谷歌于凌晨三点悄然上线Gemini 3 Pro大模型，未举行发布会。该模型在LMArena以1501分Elo登顶，人类最后考试（HLE）获45.8%、MMMU-Pro达81%、Video-MMMU达87.6%，性能超越GPT-5.1。其100万token上下文窗口支持长内容处理，深度思考能力在ARC-AGI-2测试中创45.1%新高，并推出Google Antigravity智能体平台。用户可通过Gemini应用或Google AI Studio体验。
字节跳动智能创作团队推出XVerse模型，该模型基于DiT架构，实现了复杂场景中多主体的独立精确控制，包括姿态、风格、光影和身份等维度。其在多主体控制、美学质量和身份相似度方面表现优异，构建的XVerseBench测试体系显示性能明显优于竞品。XVerse未来或将支持动态生成、交互编辑与复杂场景扩展，有望推动AIGC产业应用发展。
OmniAvatar是浙江大学和阿里巴巴集团联合开发的音频驱动数字人系统，能够根据静态照片、音频及文本提示生成自然流畅的全身动态视频。相比传统“说话头像”技术，该系统在身体动作协调、高精度音视频同步和文本控制方面实现突破。经测试，其在图像质量、视频流畅度及嘴型同步等指标上均领先，是目前唯一能同步生成面部与全身动画的模型。项目已开源，论文发布于arXiv。
百度商业研发团队推出的多模态生成大模型MuseSteamer，在VBench图生视频评测中取得全球第一，在中文音视频同步生成、精细化描述体系及风格控制等方面实现重要突破，展现优越语义理解能力。尽管存在镜头调度能力不足及生成速度较慢等问题，MuseSteamer仍是国产AI视频技术发展的重要里程碑，Turbo版已免费开放体验。
腾讯AI Lab推出开源音乐生成大模型SongGeneration，通过创新技术架构和训练方法突破音质、音乐性和生成速度等难题。模型支持四大核心功能：智能文本控制、精准风格跟随、多轨道生成和音色克隆，显著降低音乐创作门槛。三阶段训练策略和多维度人类偏好对齐进一步提升生成效果。权威评测显示其在开源模型中排名第一，接近商业模型水平，并已在Hugging Face和GitHub开放体验，助力音乐创作智能化普及。
阿里云近日发布最新多模态AI模型Qwen-VLo，其图像生成和编辑能力获用户高度评价，甚至超越GPT-4o。模型具备细节捕捉增强、单指令图像编辑、多语言支持及灵活分辨率适配等优势，并在图像识别、物体替换及渐进式生成等方面表现出色。现可通过Qwen Chat平台免费体验。
OmniGen2是一款基于Qwen-VL-2.5架构的多模态生成模型，拥有70亿参数，其中30亿用于文本处理，40亿用于图像扩散生成。其核心能力包括智能文本转图像、上下文感知编辑和多模态理解。新增的自我反思机制可自主优化输出质量。通过ComfyUI的节点式集成，用户可直观操作，降低使用门槛。已在多个场景中展示专业级图像生成与编辑效果。
GPT-5将集成Codex、Operator等多个AI工具，实现编程、研究、操作与记忆功能一体化。具备完全多模态能力，可处理语音、图像、代码与视频输入，并能智能切换推理与对话模式。据测试，其编程效率可提升3倍，定位为AGI发展第三阶段的关键突破。预计今年内发布，引发行业关注与安全讨论。
文章对Manus、扣子空间、Lovart、Flowith Neo、Skywork和超级麦吉六款主流AI Agent产品进行了评测，从执行能力、可信度和使用频次三个维度分析其市场竞争力。Lovart、Skywork和超级麦吉在各自垂直领域表现出色，总评分达18分，而通用型产品面临入口和整合的挑战。文章指出专业化与通用化共存、可交付性、信任机制和入口整合将成为Agent发展的重要方向。
