华为云发布昇腾原生具身世界模型CloudRobo-WM1.2,双榜SOTA并计划开源
11月16日,华为云发布昇腾原生具身世界模型CloudRobo-WM1.2,在RoboTwin 2.0和LIBERO-Pro 2.0上分别跑出88.98%和81.73%,双双排名第一,并计划于11月30日开放模型权重、推理代码和后训练代码。
11月16日,华为云发布昇腾原生具身世界模型CloudRobo-WM1.2,在RoboTwin 2.0和LIBERO-Pro 2.0上分别跑出88.98%和81.73%,双双排名第一,并计划于11月30日开放模型权重、推理代码和后训练代码。
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。
RadixArk 发布首个模型 DaisyRose-27B,基于 Qwen3.8-27B,用 Miles 强化学习框架在长程智能体任务上训练,会话最长 1M tokens。
推荐理由:原文给出以 1,200 个任务、18 天、144 张 H200 完成长程智能体强化训练的完整做法,可作类似训练方案的参考。
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。
NVIDIA Vera Rubin 平台首次参加 MLPerf 基准即包揽 MLPerf Training v6.1 全部测试,并在首次 MLPerf Endpoints 提交中实现智能体推理每瓦吞吐量超过 10 倍的代际提升。
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。
无界前沿正式开源生物信息大模型 Fx-Bio-1031 并开放完整模型权重。据其评测,该模型在 Anthropic BioMysteryBench 困难子集上取得 70.59% 的 Pass@5。
谷歌 DeepMind 发布新一代基因组 AI 模型 AlphaGenome 2,可预测 DNA 序列及变异对特定人类细胞类型与细胞状态的影响,帮助研究人员从细胞层面识别疾病相关遗传变异。
Google DeepMind 发布基因组 AI 模型 AlphaGenome 2,预测基因变异对特定细胞类型与状态的影响。该模型基于 68 种组织、超过 1 亿个单细胞剖面训练,识别出的可改变基因表达的变异数量接近前代模型的两倍,且无需重新训练即可对新细胞类型做出预测。
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。
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。
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,蚂蚁灵波科技开源触觉基础模型LingBot-Touch,基于近5000小时真实触觉数据预训练,将磁触觉、视触觉、压阻式三类传感信号转化为统一的触觉表征,供不同灵巧手和动作模型使用。
蚂蚁灵波科技开源触觉基础模型 LingBot-Touch,基于近 5000 小时真实触觉数据预训练,将磁触觉、视触觉、压阻式三类传感信号统一为同一套触觉表征,可跨传感器、跨灵巧手、跨模型和跨任务复用。
百度文心开源发布 ERNIE-5.5-Flash-Base 基座模型,该稀疏 MoE 模型总参数 280B,每 token 激活 14B。模型在 33.5T tokens 上从零完成预训练,微调与推理支持 1M tokens 上下文,并在 30 项 Benchmark 上与 DeepSeek-V4-Flash-Base 等模型进行了同框架对比。
百度Apollo正式披露世界模型ApolloWorld,可生成可交互的虚拟城市环境,已应用于萝卜快跑无人车的全球化测试与验证,一天虚拟路测里程相当于一辆真实测试车连续行驶约三年。
美团龙猫发布面向长程智能体任务的原生多模态模型 LongCat-2.5,总参数量 1.6 万亿,每个 token 激活约 480 亿参数,在 LongCat-2.0 基础上强化原生视觉理解与智能体编程能力。
小米开源轻量级文档理解模型 Xiaomi-OCR-0,权重与推理代码已上线 Hugging Face 和 GitHub。该模型基于 Qwen3.5-0.8B-Base 构建,训练使用约 1.7 亿条样本,单一模型覆盖文档解析、关键信息抽取与 OCR 视觉问答三类任务,原生支持 Markdown、LaTeX 与 JSON 输出。
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。
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。
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。
SoMark 团队正式开源文档解析模型 OXR,主模型仅 1.3B 参数,在 OmniDocBench、olmOCR-Bench 和 DocParsingBench 三项基准上均位列第一,同条件完整解析速度快于 PaddleOCR-VL-1.6 与 MinerU2.5-Pro。
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。
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。
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。
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20日,清华系具身智能公司千诀科技在首届2026物理AI与世界模型大会上发布预测式世界模型Polibrain,已在四足、人形、轮式、双臂等机器人形态上开展适配。
NVIDIA 发布多变量时间序列预测模型 Kumo Forecast(原 NV-Tesseract Forecasting),基于 MOMENT-1-large Transformer 骨干,含约 3.4 亿参数的编码器与可训练预测头,以 Apache 2.0 开源。
Cloudflare 发布 AI 模型 Clairic,已在 Workers AI 开放预览,用户指定字段后它一次性从非结构化文本返回匹配值、格式和置信度,缺失值返回 null。
记忆张量正式发布并开源 MemT 1.0 记忆原生大模型,记忆不再依赖外挂检索,而是内化进底层架构,由模型经训练自主读写、更新和调用。
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。
Google DeepMind 推出 Gemini 4 Argon,将仿真环境生成、机器人直接控制和训练数据评估整合进单一模型。输入照片或手绘草图即可生成仿真场景与训练任务,真实机器人任务成功率从 56% 提升至 75%,执行时间从 35 秒缩短到 24 秒。
微软 AI 业务 CEO 穆斯塔法·苏莱曼在员工大会上表示,微软自研模型 MAI-Base-2 的性能超过驱动 GPT-5.6 Sol 的 OpenAI 模型,训练算力仅为对方的四分之一。
微软宣布完成新一代基础模型 MAI-Base-2 的预训练,称其性能强于所有参测开源权重模型。该模型总参数 2.8T、活跃参数 80B,在 6,000 个 NVIDIA GB200 GPU 上训练 38 天,预训练算力效率为 DeepSeek-V4-Pro-Base 的 4~12 倍,微软同时已启动 MAI-Base-3 的准备工作。
Mistral AI 发布 Timestral,其首个时间序列基础模型家族,最大 209M 参数版本在 GIFT-Eval、TIME 和 fev-bench 三大公开基准上排名第一。
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。
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。
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。
Ai2 发布高分辨率气候模拟器 HiRO-ACEv2,整套系统生成全球 3 km 气候数据的成本约为 X-SHiELD 的 1/300。
推荐理由:原文把 HiRO-ACEv2 的精度和成本与 X-SHiELD 逐项对比,读者可据此判断高分辨率气候模拟的可用边界。
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。