- 登入
- 註冊
一週 AI 大事｜2026/8/17：Grok 4.6、GPT‑5.6 Sol、Gemini 與本地 AI
內容目錄
顯示
一週 AI 大事・完整延伸閱讀
2026／08／17AI 正在變得更快、更便宜，也更靠近個人裝置
這週從旗艦模型、手語輸入，到能在本地運行的開放權重模型，變化不只在跑分，而是 AI 開始更直接地進入工作、創作與真實世界。
更快價格下殺本地運行
本週完整整理
8 則 AI 更新，一則一則看懂
IG 短影片先帶大家快速看完；這裡補上每則消息的背景、為什麼值得注意，以及可以繼續往下看的原始來源。
Grok 4.6 打進旗艦模型第一線
發生什麼
xAI 在 8 月 12 日推出 Grok 4.6，主打長時間代理、程式開發、多步驟工作與互動式視覺成果。xAI 的發布文指出，它在當時的 Artificial Analysis Intelligence Index 與 GPT‑5.6 Sol 並列。
為什麼值得注意
它最值得看的不只是總分，而是長任務裡的自我檢查、工具使用和工作效率。這表示 Grok 已經不只是「追上」，而是開始和最前面的模型正面競爭。
展開跑分與查證補充
- 「與 Sol 並列」來自 xAI 發布時引用的 Artificial Analysis 綜合指標快照，不代表兩個模型在每一項能力都相同。
- 第三方排行榜會隨評測方法、新版本與新模型更新；本文不把當週分數寫成永久名次。
- xAI 將互動式成果與長任務列為主要改進，但實際效果仍會受提示、工具與工作環境影響。
GPT‑5.6 Sol 推出 Ultrafast 極速模式
發生什麼
OpenAI 在 8 月 13 日公布 GPT‑5.6 Sol Ultrafast。它由 Cerebras 提供運算，官方標示最高可比 Standard processing 快 14 倍，最高達每秒 750 個輸出 token。
為什麼值得注意
當旗艦模型能用接近即時的速度運作，金融研究、資安事件分析、客服、語音互動與電商決策，就不必再卡在長時間等待。
展開規格與查證補充
- 「14 倍」與「750 tokens／秒」都是最高值，不代表每個提示、每個工作都固定達到。
- 目前是 API 的 limited preview，只開放給部分客戶，還不是所有使用者都能直接選用。
- 官方舉例是金融研究與資安分析，不是讓 AI 自行下單交易。
Gemini 3.7 Flash：能力升級，價格先砍半
發生什麼
Google 推出 Gemini 3.7 Flash，定位是 coding 與 agents 的新一代 workhorse 模型。它加強第一次寫對程式、UI 指令遵循與複雜知識工作，Gemini Spark 也改用這個模型。
為什麼值得注意
官方提供到 2026 年底的優惠價：每百萬輸入 token 0.75 美元、輸出 3.75 美元。模型更強，暫時價格又只有標準定價的一半，讓大量代理工作更容易算得過來。
展開價格與查證補充
- 0.75／3.75 美元是到 2026/12/31 的 introductory pricing。
- 官方預告 2027/1/1 起回到每百萬輸入 1.50 美元、輸出 7.50 美元。
- 「更快」會受平台、提示長度與工具呼叫影響，不宜把單一體感當固定規格。
SL2T 把手語直接轉成手機文字
發生什麼
Google DeepMind 發表 sign-language-to-text 模型 SL2T，先在 Pixel 11 提供美國手語轉英文。使用者可以直接對鏡頭打手語，再輸入 Gboard 或顯示在 Live Transcribe。
為什麼值得注意
它不是研究室裡的展示，而是直接放進手機的無障礙功能。模型會同時理解手、身體與臉部動作，也針對拿著手機時的單手手語做了實際使用優化。
展開語言與隱私補充
- 這次能確認的產品支援是先從 ASL→英文開始；Google 表示正在擴充更多手語與應用。
- 官方說明是姿勢追蹤在裝置端進行，再由伺服器翻成文字。
- 研究資料涵蓋範圍與手機目前已上線的語言數不能畫上等號，所以本文不把「50 多種」寫成現有支援規格。
Qwen3.8‑27B：旗艦能力開始走進個人電腦
發生什麼
Qwen 釋出 Apache 2.0 授權的 Qwen3.8‑27B。這是一個 27B 的視覺語言模型，主打程式開發、專業工作、研究與長時間代理任務，官方模型卡也直接提供本地部署與量化模型入口。
為什麼值得注意
27B 這個尺寸在量化後可以部署到合適的消費級硬體或部分筆電，讓高能力的視覺與程式模型不一定只能留在雲端；實際需求仍取決於量化方式、上下文長度與運行工具。
展開本地運行與跑分補充
- 「可以本地跑」不代表原始 BF16 權重能直接塞進每一台筆電；實際上通常要使用 GGUF 等量化版本。
- 能不能順利運行取決於量化精度、記憶體、上下文長度與軟體；本文不再把 16GB 當成通用最低規格。
- 官方自評顯示 SWE‑bench Pro 61.7、LiveCodeBench v6 90.3；這些是官方模型卡上的特定評測，不等於所有實際任務表現。
MiDashengLM‑Gen：一次生成語音、音樂與環境音
發生什麼
小米研究團隊公開 MiDashengLM‑Gen。過去語音、配樂和音效常要分開生成再混音，這個模型改成用同一套端到端框架，直接產生包含說話聲、音樂與環境音的完整聲音場景。
為什麼值得注意
對影片、遊戲與有聲內容創作者來說，真正麻煩的常常不是「做出一個聲音」，而是讓不同聲音在同一段裡聽起來合理。統一生成代表製作流程有機會再少好幾步。
展開論文數字與查證補充
- 論文在 Seed‑TTS 英文測試中，把字錯率從既有統一模型的 12.15% 降到 2.79%；專用 TTS 系統對照為 1.24%。
- 論文、程式、Hugging Face checkpoint 與展示頁都已公開。
- 「情緒」主要透過聲音表現與場景描述呈現，不等於模型能客觀判讀或生成所有人類情緒。
MiniMax Music 3：本地生成最長 5 分鐘完整歌曲
發生什麼
MiniMax 公開 Music 3 權重。輸入歌詞和音樂描述後，它能生成最長 5 分鐘、包含前奏、主歌、副歌、橋段和尾奏的完整歌曲，輸出為 32 kHz、16-bit 立體聲 WAV。
為什麼值得注意
它不只是雲端網站的新功能，而是能自己下載部署的模型。完整版可在 24GB 以下顯存運行，透過 CPU offload 與逐層串流，連 8GB 顯卡也能跑，只是速度會變慢。
展開硬體與查證補充
- 官方寫的是 full precision 在 24GB 以下顯存可跑；CPU offload 約需 22GB。
- 8GB 顯卡要使用逐層載入等低顯存做法，速度較慢。這不等於完整模型檔案只有 8GB。
- 目前需要 CUDA，且只支援非串流生成；歌詞、節奏與樂器控制仍是生成指引，不保證每次完全照做。
Dyna‑2：機器人開始從百萬小時人類影片學動作
發生什麼
Dyna Robotics 發表 Dyna‑2，利用超過 100 萬小時的第一人稱人類影片預訓練。模型先從人類怎麼和物品互動開始學，再把能力轉到摺衣、取放與食物處理等真實機器人操作任務。
為什麼值得注意
機器人資料一直很難大量收集；如果能先看人類影片建立物理與動作常識，就不必每個技能都靠機器人一小時一小時重新示範，訓練規模才有機會像軟體一樣放大。
展開數據與查證補充
- 官方說明是「超過 100 萬小時的 egocentric video」，也就是第一人稱人類行動影片。
- 技術頁展示不同資料規模與後訓練任務的提升，但這些結果來自 Dyna 自己的測試，本文不把它寫成第三方驗證。
- 從影片學到動作常識，不等於機器人已能在每個家庭無條件完成所有家務。
想跟大家一起討論這些 AI 更新？
易悅元宇宙社群免費開放。除了每週整理，也可以交流工具、內容創作與實際使用心得。
重點整理
Qwen3.8‑27B 真的能在一般電腦上運行嗎？
可以，但通常需要量化版本，也要看電腦的記憶體或顯存。原始 BF16 權重不是每台筆電都能直接載入；16GB 等級裝置可選擇合適的 GGUF 量化版本。
GPT‑5.6 Sol 的 14 倍速度現在每個人都能用嗎？
還不行。Ultrafast 目前是 API 限量預覽，而且 14 倍與每秒 750 個輸出 token 都是最高值，實際速度會依任務和服務狀態不同。
開源與開放權重是一樣的嗎？
不完全一樣。開放權重代表模型檔案能下載，但能否商用、修改與再散布仍要看授權條款；文章會把模型頁與授權一起附上。
