量子位AI 評分50
範式智慧聯合睿思智聯開源生產級 AI 部署平台模域 ModelSphere
10 月 16 日，範式智慧聯合睿思智聯發布一站式生產級 AI 部署平台模域（ModelSphere），面向企業免費開源，以 Apache 2.0 協議在 GitHub 上線。平台把算力管理、模型部署與執行最佳化整合為統一流程，可統一混合排程華為昇騰、天數智芯、摩爾線程、海光 DCU 等國產晶片，無需為不同晶片重寫底層程式碼。
搜尋
依意思最接近的 30 筆
機器之心● 精選AI 評分78
輝達開源 PixelUMM，無需 VAE 和 ViT 統一影像與影片理解生成
輝達與滑鐵盧大學開源 PixelUMM，一個不依賴 VAE 和 ViT、直接在畫素空間統一影像與影片理解及生成的多模態模型。它用單層線性投影把影像 patch 和影片 tubelet 接入以 Qwen3 初始化的 Mixture-of-Transformers 主幹，理解與生成共享注意力，沒有視覺編碼器、VAE 或離散視覺 tokenizer，程式碼和權重均已開源。模型可直接生成 832×464、96 幀（4 秒、24fps）影片；
機器之心● 精選AI 評分77
華中科大與地平線提出 Multimodal Flow 全連續多模態架構
華中科技大學王興剛團隊與地平線等機構提出 Multimodal Flow，讓語言和視覺各自保留在連續嵌入空間，共享同一個 Flow Matching 目標，無需視覺 Token 化，也無需維護兩套系統。他們從零預訓練的 1.6B 模型 MF-1 僅用 150B Tokens，在 GenEval 拿到 0.821、DPG-Bench 83.44，VQAv2 72.6、MMBench 67.2；
Hacker News front pageAI 評分70
UniEvo-VL：多模態模型自蒸餾自我進化訓練配方
arXiv 上提交的 UniEvo-VL 提出一種 on-policy 自蒸餾訓練方法：讓同一個多模態模型分別以學生和教師身份出現，學生只看原始問題，教師額外看到自我批評作為特權資訊，訓練目標是縮小兩者在取樣軌跡上去噪擴散分佈的差異，無需依賴更大的外部教師模型。基於開源 Qwen-image-2512，GenEval 從 0.747 升至 0.808，GenEval2 Soft-TIFA 從 32.97 升至 35.53。
X @GoogleDeepMind● 精選AI 評分73
@GoogleDeepMind: Meet EmbeddingGemma 2, our first natively multimodal open model for on-device embeddings.
Google DeepMind 發布 EmbeddingGemma 2，稱其為首個原生多模態的端側嵌入開放模型。該模型在文字之外，把程式碼、影像、音訊與影片統一對映到同一個共享向量空間，可用於在裝置本地完成跨模態檢索與相似度計算。官方目前只給出這一定位，未公布引數規模、上下文長度、適配硬體與開源許可等細節。
Apple Machine Learning Research● 精選AI 評分65
首個三模態掩碼擴散模型：文字影像音訊聯合預訓練
研究者提出首個從零預訓練的三模態掩碼擴散模型（MDM），訓練資料涵蓋文字、圖文與音訊文字，不同於以往先訓練單模態基座再微調出雙模態能力的做法。論文系統分析了多模態縮放定律、模態混合比例、噪聲排程與批大小的影響，並給出經過最佳化的推理取樣預設引數；批大小分析還引出一種基於隨機微分方程（SDE）的新方法（原文此處截斷）。
Hacker News front pageAI 評分68
Liquid AI 發布 LFM3：六個 2B 級多模態開源模型
Liquid AI 發布 LFM3 家族，首發六個約 2B 引數的多模態模型，均源自同一 LFM3-1.7B-Base 骨幹，覆蓋文字、視覺、音訊、omni 以及兩個決策模型。基座以 22T tokens 預訓練，最後 3.5T tokens 的中期訓練將上下文擴至 256K。架構由門控短卷積、256 token 滑窗注意力與全域性注意力三混合而成，8K 上下文下比 LFM2 快約 25%。
Apple Machine Learning Research● 精選AI 評分66
新框架 SSR 把多模態智慧體推理改為候選選擇
論文提出 Selection-based Structured Reasoning（SSR），把多模態智慧體的推理從自由生成改為從預設候選中選擇。SSR 將反覆出現的高層推理表示為預先設定、可複用的自然語言候選，模型在每一輪從這些候選裡選擇，而不是開放式生成。作者指出，多模態智慧體通常在每次行動前生成自由形式的推理，小模型受容量限制，往往產生冗長卻對動作生成幫助有限的推理，同時帶來可觀的推理成本。
X @AIatMetaAI 評分45
@AIatMeta: Today we're announcing support for university research at @Caltech, @OhioStateMed, @LSU, @IndianaUn…
Meta 宣布支援五所美國高校的科研工作，向 Caltech、俄亥俄州立大學醫學院、LSU、印第安納大學和 UTHealth Houston 的研究人員提供模型存取權限，用於推動科學與醫學領域的突破。可用模型包括最新的 Muse Wonder 與 Muse Spark、開放權重版本 Muse Glimmer 與 Muse Spark Open，以及 SAM、V-JEPA、DINO 等計算機視覺模型和多語言通訊模型 SeamlessM4T。
Hugging Face blog● 精選AI 評分95
Meta 開源 816B 多模態 MoE 模型 Muse Spark Open
Meta 發布開放權重模型 Muse Spark Open，採用混合專家架構，總引數約 816B、每 token 啟用約 42B，可輸入文字、影像、音訊和影片，輸出文字，上下文視窗最高 100 萬 token。模型針對 agentic coding 訓練，能閱讀程式碼庫、編寫與除錯程式碼並呼叫工具。官方提供 BF16 與 NVFP4 兩種權重，BF16 約 1.5TB，NVFP4 為 4 位精度、面向 NVIDIA Blackwell GPU。
機器之心● 精選AI 評分72
新基準 VA-Bench 測 12 個多模態模型，完整任務成功率約一半
VA-Bench 用 14 類機器人操作任務、280 個物理驗證場景測試 12 個主流多模態模型，發現目標識別與定位可達 100%、操作語義理解接近 100%，但完整任務成功率最高的 Qwen3.8-max、Opus-5、GPT-5.6-sol 分別只有 53.93%、52.86%、51.55%。測試中模型先觀看成功示範影片，但拿不到物體座標與專家軌跡，需自行決定是否消耗步數切換視角，並直接給出移動距離、旋轉角度與夾爪開合時機。
X @AIatMeta● 精選AI 評分92
@AIatMeta: Today we’re releasing Muse Spark Open, the most capable US open-weight model to date.
Meta 發布開源權重模型 Muse Spark Open，稱其是美國迄今能力最強的開源權重模型，主打編碼與 agentic 任務。模型總引數 816B、啟用 42B，上下文視窗 1M token，原生支援文字、影像、影片與音訊多模態。官方稱其在長時程任務、複雜軟體工程和多步推理上表現突出。
量子位AI 評分44
智象梅濤提出智慧體化世界模型，認為三條 AI 路線終將合流
在 2026 世界頂尖科學家論壇國際工程智慧大會上，智象元一創始人梅濤提出建置智慧體化的全模態世界模型，認為大語言、多模態與具身大模型三條路線終將匯流。該架構由 LLM 決策大腦、Omni-Model 世界模擬器與具身上下文三部分組成，主張在同一 Token 空間內統一思維與物理世界。智象已基於自研 Unified Transformer 搭起從影像、影片到互動、具身模型的矩陣，並通過企業級平台 HiHarness 與三個智慧體推進商業化。
TechCrunch AI● 精選AI 評分90
Mistral 發布 1T 引數多模態模型 Mistral Large 4
法國 AI 實驗室 Mistral 於週二發布 1 萬億引數多模態模型 Mistral Large 4（ML4），暱稱 Le Chonk。它暫不是開放權重模型，只能通過公開的 guardrail 端點訪問，Mistral 計劃三週內完成安全測試後放出權重。該模型全程用自家算力訓練，僅 4000 塊 Nvidia GPU，官方稱比中國競爭對手少兩到三倍。基準結果未公布，最佳化場景包括網路安全、金融和晶片設計；三星上月以 210 億歐元估值領投其 D 輪。
Hacker News front page● 精選AI 評分78
Google 發布 EmbeddingGemma 2，統一五種模態嵌入
Google 發布 EmbeddingGemma 2，一個把文字、程式碼、影像、影片和音訊對映到同一嵌入空間的多模態嵌入模型。它採用 740M 引數與模組化編碼器，面向端側場景最佳化；藉助 Matryoshka 表示學習支援 768 到 128 維的靈活維度，上下文視窗 8K，是純文字版 EmbeddingGemma 的 4 倍，並以 Apache 2.0 許可開放商用。
Hugging Face blog● 精選AI 評分70
AnyLanguageModel 1.0 發布，統一本地與託管模型推理
AnyLanguageModel 1.0 發布：這個 Apple Foundation Models 框架的替代方案只需換成 import AnyLanguageModel，同一份會話程式碼即可呼叫系統模型、llama.cpp、MLX、Core ML 本地模型，以及 OpenAI、Anthropic、Gemini、Ollama、Private Cloud Compute 等託管服務。
Hugging Face blog● 精選AI 評分74
Liquid AI 發布 LFM3：六款 2B 級多模態模型共用同一骨幹
Liquid AI 推出 LFM3 系列，六款 2B 級模型（文字、視覺、音訊、全模態與決策）均從 LFM3-1.7B-Base 派生，可按輸入模態選型，並在單張 GPU 上微調後部署到端側。LFM3-1.7B 比 LFM2.5-2.6B 引數少 35% 卻更強，4bit 量化約 1GB，上下文 256K，8K 上下文下比 LFM2-1.2B 快約 25%。
Google DeepMind blog● 精選AI 評分85
Google 發布 740M 引數開源多模態嵌入模型 EmbeddingGemma 2
Google DeepMind 發布 EmbeddingGemma 2，一個 740M 引數、Apache 2.0 許可的開源多模態嵌入模型，可把文字、程式碼、影像、音訊、影片對映到同一嵌入空間。它基於 Gemma 4 架構，可拆分出 270M 純文字、170M 視覺與 300M 音訊編碼器，並用 MRL 把輸出向量從 768 維截斷到 128 維，本地向量庫儲存最多省 6 倍。
X @AIatMeta● 精選AI 評分84
@AIatMeta: Today we published a technical report on Muse Glimmer, our 30B open-weight model built for agentic …
Meta 公布了 Muse Glimmer 的技術報告，這是一個 30B 開放權重模型，面向消費級硬體上的 agentic 任務。它在 4-bit 精度下可在配備單張消費級 GPU 的 Mac 或 PC 上以實用速度執行，官方稱其在工具呼叫與多步規劃上領先同尺寸開放模型。報告還披露了模型架構、蒸餾配方與量化方案等細節。
Hacker News front page● 精選AI 評分85
Google 發布 EmbeddingGemma 2，740M 引數開源端側多模態嵌入模型
Google DeepMind 發布 EmbeddingGemma 2，一個 Apache 2.0 許可、740M 引數的開源端側多模態嵌入模型，基於 Gemma 4 架構，把文字、程式碼、影像、音訊與影片對映到同一嵌入空間。它按需模組化：純文字最低 270M 引數，另有 170M 視覺與 300M 音訊編碼器；MRL 支援把 768 維向量截斷到 128 維，本地儲存最多省 6 倍。
機器之心AI 評分64
清華團隊 PrismWAM 登頂 RoboTwin 2.0，未用動作資料預訓練
清華大學李一鳴團隊發布世界動作模型 PrismWAM，在雙臂操作基準 RoboTwin 2.0 上以平均成功率 83.67% 位列官方榜首，且未做額外的動作資料預訓練。該模型把語義上下文與物理狀態解耦，動作生成只讀取深度物理表徵，在 Clean-to-Random 高難度遷移評測中成功率達 75.5%。
機器之心● 精選AI 評分78
7B 審計模型 AgentForesight 上線，多智慧體任務失敗前預警
羅格斯大學、得州大學奧斯汀分校與普渡大學團隊提出線上審計模型 AgentForesight，用 7B 模型在任務執行中逐步讀取軌跡字首，在關鍵錯誤擴散成失敗前報警。在 AFTraj-2K 測試集上，其關鍵錯誤步驟識別 Exact-F1 達 66.44，比最強通用基線 DeepSeek-V4-Pro 高 19.88 分，成功軌跡誤報率僅 2.37%。
Hacker News front pageAI 評分69
LongCat-2.5 發布：1.6 萬億引數原生多模態 agent 模型
LongCat-2.5 是面向長程 agent 任務的原生多模態模型，總引數 1.6 萬億、每 token 啟用約 480 億，在 LongCat-2.0 基礎上強化原生視覺理解與 agentic coding。它把視覺訊號表示為多級離散 token，與文字統一為同一種 token 格式處理，因此支援視覺程式設計、創意設計與 3D 任務。
Kimi blog● 精選AI 評分93
Kimi K2.5 發布：開源原生多模態，支援 100 個子智慧體
Kimi K2.5 發布，官方稱其為迄今最強開源模型，原生多模態，在 K2 基礎上用約 15T 視覺與文字混合 token 繼續預訓練。其 Agent Swarm 可自行組織最多 100 個子智慧體、執行最多 1500 次工具呼叫，相比單智慧體執行時間最多縮短 4.5 倍。模型已上線 Kimi.com、App、API 和 Kimi Code；
X @ollamaAI 評分47
@ollama: Amazing to see @AIatMeta launch the best US open-weight model so far!
Ollama 官方表示，Meta 最新發布的開放權重模型將很快在 Ollama 上線。Ollama 稱其為迄今美國最好的開放權重模型，但未透露模型名稱、引數規模與具體上線時間。
量子位● 精選AI 評分69
智元發布 GO-3 Preview 與 WITA-OMNI 雙模型，登頂多項具身評測榜
智元在創新日發布具身基座模型 GO-3 Preview 與全模態互動大模型 WITA-OMNI，前者在 RoboDojo、RoboTwin、RoboColiseum 三項評測居首，後者在 Daily-Omni、TimeLens-Bench 等四項評測登頂。WITA-OMNI 無需喚醒詞，平均 600 毫秒、最快約 400 毫秒回應，支援本地無網互動，計劃 2026 年 12 月前完成國內部署、2027 年 1 月推出歐洲版本。
機器之心AI 評分56
Anthropic 新模型曝光：可推斷使用者未明說的目標
據 The Information 報導，Anthropic 正準備推出一款新模型，其推理與直覺判斷據稱超過現役所有商用 Claude 模型，並能從有限指令推斷出使用者未明說的目標。試用者舉例稱，讓它修復一個 Bug，它可能找出導致該 Bug 的一整類底層問題，並主動詢問是否一併修復；該模型的名稱、發布時間與評測成績均未公布。
機器之心● 精選AI 評分79
尤拉永珍與港科廣開源 UniWAM，LIBERO 成功率 99.2%
尤拉永珍與香港科技大學（廣州）聯合開源具身模型 UniWAM（統一世界與動作模型），將語義理解、未來視覺預測與動作生成納入統一架構，並首次揭示人機聯合訓練的 Scaling 趨勢。模型在 LIBERO 取得 99.2% 平均成功率、LIBERO-Plus 92.6%、RoboTwin 2.0 C2R 68.32%，真機在雙臂 AgileX Piper 平台上平均任務成功率 67.5%、指令跟隨率 82.5%，長程桌面整理進度得分 5.0/6。程式碼與權重已全部開源。
機器之心● 精選AI 評分79
蘋果與 CMU 提出 SSR：Agent 推理改為做選擇題，每輪延遲降超 90%
蘋果與卡內基梅隆大學提出 SSR 框架，讓多模態搜尋 Agent 不再逐 token 生成自由形式推理，而是從 6 條預定義推理選項中做選擇題。在 7 個多模態搜尋 benchmark 上，每輪推理延遲降低超過 90%，每題總推理延遲降低 28–54%，p95 推理延遲僅 0.07 秒；4B 模型平均成功率 61.37%，與同規模 SOTA 持平，2B 達 51.26%。推理選擇由模型自身打分完成，不需要額外分類頭，也可跳過 SFT warm start 直接接 RL 訓練。
Hacker News front pageAI 評分26
部落格文章 AI Model Groupthink 登上 Hacker News
技術部落格 magicnumbers.io 於 2026 年 10 月 6 日發布題為 AI Model Groupthink 的文章，指向 AI 模型的群體思維/趨同現象。該文被提交到 Hacker News 後，截至收錄時獲得 9 分、1 條評論。條目本身只提供標題與連結，沒有正文摘要、作者結論或涉及的具體模型資訊。