MiniMax 将完成近 3 亿美元融资，估值超 40 亿美元；Grok 上线动漫 AI 伴侣功能丨日报

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、谷歌 Gemini 嵌入模型登顶 MTEB 排行榜，性能超越 OpenAI

2023 年 7 月 15 日凌晨，谷歌正式推出首个 Gemini 嵌入模型，该模型在多文本嵌入基准测试平台（MTEB）上以 68.37 的高分位列第一，得分超过 OpenAI 的 58.93 分。在双语挖掘、分类、聚类、指令检索、多标签分类、配对分类、重排、检索、语义文本相似性等测试中，全部都非常出色成为目前最强嵌入模型。

Gemini 嵌入模型的使用成本仅为每 100 万 token 0.15 美元。

测试结果显示，Gemini 嵌入模型在双语挖掘、分类、聚类、指令检索、多标签分类、配对分类、重排、检索及语义文本相似性等任务中表现优异，成为当前最强的嵌入模型。其多语言能力使其在全球范围内具有广泛的应用前景，尤其在非英语母语用户群体中具备显著优势。

Gemini 嵌入模型采用双向 Transformer 编码器架构，保留了 Gemini 模型的双向注意力机制，充分发挥其预训练的语言理解能力。在 32 层 Transformer 基础上，模型新增池化层以聚合输入序列中的每个 token 嵌入，生成单一嵌入向量。采用均值池化策略，提升了模型的适应性。

在训练过程中，Gemini 嵌入模型采取多阶段训练策略，分为预微调和精调两个阶段。预微调阶段使用大规模 Web 语料库进行训练，目标是将参数从自回归生成任务调整到编码任务。精调阶段则针对特定任务数据进行精细化训练，确保模型在检索、分类、聚类等任务中的高效表现。

为提升数据质量，研究团队设计了合成数据生成策略，并利用 Gemini 对训练数据进行过滤，去除低质量样本，确保模型训练的有效性。

体验地址：

https://aistudio.google.com/prompts/new_chat（@那代码有毒、@AIGC 开放社区）

2、亚马逊发布 AI 代码编辑器 Kiro，由 Claude 提供支持

AWS 正式推出一款 AI 驱动的代码编辑器——Kiro。目前官网已开放免费下载，支持 macOS、Windows 和 Linux，用户可以免费体验，每月上限 50 次 AI 交互。

在 Kiro 中，开发者只需写一句需求，AI 就能生成用户故事、技术方案和任务拆分表，写完代码还能自动补上测试脚本和设计文档。更重要的是，它会在用户保存或提交时自动运行测试或安全扫描。

这背后的模型是 Claude，默认提供 Claude 3.5 和 Claude 4.0，也支持未来接入更多模型。

这个时间点推出 Kiro，也不是巧合。AI 开发工具的竞争已经很激烈。Cursor 的年收入被传已突破 5 亿美元，Windsurf 在被谷歌部分「反向收购」前估值也已经超过 30 亿美元。AWS 明确表示，它不是做个工具补代码，而是希望帮团队从「想到」到「做到」，从原型到产品，少走弯路。

Kiro 的核心是：specs 和 hooks。

Specs 是一套围绕功能、设计、测试的文档集合。用户每次打算重构、设计新功能或者交付时，Kiro 会自动帮用户生成这些规范。

Hooks 是触发器。比如用户保存代码、创建新文件、或者准备提交时，Kiro 会自动触发相应任务，比如生成测试、更新文档或者扫描安全问题。

Kiro 会把工作拆分成小任务，还会按依赖顺序排序，每一项都和需求文档关联起来，确保不遗漏。每个任务都会包括：单元测试、集成测试、加载状态处理、移动端适配、可访问性设计等等。

除了 specs 和 hooks，Kiro 也具备一个成熟 AI 编辑器应有的能力。支持多模型接入协议（MCP）、可以定制 AI 行为规则、有「上下文感知」的聊天式开发体验，也兼容 VS Code 的配置和插件。

体验网址：https://kiro.dev/（@AI 星球视界）

02 有亮点的产品

1、Grok 上线动漫 AI 伴侣功能

7 月 15 日消息，马斯克于当地时间周一宣布，Grok 付费订阅用户现可试用 AI 聊天机器人新版「虚拟伙伴」（Companions）功能，但也有部分免费用户称其亦可访问该功能。

Grok 首批上线的虚拟形象包括动漫角色 Ani 和卡通熊猫 Rudy，其中后者还支持「Bad Rudy」模式。据 TestingCatalog 披露，Ani 还设有「NSFW 模式」，该模式下角色将身着内衣，更符合二次元玩家的喜好，在 AI 行业中遥遥领先。

马斯克称此次为「软发布」，因为当前用户需进入设置界面手动开启 AI 伴侣功能，「我们将在几天内简化开启流程」。

除已公布角色之外，用户发现另一款名为「Chad」的角色正在开发中。Grok 现有语音聊天模式已支持 NSFW 内容开关，用户可与此前无实体形象的 Grok 进行对话。

相关链接：https://techcrunch.com/2025/07/14/elon-musks-grok-is-making-ai-companions-including-a-goth-anime-girl/ （@时代 Java）

2、Grok 网页语音功能已开始向部分用户推送，支持基于网页内容交互

Grok 网页语音功能现已开始向部分用户推送。在此前的公开新闻中提到，Grok 网页语音功能将随 Grok 4 一同发布。用户在使用该功能时，Grok 会在回复的同时显示相关的 X 帖子，方便用户阅读。

该功能提供多种语音选项，包括 Ara、Rex、Eve、Sal 和 Gork，并支持用户自定义个性类型。

此外，用户还可以将浏览器标签页、窗口甚至整个屏幕内容分享给 Grok，并基于网页内容进行提问。

抢先体验链接：https://grok.com/（@blankspeaker@X）

3、MiniMax 将完成近 3 亿美元融资，估值超 40 亿美元

据晚点获悉，大模型公司 MiniMax 近 3 亿美元的新一轮融资已接近完成，投后估值超过 40 亿美元（约 300 亿元人民币）。结合公开信息，目前国内达到这一估值的大模型公司有 MiniMax 和智谱。

本轮引入了具有标志性意义的新股东 —— 上海国资。这是 MiniMax 首次获得拥有国资背景的资方参投。除大型国资平台外，本轮出资方还包括部分上市公司与交叉基金。此轮融资完成后，MiniMax 成为国内仅有的两家估值达到 300 亿元人民币的大模型公司之一。

据了解，MiniMax 曾于去年年底完成一轮估值 30 亿美元的融资。彭博社曾在今年 6 月报道称，MiniMax 正在筹备赴港上市。

另外，同在 6 月，MiniMax 发起为期一周的「技术发布周」，集中发布了一系列能力成果，如开源大规模混合架构模型 MiniMax-M1、支持原生 1080p 的视频模型 Hailuo‑02、通用智能体 MiniMax Agent 等等。（@APPSO、@秉乾而行）

4、美图发布影像 AI Agent，为用户提供一站式影像处理体验

7 月 14 日，美图公司正式公布旗下影像 AI Agent「RoboNeo」，并号称「一句话搞定影像生产力」。该产品集成了图片精修、品牌设计和网页制作等多项功能，整体形态更接近「美图全家桶」，为用户提供一站式影像处理体验。

据悉，RoboNeo 专注于影像内容生成，支持手机、电脑。官方表示，在 RoboNeo 中能实现一句话商业级精修，如面部修复、人物体态处理、图片细节修改、滤镜添加等。

RoboNeo 还能够进行品牌设计，支持分析用户需求、设计思路规划，能够进行设计延伸生成，并且支持生成品牌样机、门店设计，甚至还支持电商物料内容生成。RoboNeo 还支持效果预览，能够快速给出家装预览、车贴预览、T 恤图案预览等场景应用。

值得一提的是，RoboNeo 还支持营销视频生成，基于文字、图片进行视频内容生成；另外还支持网页设计生成，能够同步交付设计、代码、部署。

RoboNeo 面向电商运营推出了一站式物料生成能力，涵盖平面海报、动态视频、360 度运镜视频等多种营销素材。此外，该功能支持图层拆分、动画调节，适配主流电商平台对静态或动态素材的多元需求。

目前，用户可通过手机应用商店搜索「RoboNeo」或访问 RoboNeo.com 直接体验服务。（@智东西、@APPSO）

5、Gemini AI 现支持将照片转换为带声音的视频

Google Gemini 应用刚刚推出了一项新功能，用户现在可以将静态照片转换为带有声音的视频。这项全新的照片转视频功能由谷歌的 Veo 3 视频模型提供支持，可将参考图片转换为 8 秒的视频，并配有 AI 生成的音频，包括背景噪音、环境声响和语音等。

据谷歌介绍，目前 Gemini 的这一视频更新功能已向 「部分地区」 的 Google AI Ultra 和 Pro 订阅用户开放。该功能现在开始在网页端推出，并将逐步覆盖移动设备。

Gemini 用户可通过以下方式使用该功能：点击提示栏中的 「工具」 选项，选择 「视频」，然后上传照片，同时附上一段文字描述，说明希望照片以何种方式动起来。用户还可以添加音频描述，用于指定对话、音效和环境音 —— 谷歌表示，这些音频将 「与视觉画面完美同步」。生成的成品视频为 MP4 格式，分辨率为 720p，采用 16:9 的横屏比例。

报道链接：https://x.com/GeminiApp/status/1944879639677296652

相关链接：https://blog.google/products/gemini/photo-to-video

（@GeminiApp@X、@IEEE 电气电子工程师学会）

03 有态度的观点

1、贾樟柯：艺术劳作的过程是一种生理需要

据新浪电影消息，导演贾樟柯日前在「青葱青年影展大师班」谈及「AI 为何无法完全取代传统电影拍摄手法」，并分享了自己的想法。

「AI 未来可能性非常大，但无法取代传统电影的就是拍摄本身的游戏的快感。」贾樟柯表示，每一门艺术吸引人去从事，都有游戏感手工感，劳作的过程是一种生理需要，其他工作无法取代。「拍电影某种程度和过家家差不多，无中生有拍一段人生。」

同时，贾樟柯也分享了对现代电影行业的看法：

• 年轻导演是最敏感的群体，他们要寻找自己职业和生活的方向，他们缺少资源，也最能发现和感受社会存在的问题。

• 很多短剧，短剧的叙事效率很高，但是人的真实生活并不会时时刻刻处于戏剧性中，而是有很多闲散的时间。所以贾樟柯表示，自己的电影注重快与慢的结合。(@APPSO)

2、马斯克：5 年内，AI 的能力超越所有人的总和

昨天，博主 Haider 发文称「我们已经跨越了通用人工智能（AGI）的门槛，因此这一术语现在感觉毫无意义」，随后马斯克转发并回复表示，「AI 已经比大多数人类聪明得多」。

马斯克在文中称，现在的 AI 已经比很多人类聪明，只是还没有在任何方面超越任何一个人。但马斯克认为：在未来 2 年内，AI 将会比任何单一人类、在任何方面都更聪明，而 5 年左右的时间，AI 将会比所有人类加起来都还要聪明。

最后，马斯克还表示「关键是要确保 始终以 AI 追求真理为最高目标，哪怕前进道路上难免会出现一些曲折。」(@APPSO)

更多 Voice Agent 学习笔记：

对话 Wispr Flow 创始人 Tanay：语音输入，如何创造极致的 Voice AI 产品体验

Notion 创始人 Ivan Zhao：传统软件开发是造桥，AI 开发更像酿酒，提供环境让 AI 自行发展

ElevenLabs 语音智能体提示词指南 —— 解锁 AI 语音交互的「灵魂秘籍」丨 Voice Agent 学习笔记

11Labs 增长负责人分享：企业级市场将从消费级或开发者切入丨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？

视频丨Google 最新 AI 眼镜原型曝光：轻量 XR+情境感知 AI 打造下一代计算平台

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

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

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