跳到正文
#多模态
10月17日周六
  1. Google Research63

    谷歌发布将 AI 智能体锚定于生物现实的自主湿实验室构建模块

    谷歌发布了将 AI 智能体锚定于生物现实的三项研究进展，旨在推动自主湿实验室的发展。其核心内容包括：推出 VERID 框架作为实验室工作单元的语义数字孪生以实现硬件安全与实时状态跟踪，通过适配体分子发现展示了闭环智能体科学发现流程，以及通过加速全新蛋白质结合体设计实现高效靶向结合。

    发布时间：

    推荐理由：原文介绍了谷歌在生物实验室自动化和智能体闭环发现方面的三项技术进展，为读者理解大模型如何与物理湿实验室结合提供了具体框架。

  6. Hacker News-首页56

    Grimoire for Biology 亮相

    Grimoire for Biology 推出了一款生物学互动可视化工具，支持通过拖拽、缩放和提问来探索细胞、蛋白质工程与人体生理等生物概念。

    发布时间：
  7. TechCrunch · AI62

    初创公司 Elorian 发布首款视觉推理模型 Glimpse

    初创公司 Elorian 发布首款模型 Glimpse，支持在推理过程中对图像进行裁剪、提取视频帧或运行代码测量。该模型采用小团队在数百张 GPU 上训练的轻量化方案，定价为每百万输入 token 0.60 美元、输出 token 3 美元，目前以研究预览版形式提供 API 访问。

    发布时间：
10月16日周五
  3. Hugging Face Blog88

    Reflection 发布 501B 开源模型 Beam

    Reflection 实验室推出首款开源模型 Beam，这是一个拥有 501B 总参数、每 token 激活 23B 的 mixture-of-experts 架构大语言模型，支持 1M tokens 上下文窗口，专注于编码与智能体场景。

    发布时间：

    推荐理由：文章详细介绍了 Reflection 实验室首款 501B 开源 MoE 模型 Beam 的架构设计与部署方案，读者可以据此了解其在长文本和智能体任务上的技术实现。

  7. Hugging Face Blog68

    Granite Switch 4.1 发布：在一个端点中集成聊天、决策和语音能力

    Hugging Face 联合 IBM 发布了 Granite Switch 4.1 模型（包含 8B 和 30B 版本），通过复用基底模型的 KV cache 并在单个托管端点上集成了通用决策 aLoRA、安全卫士 aLoRA 以及语音转文本模型 Granite-Speech-5.0-Turbo-CTC。

    发布时间：

    推荐理由：原文介绍了多功能组合模型的架构及复用 KV cache 的实现方式，读者可以了解如何在单个端点上高效组合决策与语音能力。

  8. Apple Machine Learning Research64

    Selection-Based Structured Reasoning: 迈向高效的多模态搜索智能体

    Apple Machine Learning Research 推出了 Selection-based Structured Reasoning (SSR) 框架，将多模态智能体的自由格式推理重新定义为预设候选选择。

    发布时间：

    推荐理由：文章提出了一种将多模态智能体推理转化为候选选择的新框架，读者可以通过该方法评估其在降低推理延迟和提升搜索效率方面的潜力。

  9. 量子位64

    蚂蚁百灵开源新模型 Ling-3.1-flash，主打真实任务流与办公 Agent 落地

    蚂蚁百灵宣布开源新模型 Ling-3.1-flash，采用混合线性加稀疏MoE架构及1M上下文窗口，旨在完成真实办公、金融与医疗等复杂多步骤工作任务。该模型总参数约为560B，每个Token激活约25B，在办公评测GDPVal-AA V2.1中ELO得分1673，目前已在Hugging Face、ModelScope等平台上线。

    发布时间：
  11. TechCrunch · AI66

    Meta 发布可在 Mac 上运行的开源权重模型 Muse Spark Open

    Meta 推出了名为 Muse Spark Open 的开源权重模型，拥有 8160 亿参数及 100 万 token 上下文窗口，具备多模态能力并专为复杂编程和智能体任务设计。该模型支持在苹果设备上本地运行，但本地运行至少需要 1TB RAM 并推荐搭配 M5 Ultra 芯片的 Mac Studio，目前已通过多个 API 平台提供。

    发布时间：
  12. Together AI77

    Meta Muse Spark Open 在 Together AI 正式上线

    Meta 的 Muse Spark Open 模型已在 Together AI 上线，支持 1M-token 上下文窗口、长周期自主运行和多模态输入。该模型专为长运行周期的 Agent 编码工作流设计，API 定价为每百万输入 tokens 1.25 美元、输出 tokens 4.25 美元、缓存输入 tokens 0.15 美元。

    发布时间：

    推荐理由：原文给出了新模型的架构特性和 API 价格，读者可以据此评估其在长上下文编码和多模态任务中的成本与能力。

  13. AWS Machine Learning Blog66

    Meta 的 Muse Spark Open 现已登陆 Amazon SageMaker JumpStart

    Meta 的编码优化开源推理模型 Muse Spark Open 现已在 Amazon SageMaker JumpStart 上线，支持 1M token 上下文及 MoE 架构。文章介绍了如何通过 SageMaker Studio 或 Python SDK 部署 BF16 与 NVFP4 两种量化变体，并提供了推理请求示例。

    发布时间：

    推荐理由：文章详细介绍了在亚马逊平台上部署该模型的完整步骤与配置要求，为技术团队评估资源成本和架构落地提供了实用参考。

  14. Hugging Face Blog89

    Meta 发布开源多模态混合专家模型 Muse Spark Open

    Meta 发布了开源混合专家多模态模型 Muse Spark Open，拥有约 8160 亿总参数、每个 token 约 420 亿激活参数以及高达 100 万 token 的上下文窗口。该模型支持文本、图像、音频和视频输入，专为代码编写与智能体任务优化，并提供了 BF16 和 NVFP4 权重以及主流推理框架的部署指南。

    发布时间：

    推荐理由：原文介绍了该开源多模态混合专家模型的架构参数与部署推理方案，读者可借此评估其在长上下文与智能体任务中的落地可行性。

  15. PyTorch Blog86

    Meta 发布开源权重模型 Muse Spark Open

    Meta 发布 Muse Spark Open，这是一个拥有 816B 总参数和 42B 激活参数、具备 1M token 上下文窗口的开源权重多模态推理模型。该模型针对编码和智能体任务进行训练，在 Hugging Face 开源，并支持在 SGLang 和 vLLM 中进行优化运行。

    发布时间：

    推荐理由：文章公布了该开源模型的具体参数规模、上下文窗口以及推理和微调支持，读者可以据此评估其在代码和智能体任务中的实际落地潜力。

  16. Hacker News-首页86

    Meta 发布开源多模态模型 Muse Spark Open

    Meta 发布开源多模态模型 Muse Spark Open，拥有 816B 总参数（42B 激活）和 1M-token 上下文窗口。该模型具备原生多模态能力，专为编码和智能体工作设计，支持在两台 Apple M5 Ultra Mac Studios 上本地运行，同时已在多家 API 平台上线并提供权重下载。

    发布时间：

    同一件事，精选收录的是《Meta 发布开源多模态混合专家模型 Muse Spark Open》

  17. Apple Machine Learning Research63

    Apple 使用 MLX 和 RDMA 在 Mac Studio 上实现本地与分布式大模型推理

    Apple 机器学习研究团队介绍了如何利用最新版 MLX 框架和 Thunderbolt 5 上的 RDMA 驱动程序，在 Mac Studio（搭载 M5 Ultra 芯片）上运行近万亿参数的 Muse Spark Open 等前沿大模型。

    发布时间：

    推荐理由：文章详细展示了利用最新 MLX 和 RDMA 技术在 Mac Studio 集群上运行近万亿参数大模型的方法与性能数据，为端侧大模型部署提供了具体的工程参考。

  18. The Decoder86

    Nvidia 发布 Nemotron 3.5 Super VL 开源多模态模型

    Nvidia 发布了拥有 1200 亿参数的开源多模态模型 Nemotron 3.5 Super VL，采用 Mixture-of-Experts 架构并针对企业级智能体任务进行了优化。同时，Nvidia 还推出了面向本地设备的 Nemotron 3.5 Bolt 74B-A9B 24GB 模型，并开源了相关权重、数据集与训练配方。

    发布时间：

    同一件事，精选收录的是《NVIDIA 发布 Nemotron 3.5 Super VL 与 Bolt 系列开源多模态模型》

  19. Google DeepMind62

    Google DeepMind 推出智能体开发平台 Google Antigravity 以加速抗菌肽搜索

    Google DeepMind 推出了智能体开发平台 Google Antigravity，旨在将原本碎片化的数据库检索、结构分析与文献综合整合至单一会话中。该平台结合了 ProtNLM 模型与内置的 Biomolecular Structure Viewer 3D 可视化工具，支持研究人员与 AI 智能体在共享视觉状态下交互式发现并评估候选抗菌肽。

    发布时间：

    推荐理由：原文介绍了该智能体平台在生物医药检索中的集成方案与交互方式，读者可以据此了解其如何简化多数据库协同工作流。

  20. NVIDIA Blog72

    NVIDIA 发布 Nemotron 3.5 Super VL 与 Bolt 系列开源多模态模型

    NVIDIA 发布 Nemotron 3.5 系列开源模型，包括 1200 亿参数的 Super VL 多模态模型及两个端侧 Bolt 模型。Super VL 具备前沿的多模态智能与高效吞吐，Bolt 74B-A9B 24GB 和 Bolt E4B 4GB 则分别适配本地工作负载与边缘设备交互。该系列覆盖从企业服务器到桌面及边缘设备的完整智能体部署场景。

    发布时间：

    推荐理由：文章详细公开了 Nemotron 3.5 系列开源模型的参数规模、端侧适配方案和多模态能力，读者可以据此评估其在本地及企业级智能体部署中的效能。

  21. Hacker News-首页87

    神经网络是清晰的：对机械可解释性的重新审视

    作者通过长期研究图像和语言模型，提出神经网络的表征机制比以往普遍认为的更干净、更易解释，此前普遍接受的“叠加”（superposition）解释多为误读。研究显示，现代模型（如 Qwen3-32B 和 Kimi K3）绝大多数神经元具有单一且清晰的功能，看似多义的现象多源于“递归泛化”或工具缺陷，而非任意概念打包。

    发布时间：

    推荐理由：作者结合对图像和语言模型的长期研究，提出神经网络的表征比过去认为的更清晰，并探讨了递归泛化等机制，为理解模型内部运作提供了新视角。

10月15日周四
  1. Hugging Face Blog66

    Apertus 1.5 发布：从开源文本模型演进为开源多模态推理模型

    Project Apertus 发布 Apertus 1.5，推出 8B 和 70B 两个版本的开源模型，在 1.0 基础上扩展了图像与音频理解能力，新增可选思考模式，上下文窗口扩大至 262,144 个 token，并改进了指令遵循与工具调用。该模型基于 Apache 2.0 许可证在 Hugging Face 开源，完整公开了模型权重、训练数据及详细的技术报告。

    发布时间：

    推荐理由：该开源模型扩展了多模态理解与思考模式，并公开了完整权重与训练细节，为研究人员复现和改进开源大模型提供了完整参考。

  2. 量子位86

    昆仑万维 Skywork AI 发布并开源 Matrix-Game 4.0 游戏世界模型

    昆仑万维旗下 Skywork AI 发布并开源全球首款可在单张 RTX 5090 显卡上实时运行的游戏世界模型 Matrix-Game 4.0。该模型采用「代码运行世界、视频模型生成画面」的解耦路线，通过游戏引擎维护规则状态、结构草图辅助生成以及蒸馏压缩，实现了 60 FPS 实时运行与约 0.15 秒的响应延迟。

    发布时间：

    推荐理由：该模型展示了如何在消费级显卡上实现高帧率交互，并采用代码与生成模型解耦的路线，为同类研究提供了轻量化部署的参考。

  3. Google Research61

    Google Research 发布 Research@ 2026 十大技术亮点

    Google Research 在 Research@ 2026 活动上公布了十项技术与工具更新，涵盖 Google Earth AI 早期访问、支持多智能体协作的科学研究工具。

    发布时间：

    推荐理由：原文集中展示了十项技术与工具更新，读者可以据此了解其在科学、医疗、地球智能等领域的最新进展与开放动态。

10月14日周三
  1. Apple Machine Learning Research61

    三模态掩码扩散模型的设计空间

    Apple Machine Learning Research 推出了首个从头预训练的三模态 Masked Diffusion Models（MDM），支持文本、图文和音文数据，并在 3B 模型规模（6.4T tokens）下取得了文本生成、文本生成图像和文本生成音频任务的强劲结果。

    发布时间：

    推荐理由：论文系统分析了三模态掩码扩散模型的设计空间与缩放规律，并提出了新的随机微分方程重参数化方法，为多模态离散扩散模型研究提供了大规模公开参考。

  3. 量子位41

    调度效率提升80%！商汤大装置助力上海量子城市首批智能体落地

    商汤大装置与上海市规划资源局联合打造的“云宇星空大模型”全面升级，并基于此集中发布了量子城市首批政务智能体。其中“禹智河洛”防汛智能体落地后，空间智算、动态模拟、智能调度效率分别提升了65%、70%和80%。“大略之眼”与“详规小工单”等智能体也同步投入使用，推动人工智能赋能超大城市空间治理。

    发布时间：
  4. 量子位82

    面壁智能发布 MiniCPM-V 4.7，35B 多模态模型可在手机端流畅运行

    面壁智能与 OpenBMB 正式开源 MiniCPM-V 4.7 系列模型，包含 35B-A3B 和 1B 两个版本。其中 35B-A3B 作为首个端侧 MoE 模型，通过前瞻专家调度（LES）和自回放微调技术，在仅占用 3G 内存的情况下即可在手机端实现每秒 13 个 token 以上的解码速度，且在多项视觉与文本评测中表现领先。

    发布时间：

    推荐理由：面壁智能发布 MiniCPM-V 4.7 系列模型，通过前瞻专家调度等技术实现 35B 参数模型在 3G 内存下的流畅运行，为端侧大模型部署提供了低内存占用的性能优化参考。

  5. MiniMax (official)62

    MiniMax 联合 FastVideo 和 nuvalab 推出了开源实时音视频生成模型 FastH3-Omni，支持单提示词生成带同步音频的视频。该模型具备首尾帧条件控制、音频输入与对话能力以及最多 3 张参考图输入，并在 Reactor API 提供独家预览至 2026 年 10 月 20 日。

    引用reactor@reactorworld

    Introducing FastH3-Omni. The fastest and highest-quality open-source version of realtime H3 by @MiniMax_AI, post-trained by FastVideo @haoailab with @nuvalab. Exclusive preview on the Reactor API until 10.20.2026. • First and last frame conditioning • Audio input + strong dialogue • Up to 3 reference images • Frontier-level performance

    发布时间：
  6. Google DeepMind92

    Google 发布 Gemini 4 Argon 模型

    Google 发布 Gemini 4 Argon 模型，该模型在编码、金融、法律及科学研究等复杂任务中表现出更强的推理与多模态能力。Argon 支持 100 万 token 的统一输入输出窗口，现已通过 API、AI Studio、Gemini 应用及 Google Antigravity 平台向开发者、企业及订阅用户开放。

    发布时间：

    推荐理由：Gemini 4 Argon 针对复杂工程、科学研究及智能体任务进行了深度优化，其在多步推理和代码生成方面的表现可作为评估当前前沿模型解决高难度专业任务能力的重要参考。

10月13日周二
  1. TechCrunch · AI63

    SpaceXSI 推出整合 X Premium、Grok 和 Cursor 的统一订阅服务

    SpaceXSI 推出名为“The X Subscription”的统一订阅计划，将 X Premium、Grok 和 Cursor 整合在同一方案中。该服务提供从免费到每月 200 美元的五档订阅，用户可获得包括多模态聊天、Agent 智能体、AI 编码工具及 X 平台高级功能在内的权限，并根据订阅等级设置不同的 AI 使用上限。

    发布时间：