跳到正文
11月11日周三
  1. Hugging Face 每日热门论文62

    Open Vision Banana 提出全开源可复现的生成式视觉感知方案

    Open Vision Banana(OVB)提出一套将预训练图像生成器转换为统一多任务视觉感知系统的全开源、可复现方案。基于 4B 和 9B 参数的开放权重基础模型及 2.1M-3.8M 个公开数据集训练对,OVB 在 Cityscapes zero-shot 上以 73.9 mIoU 超过 Vision Banana 报告的 69.9,并接近当前最先进的仿射不变深度估计器。

  2. Hugging Face 每日热门论文58

    Duo v1:用于全双工交互的 Reciprocal World Model

    Duo v1 提出 Reciprocal World Model(RWM),持续感知实时音频、视频和文本,并与用户进行全双工实时交互。模型通过自回归交互推理、统一时间线上的 Intent 与 Realization 同步,以及双重 rollout 蒸馏来减少分布偏移。除对话外,用户还可分享真实物体、调整虚拟场景、引导助手或进行视听游戏,无需鼠标或键盘控制。

11月10日周二
  1. AI at Meta74

    AI at Meta 发布 Muse Ember,并将其带到 GoogleCloud

    AI at Meta 发布 Muse Ember,并将其带到 GoogleCloud;Muse Wonder 和 Muse Spark 1.3 也一同被带到 GoogleCloud。Muse Ember 是其最小且高效的模型,支持 1M-token 上下文窗口,以及文本、图像、音频和视频的原生理解,可跨应用串联工作流、按序调用工具、运行测试并定向修复代码。

    推荐理由:原文同时交代了 Muse Ember 的模型定位、1M-token 上下文窗口和多模态输入,以及跨应用调用工具、测试与定向修复代码的智能体工作流。

11月6日周五
10月29日周四
  1. Mistral AI83

    Mistral AI 发布 Mistral Large 4 开放权重模型,强化编码与防御性网络安全

    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。

10月28日周三
  1. Google AI74

    Google DeepMind 发布 Genie 4 世界模型

    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。

10月6日周二
  1. Mistral AI84

    Mistral AI 发布 Mistral Large 4 公共预览版

    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。

9月18日周五
  1. Qwen Blog75

    Qwen3.8-LiveTranslate 发布,支持实时说话人分离与双语同步同传

    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。

  2. Qwen Blog84

    Qwen3.8-Omni-Flash 正式上线,支持 1M 长上下文与音视频 Agent 工作流

    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。

9月10日周四
9月3日周四
8月21日周五
7月27日周一
  1. Meta AI Blog41

    重新构想独立生活:Meta AI 模型如何帮助匹兹堡大学改造辅助机器人

    Meta AI 模型正帮助匹兹堡大学 RAMMP 团队为辅助机器人构建端侧感知系统,实现实时 360 度环境感知和自适应目标检测。系统结合 SAM 自动标注、DINOv2 嵌入微调的轻量 RF-DETR,并以 DINOv3 作为紧凑视觉基础,面向电池供电设备优化。相关功能已准备进行现实测试,可检测自动门按钮、杯子和路缘/地面。

7月9日周四
  1. Meta AI Blog84

    Meta 发布 Muse Spark 1.1,并开放 Meta Model API 公开预览

    Meta Superintelligence Labs 发布 Muse Spark 1.1,这是一款面向 Agent 任务的多模态推理模型,并通过 Meta Model API 向开发者开放公开预览。

    推荐理由:原文展示了 1 million tokens 上下文、工具调用和多智能体编排能力,并开放 Meta Model API 公开预览,读者可据此了解 Muse Spark 1.1 在复杂 Agent 工作流中的使用方式。