API AI

MOSS-Live 是 OpenMOSS 的实时对话系统。它接受实时语音和视觉上下文，并且可以在说话时继续倾听，从而在正在进行的对话中打断和改变话题。

系统使用全双工交互层来区分真正的中断与简短的确认和背景语音。更复杂的推理和工具任务可以在对话继续时异步运行，并在准备好时返回结果。

该系统对于需要讨论摄像头视

LongCat-2.5是美团针对扩展代理工作的托管多模式模型。它将图像理解与代码生成相结合，以完成复杂项目工作和解释视觉设计参考等任务。

该模型采用混合专家架构，总参数为 1.6 万亿个，每个代币约有 480 亿个活跃币种。官方 API 文档描述了大约一百万个令牌上下文，并为已建立的代理客户端提供了兼容的接口。

Ling-3.2-Flash 是蚂蚁集团托管的多模态模型，用于对文本、图像和视频进行推理。其模型概述描述了视觉理解、空间交互和长时间运行的代理工作流程中的应用。

该模型采用稀疏专家混合架构，总参数为 5600 亿个，活动参数约为 250 亿个。其原生多模式输入使其能够在一个请求中对视觉材料和书面简报进行推理。

Phonic-1 是用于语音代理的托管语音到语音模型。它直接接收呼叫者的音频并以语音进行响应，使用节奏和犹豫等提示来支持自然对话。

模型可以在调用者仍在说话时发起工具调用。 Phonic 通过 API 和代理构建工具公开它，以便开发人员可以将实时对话连接到他们自己的工作流程、评估响应并选择部署设置。

Phon

Kimi K3.1 Pro 是 Moonshot AI 面向编程、3D 创作、金融研究和复杂智能体工作的长上下文模型。它是 3T 级别的后训练 Kimi K3 模型，在多个任务领域采用规模化强化学习，并提供一百万令牌上下文窗口。

团队可将其用于组合文档、工具和迭代工程的持续任务，而不是单轮回答。核心能力包括百万令牌上下文、智能体编

LTX-2.5 是 LTX 用于生成和编辑视频的开源基础模型。它将更强大的精炼模型与改进的即时理解、更清晰的运动、原生多镜头一致性、自动持续时间预测和专业媒体工作流程结合在一起。

该版本添加了更好的视频解码器、带有自定义提示增强器的 Gemma 4 12B 文本编码器、测试版精确视频编辑、原生 4K HDR 和 RAW 支持，以及

Ideogram 4 是一款开放权重图像生成模型，面向设计工作、真实感 2K 输出、多语言文字渲染和精确布局控制。它为需要强提示遵循和可编辑设计元素的创作者、开发者和企业而设计。

该模型在重建图像前先学习理解结构，采用“描述到结构到重建”的流程来识别物体、背景、排版、构图和布局。因此，它适合海报、产品视觉、营销素材、UI 模型稿以

Kimi K3 是 Moonshot AI 面向长上下文推理、智能体编码、知识工作和视觉问题求解的前沿级多模态模型。它被定位为一个拥有 2.8 万亿参数、3T 级别、原生支持视觉且具备 100 万 token 上下文窗口的模型，为团队提供一个可覆盖仓库级开发、重文档分析和多模态工作流的统一模型。

该模型结合了 Kimi Delta

Lucida 是一个开源图像抠图和背景移除模型，专注于通用去背景工具常常处理不好的困难场景。它针对半透明物体、伪装图案、文字排版、柔和阴影、发光效果、线稿、插画以及贴纸和 T 恤图案等印刷风格设计进行了优化。

该模型是基于 BiRefNet 的微调版本，权重托管在 Hugging Face，代码仓库采用 MIT 许可证。项目包含覆

Claude Sonnet 5 是 Anthropic 的 Sonnet 系智能体模型，面向编程、推理、工具使用、知识工作以及浏览器或终端工作流。Anthropic 将其定位为一款成本更低、但在若干智能体任务上接近更大 Opus 4.8 模型性能的产品。

该模型能够制定计划、使用工具、在 Claude Code 中运行，并通过 e

LongCat-2.0 是一个大规模混合专家语言模型，总参数量为 1.6 万亿，每个 token 约激活 480 亿参数。它面向长上下文推理、编程、工具使用、研究以及智能体工作流，并在发布中描述了公开模型和 API 访问方式。

该模型引入了 LongCat Sparse Attention，通过流式感知、跨层和分层索引来降低超长输

Fish Audio S2.1 Pro 是一款可通过 Fish Audio API 使用的生产级神经文本转语音模型，其模型字符串为 s2.1-pro-free。它面向需要逼真语音合成、低延迟流式输出、多语言生成和语音克隆的开发者，而且无需从仅限付费的评估路径开始。

该模型通过一个 API 端点支持 83 种语言，可通过将 Fish

Seed2.1 是字节跳动 Seed 面向真实生产力场景的下一代模型家族，提供 Pro 和 Turbo 两种规格。它面向通用智能体、代码工程、办公工作、研究流程、多模态理解和视频理解。

该模型家族提升了规划、文件处理、工具使用、编码、调试和验证等多步任务执行能力，也增强了知识、推理、视觉理解、空间推理、长上下文处理以及长达数小时视

Claude Fable 5 和 Claude Mythos 5 是 Anthropic 发布的前沿模型，被描述为 Mythos 级系统，其中 Fable 5 面向更广泛的一般使用场景，而 Mythos 5 则保留给可信访问计划。公告强调它们在软件工程、知识工作、视觉、科学研究以及长而复杂任务上的能力提升。

这次发布的重点是让高能

GPT Realtime 2 是 OpenAI 的实时语音模型，用于构建实时对话代理，这些代理可以在对话仍在进行时进行聆听、推理、说话和使用工具。它专为需要语音界面来完成实际工作的产品团队而设计，例如客户支持、日程安排、行程变更、车载辅助、教育和免提生产力。与简单的语音到文本加聊天机器人管道不同，GPT Realtime 2 是围绕单一实时代理体验中的

HiDream-O1 Image 是一个开放的图像生成基础模型，用于文本到图像的创建、图像编辑和主题驱动的个性化。它被构建为一个原生统一的图像生成模型，而不是一个由单独的编码器和生成器组成的松散管道。该模型的目标是以高达 2048 x 2048 的分辨率生成高质量的创意，同时在提示驱动的创作、布局敏感的渲染以及身份或主题一致性任务中保持灵活性。

GLM-5V Turbo 是一种 Z.AI 视觉语言模型，专为图像和文本的快速多模态推理而设计。它是为需要 API 可访问模型的开发人员而构建的，该模型可以检查视觉输入、回答问题、提取信息以及参与结合语言和视觉的代理工作流程。当延迟和吞吐量很重要时，Turbo 定位使其特别有用。

从技术上讲，GLM-5V Turbo 通过 Z.A

DeepSeek V4 是 DeepSeek 发布的开源大型语言模型，专注于经济高效的长上下文推理、编码和代理功能。该预览版包括可实现更高性能的 DeepSeek-V4-Pro 和可实现更快、更经济使用的 DeepSeek-V4-Flash。两种变体都围绕 1M 上下文支持和双重思考或非思考模式进行定位，为用户提供跨深度推理和低延迟工作流程的灵活性。<

GLM 5.1 是 Z.AI 的旗舰大语言模型，专为长期任务、高级编码工作流程和代理自动化而设计。它专为需要模型的开发人员而构建，该模型可以遵循复杂的指令、使用工具、推理多步骤问题并在扩展的工作会话中保持一致性。该模型被定位为编码助手、自主代理和生产级应用程序工作流程的实用引擎。

从技术上讲，GLM 5.1 通过 Z.AI 开发人