字节豆包的实时音视频通话模型1.0 API全量上线了。边看、边听、边说,视觉、语音和理解放进同一次交互。延迟和信息损耗都压下来了,还能主动做场景提醒、自然接话。聊起来更接近面对面说话,不像一问一答那么机械。
视觉方向,商汤日日新SenseNova U1 Pro在Design Arena的图片生成和图片编辑两个榜单同时拿下中国区第一,全球排名第六。生成和编辑两头都能打,控图、改图的稳定性经得住横向评比。国产视觉模型在头部梯队的位置又稳了一分。
决策模型这边,Piccolo系列来了。参数从8亿到270亿,靠智能体数据工程和递归式自我改进,让模型能力和训练数据一起进化。Piccolo-27B在Decision Index Vision Full上以75.59分排第一,9B和4B也分别拿下Private基准同规模第一。权重以及Data-Juicer、AgentScope生态的配套工具全部开源。
Piccolo团队还给出几个反常识结论:骨干模型与训练配方能不能适配,可能比模型本身新旧更重要;有针对性的数据筛选,能让小模型在专业工作流里打出接近27B基线的水平;训练损失持续下降,离散决策准确率不一定跟着涨,甚至可能倒退。指标好看,不等于活干得好。
三件事拼在一起,方向很清楚:全模态交互拼实时,视觉生成拼榜单,决策模型开始拼数据配方和自我改进。参数规模不再是一家独大的答案,怎么喂数据、怎么调模型,才是新的分水岭。