找到 5 筆
NVIDIA 推出開源表格基礎模型 Kumo Tabular，在 TabArena、BeyondArena、TALENT 和 ScoringBench 四個基準上排名第一。該模型提供 28M 至 215M 三種引數規模，單次前向傳播即可完成分類與迴歸預測，無需訓練、調參或特徵工程，僅用人工資料預訓練，採用 OpenMDW-1.1 許可證允許商用，權重已上線 Hugging Face。
阿里推出 Qwen-Drive-1.0，稱其為首個在預訓練階段統一 3D 感知與視覺問答、並擴充套件至運動規劃的自動駕駛視覺語言基礎模型，且不改動預訓練 VLM 架構。模型基於原生多模態的 Qwen3.5-4B，外掛 BEV 感知頭（3D 檢測、語義佔用預測、BEV 地圖分割）與用流匹配生成 5 秒軌跡的 Planning Expert。訓練僅用公開資料共 283 萬樣本，駕駛 QA 平均分 69.43，WOD-E2E 開環 ADE 5s 達 1.27/2.65。
AI 3D 生成公司 Meshy 披露，其 ARR 從 100 萬美元增長至 1 億美元，用時不到兩年，比 HeyGen 的 29 個月更快。Meshy 7 在自建幾何對齊基準中造型比例、空間分佈、表面細節三項指標領先受測模型，7.1 將幾何生成解析度從 2048³ 提升至 4096³。三七互娛已將其接入生產流程，基礎模型階段雕刻工作量減少 30% 至 40%。
舊金山成立兩年的 Mirror Particle 認為用 LLM 角色扮演目標人群來預測人類行為的方法行不通，改為從零訓練模擬人類動因、並追蹤其隨時間變化的世界模型。它結合客戶資料、時事、流行文化與社交媒體建模人群，重點看真實發生的「已顯現行為」而非問卷自述。公司已完成天使輪、接近敲定首輪風投，將參加 TechCrunch Disrupt 2026 的 Startup Battlefield 200。初期面向市場研究與品牌產品策略；
宇樹機器人發布通用人形基礎模型 UnifoLM-WLA-1.0，引數 6B，用約 2500 小時真實機器人資料訓練，單個模型可完成 64 項任務（10 項全身 + 54 項桌面），並支援平行夾爪與兩種靈巧手。架構上以基於 Qwen3-VL 的具身推理器 UnifoLM-ER-1 為起點，加入光流與 VQ-VAE 的未來動態區域預測、殘差 VQ 動作離散化，以及 MMDiT 動作專家做連續控制。演示在宇樹 G1 上完成鋪床、裝洗衣機、疊衣服、物體分揀等操作。