搜索“多模态”

结构：语言模型→思维链→Agent→持续学习→自我迭代→具身智能。如今走向具身智能的脚步正在加速。 过去，大模型圈认为VLA难以通用，但9月GPT-6 Astra的横空出世让人看到，不懂具身也能做出泛化的具身模型。与此同时，Coding能力肉眼可见到顶，大模型公司需要新风口承接震撼，入局具身成了必然。 不过具身是软硬件耦合的苦活，大模型公司自身场景和数据有限，这也是DeepSeek为何先投“大脑、小脑、身体”，而非直接造整机的原因。 具身赛道烈火烹油，据媒体统计，仅今年上半年国内融资总额就超900亿元、是2025年同期的5倍；但下半年风向骤变，机构上会项目锐减，国家层面也提醒机器人产业“防止盲目跟风、一哄而上”。 DeepSeek在这个节点成为新的接盘方/整合者，加速行业向少数大脑+多数身体分层。不难看出，DeepSeek正在从数字世界向物理世界延伸。 早在其招聘动态中就显示出端倪，招聘多模态理解研究员的职位描述显示：AGI绝不会止步于文本，迈向AGI的关键一环，在于让模型拥有理解物理世界的能力。 今天的模型竞争还在跑分榜单和API价格战里，下一场竞争，就在产线上、在卧室里、在街头中。

匹配字段正文

Serverless Training API 则让你掌控训练循环。 欢迎来到 Fireworks Free Weights Club。在限定时间内，我们将为你带来新的后训练研究、可在此基础上构建的配方，以及针对一款精选模型的免费训练，让你能够运行自己的实验。 首先登场的是：Muse Glimmer 30B，SFT 训练在 11 月 30 日前免费。它支持多模态，在同等成本下性能强劲，是个人智能体的绝佳起点。 我们将训练出的版本称为 tuned Glimmer，将原始模型称为 base Glimmer。在预测准确率上，tuned Glimmer 领先于两个对比模型。在历史回测中，计入模拟手续费后，它将假设的 1,000 美元变成了 1,071 美元，而两个对比模型均出现亏损。 以下是我们训练了什么、如何测试，以及你如何自行尝试。 免费开始训练。 构建数据集 Jev 给了我们一个要超越的模型；Kalshi 给了我们一种记分方式。 已结算的市场自带答案：以“纽约最高气温会超过 80°F 吗？”为例。市场一旦结算，就有了可用于核对预测的结果。难点在于学到能迁移到下一个问题的东西。 每个示例

匹配字段正文

S把这种工作方式叫做Loop Working。 四、产品体系覆盖通用、垂直模型与C端B端 早在2017年，APUS筹备A股上市，彼时公司估值约120亿元。2019年4月，该公司撤回了IPO申请。在2020年8月，APUS转向科创板再度冲击IPO，然而最终依旧终止了。 目前，APUS已经形成基座大模型+AI应用产品框架。 2023年，APUS发布了自研的千亿级多模态大模型“APUS大模型（AiLMe）”，此后，其于2024年4月联合开源了千亿参数MoE架构模型APUS-xDAN-4.0。 在大模型的基础上，APUS构建起了产品体系： 通用与语言模型包括天燕大模型和DeepSeek APUS加强版；垂直行业大模型包括奇黄大模型（医疗问诊）与智草大模型（中医诊断）等，覆盖教育、农业、网信、政务、传媒、金融、电商等领域。 基于大模型能力，APUS还推出了一系列直接面向用户的AI应用。C端手机应用包括APUS Launcher、APUS Booster、APUS Security、APUS Browser、APUS KATOO、APUS CutCut等；B端行业智能体有天燕商业智能体、智草中医智

匹配字段正文

小脑”（小模型）感知用户状态——声音、图像、通信连接等；端侧“大脑”（大模型）完成多步任务闭环；云侧“超脑”协同处理更复杂的任务。高隐私、低时延的任务留在端侧，复杂任务交给云侧超脑。而麒麟9050 Pro则为这样的架构提供了硬件基础和技术底座。 得益于逻辑折叠，采用新一代达芬奇架构的NPU，性能提升140%，功耗降低66%。此外，通过SoC中的灵犀微核，实现多模态低功耗的环境感知。华为认为，大脑最终要协助用户完成任务，核心是多步规划能力，这依赖于模型的尺寸。 经华为研究，30B大模型是一个基本条件，但在手机侧运行30B大模型，将面临两大挑战：内存和功耗，既要放得下还要跑得久。 在麒麟9050系列中，通过率先支持多级存算协同的技术，设计了麒麟芯片亲和的MoE架构，大模型加载性能提升25%、内存节省75%，30B MoE大模型占用内存小于2.5GB——最终实现“小空间装载大模型”。 此外，通过联合应用团队，麒麟开发了大模型场景自适应的方案。模型可以根据任务的复杂程度来自动地加载不同规模的参数，从而进一步节约场景功耗20%到50%。 现场，华为演示了几个应用，包括基于本地Agent的图库整理

匹配字段正文

ITA 大模型，把 “回答” 变成有角色感的硅基伙伴 文旅场景最直观的痛点：很多机器人只会预设话术，游客一问开放式问题就失效，只能完成固定流程，谈不上真正交互。智元自研WITA 硅光动语全模态具身交互大模型，是全国首款完成合规备案的具身智能交互大模型，解决真实乐园里复杂环境下的人机交互难题。 l 适配嘈杂场馆环境的感知交互：面对广播、背景音乐、人群喧闹，通过多模态定向拾音（声音 + 唇动）、多模态降噪、人声增强，结合大模型语义理解，过滤无关杂音，捕捉游客表达，支撑问答、游戏、点播等体验。支持免唤醒主动交互，游客走近机器人即可主动打招呼，不需要喊唤醒词，还原自然社交状态。 l 长程多轮交互，从单次问答走向完整游戏体验：依托长程任务 Agent，承接对话上下文。游客挥手即可开启答题、猜谜闯关，机器人记住对话脉络，持续推进游戏进程；支持猜拳、音乐表演等手势语音动作联动，游客可以参与共创表演内容，而不是被动观看演示。 l 五维 IP 定制，让机器人拥有统一角色人格：通过音色、表情、人设、动作、服装造型五个维度定制，结合场景知识库、检索增强生成技术，机器人可以支持多国语言、方言科普讲解，把长

匹配字段正文

VLA方案，虽然学得很快，但在面对长流程任务时，有一个致命弱点，那就是误差累积。 第1步有点小偏差，第2步偏差变大，到了第10步，整个动作可能就已经彻底变形了。更要命的是，单一黑盒模型在遇到干扰时，它不知道到底发生了什么，往往只能硬着头皮继续往下按原计划推，或者直接崩溃停机。 而另一种常见的Agent方案，虽然会做步骤拆解，但它的思考逻辑基本停留在纯文本或者多模态大模型的概率推理上。 每次环境一变，它得先把画面转成文本，等模型在那慢吞吞琢磨「下一步该干嘛」，等你推理完了，手可能早就被门夹到了。。。 CRIS-0展现出来的这种抗干扰和连贯性，背后到底是怎么做到的？ 在CRIS-0的系统里，有一个非常底层的改变，叫做统一状态与因果变量。 以前的机器人看世界，看的是密密麻麻的图像像素。但在CRIS-0眼里，它关心的不是世界表面长什么样，而是任务到底进行到了哪一步，任务本身就是一个因果状态进度条。 举个特别接地气的例子，比如机器人去铺桌布。 它不会傻乎乎地去计算整张桌布每个像素的坐标，而是实时追踪几个核心因果变量。比如桌布有没有被夹爪真正抓住，桌布的角点离目标位置还有几厘米，拉动的时候有没有发

匹配字段正文

迹，却很难完整保留接触过程中的物理经验。 AE01通过编码器捕捉自然手部运动，同时把机器人端的触觉状态反馈给操作者，形成双向接口：人的动作进入机器人，机器人与物体接触后的状态又影响人的下一步操作。 这样一来，一次人工操作留下的数据不再只有“手移动到了哪里”，还包括接触时刻、力量变化、滑动状态以及随后的修正动作。精准控制、触觉同步采集和免标定，降低了人机映射与多模态数据同步的门槛。 所以IROS上的新进展，其实总结起来就一句话： Sharpa试图解决的是一个具身智能很现实的问题：高质量操作数据很难获得，而真正有价值的数据又恰恰发生在接触最复杂的那些瞬间 。 从这个角度看，Sharpa 的灵巧操作“全栈”能力缺一不可：本体负责把机器人带进真实工作空间，灵巧手负责处理人与物体之间的细粒度接触，数据入口则把人的操作经验和机器人的物理反馈保存下来。 最后，模型再利用这些信息，把一次次操作变成下一轮能力。 手，首先是人类完成各种复杂任务最可靠的器官。 同样也是机器人与真实世界发生精细物理交互最直接的媒介。 所以从W01开始，Sharpa长期围绕高自由度、触觉和精细操作展开，并不奇怪。 年初CES上

匹配字段正文