←搜索结果

搜索“NVIDIA”

按匹配度 · 共 265 条结果 清除搜索

星期四

  1. Mistral AI精选

    Mistral 开放 Mistral Large 4（Le Chonk）权重

    Mistral 发布 Mistral Large 4（Le Chonk）的开放权重，这是一个 1 万亿参数的原生多模态模型，在预览版基础上继续强化学习，编码与防御性网络安全能力提升。它在 FrontierCode 2.0 上得分 19.7%，在 Artificial Analysis Coding Agent Index 上得 48%，与 GLM-5.3 基本持平，但每任务平均少用 47% token；Terminal-Bench 4.0 提升 13 个百分点至 41%。模型支持三种推理模式，采用修改版 MIT 的 Mistral Ecosystem Open-Weight 许可，API 定价为每百万输入 token $0.70、缓存输入 $0.07、输出 $2.10。

    Le Chonk signal

    灵活性、选择权和控制力。像Mistral Large 4这样的创新代表着AI变革网络防御潜力的有前景的进步。我们将持续的AI创新视为加强网络安全、帮助组织应对不断演变的威胁格局的重要机遇。 John Whittle，Fortinet首席运营官 开放模型让安全研究人员和开发者能够检查、调整并基于AI进行构建。Mistral正在拓展生态系统所能构建的范围，我们在NVIDIA加速基础设施上的合作帮助开发者将这些模型投入实际使用。 Kari Briski，NVIDIA开放模型与软件副总裁 随着威胁变得愈发快速、工业化并如今实现自动化，防御必须以不同的规模运作。数量、速度、信任：这是AI时代网络安全面临的三大挑战。与Mistral AI携手，我们正在打造欧洲网络AI，由我们的专家训练并在其控制下运行。通过结合AI的力量、我们团队的专业知识以及我们的网络威胁情报，我们正在加速响应，从而能够更广泛、更快速地提供保护，并采用可信的欧洲技术。 Hugues Foulon，Orange Cyberdefense首席执行官 Rubrik支持Mistral以及推动“主权AI”的努力，为欧洲各国政府和受监管行业

    匹配字段正文

    #lab#模型发布#开源生态#推理
  2. MarkTechPost精选

    Google DeepMind 发布 Gemini 4 Carbon，主打网络安全防御与编码

    Google DeepMind 推出 Gemini 4 Carbon，称其为面向长周期智能体编码和网络安全防御的前沿模型，在 Artificial Analysis Intelligence Index v5.0 上以 59 分排名第一。该模型在 GraphWalks 长上下文测试中取得 96.2%，在 SEC-bench Pro、ExploitGym 和 CWE-bench 上分别为 88.2%、54.8% 和 71.0%，但在 OSWorld-2.1 上以 81.5% 落后于 Claude Opus 5.5 的 87.2%。目前 Carbon 仅向经过审核的网络安全防御方开放，定价为每百万 token 输入 2 美元、输出 10 美元的引入价，后续为 4 美元和 20 美元，开发者和公众的开放时间未公布。

    美元。 Asif Razzaq网站 | + 文章简介 ⮌ Asif RazzaqBaseten 发布 joey-1，一个 2B 决策模型，价格为每 100 万 token 0.01 美元 Asif RazzaqPrime Intellect 发布 Prime Mega MoE：可训练的融合 MoE 内核，前向传播速度提升 3.11 倍 Asif RazzaqNVIDIA 发布 Nemotron 3.5 Transcribe：一个开放的 30B MoE 模型，支持 40 种语言转录，约 4B 活跃参数 $uv pip install omni-parse-bench✓文本✓表格✓布局→ 按页评分在 GitHub 上加星→赞助 相关文章更多来自作者 Baseten 发布 joey-1，一个 2B 决策模型，价格为每 100 万 token 0.01 美元 Prime Intellect 发布 Prime Mega MoE：可训练的融合 MoE 内核，前向传播速度提升 3.11 倍 NVIDIA 发布 Nemotron 3.5 Transcribe：一个开放的 30B MoE 模型，支持 4

    匹配字段正文

    #ai-vertical#模型发布#Agent#编码

星期三

  1. MarkTechPost

    Google DeepMind 发布 Genie 4 实时世界模型，原生生成音频

    Google DeepMind 以研究预览形式向受信任测试者发布 Genie 4 世界模型，可根据文本和图像提示实时生成可探索世界，并原生生成环境音、音乐和角色对话。该模型在仿真循环中引入 Gemini 3.8 Flash 作为规划器，负责拆解目标、检查画面并重新规划，DeepMind 称这是迈向混合世界模型的早期一步。Genie 4 仅托管在 Google 平台，后续将开放给 AI Ultra 用户和 Gemini API 合作伙伴，所有视频与音频均带 SynthID 水印。

    在循环内进行规划、检查帧并重新规划。 未披露参数、分辨率、帧率或基准测试结果。 访问权限首先面向受信任测试者开放，随后开放给 AI Ultra 和 Gemini API 合作伙伴。 漂移和短时会话仍是主要的实际限制。 Michal Sutter+ 发布文章 简介 ⮌ Michal Sutter 是一名数据科学专业人士，拥有帕多瓦大学数据科学理学硕士学位。凭借在统计分析、机器学习和数据工程方面的扎实基础，Michal 擅长将复杂数据集转化为可执行的洞察。 Michal SutterMirendil 发布 Fern 0.1，这是其首个模型，具备 1000 万 token 上下文 $uv pip install omni-parse-bench✓文本✓表格✓布局→ 按页评分在 GitHub 上加星→赞助 相关文章更多来自作者 Prime Intellect 发布 Prime Mega MoE：可训练融合 MoE 内核，前向传播速度提升 3.11 倍 NVIDIA 发布 Nemotron 3.5 Transcribe：一个开放的 30B MoE 模型，支持 40 种语言转录，约 4B 活跃参数

    匹配字段正文

    #ai-vertical#模型发布#多模态#Agent
  2. 面壁智能 OpenBMB

    面壁智能开源 MiniCPM-OCR 套件，含 1B 解析模型与 2B 校验模型

    面壁智能发布开源 MiniCPM-OCR 套件，包含 1B 的 MiniCPM-OCR 1.0 与 2B 的决策模型 MiniCPM-OCR Jev。MiniCPM-OCR 1.0 在 Real5-OmniDocBench 得分 93.68、OCRBench v2 得分 54.7；Jev 可跨模型校验文本、公式和表格，在 JevOCRBench 得分 93.6，超过 JEV-35B-A3B 的 90.1，接近 Qwen3.5-397B-A17B 的 93.8。借助 DSpark，其速度为 PaddleOCR-VL-1.6 的 1.49 倍、MinerU2.5 Pro 的 3.62 倍，SDK 并发优化后可达每分钟 128 页，并支持 vLLM、SGLang、llama.cpp 和 Ollama 部署。

    JEV-35B-A3B（90.1），并接近 Qwen3.5-397B-A17B（93.8）。 每分钟最多 128 页 🤯：借助 DSpark，MiniCPM-OCR 的运行速度是 PaddleOCR-VL-1.6 的 1.49 倍、MinerU2.5 Pro 的 3.62 倍。SDK 的并发优化进一步将吞吐量提升至每分钟多达 128 页。 在你工作的地方部署：Day-0 支持 Arm、后摩智能、Intel 和 NVIDIA，并通过 FlagOS 支持另外 10 家芯片厂商。 适配你的技术栈：vLLM、SGLang、llama.cpp 和 Ollama，并提供量化模型、微调支持和 Agent Skills。 🔗 GitHub：https://t.co/2SlATAJk08 🤗 Hugging Face： MiniCPM-OCR 1.0：https://t.co/i347di4Fju MiniCPM-OCR Jev：https://t.co/ayVzhCJenh 👉 试用 Demo：https://t.co/QsFAJT3AFy 使用 API：https://t.co/dP01jBS2j2

    匹配字段正文

    #editorial#模型发布#开源生态#端侧
  3. Unite.AI

    Liquid AI 发布 LFM3 系列六款 2B 级开源权重模型

    Liquid AI 于 10 月 27 日发布 LFM3 系列，六款 2B 参数级开源权重模型均从同一个 LFM3-1.7B-Base 分支而来，覆盖文本、视觉、音频、全模态和决策模型。LFM3-1.7B 有 1.73B 参数、256K token 上下文、支持 16 种语言，采用 13 层门控短卷积、5 层滑动窗口注意力和 6 层全局注意力的 Tri-Hybrid 架构，以 LFM Open License v1.0 在 Hugging Face、Liquid AI Playground 和 API 提供。公司称 LFM3-1.7B 以少 35% 的参数超过 LFM2.5-2.6B，4-bit 精度下约占 1 GB 内存，但模型卡说明其不适合智能体编码或复杂多步推理。

    支持 16 种语言，并以 LFM Open License v1.0 发布。基础模型和后训练模型均为开放权重，可在 Hugging Face、Liquid AI Playground 和 Liquid AI API 上获取。 Liquid AI 的发布文章列出了首日发布合作伙伴：Ambarella、AMD、Arm、通过 OpenVINO 支持的 Intel、NVIDIA、OpenRouter、通过 Qualcomm AI Hub 和 GenieX 支持的 Qualcomm，以及 Vercel，并表示 Mercedes-Benz 和 Shopify 参与了发布前的测试与评估。 Tri-Hybrid 架构与训练 LFM3-1.7B-Base 有 24 层：13 层门控短卷积、5 层窗口为 256 token 的滑动窗口注意力层，以及 6 层全局注意力层。卷积的核大小为 7，高于 LFM2 中的 3。还有三项进一步的变化定义了该骨干：逐头门控注意力，其中 sigmoid 门控缩放每个注意力头的输出，可抑制损害量化的激活离群值；部分 RoPE，其中全局注意力层仅对每个头的最高频一半进行旋转，而

    匹配字段正文

    #hot-signal#模型发布#开源生态#多模态

星期五

  1. MarkTechPost

    Baseten 发布 2B 决策模型 joey-1，每百万 token 定价 0.01 美元

    Baseten 旗下 Base Labs 发布 2B 决策模型 joey-1，基于 Qwen3.5-2B 后训练，直接返回标签和校准概率而非生成文本，面向高并发路由、分类和护栏检查。模型在 Jev Decision Index 0.4 公开集得分 63.30，为 4B 以下最高，但比 9B 的 elephant-1 低 8.94 分。Model APIs 定价每百万输入 token 0.01 美元，平均 2000 token 请求 P50 延迟 20 ms，权重以 MIT 协议开源在 Hugging Face，可单张 CUDA GPU 自托管。

    ion Index 0.4 公开集上得分 63.30：4B 以下最强模型。 比 elephant-1 低 8.94 分；最适合作为一线路由器。 MIT 权重已发布于 Hugging Face；可在 1 张 CUDA GPU 上自托管。 Asif Razzaq网站 | + 文章作者简介 ⮌ Asif RazzaqPrime Intellect 发布 Prime Mega MoE：可训练融合 MoE 内核，前向传播快 3.11 倍 Asif RazzaqNVIDIA 发布 Nemotron 3.5 Transcribe：面向 40 种语言转录的开放 30B MoE 模型，约 4B 激活参数 $uv pip install omni-parse-bench✓文本✓表格✓布局→ 按页计分在 GitHub 上加星→赞助 相关文章更多来自作者 Prime Intellect 发布 Prime Mega MoE：可训练融合 MoE 内核，前向传播快 3.11 倍 NVIDIA 发布 Nemotron 3.5 Transcribe：面向 40 种语言转录的开放 30B MoE 模型，约 4B 激活参数

    匹配字段正文

    #ai-vertical#模型发布#开源生态#推理

星期六

  1. Latent Space精选

    月之暗面发布 Kimi K3.1 Pro：2.8T 总参数、104B 激活参数，权重定于 11 月 4 日开放

    月之暗面发布 Kimi K3.1 Pro，这是一款多模态 MoE 模型，总参数 2.8T、激活参数 104B，上下文窗口 100 万 token，标准版与 Highspeed 版已上线 Kimi 网站、App、Kimi Work、Kimi Code 和 API，官方称 Highspeed 输出速度提升 2–3 倍、价格为标准版两倍。Artificial Analysis 将其排在 Intelligence Index 第四位、得分 55，落后 Opus 5.5 的 58；Arena 的 Code Arena WebDev 排名第 8、1692 分，较 K3 上升九位。标准版定价为每百万 token 输入 2 美元、输出 10 美元、缓存输入 0.2 美元，较 K3 下降三分之一；权重尚未发布，官方承诺 11 月 4 日开放。

    缓存。其预期收益是在不按比例增加 KV 内存的情况下获得更有效的深度。关于前沿实验室使用循环架构的说法仍属传闻，与这一已发表的方法无关（方法）。 开放编译器与本地模型发布：Chris Lattner 宣布 Mojo 和 MAX 完全开放，可用于开发、扩展和商业用途，包括语言、图编译器、MLRT 内部实现和硬件抽象逻辑；该推文未说明许可证（公告）。 边缘推理：NVIDIA 发布了 Nemotron 3.5 Bolt E4B，演示了在 Jetson Orin Nano 8GB 上本地同时处理对话和工具以及 Cosmos 视觉。Ollama 列出 128K 上下文和视觉支持（NVIDIA、Ollama）。 实测系统收益：据报道，新的小消息 all-reduce 内核在四块通过 PCIe 连接的 RTX 6000 Pro Server GPU 上将 DeepSeek V4.1 Flash 的解码吞吐量提升了 12%（内核）。 存储架构：OpenAI 报告称，通过结合选择性复制、区域缓存以及将服务从 Python 重写为 Rust，全球中位读取时间从约 120 毫秒降至 10 毫秒。这一收益属于

    匹配字段正文

    #newsletter#模型发布#开源生态#Agent

星期三

  1. VR陀螺

    英伟达发布手术世界模型 Cosmos3-H-Dreams 并开放权重

    英伟达发布面向机器人手术的生成式世界模型 Cosmos3-H-Dreams，同步开放模型权重及配套代码。该模型基于 CMR Surgical 旗下 Versius 系统的临床胆囊切除手术录像与机器人运动学数据微调，支持双臂位姿、钳口开合及电外科能量等 28 维动作输入，可根据初始内窥镜画面和机械臂指令实时生成手术场景视频。官方模型卡显示，在单块 RTX PRO 6000 Blackwell 工作站版 GPU 上以 832×480 分辨率运行时，四步去噪版本为 30 帧/秒，两步版本可达 43.2 帧/秒；配套代码支持动作回放，并可连接 WebXR 兼容头显进行实时交互控制。

    模型将前代系统的桌面缝合模拟拓展至临床腹腔场景。用户输入初始内窥镜画面及机械臂控制指令后，系统可连续生成器械运动与组织响应画面，支持双臂位姿、钳口开合及电外科能量等28维动作输入，并通过FlashDreams流式推理库加速运行。 性能方面，官方模型卡显示，在单块RTX PRO 6000 Blackwell工作站版GPU上，以832×480分辨率运行时，四步去噪版本生成速度为30帧/秒，两步版本可达43.2帧/秒。两步版本经过单独训练，以部分画质换取更高速度。配套代码支持录制动作回放，也可连接配备双追踪控制器的WebXR兼容头显，进行实时交互控制。 英伟达表示，该模型主要面向手术机器人策略的仿真评估、遥操作研究及合成数据生成，开发者还可利用公开的微调与蒸馏指南，将其适配至其他数据集和机器人形态。 来源：Hugging Face 官方博客（NVIDIA） 投稿/爆料：tougao@youxituoluo.com 稿件/商务合作： 林南（微信 19250561593） 加入行业交流群：林南（微信 19250561593） 元宇宙数字产业服务平台 下载「陀螺科技」APP，获取前沿深度元宇宙讯息

    匹配字段正文

    #hot-signal#模型发布#具身智能#开源生态

星期一

  1. TechCrunch AI

    英伟达发布 Nemotron 3.5 Super VL 与 Bolt 系列开源模型，面向企业智能体与本地 AI PC

    英伟达发布面向常驻智能体和边缘计算的开源权重模型。Nemotron 3.5 Super VL 为 1200 亿参数的企业级智能体模型，英伟达称其在指令遵循和工具调用任务上可达到 Nemotron 3 Ultra 相近的准确率；两款轻量 Bolt 模型面向搭载 RTX Spark 芯片的 AI PC 和 DGX Spark 工作站本地运行。Super VL 与 Nemotron 3.5 Bolt 74B-A9B 24GB 已可用，最小的 Bolt E4B 将于本月晚些时候推出。

    Nvidia on Thursday launched new open-weight models designed for always-on agents and edge computing. The Nemotron 3.5 Super VL is a large, 120-billion-parameter model geared for agents used by the enterprise. While it uses fewer parameters than the Nemotron 3 Ultra model, Nvidia says it can deliver similar accuracy in instruction-following and tool-use tasks. At the other end of the spectrum, the company also launched two lightweight Bolt models. These are intended to run locally on the new AI P

    匹配字段正文

    #tech-media#模型发布#Agent#端侧
  2. MarkTechPost

    Mistral AI 发布 Timestral 时间序列基础模型，最大 209M 参数可在 CPU 推理

    Mistral AI 发布首个时间序列基础模型系列 Timestral，包含 5M、28M、123M、209M 四个零样本预测模型，支持最长 32,768 个时间步的上下文。据 Mistral 自测，209M 版本在 GIFT-Eval、TIME 和 fev-bench 上位列零样本预训练模型第一，fev-bench SQL skill 得分为 50.39，高于 TimesFM-3 的 48.99。模型无需 GPU，在 8 线程服务器 CPU 上 209M 版本单次预测耗时 140 ms，权重以 Modified MIT 许可开放，可通过 pip 安装并部署在本地、VPC 或隔离环境。

    ights, unlike TimesFM-3’s non-commercial licence. Asif RazzaqWebsite | + postsBio ⮌ Asif RazzaqMiniMax Just Launched M3.1 Flash: 428B MoE Agentic Model at $0.15/M Input Asif RazzaqNVIDIA Open Sources Run:ai Under Apache 2.0 for Kubernetes GPU Orchestration RELATED ARTICLESMORE FROM AUTHOR Exa 3.0 Search API Tops Perplexity, Brave and Parallel on 8 Benchmarks Meet Drex Max: Nace AI’s Multimodal Decision Model for Computer-Use Agents with a Score 67.59 MiniMax Just Launched M3.1 Flash: 428B MoE Ag

    匹配字段正文

    #ai-vertical#模型发布#开源生态#推理
  3. MarkTechPost精选

    MiniMax 发布 M3.1 Flash：428B MoE 智能体模型，输入 $0.15/百万 token

    MiniMax 在 API 上线 MiniMax M3.1 Flash，428B 总参数、约 23B 激活的 MoE 多模态模型，支持 100 万 token 上下文，输入 $0.15、输出 $0.60 每百万 token。推理始终开启且不可关闭，提供 Low 到 Max 五档强度，权重计划于 10 月 23 日发布、许可证尚未公布。厂商自报成绩中 Automation-Bench v1.0.6 以 62.2 居首，Terminal Bench 4.0 为 38.1，落后 Opus 5 的 51.8。

    M3.1 Flash compare with DeepSeek, Kimi and GLM? FeatureMiniMax M3.1 FlashDeepSeek V4.1 FlashKimi K3GLM-5.3 Total / active params428B / 23B (MiniMax)552B / 8B prefill, 16B decode (NVIDIA card)2.8T / 104B (HF) 744B / 40B, shared GLM-5 base Context1M1M (DeepSeek docs)1,048,5761,048,576 (Cloudflare) InputsText, image, videoText, imageText, imageText Weights / licenseDue Oct 23; license not disclosedOpen, MITOpen, Kimi K3 LicenseOpen weights API price in / out (1M)$0.15 / $0.60 flat$0.30 / $1.20 pea

    匹配字段正文

    #ai-vertical#模型发布#Agent#推理

星期二

  1. 蚂蚁 inclusionAI：GitHub 新仓库精选

    蚂蚁 inclusionAI 开源 Ming-3.0-tts 语音合成模型，含 0.5b 稠密版与 tiny MoE 版

    蚂蚁 inclusionAI 在 GitHub 开源 Ming-3.0-tts 语音合成模型，包含 0.5b 稠密模型和基于 Ling V3 的 tiny MoE 模型（7.9B 总参数、1.3B 激活参数），提供推理代码、任务 Cookbook 和评测表。模型支持声音克隆、文本设计音色、100+ 中文与 5 种英文内置音色、自然语言自由控制、14 种副语言标签，可合成中英德西法韩日及川渝话、广粤话。官方称在 Artificial Analysis 榜单上，Controlled Voice 开源模型第 1、Pronunciation Robustness 总榜第 1（93.2%）、Provider Voice 开源模型第 3。

    Ming-3.0-tts Logo

    g-3.0-tts-0.5b Or build the 0.5b Docker image (torch 2.6, CUDA 12.4, transformers==4.46.3): docker build -f docker/Dockerfile -t ming-tts . The 0.5b environment has been tested on NVIDIA H800-80GB and H20-96G. For 0.5b, flash-attn is optional; inference falls back to PyTorch SDPA. Tiny uses a separate reference inference environment: Python 3.10.15, PyTorch and torchaudio 2.7.1+cu118 (CUDA 11.8 wheels), and transformers==4.46.3. Install the pinned dependencies from requirements-tiny.txt in a ded

    匹配字段正文

    #engineering#模型发布#语音#开源生态
  2. MarkTechPost

    Nace AI 发布多模态决策模型 Drex Max，Decision Index 得分 67.59

    Nace AI 发布 Drex Max，这是其首个多模态决策模型，可读取文本和图像并返回校准后的概率，不生成文本。该模型在公开 Decision Index 0.3.2 上得分 67.59，比 TypeSafe 的 Jev 1.14 高 6.9 分；单次截图决策中位延迟 174 ms，输入定价为每 1M tokens 0.06 美元，输出不计费。模型仅通过 Nace Console API 提供，参数规模未披露、权重闭源，上述分数均为 Nace 自报。

    hal excels at transforming complex datasets into actionable insights. Michal SutterExa 3.0 Search API Tops Perplexity, Brave and Parallel on 8 Benchmarks Michal SutterMeet Grok Voice 3.0: SpaceXAI Voice Agent Model Ranks 1 on Artificial Analysis RELATED ARTICLESMORE FROM AUTHOR Exa 3.0 Search API Tops Perplexity, Brave and Parallel on 8 Benchmarks MiniMax Just Launched M3.1 Flash: 428B MoE Agentic Model at $0.15/M Input NVIDIA Open Sources Run:ai Under Apache 2.0 for Kubernetes GPU Orchestration

    匹配字段正文

    #ai-vertical#模型发布#Agent#多模态
  3. MarkTechPost

    Cloudflare 在 Workers AI 上发布 Clairic 提取模型预览

    Cloudflare 在 Workers AI 上发布 System One 提取模型 Clairic 的预览版，它读取文本或最多 4 张图片，直接返回带类型的值而非生成文本，单次前向传播即可回答所有字段。该模型支持 65,536 token 上下文，按 $0.10/百万输入 token 计费且不收取输出费用，权重尚未发布。Cloudflare 在理赔流程测试中称，Clairic 提取步骤耗时 0.46 秒，GLM-5.3 为 16.1 秒，整体流程快约 3.2 倍，每百万次成本从 $11,740 降至 $6,032。

    r carries confidence, p null, spans or intervals. Asif RazzaqWebsite | + postsBio ⮌ Asif RazzaqMiniMax Just Launched M3.1 Flash: 428B MoE Agentic Model at $0.15/M Input Asif RazzaqNVIDIA Open Sources Run:ai Under Apache 2.0 for Kubernetes GPU Orchestration RELATED ARTICLESMORE FROM AUTHOR Exa 3.0 Search API Tops Perplexity, Brave and Parallel on 8 Benchmarks Meet Drex Max: Nace AI’s Multimodal Decision Model for Computer-Use Agents with a Score 67.59 MiniMax Just Launched M3.1 Flash: 428B MoE Ag

    匹配字段正文

    #ai-vertical#模型发布#推理#部署/工程
  4. SiliconANGLE

    MiniMax 发布 M3.1 Flash 模型，称智能体运行成本降低 70%

    MiniMax 发布 M3.1 Flash，这是对 6 月推出的 M3 大语言模型的更快更便宜更新，公司称智能体任务运行成本比上一代降低 70%，推理速度接近 3 倍，日常峰值输出超过 200 tokens/s。该模型参数为 428B，推理时保持开启，提供从 Low 到 Max 五档努力级别，支持文本、图像和视频输入，提示词最长 100 万 tokens。在 MiniMax 自测中，M3.1 Flash 在 OSWorld V2 得 61.7 分、BankerToolBench 得 76.2 分、CyberGym 得 82 分；在 DeepSWE v1.1 上得 73.7%，低于 DeepSeek 称其 V4.1-Flash 取得的 77%，两项结果均未经独立验证。该模型输入定价为每百万 tokens 15 美分，输出为 60 美分，缓存输入为 1.5 美分，现可通过 MiniMax API、M Plan 订阅和 MiniMax Code 桌面应用使用，权重将在之后发布。

    t weeks after launching Amazon introduces toolkit for running PyTorch workloads on AWS Trainium chips Microsoft targets the 'agentic insider' with new controls for rogue AI agents Nvidia, Dell back $200M round for AI model developer doubleAI LATEST STORIES Dream Labs raises $90M to help build more intelligent robots with simple video feeds EMERGING TECH - BY MIKE WHEATLEY . 8 HOURS AGO Trump administration orders ban on DeepSeek in federal agencies AI - BY JAMES FARRELL . 9 HOURS AGO AI work ass

    匹配字段正文

    #hot-signal#模型发布#Agent#推理

星期六

  1. AI Business

    英伟达发布 Nemotron 3.5 系列开源模型

    英伟达本周推出 Nemotron 3.5 Super VL，一款 1200 亿参数模型，主打快速任务完成与“常开”智能体的准确性，同时发布 Nemotron 3.5 Bolt 74B-A9B 24GB 和 Nemotron 3.5 Bolt E4B 4GB，前者侧重平衡与速度，后者面向对话智能体。三款模型完全开源，权重、数据集和训练配方均已公开，并可在 Hugging Face 获取，这是英伟达上月同意收购该开源平台后发布的首批模型。Omdia 分析师 Alexander Harrowell 认为，英伟达此举意在支撑其 GPU 周边生态，同时模型架构带来更好的内存扩展和更大上下文窗口，对智能体应用有价值。

    NewsOpen source and on device: the strategy behind Nvidia’s new AI models The new Nemotron 3.5 models show how the AI giant is focusing on reinforcing its own GPU infrastructure while supporting the open source community.Esther Shittu,News Writer, AI Business October 16, 20263 Min ReadGetty Images Amid the accelerating race between open and closed AI, the vendor advanced its open source line of attack with more open models. Nvidia earlier this week introduced Nemotron 3.5 Super VL, a 120-billion

    匹配字段正文

    #hot-signal#模型发布#开源生态#端侧
  2. TechCrunch AI

    Elorian 发布首个模型 Glimpse，以视觉草稿空间做图像推理

    Elorian 发布首个模型 Glimpse，以研究预览形式开放 API，聊天界面需排队等候。该模型在推理过程中可裁剪图像区域、抽取视频帧或运行代码来测量和比较所见内容，Elorian 称之为视觉草稿空间。Glimpse 定价为每百万 token 输入 0.60 美元、输出 3 美元，据 Elorian 评测在科学图表推理和短视频描述上超过 GPT-6 Astra。公司称该模型用数百块 GPU 训练，规模明显小于对标的 frontier 系统，初期面向机器人、科研实验室和媒体创意等拥有大量视频的企业。

    n的卖点在于，它以低成本围绕这一能力构建了整个模型。该公司表示，一个小团队用几百块GPU训练了Glimpse，而且该模型的规模远小于它所对标的那些前沿系统。 Glimpse的定价为每百万输入token 0.60美元、每百万输出token 3美元——比Sonnet和Sol等中端模型便宜，但比Haiku和Luna等轻量级模型贵。 但根据Elorian的评估，Glimpse在科学图表推理和短视频描述方面甚至超过了GPT-6 Astra，在其他视觉推理任务上也具有竞争力。 Elorian在六个月前结束隐身状态，当时完成了一轮由Striker Venture Partners、Menlo Ventures和Altimeter Capital联合领投的融资，Nvidia和Google首席科学家Jeff Dean参投。 初期目标客户是拥有大量视频的公司：机器人公司、科学实验室、媒体和创意公司。从长远来看，Elorian希望从“看见”走向“行动”。这意味着要构建场景模型，并利用它来选择行动，包括直接控制机器人。Dai表示，明年公司的目标是打造“世界上最好的视觉推理模型”，在每一项视觉推理测试中都领先。

    匹配字段正文

    #tech-media#模型发布#多模态#推理

星期五

  1. Unite.AI精选

    Reflection 以 Apache 2.0 开源 501B 参数 MoE 模型 Beam

    Reflection 于 10 月 16 日在 Hugging Face 以 Apache 2.0 许可发布其首个开放权重模型 Beam，Baseten 同日通过 Model APIs 和 Dedicated Inference 提供 day-0 支持。Beam 为 501B 总参数、每 token 激活 23B 的 MoE 自回归 Transformer，上下文窗口最高 100 万 token，预训练使用 23.8 万亿 token，并以 BF16、FP8、NVFP4 精度发布权重。Reflection 给出的评测结果为 GPQA Diamond 90.5%、SWE-bench Verified 80.9%、AIME 2026 97.8%、Terminal-Bench 2.1 80.1%、MCP Atlas 78.7%，同时开源了终端智能体工具 Mirror CLI。

    n the month. The company said it pretrained Beam on 23.8 trillion tokens and refined it through a reinforcement learning run that generated more than 100 million rollouts on 10.5K NVIDIA GB300 GPUs over four weeks. Weights, Documentation, and Platform Availability In its availability announcement, Reflection said the release includes a model card with final benchmarks and a Beam Safety Technical Report covering the model’s complete safety methodology and evaluations. The company described the la

    匹配字段正文

    #hot-signal#模型发布#开源生态#Agent
  2. Hugging Face精选

    Hugging Face 发布 Beam：501B 开源模型，支持 1M 上下文与自托管

    Hugging Face 发布 Beam，一个 501B 参数的稀疏 MoE 开源模型，面向 1M 上下文的长文本推理与智能体任务，每个 token 仅激活约 23B 参数。模型采用 52 层混合注意力，43 层为 512 token 滑动窗口、9 层为全局注意力，KV cache 每 token 增长 36 KiB，约为全注意力方案的六分之一。官方提供 BF16、FP8 和 NVFP4 三种 checkpoint，NVFP4 可将权重从约 1 TB 压缩到约 280 GB，并已获 transformers、vLLM 和 SGLang 的 day-0 支持。

    家输出用归一化的路由器权重组合，并缩放 2.5 倍。 每个 token 只运行 8 个专家，因此模型用约 23B 参数计算每个 token。所有 256 个专家都保留在内存中，因此部署需要 501B 模型的内存，但以 23B 模型的速度运行。BF16 checkpoint 以 safetensors 格式约为 1 TB。NVFP4 checkpoint 为 NVIDIA Blackwell GPU 以 4 位精度存储大多数参数，部分参数保留为 BF16 以保证准确性。Hub 上还有 FP8 checkpoint，非常适合 Hopper 和 Ampere 系列芯片。 如果你想自己部署 Beam，请查看下面的 vLLM 或 SGLang 配方。 残差流 残差连接是最独特的部分。标准 transformer 以权重 1 将每个子层输出加到流中，因此流随深度增长。 Beam 将输入嵌入计为第 1 步。在第 k 步，它以权重 1/sqrt(k) 加上子层输出，并以权重 sqrt((k-1)/k) 保留现有流。两个权重的平方和为 1，因此流从第一层到最后一层保持恒定尺度。在所有 104 次加法之后

    匹配字段正文

    #lab#行业动态#开源生态#Hugging Face
  3. Reflection Blog精选

    Reflection 发布首个开源权重模型 Beam，501B 参数稀疏 MoE

    Reflection 发布首个开源权重模型 Beam，权重已在 Hugging Face 以 Apache 2.0 许可开放。Beam 是稀疏 MoE 模型，总参数 501B、激活 23B，面向编码、推理和长程智能体任务，同时提供 BF16、FP8、NVFP4 精度格式和投机解码草稿模型。Reflection 还联合 40 多家合作伙伴构建其称为智能体开放操作系统的生态，覆盖 vLLM、SGLang、Unsloth、Axolotl 等推理与微调框架，并开源了配套的 Mirror CLI 智能体工具。

    Reflection.ai dotted artwork

    day-zero support across the ecosystem including: Transformers (Hugging Face), vLLM (Inferact), SGLang (RadixArk), Unsloth, Axolotl, TokenSpeed (LightSeek Foundation), and Dynamo (NVIDIA) so you can go from weights to a production-scale endpoint without writing custom plumbing. Figure 2: Reflection’s production inference dashboard, powered by SGLang serving Beam at scale on NVIDIA Blackwell infrastructure. Agentic development with Mirror CLI Beam and Mirror CLI are both open-source friendly. We

    匹配字段正文

    #company#模型发布#开源生态#Agent