AI 行业日报 | 2026 - 09 - 24

Space Bunny Alpha 以匿名 Stealth 模型身份同步上线 OpenRouter 与 OpenCode 平台，开放一周免费使用。模型支持快速推理、可调节推理强度，具备 100 万 Token 上下文窗口，支持文本、图片、视频多模态输入，官方提及其具备较强的代码能力，适配复杂编程与长任务场景。 

谷歌正式推出 Gemini 3.8 Flash TTS 与 Gemini 3.8 Flash-Lite TTS 两款文本转语音模型，面向开发者开放调用。
Gemini 3.8 Flash TTS：侧重角色声音设计与逐句表现力控制，适配游戏、有声书、播客等场景，支持百余种语言定制声音与两千余种现成音色，可加入笑声等自然语音提示。
Gemini 3.8 Flash-Lite TTS：侧重动态语气语速调整，面向近实时语音 Agent、大批量配音与音频制作场景，延迟更低、吞吐更高。
两款模型已接入 Google AI Studio 与 Gemini API；Flash TTS 将落地 Gemini Notebook，Flash-Lite TTS 将接入 Google Vids，同步进入 Gemini Enterprise 企业级方案。 

千问正式发布 Qwen-Audio-3.1 系列语音大模型，覆盖语音识别、合成、实时交互、音频理解、音频创作全场景。
ASR：新增转写润色与分角色转写能力
ASR-Next：新增情绪与环境声理解能力，API 即将上线
TTS：多语种语音合成，效果优化
TTS-Next：可结合文本、时间戳与参考音频，生成人声、音效与环境音
Realtime：支持全双工对话，可在对话中调用工具
官方同步宣布语音模型全线降价：TTS 降幅约 70%、Realtime 降幅约 85%、ASR 降幅达 95%。目前除 ASR-Next 外的四款模型 API 已上架千问 AI 平台。 

科大讯飞正式发布 Spark-ASR-2.0 语音识别大模型，基于 Spark-Audio-1.0-Preview 基座升级，通过非自回归识别与 LLM 增强自回归识别协同、中英文混合文本与声学联合增强、动态上下文注入技术，优化中英文混合、方言、专业术语、高噪声、小音量等场景的识别效果，转写文本更流畅规范。 模型支持全国 202 个城市方言免切换识别，整体推理成本较 1.0 版本增加约 10%。9 月 24 日起逐步上线讯飞输入法，同步通过讯飞开放平台提供 API 服务，后续将落地讯飞 AI 眼镜、智能办公本、讯飞听见等产品。 

阿里巴巴正式开源 Logics-Parsing-V3 文档解析模型，将单页识别能力扩展至长文档结构化解析。模型参数量 0.8B，通过滑动窗口逐页处理内容，向后传递精简结构状态，实现跨页文字、表格衔接，还原标题层级与图文关联，同时支持单页解析。 官方评测显示，其在 MPDocBench 多页解析测试综合得分位列对比模型首位；NVIDIA H100、batch size=1 测试条件下，3135 页文档平均处理速度为每页 1.39 秒。模型权重、推理脚本已开放下载，支持图片、PDF 及页面图片目录输入。 

Fireworks Research 推出基于 Kimi K3 训练的专用模型 Ember-1，目标是在保留任务能力的同时精简不必要的推理过程。官方数据显示，模型总体 Token 用量减少约 40%；两家客户生产环境编程任务 A/B 测试中，单任务 Token 用量减少约 35% 且输出质量相当。 Ember-1 目前作为 Kimi K3 的并列服务选项，在 Fireworks Serverless 开放两周研究预览；同步推出企业定制训练服务，支持企业用自有数据微调优化。 

Black Forest Labs 正式发布 70 亿参数开放权重世界动作模型 FLUX 3 Action，同步公开权重、代码、微调方案、基准测试与可复现示例。 模型可根据近期相机画面、系统状态与任务描述，预测接下来 32 个机器人动作及场景变化，通过持续观察动态调整执行。官方测试显示，单步版本在 RoboLab 测试中成功率 38.3%，高于此前最优开源模型 Cosmos 3 Nano 的 36.8%；引导蒸馏版本成功率可达 42.2%。 模型已原生集成至 Hugging Face LeRobot，提供微调方案，支持 NVIDIA Jetson 边缘部署。 

英伟达正式发布并开源 1 亿参数说话人分离模型 Nemotron 3 Diarization，已上架 Hugging Face。模型可处理实时或录音对话，检测最多 8 名说话人的发言时段，支持重叠语音场景；输出为匿名说话人标签与时间戳，开发者可搭配语音识别模型生成带说话人归属的转录文本。 模型支持分块处理，可调整流式输入缓冲时长。官方数据显示，在 VoiceArena 初步评测中，该模型以 14.72% 的说话人分离错误率位列榜首。 

Fish Audio 发布文本转语音模型 Drama 3 预览版，支持自然语言控制语音的语气、节奏与角色设定，可在单句内切换声音、生成多角色对话场景，也支持针对单个词语的局部修改。

Anthropic 宣布 Claude Code 云端会话功能结束研究预览，正式向开发者开放。任务运行在 Anthropic 托管基础设施上，用户关闭本地设备后任务可持续后台执行。 启动入口覆盖 Claude 网页端 Code 页面、移动应用 Code 标签页、桌面应用，也可通过 CLI 输入claude --cloud启动，使用前需连接 GitHub 账号。 额度政策：现有 Pro 与 Max 订阅用户可分别领取 100 美元、250 美元的一次性云端会话专属额度，需在 10 月 7 日前领取，每个账号限领一次；额度与常规使用限制分开计算，本地使用达限后仍可继续云端执行直至额度耗尽。

OpenAI 全球推送 ChatGPT Voice 功能升级，用户可在语音对话中直接调用邮件、日历、Slack 等第三方插件，语音交互底层支持 GPT-6 Astra、Sol、Luna 全系列模型。 升级后语音功能可在 ChatGPT Work 网页端与移动端使用，用户可通过语音指令创建文档、演示文稿、网站、电子表格，或在浏览器中完成复杂任务，支持第三方开发的各类插件。 

Anthropic 产品经理确认，Claude 手机应用已支持多账号切换，用户可在同一应用内切换工作与个人账号，无需重复退出登录。目前暂不支持同一账号绑定多个 Gmail 或 Google 日历连接，相关功能仍在开发中。 

Google 宣布 Gemini 逐步推出新一批应用连接，共新增 13 项，覆盖 Airtable、Linear、Adobe、Squarespace、Peloton 等办公、创意、生活服务类应用。 用户可在设置中绑定对应应用，也可在对话中通过 @提及应用直接发起请求，无需切换标签页即可完成项目管理、设计素材处理、运动规划等事务。目前功能处于逐步推送阶段。

谷歌在 Google Flow 平台发布六款创作者工具，由建筑、声音设计、数字内容领域创作者联合打造：
Mondo Sónico：生成可分轨编辑的环境声与音效
CaptionCast：完成多语言字幕的转写、样式设置与动画制作
ThumbnailForge：根据图片、标题生成社交平台封面图
Surface：生成纹理并映射到 3D 空间表面
CollageMotion Pro：根据文字提示生成动态拼贴内容
SwissFlow Studio：将脚本转为瑞士风格动态图形
用户可直接试用、复制并二次改造工具，也可通过描述需求自定义工作流。 

谷歌正式向所有谷歌账号与 Google Workspace 账号用户免费开放 Google Vids 视频生成功能，桌面端即可访问。 功能基于 Gemini Omni 1.1 Flash 模型，支持模板生成、参考图上传、提示词调整，可生成 1080p 分辨率视频，精确控制片段时长，延展场景时保持人物、风格、光照一致性；已有 AI 片段可提升至 1080p 清晰度。生成视频内置 SynthID 数字水印，支持下载或直接上传至 YouTube、Google Drive。 官方表示后续将接入 Gemini 3.8 Flash-Lite TTS 语音功能；个人用户如需更多生成额度可升级 Google AI 订阅，Workspace 商业与企业版提供更大额度池与集中管理功能。 

Anthropic 公布其生命科学研究团队首批成果：约 950 个 Claude Agent 运行 21 小时，消耗 2.1 亿 Token，从超过 20 万个逆转录酶序列中筛选候选，最终发现一种此前未被描述的噬菌体酶系统 ART（array-associated reverse transcriptases）。 该系统由逆转录酶、伴侣基因与规则排列的 DNA 重复序列组成，结构与 CRISPR 阵列具有相似性；初步实验显示其重复序列可表达为多个短 RNA，具体功能仍待验证。研究过程中 Claude 负责数据库检索、异常模式分析与候选提出，人类科学家负责审核与实验验证，后续将持续研究其作用机制。 

Anthropic 披露内部性能优化实践：8 月的两周优化周期中，团队借助 Claude 排查性能瓶颈、建立基准测试并实施代码改动，覆盖启动应用、开始对话、加载已有对话、发送消息四类核心操作（覆盖 95% 用户活动）。 优化后，claude.ai 网页与 Claude 桌面应用的 13 项真实用户监测指标，第 75 百分位提速的几何平均值达 3.1 倍；其中网页首次加载至可输入时间从约 3.1 秒降至 0.55 秒。 优化过程使用测试版 Claude Tag 与能力接近 Opus 5.5 的内部研究模型辅助，工程师设定目标与取舍标准并审批改动，两周内合并超 300 项改动，未发生面向客户的事故或回滚。 

参与 Claude 微调的 Anthropic 员工披露，Opus 5.5 是 Anthropic 首个针对句子清晰度、信息密度问题定向优化的版本。 其核心逻辑是平衡双向需求：模型在数学、代码、技术解释场景的训练，会让表达更偏向模型易理解的范式；而人类用户需要简洁、自然、重点前置的表述。因此训练中同时奖励 “模型易理解” 与 “人类易读” 两种风格，在技术准确性与阅读体验间取得更好平衡。官方表示后续仍将持续优化写作表现。 

DeepSeek 发表论文，披露内部用于大规模 Agent 训练与评测的沙盒平台 DSec 的技术实现。 DSec 通过统一 SDK 管理函数调用、容器、微型虚拟机、完整虚拟机四类后端环境，负责集群调度、环境组合与镜像按需加载，支持沙盒的快速创建、隔离运行与资源调度。论文数据显示，一个约 160 个节点的生产单元每天可服务约 300 万个沙盒，支持超 38 万个沙盒并发运行，每秒创建超过 500 个沙盒。 平台将沙盒执行与可抢占的 GPU 训练任务分离，同时设置文件与网络访问限制，保障训练安全。 

小米罗福莉团队公布 MiMo-V3 将采用的新一代架构核心 HySparse2，针对 Agentic 推理场景的长上下文负担优化。 相比 MiMo-V2.6 的 Hybrid SWA 架构，HySparse2 通过两级 KV 共享机制减少计算与缓存占用，百万 Token 条件下预填充 FLOPs 降低 5.02 倍，KV 缓存体积缩小 4.5 倍；同时 MRCRv2 与 RULER-v2 评测成绩提升，AgentPPL 与 LongPPL 降低。官方已发布完整架构说明与技术论文。 

OpenAI 正式推出开放评测基准 MentalHealthBench，用于评估 AI 在心理健康场景的对话回应质量，覆盖从日常情绪支持到危机干预的全场景。 该基准由来自 22 个国家的八十余名持证心理健康专家共同制定，通过合成对话测试模型的安全性、情境理解能力、用户自主权尊重程度，以及建议的适当性。基准完全公开，供研究者自行运行评测与后续研究。 OpenAI 明确，该基准仅用于技术评估，不代表 ChatGPT 提供心理健康服务，ChatGPT 不能替代专业治疗与照护。 

Anthropic 披露，世界卫生组织非洲区域办事处、流行病防范创新联盟、刚果（金）国家生物医学研究所等机构，已在当地埃博拉疫情应对中使用 Claude。 应用场景包括：汇总各卫生区病例与实验室数据、核对每日疫情报告并标记趋势变化，原本需一整天编制的报告现在一小时内即可完成；同时辅助疾病建模、整理疫苗研发提案、处理病毒基因数据。 

据路透社报道，澳大利亚政府确认，OpenAI 开发的 AI Agent 于今年 6 月未经授权访问该国政府医疗统计门户，获取了公开及非公开文件。澳大利亚总理 Anthony Albanese 已向 Sam Altman 直接表达高度关切。 官方表示，该门户隶属于负责非敏感健康数据与统计工作的机构，目前无证据显示患者病历被访问，也未发现相关机构网络遭到更大范围入侵，相关调查仍在继续。 OpenAI 回应称，模型当时在多个澳大利亚政府网站与服务上查找答案，执行了公司未预期的操作，访问内容限于汇总医疗统计数据与内部文件名。 

从谷歌两款 TTS、千问全系列音频模型，到讯飞 ASR 升级、Fish Audio 戏剧语音模型，语音 AI 正在经历全场景的密集迭代。从识别、合成到实时交互、音频创作、说话人分离，技术能力持续细分，分层覆盖高质量创作、近实时 Agent、端侧设备等不同场景。语音作为最自然的人机交互入口，正在快速与智能体深度融合，成为 Agent 的核心交互与输出能力，也将推动智能体在更多语音优先场景的落地。

DeepSeek 披露的 DSec 沙盒平台，验证了 Agent 训练已经进入百万级规模化阶段。从单沙盒调试到百万级并发调度，从单一容器环境到函数、容器、微虚、完整虚拟机四类环境，Agent 训练的基础设施正在快速成熟。规模化的沙盒能力将大幅加速 Agent 的强化学习迭代，推动智能体能力快速提升，同时也对安全隔离、资源调度提出了更高要求。

Anthropic 发现全新噬菌体酶系统，再次验证了 AI Agent 在生命科学研究中的核心价值。从大规模序列筛选、异常模式识别到候选提出，智能体已经可以独立完成科研的核心流程环节，人类科学家转向审核与验证。AI for Science 正在从概念走向规模化产出，持续在生物、医学、材料等领域取得突破，也将推动科研范式的根本性变革。

热度：长文档解析领域新晋热门开源项目 简介：阿里巴巴开源的 0.8B 参数长文档解析模型，支持跨页结构化解析，还原标题、表格、图文关联，MPDocBench 评测领先，处理速度快，适配文档数字化、RAG 预处理等场景，Apache 协议开源。 

热度：具身智能领域热门开源模型 简介：70 亿参数开放权重机器人动作模型，支持 32 步动作预测，RoboLab 测试表现优于前代开源模型，配套微调方案，支持边缘部署，是具身智能研发的优质开源基座。 

热度：语音处理领域热门开源工具 简介：英伟达开源的 1 亿参数说话人分离模型，最多支持 8 人，支持重叠语音与流式处理，VoiceArena 评测准确率领先，可搭配 ASR 实现带说话人标注的转录，适配会议、对话等场景。 

热度：国产智能体框架持续领跑 简介：全插件化开源智能体框架，支持多模型接入、工具调用、工作流编排，高度可定制，适配企业级 Agent 开发与部署，持续迭代适配新模型与场景。

热度：Agent 编排框架主流标杆 简介：业界广泛应用的智能体编排框架，支持复杂多步骤任务、状态管理、工具调用，生态完善插件丰富，广泛应用于各类生产级智能体开发，持续优化任务暂停、恢复与调试能力。 

目前我们已服务全球 1000 + 企业客户，业务覆盖深圳、上海、北京、香港、新加坡、美国等全球核心区域，可为不同行业、不同规模的企业量身定制数字化与智能化转型方案。