NVIDIA 发布 GR00T 2 开放 System One 机器人研究模型
NVIDIA 发布 GR00T 2,这是面向机器人研究的开放 System One 模型,可从人类示范中学习技能并预测动作如何改变物理世界。学到的技能可以迁移到不同机器人本体,减少为每台机器人从头教授每项任务的需要。
NVIDIA 发布 GR00T 2,这是面向机器人研究的开放 System One 模型,可从人类示范中学习技能并预测动作如何改变物理世界。学到的技能可以迁移到不同机器人本体,减少为每台机器人从头教授每项任务的需要。
Google Gemini 4 Hydrogen 已面向所有用户开放,Google Gemini 展示了用户在 Gemini、Antigravity 和 Google AI Studio 中实现的“what if”创意。LuminaBench 构建了一个可从日出飞到夜晚的 3D 水上飞机。
Google推出Gemini 4 Hydrogen模型,替代此前产品中使用的Gemini 3.8 Flash,面向普通用户开放,不像此前的Argon和Carbon限制为付费订阅用户。
Logan Kilpatrick 宣布 Gemini 4 Hydrogen,称其是一款能力强且速度快的模型,旨在让更多人使用 Gemini 4。
Google 推出 Gemini 4 Hydrogen,面向日常编码和智能体工作流,主打速度与效率。
Google DeepMind 介绍 Gemini 4 Hydrogen,称其面向快速编码、多模态合成和日常工作流。该模型完成任务的速度比 3.8 Flash 快 2.5x,并在 @ArtificialAnlys Intelligence Index 上超过 Argon。
Google DeepMind 发布 Gemini 4 Hydrogen,并将其面向开发者、企业和消费者全球开放,用于快速执行与智能体工作流。
推荐理由:文章同时给出 Hydrogen 的性能、价格与安全数据,并说明 Orchestrator 如何在 Carbon 与 Hydrogen 间切换,便于理解其在开发工作流中的定位。
Google DeepMind 宣布 Gemini 4 Carbon 现已正式开放使用,称其具备编码和科学推理能力,并可配合更新后的 Antigravity Science plugin 协助科学家工作。文中称,它已用于追查异常 assay 结果、挖掘大规模数据集,并将 cheminformatics 等计算流程从数周压缩至数小时。
Google 发布 Gemini Decision 1 及 Gemini Decisions API,用于对文本、图像、音频、视频和 PDF 进行单次闭集决策。
Google 推出 Gemini Decision 1 决策模型 API,加入 Jev 和 OpenAI 的决策模型分类,支持文本、图像、音频、视频和 PDF 多模态输入,是三者中唯一覆盖全部这些类型的。
Gemini API 发布 Gemini Decision 1 前沿决策模型,输入价格为 $0.10 per 1M input tokens,且不收取额外费用。该模型原生支持图像、音频、视频和 PDF,提供 256K context window、1K questions,并可在 API 中免费试用。
Jim Fan 发布 GR00T 2,这一开放 System One 机器人模型在本体计算上控制真实灵巧手,端到端完成化学实验并清理现场。GR00T 2 支持跨 20+ 步骤、5+ 分钟的长时程任务,并通过 X-Adapt 从人类穿戴设备和仿真数据适配到多种真实机器人。
Google DeepMind 发布 AlphaGenome 2,用于预测 DNA 序列及变异如何影响特定人类细胞类型和细胞状态。
推荐理由:它把单细胞状态作为条件输入,连接遗传变异与具体细胞类型,为研究者定位疾病相关变异及其调控基因提供可复用的预测工具。
Tether AI Research 发布 BotPsy,这是一个基于 Qwen3.5-0.8B、面向工具调用和智能体工作流的 0.8B 参数语言模型,适用于端侧部署。
推荐理由:文章披露 BotPsy 的四阶段训练和多项基准结果,便于比较 0.8B 参数智能体在工具调用、推理效率和端侧部署上的表现。
千问 Qwen 宣布 Qwen4 即将到来,主打更深的知识、更丰富的世界理解以及更强的编码和智能体能力。Qwen4-Max 已通过 Alibaba’s Token Plan 开启预览,并可在 QwenWork、Qoder、Qwen APP 和 QwenStudio 提前体验。模型面向复杂编码、知识工作、前端构建和专业软件工作流等真实任务。
Google 发布 Gemini 4 Carbon,面向复杂知识工作、软件工程、网络安全和科学推理中的长流程智能体任务。Google 表示 Gemini 4 Argon 仍适合大多数软件工程和知识工作,Carbon 则用于多步骤调试和开放式科学研究等高难度任务。
Jim Fan 宣布 GR00T 2 这一开放式机器人 System One 模型,可完全运行在机器人机载计算上,实现脱离外部连接运行。模型权重、智能体框架、仿真引擎、标注引擎、硬件设计和 100K hours 训练数据现已提供,X-Adapt recipes 将于 December 提供。
推荐理由:原文同时给出本地运行、长时程机器人任务和多项开放组件,读者可据此了解 GR00T 2 的部署方式与可复用资源范围。
Google DeepMind 宣布 Gemini 4 Carbon 已向开发者、企业、科学家和消费者开放,是其当前最强的前沿模型,专注网络安全能力以及跨知识工作、软件工程和科学推理的长链路智能体任务。
推荐理由:文中给出了Carbon与Argon及多家外部模型在基准测试、成本和安全指标上的对比数据,便于横向评估这次升级。
Google DeepMind 发布新一代视觉-语言-动作模型 Gemini Robotics 2.5,用于提升机器人在真实环境中的灵巧操作能力。该模型在200多项任务测试中,相比此前基线成功率提高30%至100%,完成速度提升20%至30%;在匈牙利和德国的梅赛德斯-奔驰产线试点中,Apptronik Apollo 2人形机器人利用该模型完成汽车零件分拣打包,成功率达96%。
推荐理由:原文给出了相比基线30%至100%的成功率提升和奔驰产线96%的实测数据,便于衡量这代模型的实际进展。
Yuke Zhu介绍了新一代世界动作模型(WAM)GR00T 2,它能够想象物理世界如何展开,并生成实现相应结果的动作。同一模型可运行于并行夹爪、灵巧手和人形机器人。
Anthropic 宣布 Claude Fable 5.2 和 Claude Mythos 5.2 现已可用,称其旨在应对最具挑战性的技术问题。两款模型可作为多个领域雄心勃勃项目的协作者,并在编码、推理和视觉等方面有所改进。详情:x.com/claudeai/status/2119867…
Anthropic 发布 Claude Fable 5.2 和 Claude Mythos 5.2,两款模型在编码、推理和视觉能力上有所提升。
推荐理由:原文同时披露两款模型在编码、科学研究、机器人和安全评测中的结果,并给出价格、速度与访问条件,便于比较能力提升和适用范围。
OpenAI 发布 GPT-6 Cyber,称其在安全研究和模型对齐方面有所增强,并已向部分 Daybreak Red 客户开放。帖子称,GPT-6 Cyber 已用于 Linux kernel 研究,也与 GPT-6 Astra、Daybreak 一起帮助 OpenAI 加固系统。
推荐理由:原文结合 GPT-6 Cyber 的发布信息与实际案例,展示模型如何协助发现输入校验与代码执行交互中的隐蔽漏洞。
Google AI 发布 Gemini Omni 1.2 Flash,将视频生成和编辑上限提高至 15 秒,并改进场景连贯性、角色语音、视觉跳切和参考素材一致性。Flow 支持场景导演与多轮编辑,Google Vids 和 Gemini App 可创建 15 秒视频;面向 API 开发者和企业,720p 视频价格较上一代下调 30% 至 $0.07 per second。
推荐理由:Gemini Omni 1.2 Flash 将视频时长上限、场景连贯性和参考素材一致性结合起来,并给出 API 价格变化,便于比较其创作与接入成本。
Google DeepMind 推出 Gemini Omni 1.2 Flash,已在 Gemini API 和 Gemini for business 全面开放。
Mistral AI 发布改进版 Mistral Large 4(Le Chonk)的模型权重,这款 1-trillion-parameter 原生多模态模型提供 Low、Medium、High 三种推理模式,并提升编码、防御性网络安全和推理效率。
推荐理由:原文把编码、防御性网络安全和推理效率的公开评测,与开放权重及自部署路径放在一起,便于判断模型的工程使用价值。
Google 宣布 Gemini 4 Carbon,称其在网络安全、长周期能力和自主编码方面实现提升。该模型首先向 Fairwind 计划中的部分可信网络防御人员开放,后续将扩大访问范围。
Google DeepMind 发布 Genie 4 世界模型,支持用自然语言实时动态改变天气、镜头和环境元素,并操控世界及其声音环境。Gemini 充当模拟的“brain”,将请求转为动作、规划复杂事件、跟踪场景变化并随故事调整;Genie 4 还加入环境音和可实时适应的互动人类对话。
推荐理由:原文同时交代了 Genie 4 的实时操控方式与底层分工,展示世界模型如何结合自然语言、环境声音和动态对话运行。
OpenAI 发布 GPT-6.1 Terra,定位为以更低价格提供快速且胜任多类任务的电脑操作。该模型能理解屏幕内容、跨应用执行操作并自然写作,面向整个工作日提升使用效率。
推荐理由:原文交代了 GPT-6.1 Terra 的屏幕理解、跨应用操作和自然写作能力,以及面向整个工作日的效率与价格定位,便于判断其电脑使用方向。
Mistral AI 发布 Voxtral 3 语音模型家族,包括语音转文字模型 Voxtral Small Transcribe 3 和文字转语音模型 Voxtral Mini TTS 3,并推出基于 LiveKit 的语音智能体 SDK,支持 50+ 语言转写和 35+ 语言语音合成。
DeepSeek 发布 DeepSeek-V4.1-Flash-1017,称其相较上一版本拥有更强的基准表现、更快的任务完成速度和更短的输出,在性能与成本上实现 Pareto 改进。
DeepSeek 将 DeepSeek V4.1 Flash 更新至 V4.1-Flash-1017,官方网页端、APP 与 API 已同步切换到新模型。
推荐理由:材料同时给出新版模型的基准对比、适配框架,以及 Search/Fetch 接口 5 元/千次的价格,便于评估升级与接入成本。
Mistral AI 发布 Timestral 时间序列基础模型家族,提供 5M、28M、123M 和 209M 四种规模,支持多变量概率预测、过去协变量和已知未来协变量。
推荐理由:原文同时给出四种参数规模、CPU 推理延迟和公开基准结果,便于比较时间序列基础模型的精度、效率与部署成本。
LightSeek Foundation 在 TokenSpeed 测试中测得 Qwen3.8-Flash-Next 单用户输出速度达 685 output tokens/s。测试运行于 4× NVIDIA GB300,使用 NVFP4,并介绍了相关 kernel 和 serving 优化。
Qwen 发布 Qwen-Image-2.1-Turbo 并开放权重,这是基于 Qwen-Image-2.1 同一 7B 视觉生成架构的加速 checkpoint,可用 8 个去噪步骤生成和编辑 2K 图像。Qwen-Image-2.1 Pro 和 Turbo API 现已正式上线,用户也可以通过 Diffusers 使用 Turbo 权重。
推荐理由:材料给出 8 步采样、2K 图像和自然语言编辑等具体信息,便于比较开放权重工作流与托管 API 的使用方式。
Mistral AI 发布 Mistral Large 4 公共预览版,这是一款 1 trillion-parameter、52 billion active parameters 的原生多模态模型,预览 API 已可在 Mistral Studio 试用。
推荐理由:文章集中披露 Mistral Large 4 的参数规模、核心基准与预览 API,并交代月底发布权重的计划,便于把握其能力范围和开放节奏。
Qwen-Image-2.1 开源,将文生图与图像编辑整合在同一模型中,视觉生成部分为 7B 参数,并原生支持透明图像的生成与编辑。该模型最多支持 10 张参考图输入,也支持圈选、涂抹和独立掩码等局部编辑方式。
推荐理由:原文同时交代了 7B 视觉生成规模、透明图像处理和最多 10 张参考图编辑能力,便于了解其在创作与设计场景中的适用范围。
Qwen3.8-LiveTranslate 发布,采用 Interleave 架构,将字均延迟(LAAL)从上一代的 2.8 秒降至 2.3 秒。模型支持 60 种语言输入音频与输出文本、29 种输出音频语言,并新增实时说话人分离、原文译文同帧同出和长上下文消歧。文章还给出了通过 DashScope API 使用实时同传客户端的示例。
推荐理由:文章给出 Qwen3.8-LiveTranslate 的 Interleave 架构、2.3 秒字均延迟和多说话人长音频评测结果,便于理解其实时同传的能力变化。
Qwen3.8-Omni-Flash 正式上线,支持文本、图像、音频和视频输入,以及 1M 长上下文。在累计 29 项评测中,相比上一代 Qwen3.5-Omni-Plus 平均得分提升超过 25%。API 每小时音频输入价格降幅超过 98%,音视频输入价格降幅超过 93%。
推荐理由:原文提供了与上一代模型的评测和价格对比,帮助判断 Qwen3.8-Omni-Flash 在音视频 Agent 场景中的变化。
DeepSeek 正式发布 552B 参数的 MoE 模型 DeepSeek V4.1 Flash,具备原生多模态视觉理解能力并同步上线 DeepSeek API。
推荐理由:文章同时交代了 DeepSeek V4.1 Flash 的架构、缓存成本变化、API 使用方式和开源入口,有助于判断其部署与使用影响。