OpenAI开放GPT-Live-1.1语音API:闲置计费每分钟0.02美元
本期速报聚焦开发者工具链的实质性更新。OpenAI将GPT-Live-1.1全双工语音模型接入API,显著降低闲置成本;Anthropic在Claude Code中实验JavaScript编排多步调用的Code Mode。此外,Ideogram发布支持4K局部编辑的4.6模型,谷歌连发多篇关于API密钥安全配置与Age
OpenAI 的 GPT-Live-1.1 全双工语音模型现已向开发者开放 API 访问。这次更新把实时语音交互的成本门槛压低了,连接机制也做了优化。
过去要做能“边听边说”的语音助手,延迟和状态管理都是麻烦事。
GPT-Live-1.1 可通过 WebRTC 或 WebSocket 接入云端会话,默认上下文窗口为 128K。对开发者来说,最直接的好处在计费:用户沉默或思考时,API 闲置费用降到每分钟 0.02 美元。这样一来,在应用里塞进长时间待命的语音智能体更划算了,用户停顿一下也不再烧掉大笔钱。
全双工的好处是,智能体一边听用户说话,一边能在后台干别的活或准备回复,对话节奏更接近真人。客服、陪伴类应用,以及需要实时反馈的工具软件,都能从中获得基础架构层面的提升。
Anthropic 工程师 Addy Osmani 介绍过 Claude Code 的一项实验性功能:Code Mode。它想解决的,是当下 AI 智能体多步调用工具时不够稳的问题。
传统 Agent 工作流通常让模型直接吐出工具调用指令,步骤一多就容易出错,甚至绕进循环。Code Mode 换了个办法:让 Claude 编写并运行 JavaScript 代码,用代码逻辑安排多个工具的调用顺序。实际好处有两点,一是命令可以并行执行,效率更高;二是能用代码过滤输出,少让无关信息占用上下文窗口。
对会写代码的开发者来说,“用代码控制 Agent”更贴近工程习惯。模糊的自然语言指令被转成确定性的代码逻辑,复杂任务执行起来更可控。该功能目前还在实验阶段,但它指向了 Agent 开发从“提示词工程”转向“代码编排”的一条路。
图像生成方面,Ideogram 发布了 4.6 版本模型,并已集成进 Luma 平台。这次更新的重点不在单纯拉高画质,而是解决生成式图像编辑的一个老毛病:局部修改时的像素漂移。
以前用 AI 做图像局部重绘(Inpainting),改完指定区域后,周围没选中的背景或物体常会悄悄变形、变色。Ideogram 4.6 声称把编辑区域外的这种像素漂移明显压下去了,真实感、纹理细节和色彩准确性都有提升。该模型还原生支持 4K 分辨率输出。
对需要高精度商业素材的设计师来说,可控性比随机生成的惊艳感更要紧。能精确改掉海报里的某个文字或产品细节,又不破坏整体构图,是 AI 绘图工具进入专业工作流的关键一步。
Agent 技术从演示走向生产环境,安全性和集成度成了企业盯得最紧的两件事。
Nous Research 的开源 Hermes Agent 宣布直接嵌入 Microsoft Teams。其架构设计照顾了企业隐私:所有任务都在 Azure 隔离沙箱中执行,数据不会外泄。新增的“Collective Wisdom”功能,可以把个别员工使用 AI 的技巧沉淀成团队共享的技能库。官方数据显示,该系统日均处理近两万亿 token,大规模企业场景下的处理能力可见一斑。
另一边,谷歌接连发布多篇面向开发者的实操教程,正面应对 Agent 落地时的安全与运维难题。
先说 API 密钥管理。谷歌指出,不少团队仍在“裸奔”使用 API Key,并给出五步安全配置方案:用 ADC 实现每人单点登录、通过服务账号隔离应用权限、遵循最小 IAM 权限原则、利用 Secret Manager 托管密钥,以及设置 Spend Cap,防止代码出错带来天价账单。这些建议不算新鲜,但 Agent 自动调用 API 的频率极高,此时就显得格外关键。
接着是 Managed Airflow Agent 在故障排查中的用法。在一个虚构零售商案例里,Agent 能自动定位内存溢出(OOM)的失败原因,推荐扩容方案,并通过 Data Agent Kit 在 IDE 中生成、迁移和部署 DAG(有向无环图)。这种“Agent 提议、人类决策”的工作流,意在兼顾自动化效率与人工管控的风险。
最后,数据 Agent 测试难的问题,谷歌提出建“风洞”的思路。借助内部数据模拟器,用少量描述生成结构真实、可复现的合成企业数据。这些数据模拟了指标归属不清、口径冲突等现实中的“脏乱”状况,用来压测数据 Agent 的性能,又不必碰真实的客户敏感数据。该方法强调在行为迁移验证中保持方向与速率一致,为 Agent 评测开了条新路。
特定领域的基准测试也传来进展。德克萨斯大学奥斯汀分校提出的 Darmok 系统,在英国密码填字任务上取得突破。
2026 年 Times Crossword Championship 决赛中,该系统零失误解出全部 7 道题目,以 3 分 13 秒的优势战胜人类冠军。
这说明,在高度结构化、又依赖语言双关理解的复杂智力任务上,专用 AI 系统已经开始压过顶尖人类专家。
OpenAI 正式向开发者开放 GPT-Live-1.1 全双工语音模型的 API 访问权限。这次更新的核心变化在于降低了实时语音交互的成本门槛,并优化了连接机制。
此前,构建具备“边听边说”能力的语音助手需要处理复杂的延迟和状态管理问题。GPT-Live-1.1 支持通过 WebRTC 或 WebSocket 接入云端会话,默认提供 128K 的上下文窗口。对于开发者而言,最直接的利好是计费模式的调整:当用户处于沉默或思考状态时,API 的闲置成本降至每分钟 0.02 美元。这一改动使得在应用中集成长时间待命的语音智能体变得更具经济性,不再因为用户停顿而产生高昂费用。
这种全双工能力意味着智能体可以在聆听用户输入的同时,后台执行其他任务或准备回复,实现了更接近人类自然对话的节奏。对于客服、陪伴型应用或需要实时反馈的工具类软件,这是一个基础架构层面的升级。
腾讯混元这边把 Hy4 的权重开源了。这是一款原生多模态 MoE 旗舰模型,总参数 770B,激活参数 49B,支持 1M 上下文。
另一头,Thinking Machines 开源了循环 Transformer 模型 Inkling 2 Mini,参数量只有 26B,瞄准的是用更少资源解决复杂问题。这些开源动作让开发者的模型选择更多了,尤其是需要长上下文或者低成本部署的场景。