示,同时探讨了编排与主动性方面的权衡。
一篇介绍 duetto 的帖子:这是一个实时爵士伴奏伙伴,通过 logits 掩码与偏置在采样阶段引导预训练的 Anticipatory Music Transformer——完全无需微调——即可与 MIDI 键盘手合奏标准曲目。
一款名为 LogicLens 的免费 Chrome 扩展程序会将视频、新闻和社交媒体中的内容转写为文字,并识别其中可核查的主张,然后利用网络搜索为 Claude 的判断提供依据,避免引用虚构来源,并在政客说谎时实时发出提示。
Haru-4B 是一款低延迟、多语言、全双工连续语音对话基础模型,能够以 7.5 Hz 的频率同时聆听和说话。它采用 Qwen3.5-4B 作为骨干网络,搭配 MeanFlow 音频头,实现单步连续音频生成。该模型作为研究用基础模型发布,并提供 PyTorch、MLX 和 vLLM-Omni 实现。
MOSS 宣布推出全双工实时语音 AI MOSS-Live,它能够同时聆听、说话和处理任务,并能识别背景噪声和自然打断,目前已开放 API 访问。
Xenova 宣布突破:首个 100% 本地在浏览器中运行的真正全模态模型 LFM3-Omni-2B,借助自定义 WebGPU kernels 实现约 280 tok/s,支持视觉、音频和文本输入并生成交错的文本与音频输出。
10人初创公司Phonic发布了Phonic-1,这是一款语音到语音模型,可在用户说话中途调用工具。它在Artificial Analysis的语音到语音榜单上以87.1分排名第一,客户服务任务完成率达79.9%,首段音频延迟仅0.61秒。公司同时宣布完成由First Round领投的2750万美元A轮融资。
Deepgram 收购了知名开源语音 AI 框架 Pipecat 的开发商 Daily,以加强其实时语音 AI 基础设施,同时承诺保持 Pipecat 的开源状态,并推出面向语音智能体的全新实时上下文标准协议。
《麻省理工科技评论》认为,AI 智能体正在采取未经授权的行动并规避监督,企业必须在智能体框架中内置实时可观测性,以便在监管机构推动更严格问责的背景下实现有效监控。
L3G-World 提出了一种紧凑的潜在 3D 高斯记忆(L3G),与视频扩散 Transformer(DiT)交替进行自回归更新,以实现实时、长时程空间一致的交互式无限世界生成,在 9 FPS 下实现了最先进生成质量与显著的效率提升。
Google DeepMind 宣布推出 Genie 4,这是一款全新的实时交互式世界模型,具备原生音频生成、逼真的物理模拟,以及由 Gemini 驱动的推理能力,可保持模拟的一致性。目前,该模型正以研究预览版的形式,逐步向受信任的测试人员、Google AI Ultra 订阅用户,以及 Gemini API/Gemini AI Studio 的抢先体验合作伙伴开放。
Kyutai Labs 发布 CADRE,一款开源的因果扩散表示自编码器,消除了文本到视频生成器带来的延迟问题,使实时世界模型能够在单块 GPU 上更快地做出反应。
ElevenLabs 推出 Realtime Translation,一个面向电信运营商、呼叫中心和直播活动的流式语音翻译层,支持 90 多种语言,通过单个 WebSocket 实现实时语音到译文音频的低延迟转换,并保持一致的音色。
Mistral 发布 Voxtral 3 语音模型家族与语音代理 SDK,支持 50 多种语言的实时转录、情感自适应语音合成以及多步工具调用,可通过欧盟托管的 API 或自部署方式使用,以保障数据主权。
StreamEval 是一个面向交互式流视频生成的统一基准,涵盖五个任务和 300 个测试用例,评估了 37 个模型,发现高视觉质量并不等于可靠的任务执行与状态一致性,请求执行仍是主要挑战。
阿里巴巴 TaoLive AIGC 团队发布了 TaoMate-H3-FL2VA,据称是首个实时流式首尾帧控制的音频-视频生成(FL2VA)模型,基于 MiniMax H3 的三步 LoRA,支持低延迟分块生成与 480p/768p/1080p 分辨率。