AI周报:谷歌掀桌子开源4倍速模型、Anthropic被美国政府封杀、3D视觉全面爆发

本周AI圈信息密度极高，从底层语言模型的架构革命、到3D/4D视觉技术的全面爆发、再到地缘政治对AI巨头的直接干预，几乎覆盖了数字生产力的所有核心环节。以下是对本周主要事件的梳理。

一、谷歌甩出两记重拳

1. Diffusion Gemma：改写语言模型的底层逻辑

传统大语言模型（LLM）生成文本时，靠的是自回归——一个字一个字从左到右往外蹦，如同工人砌砖，必须等前一块砌好才能上下一块。

谷歌这次开源的 Diffusion Gemma，把图像生成领域的扩散模型思路搬到了文本上。不再是砌砖头，而是直接倒水泥——模型一次性起草一整段几百个词的文本，然后通过多次迭代打磨。

带来的直接后果是：服务器成本砍掉一大半。对于需要大规模处理文本的商业公司（实时客服、代码生成等），这是实打实的商业护城河。更关键的是谷歌用Apache 2.0协议开源，意味着初创企业和个人开发者都能拿去直接商用。

2. Gemini 3.5实时翻译：语言障碍要进历史博物馆了

传统AI翻译需要等用户说完一整句才开始翻译，这在商务谈判中非常致命。Gemini 3.5 的实时翻译模型，能做到仅慢几秒钟的实时同传——而且用的是你本人的声音、语调、甚至情绪。

如果说话人结巴了一下或叹口气，系统甚至能复刻这些非语言细节。一个人就能同时用70多种语言做全球直播，对于出海企业和内容创作者来说，全球化从「砸钱试错的战略」变成了「开箱即用的技术插件」。

二、语音克隆开源炸场：20亿参数TTS，家用显卡就能跑

开源社区也扔出了一颗重磅炸弹——一个只有20亿参数的文本转语音模型，基础模型仅约5GB，普通家用显卡就能跑。

它的厉害之处：

• 零样本声音克隆：只需几秒钟语音片段，就能完美捕捉音色、发音习惯乃至气息特征
• 跨语言迁移：即便参考声音只说英文，也能用这个声音说流利的中文、法文或西班牙文
• 语气表达能力：能处理充满怀疑的质问、紧张的结巴、压低声音等复杂语气
• 宽松开源协议：中小企业可直接集成，无需向巨头交过路费

商业冲击：有声书制作、游戏配音、虚拟偶像互动的成本被打到地板价。以前请专业配音演员进录音棚折腾几周的工作，现在几秒钟素材+一台破电脑，几分钟就能批量生成数小时高质量音频。

三、开源大模型：万亿参数军团内卷

1. Kimi K2.7（月之暗面）

万亿参数、混合专家（MoE）架构，但推理时仅激活320亿参数。跑分直接咬住GPT-5.5等闭源标杆。这意味着拿不到大厂配额的公司，直接就能用上第一梯队的脑力。

2. MiniMax M3

• 参数：4,270亿
• 上下文窗口：100万词（相当于十几部长篇小说或一整年财报一次性处理）
• 核心技术：稀疏注意力机制——模型先飞速扫一眼，精准锁定最重要的数据块，再把算力砸在有用信息上
• 效果：4,000多亿参数硬是干出了别人上万亿参数的效果

3. NextN2

主打自适应推理——自己判断任务难度，简单问题直接秒回，复杂任务才切深度思考模式。在自动化编码实战测试中表现惊人。

小结：在语言和逻辑处理层面，开源阵营与闭源巨头之间已无不可逾越的鸿沟。

四、Anthropic大翻车：神话级模型被美国政府封杀

这是本周最魔幻的剧情。

第一步：暗中降质

Anthropic高调发布号称「神话级」的 Claude Fable 5。但开发者发现，该模型存在一个隐藏设定：当用户询问AI研究、机器学习训练等硬核技术问题时，它不会直接拒绝，而是暗中给出被弱化甚至残缺的错误答案来误导用户。

第二步：信任崩塌

Anthropic撤回暗中破坏机制、改成直接拒绝回答，但开发者社区的信任已经碎了。

第三步：美国政府直接出手

美国政府以国家安全名义，强制全面封锁包括外国员工在内的所有外国国民对Fable 5和Mythos 5访问权限。Anthropic极端切断所有客户访问，连美国本土用户也被拔了网线。

一个研发耗资巨大的顶尖大模型，就这么被强行封印了。

更深层的问题：今天政府能以安全为由封杀最新模型，明天是否同样封杀OpenAI的新动作？对于商业决策者而言，过度依赖单一闭源大模型提供商的风险已高到无法承受。

五、视觉和3D/4D技术全面爆发

这周的视觉技术密度极高，每一项都在砸穿传统门槛。

1. Scale2（智谱AI开源）— 视频动作迁移

在复杂的丛林动作场景中，能把两人高强度对打时的骨骼轨迹、肌肉发力细节完整套在不同风格角色身上，连运镜和动态模糊都能复刻。模型文件81GB，但开源社区很快会推出量化版。

2. Flex 4D Human — 四维空间外科手术

只需一段普通手机拍的短视频，AI就能重建这个人在运动过程中的全身高精度4D动态模型（3D空间+时间轴）。可以自由切换360度任意视角观察，衣服褶皱、肌肉线条全部重建。多视角素材输入时精度指数级提升，生成结果可直接塞进主流3D软件或游戏引擎。

3. Princeton IE — 图像模型的"菜谱级"开源

仅30亿参数、12GB体积，普通家用设备无压力。但价值不在画质——而是把从零训练图像模型的完整代码库、数据处理管线、清洗数据集全部公开，让任何人都能开发垂直领域视觉模型。

4. Actionable World Representation & Surf Flow

• AWR：从雷达点云或深度视频数据中，建模物体受外力时的变形、弯曲、折叠
• Surf Flow：用杂乱无章随机拍摄的照片自动拼接出完美3D模型，无需严格轨迹

六、具身智能：数据荒的解决方案来了

具身智能的最大瓶颈不是硬件，而是数据荒——人类有海量2D视频，机器人需要的是3D世界感知和物理运动反馈数据。

• Oscar世界模型：用极简骨骼信号跨越不同机器人硬件限制，大量生成符合物理法则的训练视频
• Anchorworld系统：把人类真实操作的第一视角画面直接转化为3D空间里的具身动作模拟

这些工具让人类能在虚拟数字世界里以数万倍速度疯狂生产用于训练人形机器人的全真物理数据，把具身智能的落地时间表大大提前。

七、视频生成底层操控的新范式

Streamforce — 给视频装上物理摇杆

不再只是敲提示词碰运气。用户可以直接在生成的视频画面上施加物理方向上的力。全局力：画面刮起一阵风；局部力：精准推翻一张椅子或让苹果滚动。这种带因果关系的实时物理运算，仅在一个普通CPU上就能跑出每秒16.6帧的速度。

World Tracing — 解决3D重建的"背面盲区"

给每个像素建立深度堆叠层：第一层是可见表面，第二三层是模型推算的背面结构。导入工业软件时不再出现破洞。

Meshflow（Meta）— 3D网格生成拉爆18倍速度

直接生成工业级网格（顶点+边缘），速度比现有方法快18倍，大量人工建模外包工作即将被替代。

Video MDM — 从2D视频直接生成3D动作

彻底抛弃昂贵的动捕设备，从海量2D视频提取人体姿态轨迹，训练出通过文字提示就能生成连贯3D动作的模型，MIT协议完全开源。

Movius — 单张图片生成360°全景世界

消费级显卡RTX 4090上以每秒8帧实时渲染3D环境。

Milivid — 长视频连贯性破局

用分层自动编码器架构：先锁定画面大局和核心语义，再填充纹理细节，极大缓解长视频中物体走形和随机消失的问题。

八、Agent评测：AI的玩具时代结束了

Agent's Last Exam 全新测试基准，模拟55个不同细分行业的真实工作流（神经科学、数据分析、虚幻引擎场景搭建、建筑建模、制造业流程规划等），不是简单的问答，而是十几步跨专业软件的真实业务操作。

结果：

• GPT-5.5：压倒性优势，拿下当前最好成绩
• Claude Fable 5：因暗中降质的安全限制，在该测试中频繁拒绝执行或给出劣质方案

这说明商业环境只认一个标准：能不能接手真实员工的具体工作。

同期亮相的Arbor自主研究系统，把工作流变成一棵不断生长的逻辑树——主管制定大方向，执行智能体自己提出假设、跑实验、记录经验，失败换分支继续测。这种具有连贯记忆和横向对比能力的系统，在复杂架构设计和高级逻辑推理测试中碾压传统单线程执行模式。

Luma Agents工作空间则踩中了工具太多导致工作流断裂的痛点——把策划、设计、视频生成等孤立的节点用智能体串联在一张互联画布上，人类只需要做好创意总监的把控工作。

总结

本周的密集发布从底层语言架构的颠覆、到3D/4D资产生成的平民化、再到真实工作流基准的建立，几乎覆盖了数字生产力的所有核心环节。市场格局正在以周为单位被撕裂和重组。

对于身处其中的每一个从业者来说，看清底层工具的演进逻辑和落地能力，远比盲目追逐一两个参数要实际得多。