AI日报：阿里新发布Qwen3-4B模型； GPT-5详细信息提前泄露；MiniMax Speech 2.5语音生成模型上线 AI日报 8月7日?AIbase1、阿里新发布Qwen3-4B模型：小巧强劲，手机也能跑 AI！ 2、小红书发布开源多模态大模型 dots.vlm1，以 NaViT 视觉编码器领跑行业 3、MiniMax Speech 2.5语音生成模型上线：多语种表现力更强 4、Midjourney 推出 HD 视频模式，专为专业人士打造高品质影像 5、Cursor1.4正式发布:聚焦异步长程任务，加速大型代码库自动化进程 6、谷歌否认AI搜索功能影响网站流量，但数据显示零点击搜索激增 7、MiniCPM-V4.0开源发布，堪称“手机上的 GPT-4V” 8、AMD、高通宣布旗下硬件支持 gpt-oss 系列开放模型 9、腾讯重磅开源WeKnora！解锁复杂文档智能解析，知识管理进入AI新时代 10、重磅!OpenAI 旗舰模型 GPT-5详细信息疑似在 GitHub 上提前泄露 11、FlowSpeech：全球首个书面语转口语的 TTS 1.阿里新发布Qwen3-4B模型：小巧强劲，手机也能跑 AI！ 阿里通义千问团队推出的Qwen3-4B系列模型，在小型语言模型领域取得了重要突破，为移动端AI应用提供了新的技术路径。该模型不仅在性能上表现出色，还具备高效的资源利用能力，能够满足实际应用场景的需求。 亮点提要： ?? Qwen3-4B系列模型在性能与体积之间实现了平衡优化，适合移动设备运行。 ?? Qwen3-4B-Instruct-2507超越了闭源小型模型GPT-4.1-nano的表现，接近大规模模型Qwen3-30B-A3B的能力。 ?? Qwen3-4B-Thinking-2507在数学推理评测中获得高分，展现了强大的逻辑推理能力。 2.小红书发布开源多模态大模型 dots.vlm1，以 NaViT 视觉编码器领跑行业 小红书 Hi Lab 发布开源多模态大模型 dots.vlm1，其基于 NaViT 视觉编码器和 DeepSeek V3 大语言模型，展现出卓越的性能，尤其在图表推理、STEM 数学推理等方面表现突出，标志着开源多模态模型达到新高度。 亮点提要： ?? 原生自研的 NaViT 视觉编码器，支持动态分辨率，提升泛化能力。 ?? 构建了大规模清洗精细的训练集，提升图文对齐质量。 ?? 在多模态评测中表现优异，接近闭源模型 Gemini2.5Pro 和 Seed-VL1.5。 3.MiniMax Speech 2.5语音生成模型上线：多语种表现力更强 MiniMax推出了新一代语音生成模型Speech2.5，其在多语种表现力、音色复刻和语种覆盖范围等方面实现了显著提升。该模型不仅在中文方面保持全球最强水平，同时英文及其他多语种的表现也得到全面提升，为多个行业带来了便利和创新机会。 亮点提要： ?? Speech2.5在多语种表现力上取得飞跃性进步，支持40种语言切换。 ??? 音色复刻达到行业天花板级精度，可保留不同地区的口音特色。 ?? 多语种覆盖范围扩展至40个语种，包括多种新增语言，助力全球化内容创作。 4.Midjourney 推出 HD 视频模式，专为专业人士打造高品质影像 Midjourney 推出全新的 HD 视频模式，为专业用户提供更高清、更高质量的视频生成工具。该模式在分辨率和清晰度上显著提升，但成本也相应增加。此功能进一步巩固了 Midjourney 在 AI 视频生成领域的竞争力。 亮点提要： ?? HD 视频模式提供更高的像素分辨率，满足专业用户对高质量影像的需求。 ?? HD 模式成本约为 SD 模式的 3.2 倍，但能带来更优质的视觉效果。 ?? Midjourney 通过不断优化技术，与 OpenAI 的 Sora 和 Runway 的 Gen-4 等竞争者展开激烈角逐。 5.Cursor1.4正式发布:聚焦异步长程任务，加速大型代码库自动化进程 Cursor1.4版本的发布标志着其在AI驱动开发工具领域的进一步领先。该版本增强了异步和长程任务处理能力，优化了大型代码库的索引与搜索功能，并推动了AI编码工具向全自动化的转型。 亮点提要： ?? 异步任务处理能力显著提升，支持后台Agent运行并实现任务队列管理。 ?? 针对大型代码库进行了精准优化，提升了代码补全和查询效率。 ?? 推动AI编码工具向全自动化的转型，增强Agent自主性及协作功能。 详情入口： ?? https://cursor.com/en/changelog 6.谷歌否认AI搜索功能影响网站流量，但数据显示零点击搜索激增 谷歌反驳了关于AI搜索功能对网站流量造成冲击的指控，声称自然点击量保持稳定且点击质量有所提升。然而，数据表明零点击搜索比例显著增加，显示用户行为正在发生转变。 亮点提要： ?? 谷歌声称AI搜索功能未显著影响网站流量，但零点击搜索比例上升。 ?? 谷歌强调点击质量提高，但未提供具体数据支持其结论。 ?? 用户趋势转向其他平台，如Reddit和TikTok，导致谷歌流量变化。 7.MiniCPM-V4.0开源发布，堪称“手机上的 GPT-4V” MiniCPM-V4.0作为一款轻量级多模态大模型，凭借卓越的性能和优化设计，在图像、视频理解和多轮对话等任务中表现出色。其在移动设备上的高效运行能力，为AI应用提供了新的可能性。 亮点提要： ?? MiniCPM-V4.0基于SigLIP2-400M和MiniCPM4-3B构建，参数量仅为4.1B，却展现出强大的图像、视频理解能力。 ?? 在iPhone16Pro Max上实测，首次响应延迟不到2秒，解码速度超过17token/秒，具备高并发处理能力。 ?? 提供丰富的生态支持，兼容主流框架，并提供iOS应用及详细教程，降低开发者使用门槛。 详情入口： ?? https://github.com/OpenBMB/MiniCPM-o 8.AMD、高通宣布旗下硬件支持 gpt-oss 系列开放模型 AMD与高通联合宣布支持OpenAI的gpt-oss系列模型，标志着边缘计算和AI结合的重要进展。锐龙AI Max+395处理器成为首款运行gpt-oss-120b的消费级AI PC处理器，而高通骁龙平台展示了gpt-oss-20b的出色推理能力。 亮点提要： ?? AMD与高通宣布支持OpenAI的gpt-oss系列模型，推动边缘计算与AI结合。 ?? 锐龙AI Max+395处理器成为全球首款运行gpt-oss-120b的消费级AI PC处理器。 ?? 高通骁龙平台展示gpt-oss-20b的优秀推理能力，开发者可轻松访问模型。 9.腾讯重磅开源WeKnora！解锁复杂文档智能解析，知识管理进入AI新时代 腾讯开源的WeKnora是一款基于大语言模型的文档理解与检索工具，能够处理多模态文档并提供高效的结构化内容提取和智能交互功能。其模块化设计和强大的语义处理能力为多个行业带来了技术革新。 亮点提要： ?? WeKnora支持多模态文档解析，可从PDF、Word、图片等格式中提取结构化内容。 ?? 基于大语言模型的智能交互功能，支持多轮对话和自然语言查询。 ?? 模块化架构设计，便于灵活配置和扩展，适配不同行业需求。 详情入口： ?? https://github.com/Tencent/WeKnora 10.重磅!OpenAI 旗舰模型 GPT-5详细信息疑似在 GitHub 上提前泄露 文章揭示了GPT-5的性能飞跃、多版本布局以及其可能带来的影响，展示了OpenAI在大语言模型领域的进一步突破。 亮点提要： ?? GPT-5被描述为OpenAI最先进的大语言模型，具有强大的推理能力和代码质量。 ?? GPT-5将推出多个版本，以满足不同用户和场景的需求。 ?? 泄露信息的真实性引发广泛关注，开发者期待官方确认GPT-5的技术细节。 11.FlowSpeech：全球首个书面语转口语的 TTS FlowSpeech是一款创新的AI文本转语音工具，能够将书面文字转化为自然流畅的口语表达。它通过上下文感知和多模态支持技术，解决了传统TTS工具在语调变化和情感表达上的不足，为用户提供更贴近真实对话的语音体验。 亮点提要： ?? FlowSpeech专注于书面语向口语的转换，提升语音合成的自然性。 ?? 智能内容筛选功能可自动识别并剪裁不适合朗读的内容，提高语音质量。 ?? 开发团队计划推出个性化声音定制服务，拓展应用边界。 详情入口： ?? https://listenhub.ai/zh?tab=flowspeech ↓点击阅读原文，进AIbase官网. 阅读原文