AI 日报 · 2026 年 10 月 21 日 · 星期三
Mistral 发布 Voxtral 3 语音模型家族与语音 Agent SDK
Mistral 发布 Voxtral 3 语音模型家族，包含 Small 与 Mini Transcribe 转写模型、Mini TTS 合成模型，以及基于 LiveKit 的语音 Agent SDK。同一天，Hugging Face 发布 AnyLanguageModel 1.0，PyTorch 2.15 为 MPS 后端加入 FP8 支持。
AI 前沿
Mistral 发布 Voxtral 3 语音模型家族与语音 Agent SDK
Mistral 发布 Voxtral 3 语音模型家族，包含 Small 和 Mini Transcribe 转写模型、Mini TTS 语音合成模型，以及基于 LiveKit 的语音 Agent SDK。
arXiv cs.AI / cs.LG 最新论文提出 WildAWM 管线，用开源模型合成计算机使用智能体的可执行训练环境
论文提出 WildAWM，一个用开源模型合成可控环境与任务、用于训练通用计算机使用智能体（CUA）的流水线。它构建同时支持图形界面、MCP 服务和命令行的可执行环境，并用执行式质量门控配合多智能体采样、交叉评判一致性和反事实探针，保证任务可解、难度足够且验证器可靠。
PyTorch 2.15 为 MPS 带来 FP8 支持和更快的 LLM 解码
PyTorch 2.15 在 MPS 后端加入 FP8 张量支持，并把解码、softmax 等算子从 MPSGraph 换成专用 Metal kernel。
arXiv cs.AI / cs.LG 最新同一次仿真不同证据，检索工具输出让 LLM Agent 损失准确率
一项 arXiv 研究用 USGS 地球化学模拟器 PHREEQC 检验工具输出检索对 LLM Agent 准确率的影响，报告长达 846.8k 字符，测试为 158 道执行验证多选题。
arXiv cs.AI / cs.LG 最新Mise-en-Video 提出多镜头视频生成的细粒度 3D 控制框架
arXiv 论文提出 Mise-en-Video（MeV），一个让创作者先在 3D 空间里编排分镜、再生成多镜头视频的框架。它把用于多级叙事一致性的分层注意力机制与 3D 感知的布局引导结合，实现逐镜头的精确空间控制。
GitHub 开源雷达
Hugging Face 发布 AnyLanguageModel 1.0，Apple 平台可选本地或托管模型
AnyLanguageModel 1.0 发布，这是 Apple Foundation Models 框架的可直接替换实现，改一行 import 即可用同一套会话代码调用系统模型、llama.cpp、MLX、Core ML 的开放权重模型，以及 OpenAI、Anthropic、Gemini、Ollama 等托管服务。