在日新月异的AI浪潮中，保持前沿视野与敏锐洞察，是持续创新的核心动力。2月9日起，图灵院公众号全新栏目「算法半月报」正式上线。栏目内容源自图灵院研发一线工程师的深度沉淀，旨在为大家甄选前沿资讯、实战测评工具、分享真实思考。定期更新，干货满满，欢迎关注~
1、ChatGPT默认模型升级到了GPT-5.5 Instant，OpenAI推出3款语音模型
5月6日，OpenAI发布GPT-5.5 Instant，免费用户的默认模型从GPT-5.3 Instant 升级到了GPT-5.5 Instant。回答更加简短，不再滥用emoji，视觉理解、推理能力和记忆功能都有升级。
5月8日，OpenAI推出三款实时语音模型：GPT-Realtime-2具备推理与工具调用能力；GPT-Realtime-Translate支持70多种语言实时互译；GPT-Realtime-Whisper实现低延迟语音转录。
2、Gemma 4 MTP Drafter 发布，推理速度提升3倍
5月6日，Google 为全系 Gemma 4 模型（4月初发布）推出 MTP（Multi-Token Prediction）Drafter，在不改变任何输出质量的前提下，推理速度最高提升 3 倍。在使用时需要同时加载原Gemma 4系列大模型和MTP Drafter小模型。
3、火山引擎发布Doubao-Seed-2.0-Lite新升级版本全模态模型
5月6日，火山引擎发布了豆包大模型家族首款全模态理解模型，支持视频、图像、音频、文本原生统一理解，Agent、Coding与GUI能力同步升级。此外，火山引擎近期公布豆包大模型已搭载超700万辆汽车，涉及50余个品牌、145款车型，大模型智能座舱搭载量行业第一。通过构建Agentic AI汽车方案，实现系统实时感知环境并自主迭代，加速汽车向主动服务智能体进化。
4、xAI 推出新旗舰模型Grok 4.3
5月3日，xAI 正式向高级订阅用户推送了 Grok 4.3，这次升级的主要特点是更快、更便宜，具有100万Token上下文窗口，在日常使用场景中相比最强模型更具性价比。「5月6日」xAI 正式宣告终结独立运营，成为 SpaceX 旗下的 AI 部门，并宣布SpaceXAI 与 Anthropic 达成算力合作协议：Anthropic 将独家使用 SpaceX 旗下 Colossus 1 数据中心的全部算力，获得超过 300 兆瓦、22 万张 NVIDIA GPU 的容量。
5、DeepSeek-V4多模态技术公布，模型能力灰度测试中
4月30日，DeepSeek公布一篇多模态模型技术论文，题为《Thinking with Visual Primitives》（基于视觉原语的思考），模型架构是经典的 LLaVA 式结构，DeepSeek-ViT 视觉编码器 + DeepSeek-V4-Flash（284B/A13B MoE）基座，将点坐标与边界框作为"视觉原语"直接嵌入思维链推理过程，实现"边指边想"的空间推理范式。目前部分用户可以在网页端识图模式中体验。
6、小米开源MiMo-V2.5系列模型，并推出100T Token计划
4月28日，小米正式开源MiMo-V2.5系列模型：
MiMo-V2.5-Pro：文本模型，MoE结构，总参数1.02T（万亿），激活42B，上下文100万Token，面向复杂的任务场景，深度适配Agent与Coding应用。
MiMo-V2.5：全模态模型，MoE结构，总参数309B，激活15B，支持文本、图像、视频和音频理解。
同时推出100T Token计划，活动时间4月28日-5月28日，申请网址：100t.xiaomimimo.com
7、NVIDIA开源Nemotron 3 Nano Omni 多模态模型
4月28日，NVIDIA推出Nemotron 3 Nano Omni 多模态模型（30B-A3B参数），采用统一架构直接融合视觉、音频与语言三种输入数据，在同等响应速度下，其处理视频工作负载的吞吐量比其他开源 Omni 模型高出约 9 倍，极大降低了大规模部署 AI Agent 的算力成本。模型非常轻量，仅需约 25GB 的显存即可运行。
8、腾讯开源Hy-MT1.5-1.8B端侧翻译模型
4月29日，腾讯开源 Hy-MT1.5-1.8B端侧翻译模型，把支持 33 种语言的翻译大模型压缩至 440MB，无需联网可在手机本地运行。
9、科大讯飞发布星火 X2-Flash 模型
4月29日，科大讯飞推出了一款总参数为 30B 的 MoE 架构模型，最大支持 256K 超长上下文。该模型完全基于华为昇腾 910B 集群训练完成。讯飞通过创新结合 DSA 与 MTP（多词元预测）技术，成功解决了国产芯片在长文本训练中速度慢的卡脖子难题。
10、商汤开源SenseNova U1 多模态模型
4月28日，商汤开源SenseNova U1 多模态模型，采用自研NEO-unify架构，在单一模型中实现多模态理解、推理、生成。SenseNova-U1测试地址：https://unify.light-ai.top/
11、阿里巴巴ATH团队发布HappyHorse视频生成模型
4月27日，阿里巴巴 ATH 团队打造的HappyHorse，体验地址：www.happyhorse.cn ，千问APP同步开启HappyHorse内测。
1、豆包计划推出付费方案
豆包计划推出3档付费方案：标准版 68 元/月、加强版 200 元/月、专业版 500 元/月。付费主要针对高算力消耗的生产力场景（如 PPT 生成、复杂数据分析、影视制作等），而日常轻量对话依然免费。
2、阿里发布数字员工 QoderWake 与 Qoder 移动端
阿里正式推出了生产级数字员工产品 QoderWake 及 Qoder 移动端 Agent。它不再是单纯的对话框，而是可以直接“入职”企业，独立承担软件工程师、数据分析师和运营等岗位角色。
3、Anthropic上线「做梦」功能
5 月初举行的 Code with Claude 开发者大会上，Anthropic 围绕 Claude Managed Agents （Agents托管平台）发布了一系列重要更新。同时上线 "Dreaming"功能——这是一种定时后台机制，让 Managed Agents 能够自动回顾跨会话、跨 Agent 的历史交互，识别值得保存的模式，并将其整理存入持久记忆，供未来任务调用。在企业应用层面，Anthropic 还推出了面向金融行业的 10 个专业 AI Agent。
4、专为DeepSeek开发的Coding Agent工具
DeepSeek版Claude Code「DeepSeek-TUI」登上Github近期趋势榜第一，专为DeepSeek V4模型设计，充分利用了其100万Token的超长上下文窗口和思考模式，支持在TUI界面中实时看到模型思考过程，其RLM（递归语言模型）功能支持并行分发子任务。后文给大家带来实测体验。
5、阿里通义开源大模型可解释性工具套件 Qwen-Scope
阿里云通义千问团队发布了Qwen-Scope，它是一套基于 Qwen3 和 Qwen3.5 系列模型训练的可解释性模块，通过在模型隐藏层插入稀疏自编码器（SAE），自动提取高度解耦、低冗余且更具可解释性的特征表示。Qwen-Scope 的核心价值在于将复杂的模型参数运算转化为人类可理解的概念与规律，并在推理控制、数据工程、模型训练、评测分析四大场景中展现应用潜力。Qwen-Scope 已在 HuggingFace 和魔搭平台开放体验。
本期给大家推荐一个比较好用的Skill——mattpocock/skills。它是知名开发者 Matt Pocock 开源的一个专为 AI 编程助手（如 Claude Code、Cursor 等本地 Agent 工具）设计的 “Agent 技能指令库”（Agent Skills）。核心理念是：用真正的软件工程思维来驾驭 AI，而不是盲目的Vibe Coding。这个项目将经典的软件工程原则，提取并封装成了可组合的、轻量级的Skills。安装过程可以参考Github（64.5k stars）。
在项目中配置好mattpocock/skills后，工程文件夹中会出现以下Skills：
这里主要介绍使用过程中让人眼前一亮的功能：
/grill-me：对齐需求。比如对于某些固定参数值，它会拷问用户是不是“拍脑袋定的”。
/to-prd：先深入了解项目再生成PRD。了解项目后会生成了一份PRD markdown文件（超过100行），包括背景、解决方案、模块划分、关键参数、测试标准、补充说明等内容。
/zoom-out：从系统角度对项目中代码、数据进行分析。输出结构化总览：子系统介绍、模块间依赖、外部服务依赖、关键术语表。适用场景：刚接手一个不熟悉的代码库，或者想快速建立全局认知。
/improve-codebase-architecture：优化代码架构。在过度依赖AI Coding的当下非常需要，模型总是生成一些不相关的冗余代码。这个命令会先输出工程代码中的各个问题，具体包括：涉及文件、问题描述、解决方案。再询问用户想要从哪个问题开始改。
安装了mattpocock/skills的Claude Code更像是一个结对编程的资深程序员，在开发过程中能起到很大帮助。
DeepSeek V4发布后，DeepSeek-TUI最近登上GitHub Trending 榜首。
可以参考官方教程进行安装：
GitHub：https://github.com/Hmbown/DeepSeek-TUI
DeepSeek-TUI是专为DeepSeek V4 1M Token上下文与深度思考量身定制的终端Coding Agent，将DeepSeek V4 的“思维链（CoT）”在终端中原生解构。
DeepSeek-TUI和Claude Code在使用体验上有哪些差异？
对“思考过程 (CoT)”的原生展现与解析：Claude Code 的 UI 交互是围绕直接输出结果设计的。DeepSeek-TUI终端界面会将模型的“思考过程”进行优雅的隔离和流式渲染。你可以实时看着模型是如何一步步推导代码逻辑。
极限压榨DeepSeek的性价比：Claude Code 的 Prompt 非常消耗 Token。如果接入 DeepSeek，虽然 API 便宜，但由于无法控制其底层的 Token 消耗策略，依然会造成浪费。DeepSeek-TUI 针对 DeepSeek V4的 100万 Token 窗口做了专门的“智能上下文压缩”，并且利用并行子 Agent 策略，能将代码生成的成本压到最低。
对比DeepSeek-TUI和Claude Code的输出差异：
DeepSeek-TUI 回答结果
在DeepSeek-TUI中输入“gitdiff”查看当前代码仓库的修改内容，上图中可以看到DeepSeek中间思考过程，并输出符合习惯的 git diff 结果。
Claude Code回答结果
在终端中测试claude code，输入"git diff"，结果是对代码改动的英文总结。
测试安装了mattpocock/skills 的Claude Code，其在Caveman模式下，输出Token更加简洁。
Claude Code+mattpocock/skills结果
DeepSeek-TUI 的一些使用体验吐槽点：
web_search功能：DeepSeek-TUI 为了保持轻量级和零依赖，它的 web_search工具在底层默认硬编码调用了 DuckDuckGo (DDG)来进行网页搜索。如果终端不走VPN会出现超时错误，而且这个搜索工具对中文检索不友好。
交互界面：虽然能够实时监控API用量、缓存命中等，但界面不够美观，希望能够持续优化。
DeepSeek API性价比怎么样？
DeepSeek全系列模型，输入缓存命中的价格已降至首发价格的 1/10。（缓存折扣力度90%）。并且截止到5月31日，当前 deepseek-v4-pro 模型 2.5 折。
实际使用过程中，缓存命中率占比有多少？使用API价格如何？下图是我测试一个“代码优化任务”的deepseek-v4-pro API用量统计，缓存命中率竟然超过98%。
从这个结果来看如果常用的coding plan超过限制了，换成用deepseek-v4-pro性价比还是挺高的。
近期发现一个好用的工具——HyperFrames，是一个让AI Agent用HTML写视频的框架。HyperFrames轻松实现让CodeX、Claude Code等工具用写网页的方式描述视频。用户自定义选用什么素材、什么风格，然后由框架逐帧截图，再经 FFmpeg 合成为 MP4。
如果是选用 Claude Code作为AI Agent使用，可以参考官方教程安装：https://github.com/heygen-com/hyperframes
目前CodeX已经集成了HyperFrames插件，在APP中安装即可。
使用方式只需在对话中添加这个插件。
CodeX在生成视频过程中自动调用联网搜索等工具，HyperFrames框架会询问你想要的风格，并且检查文本是否显示越界等细节。生成结束后，可以在CodeX窗口预览效果。
除此之外，你还可以指定你想要使用的文件素材等。
下面是基于近期多模态模型的评测结果，生成的视频示例。
输入提示词如下：
视频生成效果：
全模态模型进化趋势
近期主流模型都在强化文本、图像、语音、视频的一体化推理能力，越来越多模型开始采用原生多模态架构，AI Agent 不再需要频繁切换不同模型 API 来处理文本、图片、视频等任务，一个模型即可完成感知、理解、推理与执行（商汤的新模型还统一了图片生成）。但与此同时，纯文本模型并没有失去价值。相比全模态模型，文本推理在复杂逻辑分析、长链路思考、代码生成等场景中，仍具有更稳定的上下文控制能力以及更低的推理成本。
AI Coding 从氛围编程向软件工程规范的转变
仅靠 Prompt 驱动的“氛围编程”，很难解决长期维护、架构一致性、测试覆盖与多人协作问题。近期Claude Code 开发规范相关Skill 生态爆发，它们本质是把软件工程的方法论、工作流与规范沉淀为可复用的 Agent Skill。从 PRD 编写到代码审查、Git 管理、软件测试、架构优化，让AI Agent遵守开发规范，推动 AI Coding 从“生成代码”升级为“参与完整软件工程生命周期”。以mattpocock/skills为例，从实际使用体验来看，确实对日常Coding有很大帮助。
更多内容，敬请期待