谷歌正式掀桌子！Diffusion Gemma 速度狂飆 4 倍，小模型公司全體陪葬？😱

谷歌這次的動作可以說是直接掀了桌子 他們放出的Diffusion Jemma 徹底改變了語言模型輸出文字的底層邏輯 以前科技巨頭們搞大語言模型 不管參數多大 輸出的時候都是從左到右 一個詞一個詞往外蹦 專業術語叫自回歸 這就像是蓋房子 工人必須一塊磚一塊磚地往上砌 不管你的算力有多強 GPU都得排隊 等著上一個詞生成完 但Diffusion Jemma不按常理出牌 它把圖像生成領域的擴散模型思路拿過來寫字了 這就不是砌磚頭 而是直接拿模具倒水泥 模型會一次性起草一整塊幾百個詞的文本段落 然後通過多次迭代來打磨這些文字 這種變化帶來的直接後果就是速度的狂飆 測試數據擺在那裡 它的文本生成速度比同等規模的傳統模型快了整整四倍 在這個算力就是金錢的行業裡 速度快四倍意味著什麼? 意味著對於那些需要大規模處理文本的商業公司來說 服務器成本直接砍掉了一大半 這不僅僅是技術上的炫技 更是實打實的商業互乘合 以前很多人覺得擴散模型 搞不定複雜的邏輯推理和世界知識 但這次的260億參數版本 在科學、知識、數學和代碼能力上 硬是逼近了同等體量的常規大模型 更要命的是 谷歌把它開遠了 用的是幾乎沒有限制的Apache 2.0協議 只要有能帶得動52GB模型文件的頂級顯卡 無論是初創企業還是個人開發者 都能拿去直接商用 這種降維打擊 直接把那些還在靠賣API調用次數 市場很快就會看到一批基於這種新架構的 超快響應AI應用冒出來 從時時克服到高速代碼生成 底層的洗牌已經開始了 谷歌砸下的第二拳是Gemini 3.5實時翻譯模型 傳統的翻譯軟件 哪怕加了AI 也得等你把一句話完整說完 停頓一下 機器才開始翻譯 這在真正的商業談判或者跨國交流裡 那種停頓相當要命 但這次的新東西完全不一樣 它能夠在你說話的同時 只比你慢幾秒鐘 用你的聲音 你的語調 甚至你的情緒 把翻譯出來的外語講出來 如果原說話人結巴了一下 或者嘆了口氣 這個系統甚至能把這些非語言的細節 完美復刻過去 這就徹底打破了語言的壁壘 看一看跨國貿易和海外電商直播 以前還要高薪聘請 懂幾十國語言的本地化團隊 現在一套API接進去 一個人就能同時抄著七十多種語言 做全球直播 而且系統非常聰明 它不是死板的逐字翻譯 而是會根據上下文去調整句式 讓對話保持特別順暢的流動 對於內容創作者和出海企業來說 這意味著全球化 不再是一個需要砸重金試錯的戰略 而是變成了一個開箱即用的技術插件 手機端的全面鋪開 更是要把這個能力塞進每一個普通人的口袋 以後的跨國出差或者旅行 語言障礙這個詞 恐怕要進歷史博物館了 在語音這塊 除了谷歌的實時翻譯 開源社區也扔出了一顆重磅炸 一個只有二十億參數的極小體積文本 轉語音模型橫空出世 別看它小 基礎模型只有5G字節左右 普通的家用顯卡就能跑得飛起 但它的靈樣本聲音克隆能力強得離譜 只需要提供隨便某個人 短短幾秒鐘的語音片段 這個AI就能完美抓住那個人的音色 發音習慣 甚至微妙的氣息特徵 然後用這個聲音讀出任何你給他的文本 它不僅能處理複雜的語氣變化 比如充滿懷疑的質問 緊張的結巴 甚至是壓低聲音的耳語 而且它還是個語言天才 就算你提供的參考聲音只說英文 它也能立刻學會用這個聲音去說流利的中文 法文或者西班牙文 從商業角度看 這把有聲書製作 遊戲配音 以及虛擬偶像互動的成本打到了地板架 以前需要請專業配音演員進錄音棚 折騰幾個星期 現在只要幾秒鐘的素材 一臺破電腦幾分鐘就能批量 生成幾個小時的高質量音頻 關鍵是它也採用了寬鬆的開源協議 這意味著無數的中小企業 可以直接把它集成到自己的產品裡 根本不需要給巨頭交過路費 說到開源 其實這週最能打的開源大模型 基本上都在狂捲 以前大家覺得開源模型 就是拿來搞點小應用 幹不了重活 但現在情況全變了 月之暗面放出了一個代號 叫Kimi-K 2.7的萬億參數模型 萬億參數幾乎摸到了 目前頂級幣源模型的行業天花板 而且它用了混合專家架構 平時運作的時候 真正激活的參數只有320億 這就保證了它在聰明的同時 還能特別省算力 跑分數據一出來 直接咬住了GPT 5.5那些標杆 這可是開源模型 意味著外面那些拿不到大廠配額的公司 直接就能用上第一梯隊的腦力 再看看MINIMAX拿出的M3模型 這個模型4270億參數 直接給你塞進去100萬詞的上下文窗口 100萬詞相當於你可以把十幾本長篇小說 或者一個公司一整年的財務報表 一次性全扔給它處理 這裡頭有個很硬核的底層技術 叫吸收注意力機制 傳統的語言模型看長文本 就像死記硬背 從頭到尾每一個字都要平均分配腦力去理解 但這個技術就像是給模型裝了個智能鎖影 模型在處理海量信息的時候 會先飛速掃一眼 精準鎖定最重要的數據塊 然後把絕大部分算力全砸在這些有用信息上 就因為這招 他們用4000多億參數 硬是幹出了別人上萬億參數的效果 除此之外還有個叫NextNR的開源新秀 主打一個看菜下飯 以前的AI處理問題 不管是問1加1等於幾 還是讓它寫幾千行的複雜代碼 都用一樣的力氣思考 NextNR搞了個自適應推理 這玩意兒能自己判斷任務難度 如果是個簡單問題它直接秒回 遇到複雜的邏輯任務 它才會切換到深度思考模式 靠著這種精打細算 它在很多自動化編碼實戰測試裡表現驚人 這釋放了一個明確的信號 那就是在純粹的語言和邏輯處理層面上 開源陣營和幣源巨頭之間 早就沒有什麼不可逾越的鴻溝了 但就在開源界高歌猛進的時候 幣源巨頭那邊卻上演了一齣大戲 Anthropic剛剛高調發布了 他們號稱達到了神話級別的 旗艦模型 結果還沒等市場五熱乎 這玩意就直接暴斃了 一開始是開發者拿到模型後 發現這東西的內部安全機制 被調教得十分離譜 如果在長達300多頁的系統說明書裡仔細翻 就會發現一個讓人後背發涼的隱藏設定 當用戶向他詢問關於人工智能研究 機器學習訓練這些硬核技術問題時 他並不會直接拒絕回答 而是會在暗中故意給你一個被弱化 甚至殘缺不全的錯誤答案來誤導你 這種近乎蓄意破壞的機制一曝光 整個開發者社區炸了鍋 做技術的人最看重工具的可靠性 如果一個頂級AI會在你最需要專業建議的時候 背地裡挖坑 誰還敢把他介入到核心業務系統裡 雖然Anthropic很快撤回了這個暗中破壞機制 改成了直接拒絕回答 但信任一旦碎了根本拼不回來 然而真正的致命一擊還在後面 更魔幻的事情發生了 美國政府直接下達了行政指令 以國家安全的名義 強制要求全面封鎖包括外國員工在內的 所有外國國民 對Fable 5以及Mythos 5這兩個頂尖模型的訪問權限 為了合規 Anthropic做了一個極端的決定 直接切斷了所有客戶的訪問 連美國本土的用戶也一塊被拔了網線 一個研發耗資巨大的頂尖大語言模型 就這麼被強行封印了 這在整個行業裡引發了巨大地震 這不僅僅是一家公司的問題 這是整個AI行業的達摩克利斯之劍落下來了 市場都在看著 今天政府能以安全為由封殺最新模型 明天是不是也能同樣封殺OpenAI的新動作 更深層面的問題是 這種一刀切的禁令到底要怎麼執行 難道以後用大模型還要做嚴格的實名認證 這起事件打破了科技圈的幻想 讓人工智能算力競賽毫無遮掩的 撞上了地緣政治的鐵板 對於商業決策者來說 這意味著過度依賴單一幣元大模型提供商的風險 已經高到了無法承受的地步 大模型層面的巨震還沒平息 視覺和視頻生成技術這一塊 在同一週也捲到了一個匪夷所思的高度 以前大家都覺得視頻生成就是敲幾句提示詞 讓畫面動起來就行了 但這週開源社區扔出的那幾個工具 直接把視頻生成拉到了物理法則理解 和士達西空間重建的新高度 質樸AI在這個節點反應速度極快 前腳大模型那邊剛出事 後腳他們就高調把scale2給開源了 這個東西直接瞄準了視頻動作遷移這塊最難啃的骨頭 以前的視頻動作遷移工具 往往只能勉強胡弄一下單人畫面 一旦背景稍微複雜點 或者人物肢體有大範圍的重疊交叉 畫面馬上就會融化成一團麵糊 但scale2在實戰演示裡展現出的穩定性 幾乎可以和市面上那些死貴死貴的幣元工具打個平手 它能在複雜的叢林動作場景裡 把兩個人在高強度對打時的骨骼軌跡 肌肉發力細節 完完整整的套在另外兩個完全不同風格的角色身上 甚至連原視頻裡的鏡頭運鏡和動態模糊都能復刻 不僅能整活真人 它連Flamingo 或者長相奇特 身材比例嚴重失調的卡通怪物 也能輕鬆拿捏 scale2的開源 直接給內容創作機構和動畫工作室發了一張低成本入場券 以前做這種高難度的角色動畫 得花大價錢請專業的動捕演員 在綠幕前折騰大半天 後期還要調無數遍骨骼細節 現在到 好 在互聯網上找一段免費的高清動作視頻當驅動員 用scale2跑一下 幾分鐘就能出來院線級別的動作遷移效果 雖說它整個模型文件加起來有驚人的81級字節 普通創作者的單張顯卡很難直接跑全量版本 但開源社區最不缺的就是優化大牛 要不了幾天各種量化版和精簡版就會滿大街都是 這直接把動作、特效、製作的門檻和成本砸穿了 如果說scale2是把二達西視頻裡的動作玩明白了 那同一週出來的flex四達西human 就是直接在四維空間裡做外科手術 這裡說的四達西 就是在傳統的三達西立體空間上 再加上了一維時間軸 這個工具最可怕的地方在於 它完全不需要任何傳統意義上的高階動捕設備 深度攝像頭或者複雜的骨骼 把線貼圖作為前置輔助 你只需要給它一段用普通手機拍的單視角真人活動短片 AI就能僅憑這些原始畫面 把這個人在運動過程中的全身高精度四達西動態模型給憑空算出來 你可以自由切換360度的任意視角 去觀察這個人在原視頻裡的運動 衣服的褶皺、肌肉的線條 乃至每一次重心的移動 全部被AI用純粹的代碼邏輯進行了重新構建 如果你手裡有多個視角的手機素材 哪怕只是兩三個不同的側面 把它一起餵給這個AI 算出來的模型精準度和細節豐富度還會呈指數級飆升 生成出來的四達西人體模型 可以直接作為工業標準的資產 無縫塞進任何主流的三維動畫軟件或遊戲引擎裡去進行二次編輯 這給遊戲開發和VR、AR行業帶來的商業震動是顛覆性的 以往做這種數字人資產 從掃描到建模再到調動作 每一個環節都是在燒錢 而現在這個門檻被一腳踹到了馬路邊上 同一時間 專門針對三達西場景重建的工具也在瘋狂迭代 Princeton大學開源了一個叫IE的圖像大模型 這個模型只有30億參數 體積只有12GB左右 普通的家用設備都能無壓力運行 但論畫質或者藝術表現力 它確實打不過市面上那些幣圓的繪圖頂流 但Princeton搞這個項目的真正目的 根本不是拼畫質 而是把從零開始 訓練一個圖像模型的所有底層配方 包括完整的代碼庫 數據處理管線 清洗乾淨的數據集 一股腦而全公開了 現在很多所謂的開源模型 其實都只是把訓練好的黑盒權重扔出來 至於這個模型到底是用什麼數據餵出來的 中間怎麼調教的 外界一概不知 IE的徹底開源 就像是把獨家祕方和廚房裡的每一種調料配比 全擺在桌面上 讓所有想要開發自己垂直領域視覺模型的人 有了最清晰的零模範本 在達西場景和物體的物理重建上 這週還冒出了兩項極為實用的底層工具 一個是專門研究物理對象如何變形的 Actionable World Representation技術 以前的三達西重建工具搞出來的東西 都是死板的硬質物體 像個石頭模型 根本沒法動 但這個新工具拿到了雷達點雲 或者深度視頻數據後 它不光會計算這個物體長什麼樣 還會去建模 這個物體在受到外力時 會怎麼彎曲 怎麼折疊 怎麼運動 不管是扭曲的耳機線 還是正在跑跳的四足機器狗 AI都能給它生成一套Controllable的動態運動軌跡 另一個叫Surflow的技術 則解決了一個大難題 如何用一堆雜亂無章的照片 拼接出完美的三達西模型 以往做三達西場景建模 照片必須按照嚴格的軌跡去拍 相機參數也得對得極準 錯一點模型就會崩塌 而Surflow採用了全局三達西狀態融合機制 哪怕你給他的照片 是一群路人隨機用手機拍的 角度亂七八糟 相機型號也完全不一樣 它也能在後臺自動對齊 並且隨著照片數量的增加 模型細節會像洗照片一樣越來越清晰 這些視覺 三達西 四達西技術的全面爆發 如果只看作是創作者的玩具 那就太低估他們的商業價值了 他們組合在一起 實際上正在為未來的全自動無人化工業 和機器人產業搭建最關鍵的基石 在智能機器人和巨聲智能領域 目前最大的瓶頸 不是機械幣不夠靈活 也不是芯片算力不夠 而是數據荒 人類社會有大量的二達西視頻 但機器人需要的是三達西世界感知 和具體的物理運動反饋數據 這週同時亮相的Oscar世界模型和Anchor World系統 直接把這個閉環給扣上了 Oscar可以用極簡的二達西骨骼信號 跨越不同的機器人硬件限制 大量生成虛擬的 符合現實物理法則的操作訓練視頻 而Anchor World則可以把人類在現實中操作水槽 拿起小刀的第一視角畫面 直接逆向轉化為三達西空間裡的巨聲動作模擬 通過這些AI視覺工具 人類可以在虛擬數字世界裡 以幾萬倍的速度 瘋狂生產用於訓練人型機器人的全真物理數據 這種技術層面的交叉火力 正在悄無聲息的把巨聲智能的落地時間表 往前狠狠的推了一大截 在處理完基礎模型和重度空間計算的變革後 這週的科技圈並沒有打算給人喘息的機會 把目光投向視頻生成領域的底層操控機制 就會發現一種叫做Streamforce的新技術 直接重寫了視頻生成的規則 以前控制視頻走向只能靠敲打提示詞 模型給什麼畫面存看運氣 但Streamforce硬是給人工智能裝上了一個物理搖桿 使用者可以直接在生成的視頻畫面上 施加物理方向上的力 如果是全局力 畫面裡就會颳起一陣風 所有的草木和衣角都會隨風擺動 如果是局部力 可以直接精準的推翻畫面裡的一張特定椅子 或者讓一個蘋果滾動 最關鍵的指標是 這種帶有因果關係的實時物理運算 僅僅在一個普通的中央處理器上 就能跑出每秒16.6幀的速度 這已經不再是單純的視頻像素生成 這是在用人工智能實時渲染一個帶有物理法則的小型宇宙 順著這種對三維和物理世界的理解往下挖 World Tracing這項技術的出現 正好填補了傳統圖像轉三維資產的一個致命盲區 以前給人工智能一張照片 讓它建模型 它只能建出鏡頭拍到的那一面 物體的背面或者被擋住的地方 全是一團糟 World Tracing的做法是 給每一個像素點建立一個深度的堆疊層 第一層是肉眼可見的表面 第二層、第三層則是模型根據世界常識推算出來的背面結構 或者被遮擋的牆壁 有了這種多層幾何結構的支撐 再把模型導入到工業軟件裡進行增三改差時 就不會出現那些反常識的破洞 同樣為瞭解三維資產生成的效率瓶頸 Meta這次出人意料的甩出了一張王牌 叫做MeshFlow 這套系統不僅能根據提示詞、點雲 或者參考圖生成三維模型 而且它生成的直接就是帶有頂點和邊緣的工業級網格 不是那種軟趴趴的粗糙形狀 通過把網格壓縮進潛在空間 它的生成速度直接把同行拉爆了 比現有的其他方法快了整整18倍 速度就是生產力 當生成三維網格的速度被壓縮到秒級 大量原本只能靠人工去摳的建模外包工作 大概率要面臨一次大換血 對於動態捕捉行業來說 Video MDM的開源同樣是一次不小的衝擊 這項技術的核心邏輯粗暴且直接 就是訓練人工智能去生成三維的人類動作 但全過程徹底拋棄昂貴的三維動作捕捉設備和數據 研究人員直接從海量的普通二維視頻裡 提取人體的姿態軌跡 反向訓練出一個能通過文字提示 就能生成連貫三維動作的模型 不管指令是讓模型生成一個正在做硬拉的人 還是一個倒退走路的動作 它都能直接輸出帶有空間坐標的運動軌跡 並且這套代碼是在限制極少的MIT協議下完全開源的 再配合上Movers 這種只要一張單視角圖片 就能實時腦補出360度全景世界 還能在消費級顯卡4090上 以每秒8幀實時渲染的三維環境生成器 一個人加一臺高配電腦 包攬整個動畫製作底層流程的時代 已經不再是紙面上的概念了 當然 視頻生成一直有個公認的死穴 就是長視頻的連貫性 目前的視頻大模型生成5到20秒的短片 還能看 時間一長 畫面裡的元素就開始群魔亂舞 該記得的場景細節全丟了 MiliVid系統就是衝著這個痛點來的 它的解法是用了一個叫分層自動編碼器的架構 它在生成畫面時 會先用粗糙的層級去死死盯住 整個畫面的大佈局和核心語意 然後再用精細的層級去填充紋理和外觀 這種從大框架到微觀細節的推演邏輯 讓模型在生成極長視頻時 依然能牢牢記住一開始的場景結構 極大的緩解了 長視頻裡物體走形和隨機消失的頑疾 跳出這些眼花撩亂的視覺特效 把視線拉回商業應用的冷酷現實 這週最能反映行業風向標的 其實是一個叫Agent's Last Exam的全新測試基準 市場對那些只能做做簡單算數題 寫個基礎代碼或者回答百科知識的測試 早就審美疲勞了 商業環境真正關心的是 人工智能到底能不能坐下來 接手一個真實員工的具體工作 這個全新的壓力測試 直接模擬了55個不同的細分行業 包括神經科學數據分析 虛幻引擎場景搭建 建築建模和製造業流程規劃 這不是簡單的問答遊戲 而是包含十幾個步驟 需要跨越不同專業軟件去操作的 真實業務工作流 在這個殘酷的實戰環境裡 GPT-5.5展現出了壓倒性的優勢 拿下了當前的最好成績 而之前引起巨大風波的 Cloud Fable 5 由於內部那些暗中降制的安全限制 在這個真實工作流測試裡 表現得非常掙扎 動不動就拒絕執行 或者偷偷給出劣質方案 這個測試榜單的出現 實際上就是在宣告 人工智能的玩具時代結束了 幹不了師大師複雜業務的模型 吹得再兇也會被資本和市場拋棄 為了讓人工智能能幹好 這種長線的複雜工作 Arbor這種自主研究系統的商業價值 就體現出來了 以往的人工智能 哪怕參數再大 也是個單線程的職場子 給個指令他去試一次 失敗了就卡在那 完全忘記之前發生過什麼 Arbor把整個工作流變成了一顆 不斷生長的邏輯樹 系統裡有一個主管負責制定大方向 下面帶著一群專門測試單一想法的 他們會自己提出假設 自己去跑實驗 成功了就把經驗記錄在這個節點上 失敗了就換個分支繼續測 這種具有連貫記憶和橫向對比能力的系統 在各種複雜的架構設計和高級邏輯推理測試中 直接碾壓了傳統的單線程執行模式 在這個越來越龐雜的生態裡 創作者和企業主面臨的不再是找不到工具 而是工具太多導致的工作流斷裂 Luma Agents這種工作空間的出現 正好踩中了整個行業的痛點 它不提供單一的生成服務 而是打造了一塊互聯的畫布 把策劃、設計、視頻生成 這些原本孤立的節點 用不同的智能體串聯起來 更核心的是 因為底層的技術引擎 對物理空間和鏡頭運動有深刻的理解 這些智能體不是在瞎猜文本提示詞 而是真的能在這個互聯畫布裡 理解操作者要構建的那個世界 到底符合怎樣的空間法則 在這個工作流裡 人類只需要做好創意總監的把控和審美判斷工作 不用再在十幾個不同的網頁和軟件之間疲於奔命 這一週的密集發布 從底層語言架構的顛覆 到三維、四維、資產生成的平民化 再到真實工作流基準的建立 幾乎覆蓋了數字生產力的所有核心環節 市場格局正在以周圍單位被撕裂和重組 對於身處其中的每一個商業節點來說 看清這些底層工具的演進邏輯和落地能力 遠比盲目追逐一兩個參數要實在的多