本周AI领域动态密集，大模型层面，腾讯混元、通义千问、Kimi、DeepSeek、Vidu AI、蚂蚁灵波科技等企业相继发布并开源图像、TTS、视频生成、具身智能等多模态模型，强化性能与功能适配；AI Agent方面，讯飞、生数科技推出场景化智能体平台，聚焦协同交互与营销等需求；AI工具端，OpenAI、Hyper3D等上线科研协作、3D编辑等工具，降低使用门槛；技术突破上，Google发布高效4D重建框架，微软推出3nm自研AI推理芯片，推动行业在模型、应用、硬件层面持续进阶，一起来回顾本周发生的AI新鲜事儿吧！
AI 大模型
腾讯混元发布「混元图像3.0」图生图模型
1月26日，腾讯混元发布「混元图像3.0」（HunyuanImage 3.0-Instruct）图生图模型，该模型总参数量80B（激活参数约13B），采用混合专家（MoE）架构，基于原生多模态架构基础，经千万量级多任务数据训练、思维链构造及自研MixGRPO算法优化，具备稳定的指令遵循能力，生成图片一致性高、真实感强且速度显著提升，支持图片编辑（增删改、风格变换、老照片修复等）、多图融合（提取多图元素合成新图）等多样化功能，可应用于表情包制作、虚拟人物合拍、电商海报设计等场景，用户可通过元宝全端及腾讯混元官网体验。
通义千问开源「Qwen3-TTS」全家桶并推出「Qwen3-Max-Thinking」模型
1月26日，通义千问宣布两大动态：一是开源「Qwen3-TTS」全家桶，含1.7B（极致性能）和0.6B（轻量高效）两个版本，支持3秒音色克隆、自然语言描述音色创造、超高质量拟人化语音生成等功能，覆盖10种语言+9个精品音色，端到端延迟低至97ms，可处理拼音、数学公式等，已开放开源仓库及API；二是推出「Qwen3-Max-Thinking」模型，通过扩大规模与强化训练，在事实知识、复杂推理等五大维度全面提升，19项权威基准测试性能媲美顶尖模型，具备自适应工具调用（已上线Qwen Chat）和测试时扩展技术两大核心创新，已开放Qwen Chat体验及API，且API兼容OpenAI协议。
月之暗面发布并开源「Kimi K2.5」模型
1月27日，月之暗面发布并开源「Kimi K2.5」模型，是目前最智能全能的模型，采用原生多模态架构，支持视觉与文本输入，在Agent、代码、图像、视频等通用智能任务上达成开源领先水平，新增视觉理解与推理、Office软件中高阶技能，首次引入可组建100个分身并行处理1500步任务的“Agent集群”能力，同步推出编程工具「Kimi Code」（支持多编辑器集成及多模态编程辅助，其Agent SDK将开源）。
DeepSeek开源OCR专用模型「DeepSeek-OCR 2」
1月27日，DeepSeek开源OCR专用模型「DeepSeek-OCR 2」，并同步发布技术报告，该模型将编码器迭代至DeepEncoder V2（基于LLM替换原CLIP架构，引入因果推理与语义重排序，摆脱固定线性阅读顺序，更贴合人类阅读习惯），保留前代3B参数MoE解码器，在OmniDocBench v1.5基准测试中获91.09%得分，较前代提升3.73%，相似视觉token预算下编辑距离低于Gemini-3 Pro，兼具VLM架构探索价值与生成预训练数据的实用价值。
通义大模型正式开源6B参数非蒸馏基座模型「Z-Image」
1月28日，通义大模型正式开源6B参数非蒸馏基座模型「Z-Image」，专为高质量创作与开发者生态设计，具备风格无界（可驾驭动漫、插画等多种美学风格，拒绝同质化）、原生基座微调友好（支持CFG引导机制，LoRA/ControlNet训练收敛快）、高敏响应负向提示词（可精准过滤画面瑕疵）等核心优势，能实现多主体解耦与多元生成，现已在GitHub、魔搭、Hugging Face平台开放。
昆仑天工发布「Mureka V8」音乐大模型
1月28日，昆仑天工发布「Mureka V8」音乐大模型，基于MusiCoT技术体系演进，在音乐性、人声表现力、编曲层次及音质空间感等关键维度实现提升，达成“可发布”级创作能力，面向创作者提供含自然语言描述创作、多维度调整等完整创作流程支持，未来将推出AI Studio满足进阶需求，同时与太合音乐集团达成战略合作，通过开放平台及API为C端用户、音乐人、开发者等提供解决方案，已服务全球8000多家客户，致力于打造AI版“Spotify”，推动AI音乐融入主流音乐产业并搭建全新商业生态。
生数科技发布「Vidu Q2参考生Pro」模型
1月27日，Vidu AI全球创想周Day 1发布「Vidu Q2参考生Pro」模型，全球首创“万物可参考”视频模型，支持2个视频+4张图片多模态输入，涵盖特效、表情、纹理、动作、人物、场景六大参考类型，还具备美容美发、增删改替换元素、风格切换、画面比例调整等精细化编辑功能，无需专业工具，适配漫剧、短剧、影视等生产级创作需求，用户可通过Vidu.cn或Vidu API体验，年卡会员享限时最低6折优惠。
蚂蚁灵波科技开源面向真实场景的深度补全模型「LingBot-Depth」
1月27日，蚂蚁灵波科技开源面向真实场景的深度补全模型「LingBot-Depth」，依托奥比中光Gemini 330系列双目3D相机研发验证，采用创新的掩码深度建模范式，在NYUv2等多个基准测试中核心指标达行业最优，具备优异的时间一致性与3D/4D环境感知能力，能有效解决透明、反光物体等复杂场景的深度感知难题，显著提升机器人抓取成功率，可轻量化端侧部署且适配现有消费级硬件，已与奥比中光达成战略合作，当前已开源模型、代码及技术报告，后续还将开放300万对RGB-深度数据，助力具身智能、自动驾驶等领域的大规模应用落地。
蚂蚁灵波科技全面开源「LingBot-VLA」具身大模型
1月28日，蚂蚁灵波科技宣布全面开源「LingBot-VLA」具身大模型，基于20000小时真实机器人训练数据（涵盖9种主流双臂机器人构型）训练，遵循良好的Scaling Law可扩展性，引入深度信息后在GM-100真机评测（跨本体泛化平均成功率达17.3%）和RoboTwin 2.0仿真评测中均表现领先，具备后训练成本低、效率高的优势，适配FSDP等优化以实现快速跨机器人迁移，此次同步开源模型权重、全套代码库、数据及技术报告等。
蚂蚁灵波科技开源可交互的世界模型「LingBot-World」
1月29日，蚂蚁灵波科技开源专为交互式世界模型设计的「LingBot-World」开源框架，其核心LingBot-World-Base由可扩展数据引擎驱动，通过从大规模游戏环境学习物理规律与因果关系，打造高保真、可控制且逻辑一致的模拟环境，在视频质量、动态程度、长时序一致性与交互能力等关键指标上居业界领先水平，具备近10分钟长时序一致性、16FPS生成吞吐与1秒内交互延迟的高保真实时交互、Zero-shot泛化等核心特性，可作为具身智能、自动驾驶及游戏开发领域的“数字演练场”解决真机训练数据稀缺问题，目前已开源模型权重、推理代码等。
MiniMax稀宇科技正式发布「Music 2.5」模型
1月29日，MiniMax稀宇科技正式发布「Music 2.5」模型，实现“段落级强控制”与“物理级高保真”双技术突破，支持Intro、Hook等14种结构变体的段落级精准控制，可让创作者调控情绪曲线、乐器配置等细节，同时通过华语音乐深度优化（覆盖多场景、咬字清晰）、具备转音颤音及共鸣切换的自然人声、风格化自动混音、100+乐器的录音室级混音等物理级保真升级，贴合专业工作流。
昆仑万维正式开源自研多模态视频生成模型「SkyReels-V3」
1月29日，昆仑万维正式开源自研多模态视频生成模型「SkyReels-V3」，支持参考图像转视频（支持1-4张参考图+文本提示，参考一致性与视觉质量指标超主流商用模型）、视频延长（支持单镜头及含五种专业转场的镜头切换双模式，突破时长与叙事边界）、音频驱动虚拟形象（具备高保真视觉合成、多风格兼容等四大能力，音视频同步效果优异）三大核心能力且支持灵活组合，通过多项技术创新实现专业级生成效果。
蚂蚁灵波科技开源全球首个自回归视频-动作世界模型「LingBot-VA」
1月30日，蚂蚁灵波科技推出开源周收官之作，全球首个自回归视频-动作世界模型「LingBot-VA」并全面开源（含模型权重、推理代码等），首次提出视频-动作一体化建模框架，融合MoT架构、闭环推演机制及异步推理与持久化等设计，兼具长时序记忆与少样本快速学习优势，能将世界模型预测能力转化为机器人行动能力，在真实环境多项高难度任务中成功率较业界基线平均提升20%，在仿真环境刷新RoboTwin 2.0和LIBERO基准纪录，衔接此前开源的LingBot系列模型，助力具身智能AGI生态构建。
AI Agent
讯飞开放平台焕新发布「星辰智能体平台」
1月26日，讯飞开放平台焕新发布「星辰智能体平台」，以多模协同为核心升级方向，打通AIUI平台实现智能体一键接入语音交互，具备极速响应与多模态感知输出能力，升级多模态超拟人交互技术（支持数字人形象声音定制、多人高噪场景交互），新增MBTI式人设定制（含一句话精调等多种精调方式）与RPA深度融合功能（智能组件、数据表格降低自动化门槛），还构建覆盖中东与东南亚市场的海外智能体矩阵，适用于工业、家庭、教育、企业服务等多场景，旨在打造具备“五官、手脚与个性”的“数字合伙人”，推动AI规模化落地并降本增效。
生数科技专为营销场景打造的「Vidu Agent 1.0」全球上线
1月28日，生数科技「Vidu Agent 1.0」全球上线，专为营销场景打造，支持“一张图+一句话”或“一个参考视频+一张图+一句话”一键生成15-60秒可直接投放的商业广告片，具备上传BGM、删减旁白、编辑Storyboard等灵活编辑功能，内置多语言、多音色、多模特、多场景海量素材库，依托7个专业AI智能体协同工作，适配电商、社媒、跨国营销等多类场景，已与京东、欧莱雅等众多品牌达成合作。
AI 工具
3D生成平台Hyper3D发布了「Rodin Gen-2」编辑版本
1月24日，3D生成平台Hyper3D发布了「Rodin Gen-2」编辑版本，推出基于自然语言的3D模型局部编辑功能，率先实现3D版Nano Banana，可上传obj、fbx、glb等格式的任意三方模型，通过局部选择实现添加、移除、修改等精准操作，且能保留拓扑结构、UV、骨骼绑定等3D资产关键信息，还具备图生3D、模型融合（Remix）功能，适用于游戏影视角色迭代、电商模型修改、3D打印等场景。
OpenAI推出专为科员人员打造的AI原生协作平台「Prism」
1月28日，OpenAI正式推出专为科研人员打造的AI原生协作平台「Prism」，该平台由GPT-5.2驱动，整合了实时协作、全局语境下的论文起草与修改、公式及图表智能处理（含白板图转TikZ图）、文献管理、语音编辑等功能，不限项目和协作人数，无需本地配置LaTeX环境，打破了传统科研工具碎片化的僵局，被认为将替代Overleaf、重塑科研工作流，降低科研工具使用门槛。
Vidu AI宣布将主体库全面升级为全球首个AI视频「主体社区」
1月29日，Vidu AI宣布将主体库全面升级为全球首个AI视频「主体社区」，创新“@一下”创作范式，用户可创建专属主体或自由调用社区内覆盖叙事、运镜、构图等八大维度的数字资产，支持主体的分享、交易与授权使用，既降低了专业视频创作门槛，又能实现好莱坞级视效呈现，让创意成为可持续变现的资产，用户可通过Vidu.cn或Vidu API体验。
技术突破
Google DeepMind联合伦敦、牛津大学发布时空重建框架「D4RT」
1月25日，Google DeepMind联合伦敦大学、牛津大学发布时空重建框架「D4RT」，以“按需查询”为核心逻辑，通过编码阶段压缩视频全局场景信息、解码阶段独立响应时空查询的架构，结合RGB Patch辅助与聪明收割机算法，实现动态场景的4D重建与追踪，支持点云、轨迹、相机参数等多任务统一接口，运算速度达200+FPS（比SOTA快9倍），在动态场景处理精度、多任务适配性上表现领先，高效解决了传统方法计算量大、动态场景易出错的痛点。
微软推出采用台积电3nm工艺制造的自研AI推理芯片「Maia 200」
1月27日，微软推出自研AI推理芯片「Maia 200」，采用台积电3nm工艺制造，拥有超1400亿颗晶体管，配备216GB HBM3e（读写速度7TB/s）及272MB片上SRAM，FP4精度下性能超10 PFLOPS、FP8精度下超5 PFLOPS且TDP控制在750W，性能优于AWS Trainium3和谷歌TPU v7，每美元性能较微软现有最新硬件提升30%，可支持GPT-5.2等模型，具备2.8TB/s双向扩展带宽，支持6144块芯片互连及基于标准以太网的双层可扩展网络设计，采用闭环液冷等方案，已部署于美国中部数据中心，后续将扩展至更多区域。
