ALUX AI Agent Daily2026-09-07Global AI Brief
AI Agent智能体开始长出身体
从说话人识别、道路规划到三维拓扑与新型芯片，模型周边的感知和执行系统正在变厚。
16值得关注
13可动手试
4开源发现
8覆盖区域
今日总判断：竞争正在从单次回答转向持续感知、动作与交付；越接近生产，访问资格、许可和测量口径越不能省略。
RISC机器说明
RISC = 生产级 Agent / 机器人身体的四个系统
一个真正能上生产的 Agent，不能只有大脑。它还要持续行动、扛住故障、抵御越权，并进入真实组织协作。
行业已经交付了一颗出色的大脑，但生产级 Agent 还需要机体、免疫和社会。ALUX 构建的，就是这台完整机器。
AI Agent雷达
说话人身份进入转写
VibeVoice、Parse 与多模态模型让来源、位置和对象关系跟随内容进入下游。
规划与互动共用状态
驾驶轨迹、浏览器动作和可播放课件说明，Agent 输出正在从文字转成可继续操作的对象。
架构与介质重写成本
MoVA、线性视频分支、NVFP4 与概率芯片分别削减长上下文、视频和部署成本。
值得关注的新功能
VibeVoice 把“谁说了什么”带进流式转写
发生了什么：微软公开 VibeVoice-ASR-Streaming-7B 权重与代码。这款 7B 语音识别模型一边接收音频，一边输出带说话人归属的转写结果，还支持自定义热词；官方模型页列出中文、英文、日文、韩文等十种语言。
为什么值得关注：实时会议与语音 Agent 最难处理的往往不是把声音变成字，而是保持“谁在说话”、专有名词和当前轮次不串线。把说话人识别与流式转写放进同一模型，能缩短后处理链。
适合谁看：会议纪要、客服质检、实时字幕、访谈整理和语音 Agent 团队。
Qwen-Drive 用 4B 模型同时看路、问答与规划
发生了什么：Qwen-Drive 1.0 在 Qwen3.5-4B 主干上加入鸟瞰感知头与基于流匹配的规划专家，用同一套 4B 模型完成三维检测、占用与地图感知、视觉问答和车辆运动规划。官方同时开放模型权重、代码与 Apache-2.0 许可。
为什么值得关注：自动驾驶模型常把感知、语言理解与规划拆成多段管线。这个小体量方案把三者拉进统一骨架，给端侧机器人和车载研究提供了更容易复现实验的起点。
适合谁看：自动驾驶、移动机器人、具身智能、仿真评测与边缘推理团队。
LLaDA-Image 用一套 6B 权重兼做生成与编辑
发生了什么：InclusionAI 开放 LLaDA-Image 的推理代码与模型权重：同一个 6B 扩散语言模型兼做文生图和图像编辑，基础版使用 50 步，Turbo 版压到 4 步，并把中英文文字渲染列为重点能力。
为什么值得关注：生成与编辑共享模型，意味着设计工具可以把“先出图、再局部改动”放进连续对话，不必在两套模型之间搬运状态。4 步版本也更适合交互式迭代。
适合谁看：视觉创作工具、广告素材、中文排版图、图像编辑和多模态 Agent 团队。
K2-Horizon 用 4B 激活参数承接 512K 上下文
发生了什么：IFM 发布 K2-Horizon-MoVA-36B-A4B 最终权重。模型总参数 36B、每个 token 激活约 4B，并提供 512K 原生上下文；其 MoVA 路由会按 token 在多种注意力机制间选择。
为什么值得关注：长上下文模型的压力不仅来自参数总量，还来自每个 token 真正经过多少计算。按 token 路由注意力与专家，为长文档 Agent 提供了另一种效率取舍。
适合谁看：长文档检索、代码仓库理解、研究 Agent、推理服务和模型架构团队。
Viggle Animate 只重画一帧就替换整段角色
发生了什么：Viggle Animate 让用户先在视频的一帧里重画人物，再把这个新角色传播到整段视频，同时保留原动作、镜头和节奏。官方说明它不依赖外接姿态估计、分割器、脸部跟踪器或文本编码器。
为什么值得关注：角色替换从“重新生成整段视频”转向“一帧定义身份、整段继承运动”，更接近剪辑师能控制的工作方式，也降低连续修订的成本。
适合谁看：短视频、广告预演、虚拟角色、舞蹈内容和视频编辑工具团队。
Video DeltaNet 用线性分支压缩视频生成等待
发生了什么：Video DeltaNet 在 MiniMax H3 视频扩散骨架中加入独立线性注意力分支，并用两组 LoRA 适配器对齐原模型。项目开放 8 步与 50 步检查点、训练代码和推理代码。
为什么值得关注：视频加速不一定要重新训练整套大模型。给现有骨架增加可学习的低成本分支，有机会把研究成果更快嵌进已有生成管线。
适合谁看：视频生成基础设施、扩散模型研究、推理优化和创意工具团队。
CogEvol-4B 一次生成可播放课件与互动网页
发生了什么：CogEvol-4B 基于 Qwen3.5-4B，直接生成结构化 JSON 幻灯片或可独立打开的互动 HTML 课件。项目说明其训练经过监督微调、幻灯片强化学习与互动网页强化学习，并提供约 2.4GB 的 Q4_K_M 量化文件。
为什么值得关注：小模型不再只输出讲稿，而是交付能播放、能点击、能离线保存的完整学习材料。对个人设备和内部知识场景，这比云端生成一段文本更接近可用产品。
适合谁看：教育产品、企业培训、课程设计、本地模型与离线内容生成团队。
GitHub开源发现
Stars为成稿时的关注度快照，不代表质量排名。许可证按官方仓库准确标注。
SQuadGen 把四边形三维网格变成可生成对象
发生了什么：微软公开 SQuadGen 权重与代码，用连续曲面表示配合扩散模型生成以四边形为主的三维网格。
为什么值得关注：可编辑拓扑比单纯生成外观更接近建模、动画与后续加工流程。
适合谁看：三维资产、游戏、动画与几何生成研究团队。
Reachy Mini 在浏览器里长出会说话的三维身体
发生了什么：Pollen Robotics 把 Reachy Mini 做成浏览器三维语音演示：模型可在对话中调用情绪、舞蹈、天气与搜索工具，头部动作还会随语音同步。
为什么值得关注：身体动作、工具反馈与说话节奏开始共用一套前端。
适合谁看：机器人交互、语音产品、教育展项和三维前端团队。
全球技术与市场观察
Irodori-TTS 为日语动漫声线提供本地量化版
发生了什么：PhaseField Audio 发布面向日语动漫风格的 Irodori-TTS v4.1，并提供 int8、int4 与 float8 等量化变体。
为什么值得关注：更小的本地版本让角色语音原型不必先依赖云端服务。
适合谁看：日语配音、游戏原型、虚拟角色和本地 TTS 团队。
Z1T-0 为概率芯片开放第一组稀疏模型权重
发生了什么：Extropic 发布面向 Z1 概率硬件的 Z1T 稀疏 Transformer 架构，并开放首个 Z1T-0 权重与 Apache-2.0 代码。
为什么值得关注：模型结构与非传统芯片被放进同一套能效实验。
适合谁看：AI 芯片、稀疏模型、推理能效与异构计算团队。
NVIDIA 把 Qwen3.8-Flash-Next 检查点缩小约 63%
发生了什么：NVIDIA 发布 Qwen3.8-Flash-Next 的 NVFP4 检查点，官方称磁盘体积比 BF16 减少约 63%。
为什么值得关注：大规模多模态模型获得可直接服务的量化版本。
适合谁看：Blackwell 推理与多模态部署团队。
Codex 为 Astra 推出期发放两次可保存重置
发生了什么：OpenAI 确认，符合条件的付费账户在 9 月 3 日和 4 日各获一次 Codex 可保存重置，手动使用后刷新 5 小时与周窗口。
为什么值得关注：算力权益可以留到高峰期使用，并重排整周额度节奏。
适合谁看：依赖 Codex 周额度的付费用户与团队。
Cohere Parse 把文档阅读顺序与版面位置一起交给 Agent
发生了什么：Cohere 发布 2.3B 多模态文档模型 Parse v5，可按阅读顺序提取文字、表格、表单与图像，并输出 Markdown、HTML、边界框和图像描述。
为什么值得关注：阅读顺序与位置证据可一起进入检索和审核。
适合谁看：合同、财务文档、知识库与 RAG 团队。
GLM-5.3-Flash 用 18B 激活参数处理原生多模态工作流
发生了什么：智谱上线 GLM-5.3-Flash：总参数 320B、激活 18B，混合线性与稀疏注意力，原生理解图片和视频。
为什么值得关注：大规模 MoE、多模态和工具操作进入同一效率路线。
适合谁看：编码、浏览器、办公与金融研究团队。
MAI-Image-2.6 把多图参考编辑带进 Foundry 公测
发生了什么：微软发布 MAI-Image-2.6 与 Flash 变体，支持多张参考图参与生成和编辑，并进入 Foundry 公测。
为什么值得关注：多图参考更利于连续改稿时保持资产一致。
适合谁看：品牌、电商、角色与图像编辑团队。
本期观察：Agent 的竞争正在从单次回答转向可持续的感知、动作、交付与算力配置；越接近真实生产，访问条件、许可和测量口径越不能省略。
来源
- Microsoft VibeVoice ASR Streaming：VibeVoice 把“谁说了什么”带进流式转写 官方模型页
- Qwen-Drive 1.0 4B：Qwen-Drive 用 4B 模型同时看路、问答与规划 官方模型页
- InclusionAI LLaDA-Image：LLaDA-Image 用一套 6B 权重兼做生成与编辑 官方开源发布
- IFM K2-Horizon MoVA：K2-Horizon 用 4B 激活参数承接 512K 上下文 官方模型页
- Viggle Animate：Viggle Animate 只重画一帧就替换整段角色 官方模型页
- Video DeltaNet VDN-H3：Video DeltaNet 用线性分支压缩视频生成等待 官方开源发布
- CogEvol-4B：CogEvol-4B 一次生成可播放课件与互动网页 官方开源发布
- Microsoft SQuadGen：SQuadGen 把四边形三维网格变成可生成对象 官方开源发布
- Irodori-TTS v4.1 Anime：Irodori-TTS 为日语动漫声线提供本地量化版 官方模型页
- Reachy Mini 3D Voice：Reachy Mini 在浏览器里长出会说话的三维身体 官方演示
- Extropic Z1T-0：Z1T-0 为概率芯片开放第一组稀疏模型权重 官方研究
- NVIDIA Qwen3.8 Flash Next NVFP4：NVIDIA 把 Qwen3.8-Flash-Next 检查点缩小约 63% 官方模型页
- OpenAI Codex Banked Reset：Codex 为 Astra 推出期发放两次可保存重置 官方公告
- Cohere Parse v5：Cohere Parse 把文档阅读顺序与版面位置一起交给 Agent 官方公告
- Zhipu GLM-5.3-Flash：GLM-5.3-Flash 用 18B 激活参数处理原生多模态工作流 官方公告
- Microsoft MAI-Image-2.6：MAI-Image-2.6 把多图参考编辑带进 Foundry 公测 官方公告