为啥在Gemini App用Gems会丢聊天记录？

本地跑通“类 GPT-4o”实时语音交互的最后门槛被踏平了 微软本周开源 VibeVoice-Realtime-0.5B，用极低算力实现 <300ms 延迟的流式 TTS，且支持 MIT 协议免费商用。 1️⃣ 消费级硬件门槛 仅 0.5B 参数，推理显存占用不到 2GB …

语音交互延迟干到 97ms，不做这块优化的产品可能要掉队了 阿里 Qwen3-TTS-Flash 新版发布，一举解决“方言本地化”和“对话即时感”两大痛点，实测体验相当能打。 1️⃣ 快得像真人抢话 首包延迟（First Packet Latency）压到了 97ms。简单 …

Google 推送的 Gemini 3 Deep Think，可能是目前唯一能在这个维度真正落地“慢思考”的 AI 方案。 其核心逻辑不是让你更快得到答案，而是像人类专家一样，先在后台进行“平行推演”和自我反思，再给出最优解。实测下来，对复杂逻辑的提升显而易见： 1️⃣ 突破 …

阿里千问 App 刚上线 Qwen3-Learning 模型，主打 K-12 全科“拍题讲解”与“作业批改”，完全免费且不限次。 这不仅仅是传统的 OCR 搜题，而是把 LLM 的推理能力落地到了具体场景： 1️⃣ 从“给答案”到“教逻辑” 利用思维链（CoT）技术，模型不会 …

快手可灵数字人 2.0 全量上线，解决真人出镜成本高、甚至不敢出镜的痛点，三步把一张静态图变成能连续演 5 分钟的专业视频。 🔹 表现力跃升 基于 DiT 架构（想象成既懂剧本又懂运镜的 AI 导演），不仅实现毫秒级口型对齐，现在的微表情、手势和体态能跟随语调自动演绎，摆脱了早 …

字节跳动发布了 Seedream 4.5，把「多图一致性」和「文字渲染」直接拉到了商用成品级标准，不做单纯的艺术玩具，而是直接对标生产力。 1️⃣ 真·多图融合（Multi-Image Composition） 以前用 SD 做「产品+模特+背景」 …

零代码开发红利窗口期，普通人 30 秒验证游戏创意的最低门槛 蚂蚁「灵光」更新闪游戏功能，实测可将一句话需求直接转化为可交互、可迭代的 Mini Game，大幅降低独立开发试错成本。 🔹 交互式迭代：这是区别于“一次性代码生成”的关键。支持多轮对话修改，输入“换个赛博朋克背 …

首个全栈开源 GUI Agent，把移动端自动化的门槛打下来了 以前搞手机自动化要自己写 ADB 驱动、配环境，现在 GELab-Zero 直接开源了“模型+基建”整套流水线。 原理类似给手机装了个“AI 驾驶员”，但这回连车（基础设施）和路（环境配置）都给你铺好了，主打一个 …

视频创作流彻底变天，还在用旧工具“抽卡”会直接拉低产出效率 可灵 O1 刚全量上线，这是首个将“生成+编辑”统一的多模态模型，真正实现像 P 图一样 P 视频。 🔹 底层逻辑重构 采用 MVL 架构并引入 Chain-of-Thought (CoT) 技术。简单说，模型在生成 …