9月14日-20日大模型发布追踪：Gemini 3.8 Live、Qwen-Image-2.1 与 Step 5 Preview
本期核对 9 月 14 日至 20 日的四组发布，重点比较 Gemini 3.8 Live 的语音能力与每分钟定价、Qwen-Image-2.1 的 7B 统一图像模型、Step 5 Preview 的成本前沿，以及 OpenAI Astra for Law 的垂直配置边界。
一句话判断
本期覆盖窗口是 2026 年 9 月 14 日至 20 日（UTC+08:00）。这一周会真正进入选型清单的是两组发布。一组把实时语音从「语音识别 + 文本模型 + 语音合成」的三段管线换成原生音频到音频的模型，Google 在 9 月 15 日推出 Gemini 3.8 Live 与 Gemini 3.8 Live Extended Thinking，并拿下第三方语音对话榜单的第一名。另一组继续压低同等能力的单位成本，通义千问 9 月 20 日开源 7B 的 Qwen-Image-2.1，阶跃星辰 9 月 20 日发布 600B 稀疏 MoE 的 Step 5 Preview。OpenAI 本周交出的是垂直配置 Astra for Law，内核仍是 9 月 3 日的 GPT-6 Astra。
先看价格、状态和边界
| 模型与发布 | 发布与定位 | 关键变化 | 评测信号 | 价格与可用性 | 先测什么 |
|---|---|---|---|---|---|
| Gemini 3.8 Live / 3.8 Live Extended Thinking 1 | 9 月 15 日发布；音频到音频的实时对话模型，分为规模化与高复杂度任务两档 | 语音输入与音频输出在一个模型内完成；工具调用与 API 请求转到后台异步执行；支持实时视觉输入；对话中自动切换 97 种语言；Extended Thinking 思考强度可配置，边推理边用语音播报进度 | Artificial Analysis 语音对话指数 82.6（Extended Thinking 高强度，第一）与 76.0；τ-Voice 任务完成率 68.6% 与 30.1% 2 | 音频输入 $3.00/百万 token 或 $0.005/分钟，音频输出 $12.00/百万 token 或 $0.018/分钟；文本 $0.75 / $4.50；图像与视频输入 $1.00/百万 token 或 $0.002/分钟 3；Gemini API 与 AI Studio 即时可用，企业侧在 Gemini Enterprise 私测，Search Live 与 Gemini app 已上线 | 长通话的每分钟成本、插话后的恢复时延、后台工具调用与语音播报的衔接 |
| Astra for Law 4 | 9 月 17 日发布；在 GPT-6 Astra 之上装载法律检索索引与写作指令的垂直配置 | 法律检索索引覆盖美国判例、法规、法院规则与行政裁决，语料超过 2.3 亿个 URL 且每日新增；内置法律分析与写作指令；开放 26 个生态插件 | OpenAI 自报：在 Vals AI 法律检索基准的私有验证集 200 题上，最高推理强度下 54.0% 通过整体正确性检查，仅用网页搜索的 GPT-6 Astra 为 38.7%；判例类问题多找到 24% 参考判例 | 先经 Trusted Access 计划面向选定律所在 ChatGPT 与 Codex 提供，符合条件的律所可获得 API 零数据保留；API 上线时间与价格未公布 | 自建「通用模型 + 自家语料」与它的检索引用可靠性对比 |
| Qwen-Image-2.1 5 | 9 月 20 日开源；统一文生图与图像编辑，视觉生成组件 7B（32 层单流 DiT） | 原生支持透明（RGBA）图像的生成与编辑；最多 10 张参考图；局部编辑支持圈选、涂画标注与独立 mask 三种方式；混合粒度注意力与前缀 KV 复用降低多图编辑算力 | Qwen-Image-Bench 总分 60.28；同榜 GPT Image 2.5 Sunburst 67.01、GPT Image 2 64.69、Grok Imagine 2.0 63.47，闭源模型参数量未公开 5 | Hugging Face、ModelScope 与 GitHub 开放权重；许可为 Qwen Research License；官方博客未公布 API 价格与上下文上限 6 | 透明图层抠图与多参考图合成的保真度；许可是否覆盖自己的商用场景 |
| Step 5 Preview 78 | 9 月 20 日发布；稀疏 MoE 旗舰基座，600B 总参数、每 token 激活 27B，1M 上下文，支持视觉输入 | 面向 AI 编程、软件工程、专业知识工作与金融工作流；长程任务在 24 小时窗口内自主迭代（把 MLA GPU kernel 优化到 508 TFLOPS） | Artificial Analysis 智力指数 44，同价档中位数 24；每任务成本 $0.72，输出速度 99.8 token/s 9；官方称同智能水平下成本比 GLM-5.3、Kimi K3 低约 65% 7 | StepFun 平台与 API 即时可用；输入 $1.00、输出 $2.70（每百万 token，按 StepFun 直连价）；开放权重排在 10 月 15 日 | 真实工程任务的成功率与输出 token 消耗 |
注：价格统一按美元核算。表格中「评测信号」一栏把厂商自报与第三方 Artificial Analysis 数据分列，两者口径不同，不要合成单一排名。
Gemini 3.8 Live：语音模型开始边想边说
Google 在 9 月 15 日把两个实时语音模型推上 Gemini API 与 Google AI Studio。Gemini 3.8 Live 面向规模与成本，Gemini 3.8 Live Extended Thinking 面向需要多步推理的复杂任务。1
过去做语音智能体，通常要把语音识别、文本模型和语音合成串成三段，每次交接都累积延迟，用户插话时还容易出现调度冲突。Gemini 3.8 Live 把听与说合进一个模型，并允许工具调用与 API 请求转到后台执行，前台继续把对话说完。10
Extended Thinking 的加法是边推理边说。它在处理复杂任务时先用「让我确认一下」这类口头提示接住用户，再播报多步任务的进度；思考强度可以配置。1
第三方数据上，Artificial Analysis 的语音对话指数给出 82.6 分，Extended Thinking 高强度配置排在第一，Gemini 3.8 Live 是 76.0。两个配置在客服场景的任务完成率（τ-Voice，衡量语音智能体在模拟客服来电中完成任务的占比）差距明显：Extended Thinking 为 68.6%，Gemini 3.8 Live 为 30.1%。2 Google 自报的语音推理分数是 Big Bench Audio 97.7%，这一项属于厂商口径。1
计费按 token 与分钟双轨列出：音频输入每分钟 $0.005、音频输出每分钟 $0.018，文本输入每百万 token $0.75、输出 $4.50，图像与视频输入每分钟 $0.002。Extended Thinking 会产生文本思考 token，这部分按文本价另算，语音通话的账单里要单独留出这一格。3
可用范围分三层：开发者这一层是 Gemini API 与 Google AI Studio 即时可用；企业这一层在 Gemini Enterprise 私测，Gemini Enterprise for Customer Experience 稍后跟进；消费端 Search Live 与 Gemini app 已上线，Workspace 的 Docs Live、Gmail Live、Keep Live 面向 Google AI Pro 与 Ultra 订阅者。生成音频统一带 SynthID 水印。1
同批出现在开发者文章里的 Gemini 3.5 Transcribe 发布于 8 月，本期不把它算作新发布。10
Astra for Law：GPT-6 Astra 装上法律检索索引
9 月 17 日，OpenAI 发布 Astra for Law，把 GPT-6 Astra 与一套法律检索索引、法律分析与写作指令打包，面向律所与法律科技公司，在 API 中的模型名是
gpt-6-astra-law。4检索索引覆盖美国判例、法规、法院规则与行政裁决，语料超过 2.3 亿个 URL 且每日新增。判例部分来自与 Free Law Project（CourtListener 的运营方）的合作，覆盖超过 99.9% 的美国已公开有先例效力的判例。4
效果数字来自 OpenAI 自己的对比：在 Vals AI 法律检索基准的私有验证集 200 题上，两个系统都开到最高推理强度时，Astra for Law 有 54.0% 的题目通过整体正确性检查，只用网页搜索的 GPT-6 Astra 是 38.7%，相对提升 40%。判例类问题上，Astra for Law 多找到 24% 的参考判例。4 这一组数字的对标对象是同一模型的网页搜索版本，第三方尚未给出独立复现。
发布同时开放 26 个生态插件，覆盖律所已有的工具链，例如 iManage 的案卷归档、Intapp 的时间记录识别、DeepJudge 的既往交易比对，Thomson Reuters 也把 HighQ 的案件上下文接入 ChatGPT。ChatGPT for Word 同日正式可用。4
交付方式是 Trusted Access 计划：先面向选定律所在 ChatGPT 与 Codex 提供，符合条件的律所可获得 API 零数据保留，ChatGPT Enterprise 的使用默认不进入人工审核；API 上线时间与价格都没有公布。4
Qwen-Image-2.1：7B 把生成、编辑与透明通道并进一个模型
9 月 20 日，通义千问团队开源 Qwen-Image-2.1，把文生图与图像编辑合进一个模型，视觉生成部分是 7B 参数、32 层单流 DiT。5
四项变化里，最实用的是原生透明。模型直接用提示词决定输出普通图像还是带 alpha 通道的 RGBA 图像，也能对透明图层继续编辑，还能从一张普通照片里抠出主体变成透明层。这项能力此前由 2025 年 12 月的专用模型 Qwen-Image-Layered 提供，现在并进了统一模型。5
参考图上限提到 10 张，官方演示用 6 张人像合成一张合影、用 5 张图拼出一整套穿搭、用 10 张家具图生成房间布局。局部编辑支持三种指定方式：圈选（可用不同颜色一次指定多个区域）、涂画标注，以及原图加独立 mask 两张输入。5
效率来自两处设计：注意力采用混合粒度，文本部分用 token 级因果掩码，图像生成部分用块级掩码；输入图像与编辑指令作为静态上下文，在第一步算完之后复用 KV 缓存，多图编辑的算力和显存因此下降。5
许可与边界需要单独留意：权重在 Hugging Face、ModelScope 与 GitHub 发布，许可证是 Qwen Research License，商用前要确认自己的场景是否被覆盖。官方博客的评测集中在自建基准与展示样例，Artificial Analysis 等第三方图像榜单尚未收录这个版本，API 价格与上下文上限也没有在同一篇博客中给出。56
Step 5 Preview：600B 稀疏 MoE 把成本再压一档
阶跃星辰 9 月 20 日发布新一代旗舰基座模型 Step 5 Preview（第三方记录页把发布日写作 9 月 18 日，与中文媒体相差两天），采用稀疏 MoE 架构，600B 总参数、每 token 激活 27B，1M 上下文并支持视觉输入，重点面向 AI 编程、软件工程、专业知识工作与金融场景。78
官方把卖点放在长程执行上，给了两个 24 小时实验。第一个是把一个 MLA GPU kernel 从零优化，Step 5 Preview 在 H100 上跑到 508 TFLOPS，官方对比的 Claude Opus 5 是 493 TFLOPS。第二个是自动后训练一个 Qwen3-30B-A3B 底座，把它的 AIME24 成绩从 53.3% 提到 60%，与 Claude Opus 5 持平，消耗的标注 token 更少。7
第三方数据给出了它在这一档的位置：Artificial Analysis 记录它智力指数 44（同价档中位数 24），每任务成本 $0.72，输出速度 99.8 token/s，首 token 2.96 秒，缓存折扣 95%，上下文 1M。9
两处短板值得先看。官方对比表里，它在 Terminal-Bench v4 得 33.3 分，GLM-5.3 是 41.9 分；GDPval-AA v2 得 1571 分，GLM-5.3 是 1634 分，这两项它不是领先者。7 Artificial Analysis 还记录它输出非常冗长：跑完智力指数生成 1.6 亿输出 token，同价档中位数是 9200 万，按 $2.70 的输出单价，冗长会直接放大实际账单。9
本期其他条目
StepAudio 3：五款音频模型，识别与实时对话各占一席
阶跃星辰 9 月 15 日发布 StepAudio 3 系列，一次推出 Realtime、ASR、TTS、Gen 和 Music 五款模型，覆盖实时语音交互、语音识别、语音合成、音频生成与音乐创作。1112
第三方榜单上它占了两项第一。语音识别侧，StepAudio 3 ASR 在 Artificial Analysis 的非流式语音识别榜上词错率 1.7%；实时对话侧，Realtime 版本在对话动态（Full Duplex Bench）拿下 98.9%、语音推理（Big Bench Audio）99.7%，两项都在收录模型的首位。213
它只通过 API 提供。官方文档给出的识别接口是
POST /v1/audio/asr/sse，ASR Max 按 2.8 元/小时计费，权重没有开放。14匿名模型 Union Alpha
OpenRouter 本周上架一个匿名模型 Union Alpha，262K 上下文、限时免费，页面上没有标注提供方。提供方未确认，本期不把它计入条目，仅作提示。15
本期未纳入条目与覆盖说明
本期严格执行 2026 年 9 月 14 日至 20 日的时间窗核验，各厂商筛查结果如下。
- Anthropic：官方新闻页在窗口内发布了两项计划类内容（9 月 17 日的生命科学验证计划、9 月 18 日与 Accenture 的嵌入式评估合作），模型侧没有新发布。路透社 9 月 18 日报道，Anthropic 正考虑在 IPO 前推出一款新模型，以应对 GPT-6 Astra 带来的势头；报道没有给出模型名与发布日期，官方也没有对应页面，本期只作为待跟进信号。16
- DeepSeek：官方更新日志与价格页在窗口内没有新模型，但有一条边界要更正。更新日志显示，应使用者要求，V4-Pro 的 API 服务在原定的 9 月 14 日切换节点之后继续提供，计费方式不变；价格页当前同时列出
deepseek-flash（V4.1-Flash）与deepseek-v4-pro两档。上期文章提示的「流量平替」在实际调用前请以官方日志与价格页为准。1718 - Meta：窗口内没有新模型。Muse Spark 1.3 的发布日是 9 月 2 日，已在上期覆盖；本月的新动作是订阅服务 Meta One 与个人智能体应用 Muse，驱动它们的仍是已有模型。19
- 智谱 GLM：官方开放文档的模型与产品发布记录，最近一条仍是 8 月 26 日上线的 GLM-5.3-Flash。市场上流传的 GLM-5.5、GLM-6 编号没有官方发布页。20
- 月之暗面 Kimi：窗口内发布的是金融行业解决方案（9 月 17 日），面向投研建模、风险排查与尽调材料，模型侧没有新发布。
- MiniMax：官网首页把 M3、H3、Speech 2.8、Music 3.0 等条目标为 NEW，其中 Speech 2.8 的官方发布日是 1 月 23 日，其余条目的官方页面上没有给出窗口内的发布日期。21
- 通义千问：本周唯一的模型级发布是 Qwen-Image-2.1，已列为条目，语言模型侧没有新发布。
- OpenAI 的其他内容：除 Astra for Law，OpenAI 在窗口内还发布了模型错位报告框架（9 月 16 日）、Agents API 公测（9 月 17 日）与 ChatGPT for Word 正式可用，这些属于工具与安全机制。2223
- Google 的其他内容：除 Gemini 3.8 Live 之外，本周的官方博客以研究进展与产品功能为主，与两个语音模型同批出现在开发者文章里的 Gemini 3.5 Transcribe 发布于 8 月。10
面向技术选型的三项行动建议
- 语音智能体先比每分钟成本，再比插话体验。 取一段带真实插话、停顿和环境噪音的呼叫录音，把 Gemini 3.8 Live、3.8 Live Extended Thinking 与 GPT-Live-1 放进同一套工具定义下跑。记录首段音频延迟、插话后的恢复时间与任务完成率，再按音频输入 $0.005/分钟、音频输出 $0.018/分钟估算每分钟通话成本；Extended Thinking 的思考 token 按文本价格另计。3
- 图像管线先验证透明图层与多参考图。 用自家商品图和授权人像做两组测试，一组要求先抠成透明背景再合成，一组给 5 至 10 张参考图看身份与商品细节是否保住。Qwen-Image-2.1 的权重采用 Qwen Research License，上线前先确认许可覆盖自己的商业场景，需要闭源商用授权就走官方渠道。6
- 通用推理按每任务成本比较。 Step 5 Preview 的输入 $1.00、输出 $2.70（每百万 token）看着便宜，但第三方记录它跑完智力指数生成了 1.6 亿输出 token，约为同价档中位数的 1.7 倍。把 Step 5 Preview、GLM-5.3 与 Kimi K3 放在同一批真实任务上，同时记录成功率、总输出 token 与每任务成本；预算敏感又需要自建部署的团队，可以等 10 月 15 日开放权重后再评估。9
References
- 1
- 2Artificial Analysis：语音对话模型与供应商评测
artificialanalysis.ai
- 3Gemini API 价格页
ai.google.dev
- 4OpenAI：推出 Astra for Law
openai.com
- 5通义千问：Qwen-Image-2.1
qwen.ai
- 6Qwen-Image-2.1 模型卡
huggingface.co
- 7阶跃星辰：Step 5 Preview
stepfun.com
- 8新浪财经：阶跃 Step 5 Preview 发布
finance.sina.com.cn
- 9Artificial Analysis：Step 5 Preview 分析
artificialanalysis.ai
- 10Google：用 Gemini 3.8 Live 构建实时语音应用
blog.google
- 11澎湃新闻：阶跃星辰发布新一代语音大模型 StepAudio 3 系列
m.thepaper.cn
- 12
- 13Artificial Analysis：语音转文字榜单
artificialanalysis.ai
- 14StepFun 开放平台：StepAudio 3 ASR
platform.stepfun.com
- 15OpenRouter：Union Alpha
openrouter.ai
- 16
- 17DeepSeek API 更新日志
api-docs.deepseek.com
- 18DeepSeek 模型与价格页
api-docs.deepseek.com
- 19Meta：Muse Spark 1.3 发布
research.meta.ai
- 20智谱：模型与产品发布记录
docs.bigmodel.cn
- 21MiniMax：Speech 2.8
minimax.io
- 22OpenAI：模型错位报告框架
openai.com
- 23OpenAI：Agents API 公测
openai.com
This story was produced automatically by a channel. One sentence is all it takes for Neodrop to keep producing for you.