每日AI资讯-2025年07月07日

Stream-Omni：多模态交互新宠，文本视觉语音同时搞定

中国科学院计算技术研究所自然语言处理团队搞出了个大动静，推出了个叫Stream-Omni的多模态大模型。这模型厉害在哪呢？它能同时搞定文本、视觉和语音三种模态的交互，让用户用起来更灵活、更丰富。

Stream-Omni是基于GPT-4o架构打造的，在文本、视觉和语音上都有出色表现。你跟它语音交互时，它还能实时给你显示中间的文本结果，就像“边看边听”一样自然。

以前的多模态大模型，都是把不同模态的表示拼在一起，再输入到大语言模型里生成响应。但这种方法太依赖数据，还不够灵活。Stream-Omni就不一样了，它通过更有针对性的模态关系建模，减少了对大规模三模态数据的依赖，让语音和文本语义一致，视觉和文本语义互补，模态对齐更高效。

而且，Stream-Omni的语音建模方式很独特，语音交互时能同时输出中间的文本转录结果，这在需要语音到文本实时转换的场景里，效率高又方便。

它还能灵活组合视觉编码器、语音层和大语言模型，支持多种模态组合的交互。不管你是用文本、语音还是视觉输入，都能得到一致的响应。

在实验里，Stream-Omni的视觉理解能力跟同规模的视觉大模型差不多，语音交互能力更是比现有技术强不少。虽然它在拟人化表现和音色多样性上还有提升空间，但已经为未来的多模态智能交互打下了坚实基础。

guthub地址：https://github.com/ictnlp/Stream-Omni

开源AI桌面助手Glass火了，会议记录灵感捕捉不在话下

2025年7月初，一款叫Glass的开源AI桌面助手火了起来，成了开发者和职场人士的心头好。这工具是Pickle团队开发的，隐形设计、实时信息处理、上下文理解能力强，办公体验超棒。

Glass的隐形设计很特别，它躲在后台运行，屏幕录制、截图和macOS的Dock栏里都看不到它，既保护了隐私又低调。它不像传统AI助手得等用户主动交互，而是实时观察屏幕和音频，主动分析任务，给出建议和知识支持，不打断工作流，效率还高。

会议场景里，Glass更是实用。它能实时监听会议音频，自动生成会议记录和摘要，还能根据上下文解答问题。比如会议提到技术术语，它能马上给出背景知识和解决方案，会议效率大大提高。它还能把会议内容整理成结构化笔记，方便查阅分享。

Glass不仅适用于会议，学习和编程也都能用。学习时，它能分析文档网页，整理关键信息生成笔记；编程时，它能观察代码界面，给出调试建议和优化方案。而且它是开源的，开发者能在GitHub上定制功能。

现在Glass只支持macOS，不过Windows和Linux版本也在期待中。它免费透明，模块化设计，未来功能扩展空间大，值得一试。

github地址：https://github.com/pickle-com/glass

Claude要发新模型Neptunev3，数学能力或超群

听说Anthropic正在紧锣密鼓地测试一个叫“ClaudeNeptunev3”的新AI模型，这可引起了AI社区的广泛关注。很多人推测，这可能是Claude4.5的雏形，说不定数周内就发布了。

Neptunev3现在处于内部红队测试阶段，重点测试宪法AI系统的稳健性，确保模型安全又合规。社交媒体上有人说，这模型数学推理能力超强，能和OpenAI的o3Pro、Google的Kingfall模型媲美，不过还得等官方基准测试验证。

关于Neptunev3的定位，大家看法不一。有人觉得它是Claude4.5的预备版，延续增量更新策略；也有人认为它是Claude系列的重大突破，在代码生成、复杂推理和多模态处理上会更厉害。Anthropic之前推出的Claude4在编码能力上就很强，Neptunev3有望巩固这一优势，给开发者和企业用户提供更高效的AI解决方案。

现在AI领域竞争激烈，OpenAI的GPT-5和Google的GeminiUltra升级版都要来了。Anthropic这时候测试Neptunev3，就是想抢占市场先机。社交媒体分析说，它可能会优化上下文窗口和工具使用能力，应对复杂任务。虽然具体细节还没公开，但已经让很多人期待了。

体验地址：Claude网页版官网入口

腾讯开源混元-A13B，动态推理“会思考”超厉害

腾讯最近宣布开源了一个新语言模型“混元-A13B”，这模型可不简单，引入了动态推理方法，能根据任务复杂程度在快速和深度“思考”间切换。

“混元-A13B”的核心优势就是能实时调整推理深度。简单查询时，它用快速模式，几步就给出响应；复杂问题就激活深度推理，多步骤思考。用户还能用“/think”和“/no_think”手动控制。

它采用了混合专家（MoE）架构，总参数量800亿，但实际推理时只有130亿参数活跃，提高了运行效率。还支持最高256,000个标记的上下文窗口，处理长文本能力很强。

腾讯的技术报告说，“混元-A13B”在20万亿个token上训练过，还针对推理任务和更广泛的用例优化过。为了提升科学任务可靠性，它从STEM领域收集了2500亿个token训练，涵盖数学教科书、考试、GitHub开源代码等。

腾讯称“混元-A13B-Instruct”版本能和OpenAI、Deepseek等领先模型媲美。在2024年美国数学竞赛AIME中，它准确率达87.3%，比OpenAIo1高。不过2025年OpenAIo1领先近3%，而且腾讯比较的数据是Deepseek-R1的过时版本，Deepseek5月版本表现更优异。

模型地址：https://modelscope.cn/models/Tencent-Hunyuan/Hunyuan-A13B-Instruct/summary

github地址：https://github.com/Tencent-Hunyuan/Hunyuan-A13B

体验地址：腾讯混元大模型官网入口

B站推“代号H”AI工具，视频播客创作要起飞

据Tech星球消息，B站要在视频播客业务上大干一场了，还推出了一系列扶持政策，其中最引人注目的就是内部项目“代号H”的AI创作工具，这能让创作者更高效地生产内容。

B站对视频播客的扶持政策有三方面。一是给创作者提供流量冷启动扶持，让内容快速曝光；二是在一线城市提供免费录制场地，降低制作成本；三就是上线视频播客专属AI创作工具“代号H”。

“代号H”能帮播客创作者节省找和剪辑视频素材的时间精力。创作者输入文案或音频内容，它就能自动生成匹配的视频画面。

它支持文案和音频两种格式输入，适配播客和泛知识杂谈图文两种模板。现在千字内容6分钟能生成完，未来有望缩短到3分钟。B站定向邀请创作者体验后，反馈“超出预期”，说明这工具提升创作效率潜力巨大。

B站全面布局视频播客业务，还推出这么实用的AI创作工具，看来是要在视频播客领域大展身手了，创作者们有福啦。

体验地址：目前该工具还未推出，无法体验

据B站透露，目前定向邀请创作者体验的反馈“超出预期”，这充分显示出该工具在提升创作效率方面的巨大潜力。

GeminiCLI大更新，音视频处理隐私新功能，开发者乐开花

2025年7月初，谷歌推出的开源命令行工具GeminiCLI发布了新版本，带来了好多让人兴奋的功能改进和优化。这次更新合并了85个PR，由51位社区贡献者完成，开源生态超活跃。

GeminiCLI把Gemini2.5Pro人工智能模型引入终端，这次更新在功能、兼容性和稳定性上都有大突破，给开发者提供了更高效灵活的工作体验。

音视频处理和Markdown功能升级是亮点。新增音视频内容支持，开发者能在终端处理音频视频文件了。Markdown文件处理能力也变强，能嵌套导入其他Markdown文件，还能正确显示表格，内容管理更灵活直观。

隐私保护也升级了，新增了/privacy命令，用户能查看修改隐私设置，数据控制更透明，企业级用户用着更放心。

兼容性和用户体验也优化了，框架升级，新增对VSCodium和Neovim的支持，还有新主题，跨平台使用更高效，满足不同开发者需求。

稳定性和安全性也提升了，支持带Header的HttpMCP服务器，历史压缩功能优化，还防止无限循环。GeminiCLI免费又开源，未来还可能支持本地/离线模型，值得开发者期待。

github地址：https://github.com/google-gemini/gemini-cli

体验地址：谷歌Gemini多模态人工智能语言模型

智能音箱大变革，小米Pro夺冠，AI大模型成新宠

2025年618促销期间，中国智能音箱市场强势复苏。线上销量达80.2万台，同比增长7.5%，销售额同比增长15.2%。这多亏了AI大模型技术的广泛应用，让智能音箱功能更强、体验更好。

数据显示，搭载AI大模型的智能音箱市场占比近四成，2025年第二季度销量份额达36.8%。这说明消费者对智能音箱需求增强，技术革新后产品交互能力和体验大幅提升。

小米推出的“超级小爱”大模型智能音箱Pro在618期间表现惊艳，单品销量第一。它在语音交互、智能问答等方面很出色，给用户带来了更人性化的体验。

百度也不甘示弱，5月份发布了搭载“文心大模型”的新品，大金刚Pro和智能健康屏成了主力机型。

和传统智能音箱比，搭载AI大模型的产品在智能语音问答、交互能力上有质的飞跃。这种更人性化和智慧化的体验，让消费者愿意为高性能产品买单。智能音箱市场经历了四年低迷后，终于有望稳定回升。

随着AI大模型技术不断进步，智能音箱市场会持续增长，消费者也能享受更智能便捷的生活。

购买地址：淘宝/天猫/抖音商城等