AI测试 Meta 和 Oakley 将推出运动 AI 眼镜；Deepgram 发布 Voice Agent API，每小时 4.5 美元
开发者朋友们大家好：
这里是 「RTE 开发者日报」 ，每天和大家一起看新闻、聊八卦。我们的社区编辑团队会整理分享 RTE（Real-Time Engagement）领域内「有话题的 技术 」、「有亮点的 产品 」、「有思考的 文章 」、「有态度的 观点 」、「有看点的 活动 」，但内容仅代表编辑的个人观点，欢迎大家留言、跟帖、讨论。
本期编辑：@ 赵怡岭、@ 鲍勃
01 有话题的技术
1、MiniMax 开启五天的开源周：首发推理大模型 MiniMax-M1
MiniMax 开启五天的开源周。
第一天隆重推出 MiniMax-M1——全球首个开放权重、基于混合注意力推理架构的大规模模型。该模型采用混合专家系统（MoE）与 Lightning Attention 相结合的创新设计，其研发基于前代产品 MiniMax-Text-01 的架构基础，总参数量达 4560 亿，其中每 token 激活参数为 459 亿。
Lightning Attention 把注意力计算分成块内和块间两部分，块内用传统注意力计算，块间用线性注意力的核技巧，避免了累积求和操作（cumsum）拖慢速度。
Lightning Attention 还采用了分块技术（tiling）充分利用 GPU 硬件，让内存使用更高效，训练速度不随序列长度增加而变慢。
与 MiniMax-Text-01 保持一致的是，M1 模型原生支持 100 万 token 的上下文长度，达到 DeepSeek R1 上下文容量的 8 倍。其闪电注意力机制显著提升了推理时的计算效率：例如在生成 10 万 token 文本时，M1 的浮点运算量仅为 DeepSeek R1 的 25%。这些特性使 M1 特别适合需要处理长文本输入与深度思考的复杂任务。训练成本仅为 53.47 万美元。
目前，MiniMax-M1 已经集成到了 MiniMax Chat 中。
HuggingFace: https://huggingface.co/collections/MiniMaxAI/minimax-m1-68502ad9634ec0eeac8cf094
GitHub: https://github.com/MiniMax-AI/MiniMax-M1
技术报告：https://github.com/MiniMax-AI/MiniMax-M1/blob/main/MiniMax_M1_tech_report.pdf（@AI 小小将、@MiniMax__AI\@X、@ 量子位）
2、腾讯混元 3D 2.1 大模型对外全链路开源，适配消费级显卡，个人电脑即可运行
在 CVPR 2025（计算机视觉领域顶会之一）上，腾讯混元 3D 2.1 大模型对外全链路开源——模型权重及架构、训练代码、数据处理流程等等，全部开放。这是首个全链路开源的工业级 3D 生成大模型，支持从几何建模到材质渲染的全流程 AI 生成，并适配消费级显卡，个人电脑即可运行。
本次开源的混元 3D 2.1 大模型在 3D 生成的纹理质感和光影表现方面大幅提升，让 AI 3D 建模摆脱「塑料感」，在需要逼真建模的游戏、动画等领域，更加实用。
这次开源的混元 3D 2.1 模型，在多个关键能力上实现了新升级——
支持 PBR 材质贴图：引入 PBR（基于物理的渲染）技术，能让模型彻底告别「塑料感」。生成的金属，有光泽、有冷硬感；生成的木头，有纹理、磨砂感；陶瓷，还能反光。哪怕换个角度和光照环境，质感依然在线。用户盲测中，质感胜出率达 78%；
几何建模更精细：采用 DiT 几何架构（一种让 3D 模型从轮廓到细节都更精细的生成方式），生成的 3D 效果不只是好看，还结构清晰、边缘干净、不歪不塌，哪怕你后面要贴材质、做动画，甚至拿去 3D 打印，都非常合适；
输出标准化、可即用：模型生成结果支持标准格式，可以直接拖进 Unreal、Unity、Blender 等主流 3D 工具里，马上就能用，不需要额外转格式。
开源主页：https://3d-models.hunyuan.tencent.com/
HuggingFace 模型库：https://huggingface.co/tencent/Hunyuan3D-2.1
Github:https://github.com/Tencent-Hunyuan/Hunyuan3D-2.1
混元 3D AI 创作引擎：https://3d.hunyuan.tencent.com/（@ 腾讯、@ 腾讯混元）
3、Deepgram 推出 Voice Agent API，VAQI 综合评分第一，每小时 4.50 美元
Deepgram 发布了 Voice Agent API，一款为企业级应用打造的、具备实时性和高性价比的对话式 AI API。
该 API 的关键亮点包括：
统一集成： 集成了 STT、LLM 编排和 TTS 功能，允许开发者选择使用 Deepgram 提供的模型，或者集成自己的模型（BYO models）。
模型级别控制： 支持插话、轮流发言以及会话中期的参数调整，从而确保对话的流畅性和自然性。
透明与控制： 彻底消除了「黑箱」问题，开发者可以完全掌控编排、部署以及模型本身，实现高度的可见性和控制力。
生产就绪规模： 具备大规模扩展能力，完美适用于企业级应用场景。
相关链接：https://deepgram.com/learn/deepgram-launches-voice-agent-api（@DeepgramAI\@X）
4、视频虚拟试衣模型 MagicTryOn：支持图像试穿、视频试穿，以及自定义试穿
浙大、vivo 最新出的一款视频虚拟试衣模型：MagicTryOn，服装的时空一致性、稳定性、服装细节都达到了很好的效果，其效果图可以直接用于电商广告了。该模型支持图像试穿、视频试穿，以及自定义试穿，并且擅长在比如跳舞这种人体大幅度运动，以及复杂场景中试穿。
同时该模型具备泛化能力，支持在玩偶上进行虚拟试衣。
另外，该模型其用扩散 Transformer 取代 U-Net 架构，来提升模型的表达能力；结合全自注意力机制联合建模视频的时空一致性，确保试衣效果在时间和空间维度上自然流畅。(@aigclink\@X)
5、月之暗面发布开源编程大模型 Kimi-Dev-72B
月之暗面发布了开源编程大模型 ——Kimi-Dev-72B。在所有开源模型中，Kimi-Dev-72B 在代码生成评估基准 SWE-bench Verified 中取得了全新的 SOTA 分数。
目前，Kimi-Dev-72B 已向社区开放，以供进一步研发，主要资源包括了模型权重、源代码和技术报告（即将发布）。月之暗面希望开发者和组织能够探索、集成和扩展该模型的应用。
作为一个强大的开源 LLM，Kimi-Dev-72B 具有以下亮点：
Kimi-Dev-72B 在 SWE-bench Verified 上取得了 60.4% 的成绩，在开源模型中创下了新的 SOTA 纪录。
Kimi-Dev-72B 通过大规模强化学习进行优化。它能够自主在 Docker 中修补真实代码仓库，并且只有在整个测试套件通过的情况下才会获得奖励。这确保了其提供的解决方案是正确且稳健的，符合现实世界中的开发标准。
Kimi-Dev-72B 可在 Hugging Face 和 GitHub 上下载和部署。
下图为 SWE-bench Verified 基准上，Kimi-Dev-72B 与其他开源模型的性能比较。
下图为 SWE-bench Verified 基准上，Kimi-Dev-72B 与闭源模型的性能比较。
Hugging Face 地址：https://huggingface.co/moonshotai/Kimi-Dev-72B
GitHub 地址：https://github.com/MoonshotAI/Kimi-Dev
博客地址：https://moonshotai.github.io/Kimi-Dev/（@ 机器之心）
02 有亮点的产品
1、GenSpark 推出 AI 浏览器，能自动浏览网页、整理信息、甚至制作个人播客
GenSpark 推出 AI 浏览器，将 AI 能力融入每个网页，提供比价、帮助选购和视频内容总结等功能。例如在浏览视频时，它还可以帮用户总结内容、提取数据并且生成幻灯片。
其中，「自动驾驶模式」功能可以自动浏览微博、整理信息，甚至制作个人播客。
在演示视频中，用户只需要说一句「根据我的推特时间线制作一个简短播客」，Genspark 就会自动打开新标签页，浏览用户的个人信息流，提取热门话题，然后生成一个定制的播客节目。整个过程完全自动化，用户可以去泡杯咖啡，回来就能听到专属的科技资讯播客。
还能访问用户的付费网站。比如用户订阅了 SimilarWeb 这样的数据分析平台，Genspark 可以自动登录，搜索关心的数据，比较不同产品的市场表现，最后整理成清晰的表格。
而且该浏览器内置 MCP 商店，提供 700 多个工具连接，能够实现自动化工作流，还集成了广告拦截功能，目前仅推出 Mac 版本。（@ 二爷 Hack、@ 腾讯研究院）
2、新一代 Meta AI 智能眼镜将在本周五发布
6 月 16 日晚，美国运动眼镜品牌 Oakley 宣布，与 Meta 合作的新品将在 6 月 20 日发布。
据彭博社此前爆料，本次 Meta 与 Oakley 合作的产品代号为「Supernova 2」，基于 Oakley 的 Sphaera 眼镜型号，旨在开发一款方便运动员使用的智能眼镜。
据悉，「Supernova 2」不带任何显示功能，基本等同于 Ray-Ban Meta 的运动款，对自行车骑行等运动进行了优化，眼镜的摄像头将会被放置在眼镜框中间。(@APPSO)
3、Flowith 移动端引入语音交互 Voice to Agent，随身记录会议和任务
Flowith 在移动端发布了实时语言智能体 Dozer。Dozer 最长支持监听 8 小时并转录音频，然后将音频拆分成任务交给 Neo 进行分析和相关操作。该产品现已在 Flowith iOS 应用上线。
相关链接：https://apps.apple.com/us/app/flowith/id6742640078（@flowith_ai\@X）
03 有态度的观点
1、 Cursor CEO：五年内所有编程将用 AI 进行
日前，AI 编程产品 Cursor 的 CEO Michael Truell 做客 Y Combinator 的播客节目，分享了自己的创业经历，也提出了部分未来发展观点。
Michael 认为，在未来的 5 到 10 年里，有可能发明一种新的方法来构建更高水平、更高效的软件。其强调，大家使用 Cursor 的目标是到达那里。
同时 Michael 也表示，想要实现上述情景的途径是使用 AI 编程，然后不断发展，将其从普通编程发展到看起来非常不同的东西。
同时，Michael 也在对话中表达了自己对 Agent 的看法：其认为 Agent 在达到人类水平方面仍存在许多瓶颈。其中「上下文窗口限制」「持续学习能力弱」「用户交互界面需要革新」都是需要突破的重大瓶颈。
Michael 还表示，未来编程范式转变，而代码将变成可选项，逻辑设计与审美成为核心。其进一步解释表示，人类程序员未来更像是「逻辑设计师」，专注于构建意图而非语法细节。
他还强调，未来开发者的核心竞争力将会是「审美与判断」，其中包括代码结构美感、逻辑合理性、可维护性。Michael 认为，审美与判断是无法被 AI 替代的，并且「真正优秀的工程师不是满足已有标准，而是定义更高的标准。」(@APPSO)
更多 Voice Agent 学习笔记：
实时多模态如何重塑未来交互？我们邀请 Gemini 解锁了 39 个实时互动新可能丨 Voice Agent 学习笔记
级联 vs 端到端、全双工、轮次检测、方言语种、商业模式…语音 AI 开发者都在关心什么？丨 Voice Agent 学习笔记
a16z 最新报告：AI 数字人应用层即将爆发，或将孕育数十亿美金市场丨 Voice Agent 学习笔记
a16z 合伙人：语音交互将成为 AI 应用公司最强大的突破口之一，巨头们在 B2C 市场已落后太多丨 Voice Agent 学习笔记
ElevenLabs 33 亿美元估值的秘密：技术驱动 + 用户导向的「小熊软糖」团队丨 Voice Agent 学习笔记
端侧 AI 时代，每台家居设备都可以是一个 AI Agent 丨 Voice Agent 学习笔记
世界最炙手可热的语音 AI 公司，举办了一场全球黑客松，冠军作品你可能已经看过
对话 TalktoApps 创始人：Voice AI 提高了我五倍的生产力，语音输入是人机交互的未来
写在最后：
我们欢迎更多的小伙伴参与 「RTE 开发者日报」 内容的共创，感兴趣的朋友请通过开发者社区或公众号留言联系，记得报暗号「共创」。
对于任何反馈（包括但不限于内容上、形式上）我们不胜感激、并有小惊喜回馈，例如你希望从日报中看到哪些内容；自己推荐的信源、项目、话题、活动等；或者列举几个你喜欢看、平时常看的内容渠道；内容排版或呈现形式上有哪些可以改进的地方等。
素材来源官方媒体/网络新闻