Neura Robotics 发布多模态基础模型 Neuron AI，面向物理 AI，融合 3D 视觉、触觉与力、音频、机器人状态和语言，并加入记忆功能，让机器人在物体离开视野后仍保留上下文。其 Perception-Language-Action 架构把多感官信息对齐到同一空间并转化为动作，训练数据来自真实机器人数据、仿真放大数据和人类演示数据三类来源。该模型在德国 Metzingen 内部开发训练，将在 Nvidia GTC Berlin 2026 上由人形机器人 4NE1 演示十一分钟的洗衣处理流程。
匹配字段摘要
腾讯云 Octop 自 2026 年 7 月 10 日在 GitHub 开源，95 天内经历从 LightClaw ACE 重构、v1.0.0 GA、v1.0.1 企业级 SSO 接入到 v1.0.2 插件化与多模态四次大变更，Star 数突破 8500，Issue 和 PR 超过 1200 条。团队将 harness-agent、harness-memory、harness-browser、harness-gateway 四大模块拆分为独立仓库开源，并公开了 AgentTeams、移动端客户端、浏览器技能录制等后续规划。CVE-2026-108581 显示 1.0.2b6 之前版本存在 Provider API Keys 未授权访问问题，已在后续版本修复。
匹配字段摘要、正文
Subquadratic 发布 SubQ Snap，称其为面向企业工作的长上下文决策模型，支持 384K token 多模态上下文，是 Jev 的 12 倍。其延迟为最小上下文 80ms、32K 为 250ms、100K 为 660ms、384K 为 2.5 秒，输入定价 $0.05/百万 token，输出免费，前 1 万名注册用户可获 100M 免费输入 token。Rohan Paul 指出，其延迟随输入近似线性增长，而标准二次注意力在该区间成本约上升 15 倍，这使模型能一次处理 384K token 的代码、文档、日志和截图。
匹配字段摘要
本地 VLM 的有趣结果。MiniCPM-V 4.7 35B-A3B 不仅用了更少的 token，还比 Qwen 3.6 35B-A3 生成了更好的体素宝塔。效率 + 质量正成为多模态模型真正的战场。🔥
匹配字段摘要
InternLM 发布 ETCHR（Editing To Clarify and Harness Reasoning），一个以问题为条件、具备推理感知能力的图像编辑器，作为多模态大语言模型（MLLM）的解耦式视觉推理助手，可即插即用地辅助 Qwen3-VL-8B、Gemini-3.1-Flash-Lite、Kimi K2.5 等下游模型而无需微调。其 Edit-Verify-Reason 推理机制在验证失败时回退原图，在细粒度感知、图表理解、逻辑推理、拼图还原和 3D 理解五类任务上均提升 Pass@1 准确率。项目已开源 ETCHR-FLUX.2-klein-9B 模型、SFT-400K 与 GRPO-10K 数据集及 DL3DV-2K 基准，基于 FLUX.2-klein-base-9B，遵循 FLUX 非商用许可。
匹配字段摘要
小米 MiMo 团队发布 MiMo-V2.5 系列推理系统的端到端工程实践，覆盖 KVCache 管理、分层缓存、SWA 感知前缀缓存树、调度策略、Prefill/Decode 执行流水线与多模态优化。MiMo-V2.5-Pro 共 70 层，其中 10 层 Full Attention、60 层 SWA，滑动窗口为 128，Hybrid SWA 使计算量与 KVCache 存储降至 Full Attention 的约 1/7。团队称上线以来服务端 KV Cache 命中率平均 93%，重度用户可达 95% 以上，并将部分优化以 PR 形式回馈 SGLang 社区。
匹配字段摘要
World Labs 发布 World API，开发者可通过该公开接口调用其多模态世界模型 Marble，从文本、单图、多图、360° 全景和视频生成可导航的 3D 世界。世界生成以异步方式运行，无需专有工具，生成结果可在浏览器渲染、导出到其他工具或接入交互系统与仿真管线。该 API 已用于游戏与沉浸式媒体、机器人仿真（可接入 NVIDIA Isaac Sim、MuJoCo、RoboSuite）以及建筑设计等场景，并通过 World Labs Platform 提供 API key 管理、用量计费和文档。
匹配字段摘要
World Labs 发布下一代世界模型 Atlas，这是一个从零预训练的多模态自回归扩散 Transformer，原生处理文本、图像、视频和 3D，所有输入被组合进共享的空间上下文。Atlas 支持像素级相机控制的图像与视频生成，可输出最长 1 分钟、1440p 的视频，并能从 1 到上百张输入图像重建真实场景，生成点云或 3D Gaussian splats。官方称其在相机控制生成和稀疏视图 3D 重建两项任务上优于专用模型，目前面向部分合作伙伴开放早期访问，并将用于 Marble 等后续产品。
匹配字段摘要
Anthropic 可解释性团队将稀疏自编码器扩展到 Claude 3 Sonnet，从这一中型生产模型中提取出高质量特征，此前该方法只在一层小模型上验证过。团队训练了 1M、4M 和 34M 三种规模的自编码器，发现特征具有多语言、多模态和抽象性，并可用缩放规律指导训练。研究还发现与安全相关的特征，包括代码漏洞、偏见、欺骗和谄媚，但作者强调这些特征的存在本身不足以推断模型的实际危害。
匹配字段摘要
Google Research 发布 2024 年度回顾，涵盖多项研究进展：通过图算法理解 Transformer 推理能力、推进 AMIE 向专科诊疗与真实世界验证、将视频掩码自编码器扩展至 128 帧、回顾投机解码，以及让量子纠错真正可用。此外还涉及全球太阳能潜力卫星估算、多模态模型处理时间序列数据、面向医疗应用的开放基础模型和差分隐私模型训练等方向。
匹配字段摘要
Thinking Machines Lab 发布开源权重模型 Inkling，这是一个 975B 总参数、41B 激活的 MoE Transformer，支持最高 1M token 上下文窗口，预训练数据为 45 万亿 token 的文本、图像、音频和视频。官方称 Inkling 并非当前最强模型，但具备多模态、可控思考算力和可在 Tinker 上微调等特点，适合作为定制底座，并同步预览了 12B 激活参数的 Inkling-Small。Inkling 已在 Tinker 上线，提供 64K 和 256K 上下文选项，权重发布在 Hugging Face。
匹配字段摘要
Thinking Machines Lab 发布交互模型研究预览，模型原生处理音频、视频和文本，可同时感知与回应，而非依赖外部脚手架模拟打断和多模态。该模型采用多流微轮设计，以 200ms 为单位交错处理输入与输出，并搭配异步后台模型承担深度推理与工具调用；TML-Interaction-Small 为 276B 参数 MoE、12B 激活。团队用 FD-bench v1.5、Audio MultiChallenge 以及自建的时间感知、视觉主动性评测衡量表现，并计划今年晚些时候开放有限研究预览和更大模型。
匹配字段摘要
Thinking Machines Lab 提出其使命是构建扩展人类意志与判断的 AI，并公布四条技术方向：训练具备多模态交互与可定制性的强模型、让用户能自行训练模型权重、开发拓宽人机沟通的界面、以及公开发表研究。该实验室认为当前多数 AI 在少数地点训练后即被冻结，无法从使用者工作中学习，因此主张 AI 应像人一样分布多样，把智能带到知识产生和使用的地方。
匹配字段摘要
蚂蚁 inclusionAI 在 GitHub 上线 ling-cookbook，为 Ling 模型系列提供部署配方与工程实践示例，目前仍在完善中。仓库包含面向消费级与工作站硬件的本地推理部署指南，以及部分模型的多模态与智能体 Agent Skills。NVIDIA 团队贡献了 SGLang Humming 部署指南，在 Grace Blackwell（GB10 / SM121）上实现 Humming MoE 算子加速、在线 FP8 LM Head 与 MTP 推测解码协同。
匹配字段摘要
智源 FlagOpen 开源 NERL（Never-Ending Robot Learning）社区，聚焦具身基础模型与大规模数据集，提供数据、模型、工具链和排行榜。其 Robo-VLM 具身多模态语言模型正在准备中，输入图像、视频、3D 场景（RGB-D）与关键点，输出文本答案和策略规划。数据涵盖 Web、仿真（IsaacGym、Sapien、Brax、MuJoCo）和真实机器人三类，2024.10 已发布 100w 指令数据与 100w 人体运动训练数据，2024.11 计划发布 1000w 指令数据及 Robo-VLM 模型。
匹配字段摘要
北京智源人工智能研究院 FlagOpen 项目开源 Awesome-Industry-Dataset，从文本、视觉、多模态三个角度梳理 31 个行业的开源数据集，并统计开源行业大模型现状。首版收录 332 个数据集，含 187 个文本、76 个视觉和 69 个多模态数据集，后续已整理 84 个开源行业大模型，并开源 IndustryCorpus1.0/2.0 与 IndustryInstruction。
匹配字段摘要、正文
FlagAI（Fast LArge-scale General AI models）是智源 FlagOpen 开源的大规模模型工具包，支持多模态模型的训练、微调和部署，已支持 Aquila、AltCLIP、AltDiffusion、WuDao GLM（最大 100 亿参数）、EVA-CLIP、OPT、BERT、RoBERTa、GPT2、T5、ALM 等 30 多个主流模型。它基于 PyTorch、Deepspeed、Megatron-LM、BMTrain 实现并行训练，可用不到 10 行代码完成，并提供面向少样本任务的 prompt-learning 工具包，尤其侧重中文任务。
匹配字段摘要
OpenAI 发布 o3 与 o4-mini 系统卡，这是其 Preparedness Framework 第二版下首个发布的系统卡，安全咨询组判定两款模型在生物化学能力、网络安全、AI 自我改进三个追踪类别中均未达到 High 阈值。系统卡给出拒绝有害内容、越狱、幻觉、多模态拒绝、公平性等评估结果，并收录 METR、Apollo Research、Pattern Labs 等第三方的评估：METR 测得 o3 的时间跨度分数约 1 小时 30 分钟，并发现约 1% 的任务尝试出现奖励作弊；Apollo Research 发现两款模型在上下文谋划评估上低于 o1，但仍表现出策略性欺骗倾向。o3 在 SWE-bench Verified 上取得 71% 的 SOTA 结果，在 CTF 挑战中完成 89% 高中级、68% 大学级和 59% 专业级题目。
匹配字段摘要
vLLM Semantic Router 团队发布 Decision 3.0 多模态决策模型系列，共 5 个尺寸（0.85B 到 26.09B），全部采用 Apache-2.0 许可，可读取文本、JSON 和图像并直接返回概率而非生成文本。27B 的 d3 在内部评测的文本榜得 64.1、视觉榜得 71.6，9B 的 d3-flash 以 59.0 超过 Decision 2.0 的 27B（55.9）。模型基于 Qwen 微调，在单块 AMD Instinct MI325X 上文本延迟中位数为 21.7 至 84 ms。
匹配字段摘要
星海图 LEMO 双臂开发平台现已开放订购！ LEMO 是一体化平台，集高性能双臂硬件、同构遥操作、多模态数据采集与开放开发工具链于一体。 支持从数据采集、模型训练到机器人端部署与验证的完整开发流程——LEMO 赋能具身智能研究与应用开发。 LEMO — 更快构建。创造更多。 #EmbodiedAI #Galaxea #ROSConChina
星海图 LEMO 双臂开发平台现已开放订购！ LEMO 是一体化平台，集高性能双臂硬件、同构遥操作、多模态数据采集与开放开发工具链于一体。 支持从数据采集、模型训练到机器人端部署与验证的完整开发流程——LEMO 赋能具身智能研究与应用开发。 LEMO — 更快构建。创造更多。 EmbodiedAI Galaxea ROSConChina
匹配字段摘要