阿里 Qwen 发布 Qwen-Audio-3.1-Realtime 全双工语音模型，支持工具调用与说话时机决策

Robbyant 推出 LingBot-VLA 2.0，一个 6B 参数的开源视觉-语言-动作（VLA）基础模型。它以 Qwen3-VL-4B-Instruct 为骨干，采用 MoE 动作专家架构，通过 55 维规范向量统一表示不同机器人的状态和动作。训练数据涵盖约 60,000 小时高质量数据（50,000 小时机器人轨迹 + 10,000 小时第一人称人类视频），覆盖 20 种机器人配置。在 GM-100 双机械臂基准测试中，模型在多个平台上超越 π0.5 和之前版本。…

BottleCap AI 发布 ThinkingCap-Qwen3.8-27B，这是基于 Qwen3.8-27B 的微调模型，在 12 个基准上平均减少 37.2% 思考 token，宏观精度从 86.65% 降至 85.79%。

阿里 Qwen 团队发布 Qwen-Image-2.1，将文生图与图像编辑统一到一个 7B 单流 DiT 模型中，搭配 8B Qwen3-VL 编码器，支持原生 RGBA 透明输出和最多 10 张参考图编辑。

通义千问（Qwen）发布实时同声传译模型Qwen3.8-LiveTranslate，采用新的Interleave架构，平均滞后（LAAL）从2.8秒降至2.3秒，约降低18%。

PrismML 发布 Ternary Bonsai 2 27B，将 Qwen3.8 27B 转为三值权重，模型仅 5.93 GB（FP16 为 53.80 GB），Apache 2.0 开源，官方称在 20 个基准上保留母模型 98.2% 的平均分，支持文本与图像输入和 262K token 上下文。

阿里 Qwen 团队发布 Qwen3.8-Omni-Flash，称其为首款围绕智能体能力构建的全模态模型，接受文本、图像、音频和视频输入并返回文本，上下文窗口为 1M tokens。

Z.ai 与 Qwen 各自独立推出了近乎相同的架构：3：1 线性混合、压缩索引器、门控残差与 Muon 训练。两家中国 AI 实验室在未互通的情况下，于模型设计上实现了趋同。

阿里 Qwen 团队发布开源权重多模态 MoE 模型 Qwen3.8-Flash-Next，125B 主干搭配 51B N-gram 嵌入表和 4B 多 token 预测模块，每个 token 仅激活 6B 参数，被视为 Qwen4 架构的早期预览。

Qwen 发布 Qwen-Audio-3.1，ASR、TTS 与 Realtime 全面升级，并新增音频创作模型 TTS-Next 和音频理解模型 ASR-Next，共五个模型覆盖理解、生成、交互与创作。全线降价，TTS 约 70% off、Realtime 约 85% off、ASR 最高 95% off；Realtime 可边说边听、随时打断，检测到低落情绪时会放慢语速并共情回应。

Qwen 团队开源 Qwen-Image-2.1，将文生图与图像编辑统一到一个模型中，视觉生成组件仅 7B 参数，并原生支持生成和编辑透明图像。模型支持最多 10 张参考图、圆形/涂鸦/独立蒙版指定局部编辑，通过混合粒度注意力架构和 KV cache 复用提升推理效率，同时改进文字渲染、人像光照与人物产品保真度，并覆盖全景图、信息图和分镜等任务。