🛠️ 技术动态
Mistral 推出首个 TTS 模型 Voxtral，4B 参数，支持 9 种语言。核心卖点：低延迟（70ms 首音延迟）、情感表达丰富、仅需 3 秒参考音频即可适配新声音。人工评测中自然度超越 ElevenLabs Flash v2.5，与 v3 持平。支持零样本跨语言语音适配——如用法语声音生成带法国口音的英语，这对语音翻译场景非常实用。
Cursor 公开了「Real-time RL」技术细节：将生产环境的真实推理 token 直接用作训练信号。流程为：部署 checkpoint → 观察用户行为 → 聚合为奖励 → 训练新 checkpoint → 跑评测确认无回退 → 再部署。整个循环仅需 5 小时。A/B 测试数据：Agent 编辑留存率 +2.28%，用户不满追问 -3.13%，延迟 -10.3%。核心洞察：用户行为就是最好的奖励信号，模拟器再逼真也不如直接让真人「投票」。
Cohere 发布开源 ASR 模型 Transcribe，针对低词错率和生产可用性优化。在 HuggingFace Open ASR 排行榜上取得最高准确率。这是 Cohere 首次涉足语音领域，也意味着开源语音识别的质量门槛又被拉高了一截。
Chroma 发布 Context-1，20B 参数的自编辑搜索 Agent。基于 8000+ 合成任务训练，检索性能媲美前沿模型，推理成本仅为后者数分之一、速度最高快 10 倍。核心设计：将搜索与生成彻底分离。模型自主分解查询为子查询、多轮迭代搜索、动态丢弃低相关结果以释放上下文窗口。
Google Research 发布 TurboQuant 压缩算法，将 LLM 存储数据压缩至少 6 倍，且声称「零精度损失」。这对大模型推理部署意义重大——内存占用一直是 LLM 落地的关键瓶颈之一。如果效果如声称般稳定，可能改变推理基础设施的成本结构。
CapCut 开始向付费用户推出 Dreamina Seedance 2.0，一个集成视频和音频生成的新模型，初期在部分全球市场上线。值得注意的是内置了安全防护机制。这标志着字节在 AI 生成内容领域加速了全球化落地。