AIGCLINK

阿里刚刚放出了下一代实时同声传译模型：Qwen3.8-LiveTranslate，字均延迟从2.8秒压到2.3秒，支持60种语言 如果延迟稳定压到2.3秒这个水平，并且在多说话人、长音频场景下DER可控，那会议、展会、跨境电商谈判等大量这种“够用就行”的场景可能会率先被AI接管 它这版做了架构重造，把同传重构为了音频—文本交织的单流形式，已听音频和已出译文都可缓存复用，从效果看整体翻译的忠实度、流畅度还可以 另外增加了三个新能力，实时说话人分离、原文译文同帧同出双语同屏、长上下文消歧 比如说多人轮流发言的场景，它知道每句话是谁说的，译文用的还是那个发言人的音色 原文译文同屏对照，这个…

前OpenAI研究员Diogo Almeida发布了一款新型模型：Jev，一种“放弃生成文字只输出类型化概率决策”的模型 称速度快40–200倍，输入成本便宜5–238倍，输出接近免费 就是说把大模型从会聊天会写长文的生成器，改成软件可以直接调用的概率决策函数 用并行概率决策替代逐token字符串生成，主打结构化、可校准、低延迟、低成本 创始人Diogo Almeida称曾在OpenAI参与指令跟随/对话方法相关研究，他的问题是：模型聊天能力早已超过人，但真正可嵌入代码的自动化仍缺关键一环 Jev背后是一套全新栈：新架构、并行采样器以及新训练方法RLCD 像前沿智能函数调用，输入非…

腾讯刚刚开源了：BrowserSkill，让AI从你的浏览器里借一个标签页，用完再还回去 一个AI用浏览器的中介层，让AI能用“你的身份”上网替你办事，可以在保持你自己浏览器正常使用的同时，安全的把登录态和网页操作能力借给AI用 AI上网干活查资料、填表、走流程时有两个坎，一个是登录、一个是信任 BrowserSkill的方式是“借”，AI要动你开着的标签页时默认要你同意，在一个Agent Window的单独窗口里干活，能看见但互不打扰，你继续用自己的浏览器，它不碰你其他标签页 干完再把标签页还回来，碰到验证码、确认弹窗等只有人能干的事它喊你 #BrowserSkill #AI操作浏…

发一下网易有道这两天上新的实时语音识别模型：Confucius4-R2T2，基于Qwen3-ASR，核心是实时字幕不跳字 流式追加式输出，已输出的文本只增不改，避免实时字幕中的文字闪烁 它用了一个LSP策略，模型持续监听语音，当足够确定某段话不会变时才把这段定稿输出，没把握的部分先憋着等听到更多上下文再说，在稳定与低延迟之间找权衡，延迟大概在200~600毫秒 利好直播字幕、会议同传、语音客服等场景落地 解码块80ms–2s可调，延迟与精度自己权衡，想快用小块，想准用大块 #Confucius4R2T2 #ASR

谷歌最新开源：ARTEMIS，让AI像人一样用手机，3秒一步 给一个任务，ARTEMIS在安卓真机上自己看屏幕、找按钮、点击滑动、跨App完成流程，并支持日志、截图、回放和报告 对于移动测试、调试、自动化的都可以向前迈一步了 其思路是不只依赖固定元素ID，结合无障碍层级/XML，读系统UI树，优先找可识别控件、OCR、视觉模型处理自定义Canvas、Compose、Flutter等等不好用传统树定位的界面 实在不行就按视觉/坐标点，长任务中把旧截图压缩成摘要，避免上下文爆炸 Flash和Pro两种执行模式 Flash，快，每步3–5秒，边观察边行动快速循环 Pro，有规划，每步15–…