本周AI行业动态密集，大模型领域，Vidu、NVIDIA、Google、阶跃星辰、智谱、xAI、面壁智能、阿里、快手等相继发布或开源新模型，聚焦专业场景刷新SOTA；AI工具方面，Chrome接入Gemini 3、Codex App等重塑交互体验；AI Agent赛道，QoderWork、Skywork桌面版及PaperBanana落地实用场景；技术层面，腾讯混元发布CL-bench基准与HPC-Ops算子库；市场侧，生数科技启动生态计划，SpaceX收购xAI形成千亿估值整合引擎，一起来回顾本周发生的AI新鲜事儿吧！
AI 大模型
生数科技发布全球首个支持16s音视频直出的模型「Vidu Q3」
1月30日，生数科技全球发布「Vidu Q3」，是全球首个支持16s音视频直出的模型，专为漫剧、短剧、影视剧而生，具备多镜头自由切换、声画同步、多语种对话与文字渲染等功能，可实现电影级质感“一键成片”，赋能行业工业化生产，在Artificial Analysis榜单中位列中国第一、全球第二，超越Runway Gen-4.5、OpenAI Sora 2等模型，目前可通Vidu.cn或API抢先体验，年卡会员享限时最低6折优惠。
NVIDIA发布「NVIDIA Earth-2」开放模型家族
1月30日，NVIDIA发布全新的「NVIDIA Earth-2」开放模型家族，是全球首个完全开放、加速的AI气象软件堆栈，包含中期预报、临近预报、全球数据同化等全新模型及CorrDiff、FourCastNet3等现有模型，还集成多方开放模型，可通过PhysicsNeMo框架训练微调，能加速从数据处理到15天全球预报或6小时局地强对流预报的全流程，节省计算成本且精度领先，已被气象、能源、保险等领域机构应用，相关会议GTC将于3月16-19日举行。
Google DeepMind宣布「Genie 3」世界模型开启公测
1月31日，Google DeepMind宣布「Genie 3」开启公测，这款由Genie 3、Nano Banana Pro和Gemini驱动的网页原型应用，支持美国18岁以上Google AI Ultra订阅用户通过文字或图片生成实时互动虚拟世界，具备探索、二创、角色控制、物理效果、场景记忆及深渊重生等功能，网友实测可应用于游戏、教育等场景。
阶跃星辰发布开源Agent基座模型「Step 3.5 Flash」
2月2日，阶跃星辰发布开源Agent基座模型「Step 3.5 Flash」，采用稀疏MoE架构、MTP-3及SWA+Full Attention混合架构，支持256K上下文，推理速度最高达350 TPS，在Agent场景、数学及编程任务上媲美闭源模型，能稳定处理复杂长链条任务，现可通过OpenRouter限免、GitHub、HuggingFace等渠道获取，支持个人工作站本地部署，可应用于数学计算、智能体编程、端云协同等场景，同时透露已启动Step 4模型训练。
智谱发布并开源轻量专业级OCR模型「GLM-OCR」
2月3日，智谱发布并开源轻量专业级OCR模型「GLM-OCR」，以“小尺寸、高精度”实现文档解析能力新标杆。该模型仅0.9B参数规模实现性能SOTA（OmniDocBench V1.5达94.6分），在手写体、复杂表格、代码文档等多高难场景表现稳健，推理高效且支持多平台部署，开源易用、环境依赖简单，具备精准识别、结构化输出、批量处理及RAG支持等功能，处理速度快且成本仅为传统方案的1/10，同步开放开源地址、API及在线体验渠道，未来还将迭代更多版本并拓展语言与视频OCR能力。
马斯克xAI全面上线视频音频生成模型「Grok Imagine 1.0」
2月3日，马斯克旗下xAI全面上线视频音频生成模型「Grok Imagine 1.0」，支持文生视频、图生视频，单次生成10秒720P视频，音频效果大幅提升，还具备视频剪辑能力（可加删替换元素、用动作驱动角色动画、切换场景氛围、修改物体细节及视觉风格，静态线稿也能转动画），过去30天测试期已生成12.45亿条视频；在Artificial Analysis文生视频排名中综合第一，成本与延迟最优，图生视频亦保持高评分+低延迟+低成本优势。
阿里开源专为编程智能体与本地开发设计的模型「Qwen3-Coder-Next」
2月4日，阿里通义千问开源专为编程智能体与本地开发设计的模型「Qwen3-Coder-Next」，总参数80B激活参数仅3B，支持256k上下文。该模型基于「Qwen3-Next-80B-A3B-Base」构建，采用混合注意力与MoE新架构，通过大规模可执行任务合成、环境交互等智能体训练，在SWE-Bench等基准上表现优异（Verified版本达70%+），3B激活参数即可匹敌更大规模开源模型，处于低成本部署帕累托前沿，已在ModelScope和Hugging Face开源，未来将提升推理决策能力并支持更多任务。
面壁智能开源9B参数原生全双工全模态模型「MiniCPM-o 4.5」
2月4日，面壁智能开源9B参数原生全双工全模态模型「MiniCPM-o 4.5」，以“边看、边听、主动说”成为行业首个“即时自由对话”的大模型，告别回合制交互，在全模态理解、语音生成（情感饱满、长语音稳定）、声音克隆等方面达SOTA水准，推理效率高且显存占用低，支持多芯片多框架部署，已在GitHub、Hugging Face等平台开源并提供线上体验，2月7日将举办技术分享Meetup。
上海人工智能实验室开源科学多模态大模型「Intern-S1-Pro」
2月4日，上海人工智能实验室开源基于“通专融合”技术架构SAGE打造的万亿参数科学多模态大模型「Intern-S1-Pro」，采用MoE结构与傅里叶位置编码等底层创新，科学能力达国际领先水平、通用能力与智能体能力稳居开源第一梯队，且实现了原创架构与国产算力的全栈适配，通过开源全链路工具与免费商用支持，降低全球科研门槛，助力AI4S迈向2.0时代并共建AGI4S生态。
快手发布「可灵AI 3.0」模型，实现多模态输入输出一体化与全链路创作
2月4日，快手发布「可灵AI 3.0」模型（含图片3.0、视频3.0及视频3.0 Omni），实现多模态输入输出一体化与全链路创作，黑金会员可在web端超前体验；视频3.0及Omni版本带来智能分镜、图生视频+主体参考、多语种方言对口型、15秒时长、自定义分镜等升级，图片3.0及Omni版本则具备影视级光影重构、组图批量创作、2K/4K超清直出、多参考图一致性强化等优势，全方位提升创作效率与作品质感。
AI 工具
Google宣布Chrome全面接入「Gemini 3」，38亿用户迈入AGI浏览新纪元
2月1日，Google宣布桌面端Chrome浏览器（覆盖MacOS、Windows和Chromebook Plus）全面接入「Gemini 3」，让全球38亿用户的浏览器升级为全能AGI入口，新增全新侧边栏（支持无缝多任务）、自动浏览（处理比价、行程规划等复杂流程，需美国Google AI Pro/Ultra订阅）、内嵌Nano Banana实时修图功能，且打通Gmail、地图等谷歌生态应用，未来还将上线「个人智能」功能，重塑人与浏览器的交互范式，挑战Perplexity Comet、OpenAI Atlas等竞品。
蚂蚁灵光APP宣布「闪应用」升级，集成音效、LLM调用等20项API工具
2月2日，蚂蚁灵光APP宣布「闪应用」迎来大升级，集成音效合成、LLM调用、多模态理解等近20项API工具，新增新年祝福语生成、食物保鲜记录、垃圾分类识别、AI科技新闻浏览等多项实用功能，同时推出“上传图片生应用”及小组件形式的“闪应用导出”功能，进一步丰富用户使用场景。
OpenAI发布macOS桌面版「Codex App」
2月3日，OpenAI发布macOS桌面版「Codex App」，定位“Agent的指挥中心”而非传统IDE，支持管理多Agent并行工作，产品内置Git Worktree支持多Agent同仓库隔离协作、引入Skills系统（打包指令工具以扩展能力，可独立生成3D赛车游戏等）、Automations定时自动任务（含9个预设模板）、每个线程独立终端，还支持两种个性模式及开源安全沙箱；该App与Codex CLI/IDE插件同步会话配置，ChatGPT付费用户可直接使用且rate limits翻倍，未来将推出Windows版本并优化多Agent工作流。
腾讯ima宣布正式接入「混元图像3.0」图生图模型
2月3日，腾讯ima宣布正式接入「混元图像3.0」图生图模型，支持上传图片+输入指令生成或修改图片，可设置尺寸与风格，能满足娱乐（定制旅游照、四格漫画）、工作（设计海报）、科普（医疗知识配图）、生活（家装预览）等多场景需求，还可同步笔记生图、边写文案边配图，升级至最新版本即可体验。
AI Agent
阿里推出首个桌面Agent工具「QoderWork」，一句话即可完成复杂任务
1月30日，阿里推出旗下首个桌面Agent工具「QoderWork」并开启邀测。该工具支持本地执行任务（保障数据安全）、自主规划流程，依托MCP协议与自定义Skills，可高效完成文件整理、万级数据统计、报告/PPT生成、科研文献引用整理、行程规划等多类办公任务。用户无需任何复杂部署工作，输入一句话，就能按需调用授权的本地应用，完成文件整理、数据处理、文档生成等任务。
昆仑万维面向全球发布Windows系统兼容的「天工Skywork桌面版」
2月4日，昆仑万维面向全球发布Windows系统兼容的「天工Skywork桌面版」，是Skywork 2.0体系的核心组成，支持本地执行任务（无需上传文件），兼容Claude与Gemini模型并可智能推荐，集成100+Skills，能跨格式理解处理文档、图片等多模态文件，实现多任务并行，在图像视频生成质量、处理速度上优于Claude Cowork，且通过本地虚拟机隔离保障安全，定位为OS级AI办公助手，用户可通过官网下载并开通会员使用。
GitHub官宣通过Agent HQ平台集成Claude与Codex两大编程AI
2月5日，微软GitHub官宣通过Agent HQ平台集成Claude与Codex两大编程AI，与Copilot形成“三足鼎立”，Copilot Pro+及Enterprise订阅用户可在GitHub网页端、VS Code、移动端原生调用，无需切换工具即可完成编码、修Bug、PR评审等任务，兼顾上下文连续性与可评审性，还能为组织提供权限管控、代码质量评估等能力，标志着AI编程迈入多智能体协同的平台级时代，助力全球1.8亿开发者提升效率。
Google联合北大推出学术绘图智能体框架「PaperBanana」
2月5日，Google联合北大团队推出学术绘图智能体框架「PaperBanana」，基于Nano Banana Pro构建，通过“检索、规划、审美、绘图、审查”5个智能体协同工作，严格对齐NeurIPS审美标准，可全自动生成发表级方法架构图（位图）和统计图表（调用Matplotlib代码保障数据精准），还支持草图风格润色，在忠实度、简洁性等指标上优于基线模型且接近人类绘图水平，但存在位图不可无损编辑、复杂场景偶有连线/节点错误的局限，核心代码和数据集预计2周后开源。
技术突破
腾讯混元联合发布「CL-bench」基准，直指语言模型Context学习核心短板
2月3日，腾讯混元姚顺雨团队联合复旦大学发布了最新研究成果，指出当前前沿语言模型依赖预训练参数化知识，缺乏从动态、复杂Context中实时学习的能力，为此构建了「CL-bench」基准（含500个复杂Context、1899个任务，涵盖4类现实场景，采用无污染设计），评测显示10个顶尖模型平均仅解决17.2%任务，忽略或误用Context是主要失败原因，归纳推理难度高于演绎应用，未来需提升模型Context学习与知识持久化能力，推动人类从数据提供者转变为Context提供者。
腾讯混元开源生产级LLM推理核心算子库「HPC-Ops」
2月4日，腾讯混元AI Infra团队开源生产级LLM推理核心算子库「HPC-Ops」，基于CUDA和CuTe构建，针对主流算子库使用成本高、目标硬件不匹配的痛点，通过任务与硬件能力对齐、精细调度数据重排、聚焦计算逻辑等优化，实现显著性能突破：混元模型推理QPM提升30%，核心算子Attention、GroupGEMM、FusedMoE性能最高分别超SOTA方案2.22倍、1.88倍、1.49倍，且适配主流推理框架、支持多精度量化、降低开发门槛，未来将深耕稀疏Attention、更多量化策略及计算-通信协同优化。
市场动态
生数科技正式启动「全球生态计划」，1亿积分+千万奖金赋能创作者
1月31日，生数科技正式启动「全球生态计划」，以“1亿积分+千万奖金”赋能创作者与合作伙伴，面向创作者推出全球创作者激励计划（包含艺术家计划2.0、社群合作、认证讲师体系），面向合作伙伴启动涵盖解决方案、渠道销售、交付成功三类伙伴的生态伙伴计划（提供免费资源池与四项合作权益）。
马斯克宣布SpaceX收购xAI，合并估值1.25万亿美元
2月3日，马斯克官宣SpaceX完成对xAI的收购，合并后新公司估值达1.25万亿美元，将打造涵盖AI、火箭技术等的垂直整合创新引擎；马斯克计划推进太空轨道数据中心部署，发射百万颗卫星以获取低成本算力，助力迈向卡尔达肖夫二级文明，而xAI作为SpaceX全资子公司，将获得稳定资金支持，无需再焦虑融资，此次合并也为SpaceX冲刺IPO添力。
