Runway 开源发布机器人控制模型 Praxis-1,用视频 AI 学习驱动机器人动作
Runway 开源发布机器人控制模型 Praxis-1,提供开放权重与源代码,采用 Apache 2.0 许可支持商用。该模型基于视频训练学习物体运动规律,再用人类动作视频和机器人数据微调,输入摄像头图像、文字指令和机器人位置信息来预测环境变化并计算机器人动作。
Runway 开源发布机器人控制模型 Praxis-1,提供开放权重与源代码,采用 Apache 2.0 许可支持商用。该模型基于视频训练学习物体运动规律,再用人类动作视频和机器人数据微调,输入摄像头图像、文字指令和机器人位置信息来预测环境变化并计算机器人动作。
美团LongCat团队发布了1.6万亿参数的智能体模型LongCat-2.5权重,模型完全基于中国芯片训练,自托管方案使用194块华为Ascend Atlas A2芯片,无需Nvidia GPU。
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。
非营利研究机构Unemployment Labs的Will DePue分析了DeepSeek、Moonshot AI、MiniMax和Ant Group公开发布的模型权重,称Moonshot的Kimi K3系列和DeepSeek的V4系列模型带有使用受出口禁令限制的Nvidia Blackwell芯片训练的痕迹。
Hugging Face 转发 Ilyas 关于 Transformers 的更新:Transformers v5.23.0 支持在任意后端端到端导出、量化并运行每个 transformers 模型,保持相同输入和输出,可直接替换。
Jensen Huang在首条 X 帖子中分享一封由 NVIDIA 签署的公开信,称开放模型可强化安全与网络安全、加速创新与扩散,并支持各国自主发展。公开信同时表示,世界需要前沿闭源模型与前沿开放模型;Thomas Wolf则称开放模型拥有数百万开发者。
Georgi Gerganov 发布 llama.cpp v1.0.0,这是该库首个主要的完全稳定版本,用于在手机、笔记本电脑和工作站本地运行 AI 模型。相关信息表示,该项目将支持各种硬件、平台和模型类型,并推动 AI 更加分布式。详情:huggingface.co/blog/ggml-org/…
推荐理由:这条发布交代了 llama.cpp v1.0.0 作为首个主要完全稳定版本的定位,并说明其面向多种设备本地运行 AI 模型的支持方向。
llama.cpp 发布 v1,项目团队表示将继续覆盖每个平台和每个模型,同时保持平台稳健、精简,服务于基于其构建的开发者。详情见 huggingface.co/blog/ggml-org/…
Hugging Face 转发 Georgi Gerganov 的消息,宣布 llama.cpp v1.0.0 已发布,详情见 huggingface.co/blog/ggml-org/…
ArtCraft创始人Brandon Thomas在AI Engineer Code Summit上展示了该公司用AI复刻Photoshop、Acrobat等17款开源软件的过程,并提出要重建整个互联网软件的愿景。
这项研究比较了三种决策模型和三种通用 LLM 在 ALFWorld 上作为行动者与评判者的表现,并用 JEV 在 ALFWorld 和 WebShop 上担任教师。
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。
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。
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。
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。
NVIDIA 将智能体运行时 OpenShell 贡献给 CNCF,并宣布 NVKE、NVKR 和 Snapshot 三个面向 Kubernetes AI 基础设施的组件。NVKE 和 NVKR 已进入公开预览,Snapshot 可在数秒内恢复检查点副本而无需重新加载模型。Crusoe 测试 GLM-5.3 时,就绪时间从约 8 分钟降至 31 秒。
Google 发布 A2UI 1.0,这是其生成式 UI 开放协议的首个稳定版本,可让 AI 智能体返回表单、图表等交互界面。协议支持双向函数调用、无障碍和扩展元数据,开发者可使用面向 Web、Android 和 iOS 的开源渲染器,以及 Python、TypeScript 和 Dart SDK。
推荐理由:A2UI 1.0 将智能体生成界面与应用原生渲染分开,并补充双向函数调用和多平台 SDK,适合了解跨端生成式 UI 的实现路径。
Google 宣布开源 JAX 训练框架 MaxText 支持在 Cloud TPU 上进行长上下文训练,提供 All-gather、A2A、P2P 和 USP 四种 Context Parallelism 策略。
推荐理由:文章系统比较了 All-gather、Ulysses、Ring Attention 和 USP 的内存、通信与扩展取舍,并给出不同上下文长度下选择 MaxText 策略的实践依据。
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。
Mistral 与 NVIDIA 合作开发面向工程的 AI 原生工作流,结合 Mistral 模型、NVIDIA 加速计算和物理建模工具推进仿真与闭环设计。双方将开发用于评估物理模型及 CAE、EDA 智能体的公开基准和开放数据集,比较准确性、执行时间与计算成本。
推荐理由:这项合作将开发公开基准和开放数据集,覆盖物理模型及 CAE、EDA 智能体评测,帮助比较准确性、执行时间和计算成本。
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。
Jack Clark 在 Import AI 473 中汇总 RAND 的美国超级智能战略,以及人类脑组织移植小鼠、AI 进展节奏和递归自我改进等研究,并以机器诠释学故事收束。
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。
Meta 的 SAM 3 与 DINOv3 被 Genesis Mission 旗下、由 Berkeley Lab 主导的 SYNAPS-I 项目用于 X-ray 和中子科学数据的实时图像分割。
推荐理由:文章展示了 SYNAPS-I 如何将 SAM 3 与 DINOv3 微调后部署在 300 A100 GPUs 上,把葡萄藤微 CT 图像的分割分析从每个时间步一个月压缩至约 15 分钟。
Meta 发布 Brain2Qwerty v2 研究,端到端管线可从非侵入式脑信号实时解码句子,词准确率达到 61%。系统基于 9 名志愿者约 22,000 个句子和 MEG 记录训练,最佳参与者的词准确率达到 78%,超过一半句子的解码结果仅含一个或更少词错误。
推荐理由:研究将非侵入式脑信号实时句子解码做到 61% 词准确率,并公开训练代码与 v1 数据集,为复现和后续研究提供具体基础。