通义千问发布Qwen-Audio-3.0-TTS，登顶TTS排行榜

Introducing the Qwen-Audio-3.0-TTS. Our latest text-to-speech model， in two flavors： • Flash： real-…

阿里通义千问推出最新文本转语音模型Qwen-Audio-3.0-TTS，提供Flash（实时交互）和Plus（高质量生成）两个版本。新功能包括细粒度内联标签控制（如【whisper】、【angry】）、自然语言风格控制、支持16种语言，以及一次生成长达3分钟的长文本。该模型目前在Artificial Analysis TTS排行榜上排名第一。

SANA-Video 2.0：混合线性注意力与注意力残差实现高效视频生成

SANA-Video 2.0： Hybrid Linear Attention with Attention Residuals for Efficient Video Generation

SANA-Video 2.0 是一个混合视频扩散 Transformer，提供 5B 和 14B 两种规模，可在单 GPU 上生成最高 720p 视频。其 Hybrid Linear-Softmax Attention 以 3：1 比例混合线性与 softmax 注意力，配合 Block Attention Residuals 将深层有效秩提升约 12%。

Gemini 3.6 Flash 与 3.5 Flash-Lite 正式版发布

Gemini 3.6 Flash & 3.5 Flash-Lite： Developer guide

Google 发布 Gemini 3.6 Flash 和 Gemini 3.5 Flash-Lite 正式版。3.6 Flash 在复杂智能体和多模态任务上性能更强，输出 token 价格降至 $7.50/1M，支持 1M token 上下文窗口和 Computer Use 工具。

Cactus 发布 Gemma 4 E2B Hybrid：可在设备端为每个回答输出置信度分数，低分时自动路由至更大模型

Show HN： 《仙人掌杂交种》：我们教4岁的杰玛如何分辨对错

Cactus 推出基于 Gemma 4 的混合模型"Cactus Hybrid"，在模型检查点内嵌入置信度探针，为每个生成答案输出 0-1 之间的结构化置信度分数。高置信度时在设备端直接回答，低分时可自动路由至更大模型。该探针在零音频训练数据下，于四个音频基准上达到 0.79-0.88 AUROC，远超 token 熵基线（均值 0.549），且 MIT 协议开源。

FLUX 3 发布：Black Forest Labs 多模态模型，支持原生音频、图像生成与动作预测

FLUX 3 - Real World Models： Towards Multimodal Flow Models as the Backbone of Visual Intelligence.

Black Forest Labs 发布多模态模型 FLUX 3，面向视频领域，原生支持音频、图像生成与动作预测。该模型旨在成为视觉智能的骨干，目前官方已展示其能力与早期结果。