Qwen3.8-Omni-Flash上线：自己看视频、调工具、交成片
相关推荐
Qwen27B改成扩散Agent：速度拉到500+Token/s，厂商自测单项超Sol
动察 Beating AI 快讯，专攻超高速大模型的 Celeris 发布一款基于 Qwen3.8-27B 改出来的混合扩散 Agent 模型 Celeris-1 Magnus，官方称在不少场景能跑到 500+ Token/s。 在 τ³-Banking 的 97 个银行客服任务上，Magnus 开启 low reasoning 后完成率达到 41.2%，中位耗时 55 秒。同场的 GPT-5.6 Sol 是 38.1%、79 秒。 传统模型基本一个 Token 一个 Token 往后写，Magnus 能一次生成多个 Token，再反复修正。需要严格按顺序生成的内容再串行处理，因此一次计算可以往前推进更多 Token。
Qwen3.8-Flash发布一天就降价：输出比GLM便宜0.1元，但对手还在打5折
动察 Beating AI 快讯，Qwen3.8-Flash 刚发布一天，阿里云就降价了。每百万 Token 输入从 1 元降到 0.8 元，输出从 3 元降到 2.7 元，分别下降 20% 和 10%。 新价格刚好压过昨天发布的 GLM-5.3-Flash。后者 API 标价为输入 0.8 元、输出 2.8 元。Qwen 输入价格相同，输出便宜 0.1 元。 不过 GLM-5.3-Flash 上线后前两周打 5 折，目前实际价格只有输入 0.4 元、输出 1.4 元。优惠期内，GLM 仍然便宜近一半。等优惠结束，两款国产 Flash 模型的价格基本打平。
英伟达给Pi加外挂：Agent自己研究找出4种优化，Token最高省64%
动察 Beating AI 快讯，英伟达 NVLabs 开源 SoL-Pi，给 Coding Agent Harness「Pi」加了一层效率优化。研究团队搭了一套自动研究流程，让多个 Agent 分析 Pi 的运行轨迹、提出优化方案、改代码并自动验证。最初有 152 个候选方向，最后只留下 4 个。 这 4 个优化都在减少重复开销。比如改完代码后直接接着跑测试，少一次模型调用；读过的大文件和长输出先存到本地，需要时再取；子任务结束后判断要不要压缩上下文；超长日志先交给便宜模型筛重点，再核对内容确实来自原日志。 在 EdgeBench 上，SoL-Pi 相比原版 Pi 少用 45%–49% Token，成本低约三分之一；相比 Codex、Claude Code 的原生 Harness，Token 少 35%–64%，按 API 标价计算成本低 50%–54%。 不过省钱会损失一点能力，SoL-Pi 保留了 Pi 约 94% 的平均得分；在 Terminal-Bench 4 的 63 个 CPU 任务里，它解出 15 个，Codex 和 Pi 都是 18 个。
DeepSeek开始模型和Agent一起训：V4.1 Flash为Harness专项优化
动察 Beating AI 快讯，DeepSeek Harness v0.1.5 发布。V4.1 Flash 在训练阶段就针对 Harness 做了专项训练和优化，覆盖标准、PTC 和极简三种模式。Harness 已经直接进入模型训练环节，不再只是模型发布后再接一个 Agent 外壳。 新版还加入实验性的 Agent Teams。父子 Agent 可以双向通信，主 Agent 能给不同子 Agent 指定模型和推理强度；多个 Agent 还能共享任务、互相发消息，最后由主 Agent 汇总。 V4.1 Flash 还有一个很特别的长任务优化：Agent 跑到一半修改系统提示词，也可以尽量保留已有 KV Cache。长任务不用因为前面的规则改了一点，就把后面大段上下文重新计算。 Web 端也加入文件上传和预览，支持 PDF、图片、代码等格式。插件可以往左右 Sidebar 和内容区接入自己的 UI，长会话的加载、恢复和内存占用也一起做了优化。
FreeToken开源：一张5090跑DeepSeek-V4-Flash，最高25 Token/s
动察 Beating AI 快讯，伯克利、MIT 等研究者开源 FreeToken。这是一个专门为本地设备设计的 MoE（混合专家模型）推理引擎，主要解决超大模型显存装不下的问题。它会把部分权重放在系统内存，并让 CPU 和 GPU 一起参与推理。 FreeToken 会把模型的大量专家权重放在系统内存，只把一部分缓存在显存。遇到显存里没有的专家时，它会根据 PCIe 和 CPU 内存带宽，动态决定是把权重搬到 GPU，还是直接交给 CPU 计算。这样 CPU、GPU、系统内存和 PCIe 可以一起参与推理。 论文实测，一台配备 RTX 5090 的游戏台式机运行 284B 参数的 DeepSeek-V4-Flash，可以达到 22–25 Token/s。这款模型每生成一个 Token 实际只激活约 13B 参数，因此特别适合这种 CPU、GPU 混合推理。 FreeToken 还在 8GB 显存的 RTX 4060 笔记本上把 35B 模型跑到 39.3 Token/s；单张 96GB RTX PRO 6000 则可以运行 753B 参数的 GLM-5.2，速度达到 llama.cpp 的约两倍。项目目前支持超过 20 款 MoE 模型，并已采用 Apache 2.0 许可证开源。
谷歌Omni 1.1 Flash：一次生成10秒，连续续写最长40秒
动察 Beating AI 快讯，谷歌发布 Gemini Omni 1.1 Flash，这是 5 月亮相、6 月底开放 API 公测的 Gemini Omni Flash 的新版本。 新版单次生成视频最长仍是 10 秒，但第一次在 Omni API 中加入了视频续写。一条视频生成完以后，现在可以让它继续往后拍。每次可以再接 10 秒，连续续写后的整条视频最长 40 秒。每次往后接时，模型会参考前面最多 10 秒的画面，让人物、动作和剧情尽量接得上。 Omni 1.1 还新增了首尾帧控制。用户可以给它一张开头图片和一张结尾图片，让模型自动生成中间的连续视频。比如指定镜头开始时人物站在远处，结束时来到镜头前，模型会自己补完整个运动过程。 这次还加入更便宜的 360p 草稿模式，官方称系统吞吐量最高提高 60%，成本约为 720p 的三分之一。做完草稿后，还可以把成片放大到 1080p 或 4K。这里的 1080p 和 4K 属于放大输出，不是原生高分辨率生成。