跳到正文
11月20日周五
11月19日周四
  1. IT之家42

    地平线发布 LoFT 原生视频几何基础模型,多项指标达到 SoTA

    地平线机器人实验室发布原生视频几何基础模型 LoFT,可从 RGB 视频联合预测相机位姿、内参及逐帧深度,恢复场景三维结构。该模型采用双循环 Transformer 架构,基于约 297 万条有效训练序列、9.62 亿帧图像完成规模化训练。在 SpatialBench、ClassicBench 和 VRBench 三套评测中,LoFT 在多项深度估计指标上达到 SoTA。

11月18日周三
  1. MIT Technology Review · AI46

    嗅觉初创公司 Osmo 称其「AI 鼻子」已达到人类水平

    AI 初创公司 Osmo 称其嗅觉基础模型已达到「人类级嗅觉智能」,气味检测与辨别能力与普通人相当,调香能力接近初级调香师。该模型基于逾 1000 万条人类标注和 8 亿个「scent tokens」的自建数据集训练,已用于香水行业,上个月在某全球最大消费品公司胜过其内部调香师。

11月17日周二
11月16日周一
  1. IT之家79

    腾讯混元 Hy4 flash 模型发布:224B 总参、12B 激活,单任务成本约 Hy4 的 5%

    腾讯混元团队发布 Hy4 flash 模型,总参数量 224B、每 token 激活 12B,支持多模态输入与 100 万 token 上下文。官方称其通过预训练、后训练和推理三阶段协同优化,KV cache 降至 Hy4 的 1/6,解码速度超过 150 tps;在 WorkIndex 评测集上单任务成本仅为 Hy4 的 1/20,综合效果略优于 Hy4 preview。

    推荐理由:原文给出 Hy4 flash 与 Hy4、DeepSeek-V4.1-Flash 的单任务成本对比及内部盲测结果,读者可据此判断它适合哪类日常任务。

11月13日周五
11月12日周四
11月11日周三
  1. IT之家70

    谷歌 DeepMind 发布 AlphaGenome 2 基因序列模型:识别致病变异能力提升近一倍

    谷歌 DeepMind 发布新一代 DNA 序列模型 AlphaGenome 2,可预测 DNA 序列及变异对特定人体细胞类型的影响。相比此前最优模型,其识别可改变基因表达变异的数量近翻倍,基于超 1 亿个单细胞图谱训练。目前该模型已通过 AlphaGenome API 面向非商业研究开放,商业研究处于私密预览阶段。

  2. Google DeepMind67

    Google DeepMind 发布 AlphaGenome 2:预测 DNA 变异如何影响特定人类细胞类型

    Google DeepMind 发布新一代 DNA 序列模型 AlphaGenome 2,可预测遗传变异对数百种人类细胞类型的影响。模型改为条件化架构,在超过 100 million 个细胞档案、68 种组织上训练,在 TenK10K 数据集上识别出的因果变异数量接近上一代的两倍(30% vs. 16%),还能泛化到未见过的细胞状态而无需重新训练。

    推荐理由:原文给出新模型相对上一代的条件化架构改动和近两倍变异识别提升,读者可判断它如何用于定位疾病相关细胞类型。

  3. 量子位82

    英伟达发布 GR00T 2 机器人基础模型,首批 10 万小时数据率先开源

    英伟达在 CoRL 大会发布新一代世界动作模型 GR00T 2,可同时预测未来画面与机器人动作,模型、数据、仿真环境与采集硬件将陆续开源,首批 10 万小时人类数据已开放。

    推荐理由:原文拆解了 X-Adapt 跨本体迁移路径与人类视频数据实验,读者可看到大规模人类经验如何转化为机器人执行能力。

11月10日周二
11月5日周四
11月2日周一
10月30日周五
10月29日周四
  1. IT之家78

    英伟达开源语音转录模型 Nemotron 3.5 Transcribe,支持 40 种语言、最多 8 名说话人

    英伟达 10 月 28 日推出开放权重语音转录模型 Nemotron 3.5 Transcribe,并公开训练数据管线 Granary v2。模型采用 MoE 架构,总参数约 340 亿、激活参数约 43 亿,可处理最长 1 小时录音,支持 40 种语言转录,最多区分 8 名说话人,整合转录、说话人归属、翻译和音频问答。

    推荐理由:原文给出公开评测词错误率与说话人分离基准成绩,读者可据此比较它与同类开源转录模型的能力边界。

  2. The Decoder75

    Nvidia 开源 Nemotron 3.5 Transcribe,集成转写、翻译与说话人识别

    Nvidia 发布开源语音模型 Nemotron 3.5 Transcribe,可在单模型内完成转写、翻译、说话人识别和录音问答。模型总参数 300 亿、每步激活约 40 亿,可在单张 Nvidia GPU 上运行,支持 40 种语言转写、31 种语言与英语互译、13 种语言的说话人识别,最长处理 1 小时、最多 8 人的录音。

10月28日周三
  1. TechCrunch · AI66

    Nvidia 发布开源转录模型 Nemotron 3.5 Transcribe

    Nvidia 发布免费开源权重转录模型 Nemotron 3.5 Transcribe,可转录约 40 种语言的音频,并同步推出开源语音数据集 Granary v2。官方称该模型支持 31 种语言与英语互译、处理最长一小时录音、区分最多 8 个说话人,30B 参数可运行在 Jetson AGX Thor 到 Blackwell 的单芯片上,但仅适用于录音而非实时流。

10月27日周二
  1. 量子位57

    国产AI 3D模型Hi3D开源V1.0,同题对比优于GPT-6 Astra

    Hi3D正式开源基于Sparc3D的3D生成模型V1.0,代码与权重已在GitHub和Hugging Face上线,可免费体验。V1.0基于约200万个筛选3D资产训练,多视图保真度0.75、细节丰富度0.841,切片成功率90%。同题对比中Hi3D Agent及V3.0在轮廓和细节上优于GPT-6 Astra,团队称V3.0为业界首个可商用2048³超高精度国产自研AI 3D模型。

10月24日周六
  1. 量子位66

    高德发布开放世界全身基座模型λ0,真机任务成功率较最强基线提升22.5%

    阿里巴巴集团旗下高德发布首个基于开放世界行为的全身基座模型λ0,仅依靠人类行动数据即可让机器人学习移动、姿态与双手操作的全身协调。λ0在SIMPLE仿真基准及多项真机评测中取得SOTA表现,数据采集效率约为主流方法的3.4倍,真机任务成功率较最强对比基线提升22.5%,并构建了包含500小时开放世界无本体全身数据的HumanVerse-500数据集。

10月23日周五
  1. Hugging Face Blog71

    OlmoEarth v1.3 发布:覆盖全球的卫星嵌入模型与 Embeddings Explorer 工具

    AI2 在 Hugging Face 发布 OlmoEarth v1.3 卫星嵌入模型,同时开放全球预计算嵌入(10m 分辨率、64 与 128 维)及浏览器工具 Embeddings Explorer,无需登录或 GPU 即可使用。

    推荐理由:原文给出 27 项评测的横向对比、训练成本与开放入口,读者可据此判断卫星嵌入能否替代现有微调流程。

10月22日周四
  1. Hugging Face Blog76

    NVIDIA Kumo Relational 无需训练即在关系型数据上超越监督机器学习

    NVIDIA 推出预训练关系型基础模型 Kumo Relational,可直接对企业数据库做预测,无需任务特定训练、特征工程或表扁平化。它在 15 个数据库的 41 个任务上超越监督关系深度学习模型和专家构建的梯度提升树流水线,在 SAP SALT 基准上比 AutoGluon 集成的平均倒数排名高 8%。

    推荐理由:原文给出 41 个任务上的对比数据,读者可据此判断关系型数据基础模型能否替代现有 XGBoost 流水线。

10月21日周三
10月20日周二
10月17日周六
  1. 掘金80

    DeepSeek 又更新!但怎么有个分数往下掉?

    DeepSeek 今天把网页、App、API 三端的线上模型切换为 V4.1-Flash-1017,价格不变。官方贴出的十一项成绩里只有两项能与旧版直接比对,DeepSWE 从 74.2 涨到 77.0,HLE(w/o tools)从 44.0 掉到 42.6;官方称训练方法为自反馈强化学习,模型写完代码会自己先跑通再提交。

    同一新闻,精选展示《DeepSeek-V4.1-Flash-1017 上线:编程与工具任务增强,价格不变》

10月16日周五
10月15日周四
  1. IT之家83

    英伟达发布 1200 亿参数 Nemotron 3.5 Super VL:单 GPU 智能体任务吞吐量最高提升 5 倍,74B 版本压缩至 24GB

    英伟达发布开放多模态模型 Nemotron 3.5 Super VL,采用 MoE 架构,总参数 1200 亿、激活参数 120 亿,面向持续运行、执行多步骤任务的 AI 智能体,单张 GPU 智能体任务吞吐量最高为同规模其他开放模型的 5 倍。

    同一新闻,精选展示《NVIDIA 发布 Nemotron 3.5 Super VL 与 Bolt 系列开源模型》

  2. Hugging Face Blog72

    Apertus 1.5 发布:支持图像与音频理解,上下文窗口扩展至 262,144 tokens

    Project Apertus 发布 Apertus 1.5 的 8B 与 70B 模型(2026 年 7 月 24 日上线 Hugging Face,Apache 2.0 许可),在 Apertus 1.0 基础上新增图像与音频理解、可选思考模式,上下文窗口扩展至 262,144 tokens。

    推荐理由:原文完整公开了从数据、训练配方到中间检查点的全流程细节,可作为复现开源多模态模型训练的参考样本。

  3. 极客公园59

    源策未来发布全身智能 WBI 系统,S0 与 S1 模型让人形机器人离开平地连续干活

    源策未来发布以「全身智能」(WBI)为核心技术路线的模型系统与演示,自研运控基模 S0 将手部末端追踪误差从开源基线的 10 厘米量级压到 2 厘米区间,并把控制扩展到有高差的非平地;大脑 S1 结合自采 EgoBody 全身人类数据与真机示范,负责任务理解与拆解。

10月13日周二
  1. IT之家43

    哈啰 Robotaxi 发布生成式驾驶世界模型 HelloWorld,整合场景控制、连续生成、多传感器观测与高效推理能力

    哈啰 Robotaxi 宣布推出生成式驾驶世界模型 HelloWorld,整合场景控制、连续生成、多传感器观测与高效推理能力。该模型支持通过自然语言描述需求或直接编辑车辆、行人及运动轨迹,生成对应的多视角视频与激光雷达观测。研发人员可借此插入横穿行人、调整前车路线,并切换雨雪与昼夜等条件,构造真实采集难以充分覆盖的长尾情境。