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：@瓒an、@鲍勃
01 有话题的技术
1、OpenAI 发布 GPT‑5.2‑Codex，强化防御性网络安全应用
今天，OpenAI 正式发布智能体编码模型 GPT‑5.2‑Codex，定位为「迄今最前沿的智能体编码模型」，面向复杂的软件工程与防御性网络安全场景。
该模型基于 GPT‑5.2 定向优化，具备更强的长程任务执行能力、代码重构与迁移性能、原生 Windows 环境适配，以及对截图、技术图表和用户界面的精准理解。
OpenAI 表示，GPT‑5.2‑Codex 已在 Codex CLI、IDE 扩展、云端与代码审查场景向付费 ChatGPT 用户开放，API 接入将在未来数周逐步启用。
在性能方面，GPT‑5.2‑Codex 在 SWE‑Bench Pro 基准测试中准确率达到 56.4%，在 Terminal‑Bench 2.0 中准确率为 64.0%，均较前代模型有所提升。
模型通过原生上下文压缩提升长周期任务的稳定性与 token 使用效率，并在终端任务中展现更高成功率与可靠性。
此前，研究人员已利用 GPT‑5.1‑Codex‑Max 在 React 框架中发现并披露漏洞，显示该系列模型在现实防御性研究中的潜力。
在网络安全方面，OpenAI 强调 GPT‑5.2‑Codex 虽未达到「高」级能力门槛，但已显著增强防御性能力。公司同步推出「可信访问计划」，仅限邀请安全专业人士与具备明确应用场景的机构参与，用于漏洞研究、授权红队测试等防御性工作。
OpenAI 表示，随着模型能力持续提升，将以负责任的方式逐步开放访问，并与安全社区保持紧密合作，以降低滥用风险。
（@APPSO、@新智元）
2、烁谷科技 Vocu V3 语音合成模型：登顶 HuggingFace TTS Arena 榜单
广州烁谷科技自研的 Vocu V3 语音合成模型（海外版，国内版为悟声）在 HuggingFace TTS Arena 榜单上获得第一名。该模型在海量用户盲测中，凭借语音质量和情感表现力超越了 Inworld 和 Eleven Labs 等国际厂商。
-
HuggingFace TTS Arena 榜单第一：该榜单采用 Elo 社区评分机制，基于全球用户匿名投票，动态更新，被视为衡量语音合成技术实力的「试金石」。
-
3 秒声音样本完成 99.5% 相似度音色克隆 ：Vocu V3 能够基于极短的音频样本，实现高精度、高相似度的音色克隆。
-
支持数十种语言及方言，具备影视级性能： V3.1 版本全面支持中文、英语、韩语、法语、德语、西班牙语、葡萄牙语等数十种语言及粤语等方言，在情感张力、相似度、稳定性、自然度、语义理解等方面表现领先。
-
「悟声」语音合成算法：实现了从「感知文本」到「再生语音」的跨越，能深度理解文本语义与情感，自动匹配多种音色和口音，并精准演绎情感起伏。
-
VocaMark 音频隐形水印与 VocaAntiFake 鉴伪大模型： 构建了 AI 生成音频的安全闭环，实现无痕溯源与高精度鉴别，抵御恶意攻击。
相关链接：
https://www.vocu.ai/
（@南都大数据研究院）
3、美团 LongCat-Video-Avatar 开源 SOTA 级虚拟人视频生成模型
美团 LongCat 团队开源了 LongCat-Video-Avatar 虚拟人视频生成模型。该模型在动作拟真度、长视频稳定性和身份一致性方面取得显著突破，支持 AT2V、ATI2V 及视频续写功能，旨在解决虚拟人长视频生成中的痛点。
-
SOTA 级动作拟真度： 通过 Disentangled Unconditional Guidance 训练策略，实现嘴型、眼神、表情及肢体动作的同步拟真，支持「静音」状态下的自然微动作（如眨眼、调整姿势）。
-
长时序视频稳定性： 采用 Cross-Chunk Latent Stitching 训练策略，在潜在空间（latent space）直接拼接上下文，避免 VAE 解码再编码带来的画质退化，实现长达 5 分钟视频生成时的色彩和细节稳定性。
-
商用级身份一致性： 升级基座模型至 LongCat-Video，并引入带位置编码的参考帧注入模式与 Reference Skip Attention 机制，在确保身份（ID）一致性的同时，抑制动作僵化与重复。
-
多模态输入支持： 原生支持 Audio-Text-to-Video （AT2V）、Audio-Text-Image-to-Video（ATI2V） 及视频续写（inpainting/continuation）等核心功能。
-
权威基准评测领先： 在 HDTF、CelebV-HQ、EMTD 等数据集上，多项核心指标（Sync-c/Sync-D， FID， FVD， CSIM）达到 SOTA 水平。
项目地址：
GitHub:https://github.com/meituan-longcat/LongCat-Video
Hugging Face:https://huggingface.co/meituan-longcat/LongCat-Video-Avatar
Project:https://meigen-ai.github.io/LongCat-Video-Avatar/
（@龙猫 LongCat）
4、Mistral AI 发布 Mistral OCR 3：OCR 性能提升 74%，支持复杂表格与手写体，API 价格降至 $1/千页
Mistral AI 推出了其最新 OCR 模型 Mistral OCR 3，在表单、扫描文档、复杂表格和手写体识别方面，相较前代模型 Mistral OCR 2 整体性能提升 74%。该模型现已通过 API 和 Document AI Playground 提供，将 OCR 成本降低至 $1/千页（批量 API）。
-
74% 提升率： Mistral OCR 3 在表单、扫描文档、复杂表格和手写体识别上，相比 Mistral OCR 2 实现了 74% 的总体胜率。
-
复杂表格结构重构： 模型能够精确识别并输出带有 colspan/rowspan 属性的 HTML 表格标签，保留了包括表头、合并单元格和多行块在内的复杂表格布局。
-
手写体与表单理解增强： 显著提升了对草书、混合内容注释、打印表单上的手写文本，以及复杂表单布局（包括标签、勾选框和密集排列的字段）的识别能力。
-
成本优化： API 价格为 2/千页，通过 Batch-API 优惠后，成本降至 1/千页。
-
Document AI Playground: 提供拖拽式界面，支持将 PDF/图像解析为纯文本或结构化 JSON。
相关链接：
https://mistral.ai/news/mistral-ocr-3
( @Mistral AI Blog)
02 有亮点的产品
1、千问 App 全面接入高德地图
昨天起，千问 App 全面接入高德地图能力，围绕导航与生活服务实现深度打通：用户在千问 App 中可一体化完成路线规划、周边餐饮娱乐检索与「顺路」店铺筛选，提升复杂出行需求的响应效率。
此次接入覆盖新能源车出行、限行规避与服务信息等关键场景。
用户提供出发地、目的地与车辆续航信息后，千问 App 将参考高德路线数据自动规划沿途充电站；同时支持依据车牌尾号、出行时间与目的地生成合规出行方案，并在路线规划界面同步展示收费站、服务区与限行提示。
高德称，未来将与千问在餐饮、娱乐、休闲等生活场景继续扩展智能服务体验。
( @APPSO)
2、3299 元，XREAL 推出新一代 AR 眼镜 1S
昨天，AR 眼镜厂商 XREAL 正式发布新品 XREAL 1S，面向更广泛的年轻消费群体，主打「一副眼镜，开启 500 英寸随身空间巨幕时代」，核心亮点包括：
-
搭载自研 X1 空间计算芯片，支持实时 2D 转 3D 功能；
-
配备 Sony Micro-OLED 微显示屏，双眼 1200p 分辨率与 700 尼特亮度，并获得 TÜV 莱茵眼舒适五星认证；
-
原生 3DoF 空间显示能力，无需手机 App 或额外配件即可实现稳定画面；
-
全链路优化，M2P 延迟低至 3ms，显著降低眩晕感；
-
提供多规格鼻托与柔性铰链，确保长时间佩戴舒适；
跨生态即插即用，支持 iPhone、Android 手机、Steam Deck、Windows PC 与 MacBook。XREAL 创始人兼 CEO 徐驰在发布会上表示，眼镜是最接近人类感知的终端，也是最有可能承载下一代计算形态的入口。
XREAL 强调，X1 芯片的使命是「Spatial Display for All」，即不挑设备、不设门槛，让任何人都能随时拥有可靠的空间屏幕。
XREAL 1S 定价 3299 元，已在京东与天猫开启预约，并将在 12 月 22 日 20:00 正式发售。
( @APPSO)
3、Amazon 为门铃推出 Greetings 功能：Alexa 智能识别访客并代为应答
Amazon 为 Ring Doorbell 推出名为「Greetings」的新功能，整合了 Alexa 的对话式 AI 能力。该功能可识别访客身份（如快递员、销售人员），并根据预设指令进行交互，同时支持亲友留言。
-
访客识别与响应： 利用 Ring 的视频描述技术，识别摄像头前人物的服饰、动作和携带物品，从而判断其身份（如快递员、销售人员、亲友），并根据用户指令生成相应回复。
-
自定义交互指令： 用户可为不同类型访客设置具体指令，例如：指示快递员放置包裹的位置、提供饮水零食、处理签收事宜；礼貌拒绝推销人员；或让亲友留言。
-
对话式 AI 集成： 集成 Alexa 对话式 AI，实现更自然的语言交互，而非预设脚本。
-
隐私与安全考量： Amazon 声明该功能不识别具体个人身份，仅基于视觉描述生成响应。
-
兼容性与部署： 该功能兼容 Ring Wired Doorbell Pro （3rd Gen） 和 Ring Wired Doorbell Plus （2nd Gen），需要 Ring Premium Plan 和已启用的视频描述功能。
( @TechCrunch)
4、Stripe Press 发布系列短纪录片《Tacit》：AI 时代下，大师级工艺的隐性之美
Stripe Press 近日推出纪录片系列《Tacit》，首两集聚焦调香大师 Christophe Laudamiel，探讨 AI 浪潮下「大师级技艺」的存续。
Laudamiel 曾操刀多款现象级香水。影片记录了他从零构建香氛的全过程，展现了专业直觉如何通过数万次实验与错误（如排除尴尬的异味）转化为卓越的产品。这正是「隐性知识」——一种无法通过简单指令习得、深植于经验之中的判断力。
Stripe Press 负责人 Tamara Winter 强调，隐性知识不仅是匠心所在，更是经济持续增长的关键要素。当这种知识的代际传递出现断裂——例如当今大师级调香师的数量已稀缺至低于宇航员时——整个行业的繁荣根基将面临崩塌。
除了影像记录，《Tacit》配套网站还整理了相关经典书单，旨在为这一深刻课题提供更广阔的理论支撑。( @Stripe Press)
03 有态度的观点
1、小米语音首席科学家：AI 发展的本质就像生物进化，不开源要慢 1000 倍
在量子位 MEET2026 智能未来大会上，著名的「Kaldi 之父」、小米集团首席语音科学家、IEEE Fellow Daniel Povey 提出：就像生物进化一样， AI「配方」的设计本质上就是一个不断试错的过程，而进化的速度，取决于「复制」一个新想法所需的时间。
他也将开源视为 AI 进化的核心加速器——若没有开源，行业的进化速度恐怕要慢上一千倍；正是因为有了开源，技术才能像生物适应新环境一样，经历「长期停滞+瞬间爆发」的非线性跃迁。
至于如何在未来的竞争中生存，在他看来，大公司最明智的策略是「两条腿走路」——一边利用 Transformer 赋能当下的产品，一边保留资源探索未知，赌中下一个颠覆世界的机会。
（@量子位）
04 社区黑板报
招聘、项目分享、求助……任何你想和社区分享的信息，请联系我们投稿。（加微信 creators2022，备注「社区黑板报」）
1、硬件日招募！「对话式 AI+硬件」系列活动@深圳丨 RTE Meetup+TEN Workshop
2025 年 RTE 开发者社区的收官活动，将再次落地硬件之都深圳，一起畅想 2026！
聚焦「对话式 AI+硬件」主题， 来自通义百聆 Fun-CosyVoice、声网、Lookee 盒智科技、TEN Framework、TEN VAD、Amphion 的技术专家和创业者将呈现多种类型活动。
上午主题分享+圆桌，下午动手工作坊——无论你是产品人、开发者、创业者还是硬件极客，总有一款适合你！
12 月 27 日，深圳科创学院，欢迎参加～
阅读更多 Voice Agent 学习笔记：了解最懂 AI 语音的头脑都在思考什么
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。
作者提示：个人观点，仅供参考