搜索“多模态”

OS 6.1系统的iPhone 4S，想体验当年的越狱乐趣、安装第三方怀... 2026-10-21 17:55:05 科技推荐 【业界】 Truist：半导体基本面处于超级周期，看好涨势延续至2027年 【业界】 全球市场生成式AI手机渗透率将在2027年达到52% 移远通信2连板 【业界】 蚂蚁集团等在上海成立商业管理合伙企业 【业界】 中汽中心、中国移动成立数智科技公司 【业界】 小米MiMo-V2.5-Pro模型今日下线，替换为V2.6-Pro后将支持多模态理解 【业界】 美图6款产品入选2026 Q3 AI 100榜单 北京恒祥宏业专利技术：高铁地基沉降治理，多层承载与稳固抬升协同推进 4 技术规程权威解读，备赛资源全面开放——2026金砖大赛之第三届3D数字化内容设计创作全国赛项说明会举... 2026工地安全体验馆设备厂家怎么选？工期要多久？五阶段与流程全解析 7 文化铸魂·智造破局 | 2026台州机车工业文化大会顺利举办 8 2026DMP大湾区工博会12月3日启幕：1000+参展企业呈现制造业主线之变 9 行业首创！荔枝互娱携手《国风说唱地带》 要把主播送上说唱舞台

匹配字段正文

队已经覆盖研究、产品和工程部署等方向。 其中，Joy Jiao担任OpenAI生命科学研究负责人，她先后毕业于MIT和哈佛，拥有系统生物学博士背景，负责推动模型在生命科学研究中的应用。 Yunyun Wang则担任生命科学产品负责人，参与将模型能力转化为具体的研究工具和工作流。 另一位值得关注的成员是Konstantin Hemker。 他此前在剑桥大学从事多模态机器学习与空间生物学研究，研究背景连接了机器学习、生物医学数据分析与科学工具建设，也公开参与过Rosalind Workbench相关项目。 总得来看，GPT-Rosalind侧重科学推理，帮助研究人员理解问题、分析证据和推进研究；Rosalind Workbench负责连接科学工具与数据；Orchestra则聚焦研发项目的组织、协调与管理，三者覆盖的环节有所不同。 对OpenAI而言，收购Orchestra Bio很大程度上能补足Rosalind在药物研发里组织协调与项目落地的能力。 OpenAI加码生命科学还要放到另一家模型公司的布局中看。 谁呢？ 必然是奥特曼一生之敌，达里奥带领的Anthropic。 与OpenAI不同

匹配字段正文

核心的判断标准从来不是短期的肿瘤缩小幅度，而是能否实现长期、稳定的疾病控制，能否在延长总生存期的同时，维持较好的生活质量。不少患者在就诊时都会反复和医生确认：这个方案用满疗程后，能不能稳住不进展？长期用的... 2026-10-21 15:02:36 科技推荐 【业界】 Truist：半导体基本面处于超级周期，看好涨势延续至2027年 【业界】 全球市场生成式AI手机渗透率将在2027年达到52% 移远通信2连板 【业界】 蚂蚁集团等在上海成立商业管理合伙企业 【业界】 中汽中心、中国移动成立数智科技公司 【业界】 小米MiMo-V2.5-Pro模型今日下线，替换为V2.6-Pro后将支持多模态理解 【业界】 美图6款产品入选2026 Q3 AI 100榜单 三年一评再过关：简单一百通过北京市“专精特新”中小企业复核 2 3 聚焦“微生物组与同一健康”——第四届中国微生物学会微生物组专业委员会年会圆满收官 4 益生菌贴牌代工厂哪家靠谱：多维度帮你筛选实力工厂 | 诺品健康 5 别只看模型 “像不像”｜启创动力谈BIM验收三个硬问题 6 家庭日常用生铁锅还是熟铁锅？煎炒需求下怎么选更合适

匹配字段正文

元的轨道。报告以token 3 作为AI经济的新基准，预测对智能体商务日益增强的信心将推动区域AI使用量在未来五年激增60倍。 以下是今年《e-Conomy SEA 2026》报告的三大要点： 1. AI正支撑各行业增长。 在整个数字经济中，AI正在重塑人们的生活、购物和出行方式。电子商务（GMV 2260亿美元，同比增长18%）是这一转变的支柱，购物者借助多模态发现和应用内助手，自信地应对复杂的购买决策。这些个性化体验自然带来10%的转化率提升，订单量增幅最高可达75%。 在线旅游（GMV 590亿美元，同比增长10%）方面，传统搜索引擎仍是人们规划旅行的首选平台，而生成式AI已超越社交媒体，成为安排复杂行程的第二大常用工具。 在线媒体（收入440亿美元，同比增长22%）正在个性化内容信息流，并将受众与更相关的广告连接起来，随着商业媒体成为一个40亿美元的市场，带来10%至20%的优质互动提升。 出行与外卖（GMV 400亿美元，同比增长15%）通过预测性建议、更智能的路线规划以及拼车等AI驱动的服务为消费者节省时间，推动交易量健康增长。 最后，数字金融服务（GTV 1.65万亿美元

匹配字段正文

文理解、逻辑推理、指令跟随的能力要求；FP8虽然在云端成为主流，却无法适配端侧极致的资源约束。在此背景下，FP4作为新一代低比特浮点量化范式，凭借极致压缩、高保真、训练友好等优势，正在成为推动端侧AI落地的技术方向。原生支持FP4也正从AI芯片的可选特性走向产业标配。 2026年被普遍视为端侧AI规模化落地的关键拐点。在智能座舱之中，由大模型驱动的语音交互、多模态感知与主动服务正从旗舰车型向主流车型快速渗透。在边缘侧，面向政企客户的Agent Box（智能体一体机）也在加速起量，“本地部署、数据不出域”成为采购的刚性诉求。多条赛道的商业化进程提速使端侧大模型的部署需求进入爆发前夜。 然而，热闹的另一面不乏现实困境。对智能座舱来说，落地难点可以概括为“四重墙的叠加”：首先是带宽墙，车规级内存带宽普遍只有每秒几十GB量级，一个7B参数模型即便压到INT4，解码速度也仅约20 Tokens/s，交互流畅度打了折扣；其次是算力墙，用户期待座舱语音交互的“首字延迟”控制在一秒以内，对峰值算力提出了严苛要求；第三是功耗墙，车规环境需适应-40℃～85℃的温度区间，十余瓦的功耗红线是硬性门槛；第四是

匹配字段正文

8 到 2019 年，OpenAI 用 Dactyl 在仿真环境里训练机械手，最后让它单手复原魔方：普通打乱的成功率约 60%，需要 26 次旋转的最难情形降到约 20%。路线被验证了，真机数据的成本却降不下来，2020 年 10 月团队解散，资源转向大语言模型。之后它换了一种参与方式：2023 年领投挪威公司 1X，2024 年为 Figure AI 提供多模态模型，2025 年 2 月 Figure 创始人宣布终止合作，转做端到端自研。 今年 6 月 1 日，奥特曼宣布成立 OpenAI Robotics。到 10 月 19 日，官网挂出的机器人岗位有 19 个，集中在运动控制、状态估计、执行器控制，没有一个指向外观。 自己造整机，意味着放弃另一条路径，即把大脑卖给所有本体厂商，做具身智能的操作系统供应商。选择自建身体，背后的判断是大脑无法脱离身体独立进化。没有真机的力反馈和失败样本，模型的泛化能力会停在仿真环境里。 它还没有公布自研整机的形态，外观、运行视频和产品定义都未公开。 身体已经是标准件 伺服电机、谐波减速器、灵巧手、传感器，在深圳南山“机器人谷”沿线的供应链里，大约八成

匹配字段正文

模型正在成为智能体电脑的重要参考基准，但单纯提升AI算力并不足够，因为模型运行效率还受内存容量和带宽制约。当前，智能体电脑的基础门槛至少需要32GB内存和135GB/s内存带宽；面向更高阶的本地AI工作负载，则需向64GB以上内存和250GB/s以上带宽提升。 在软件侧，AI交互方式正从“对话”向“任务执行”演进。本地RAG、代码助手、自动化办公、个人助理和多模态应用，都可能成为智能体电脑最明确的落地场景。 从“怎么做”到“要什么”，交互逻辑彻底变了 传统PC的交互逻辑很清晰：用户发出指令，PC完成操作。AI PC在此基础上增加了自然语言交互和生成式AI能力，但用户仍需参与任务拆解和具体操作。 智能体电脑进一步改变了这一模式：用户只需提出目标，Agent即可理解与规划、调用模型及工具、自主执行并返回结果。关键变化不只是增加了一个“执行”环节，而是改变了用户与PC交互的基本方式。过去用户需要告诉电脑“怎么做”，未来更多是告诉电脑“我要完成什么”。 这意味着，PC的使用方式将从围绕“点击、命令和操作”转向围绕“目标、任务和结果”。相应地，PC的评价标准也在变化。过去消费者关注处理器、显卡、

匹配字段正文

aptics高管Vikram Gupta表示，SR200的设计初衷，是将应用处理器的内存与算力特性，带入传统MCU的低功耗领域。 传统MCU遭遇内存瓶颈，中间地带的边缘设备急需新解法 在嵌入式系统中，传统MCU的主频通常在几十到几百MHz，片上内存（SRAM）容量大多在KB到MB级别。这种配置足够应付简单的控制和传感信号采集，但当边缘设备开始处理视觉、语音等多模态AI任务时，算力往往不是最先耗尽的，内存容量和带宽才是最核心的制约因素。多模态模型需要同时加载视觉网络、语音模型和传感器融合逻辑，模型权重和中间数据的迅速膨胀，会轻易超出MCU有限的片上内存。 当内存不够用时，硬件工程师通常只有两条路：要么在板子上外挂DRAM，要么直接换成运行Linux系统的应用处理器（MPU）。外挂DRAM不仅增加成本，还会扩大PCB面积和功耗；而换用MPU，功耗会直接跨上一个台阶，电池供电难以支撑。 Synaptics在评估市场后发现，大量新兴的边缘AI设备（如AI穿戴设备、电池供电的传感终端、工业视觉相机）正好处在中间地带：它们极度渴望比MCU大得多的内存和AI算力，但又承受不起MPU的成本和发热。 集

匹配字段正文

Miso Info Tech 参与 138 亿韩元 AI 模具维护项目 가 文章正文内容将改为此字号。 滚动移动状态栏 多模态数据平台与 AI 公司 Miso Information Technology 于 10 月 20 日表示，该公司已入选由韩国产业通商资源部（MOTIR）主导的、利用串联压力机实现自主制造的政府支持研发（R&D）项目。 该项目旨在实现串联压力机的换模自动化、异常检测和设备控制，并开发基于 AI 的自主制造技术。串联压力机是汽车零部件制造中的关键设备。 该项目由汽车零部件制造商 Sewon Mulsan 牵头，总预算为 138 亿韩元。其目标包括在五分钟内完成单次换模、实现 90% 的无人化运行率，以及达到 98% 的异常检测准确率。 Miso Information Technology 将开发制造 AI 数据平台和预测性维护技术，整合制造现场的设备、传感器、生产和质量数据。该系统将利用 AI 预测模具状态变化并识别异常早期迹象。 目前，换模大约需要 40 分钟，降低了生产效率，而模具状态评估和维护严重依赖工人经验。该项目旨在用基于 AI 的自主制造取代这些做法

匹配字段正文

这价格是真便宜！！ 输入每百万Token 1元，输出4元，缓存读取只要0.1元。 太仁义了嗷，我宣布，以后闲时梁文谷，忙时闫俊峰！（bushi） △ 图源：@大厂显微镜 不过，硅谷闭源阵营恐怕又得遭殃了。 继DeepSeek之后，硅谷一众大参数旗舰，又被国产Flash架上了一条全新的性价比斩杀线o(╥﹏╥)o。 说实话，之前我对MiniMax有过不少嘀咕。 多模态和视频生成确实很顶，但纯文本大模型这边吧，不知道从什么时候开始就没动静了。。。 这次M3.1 Flash亮相，也算是打了场翻身仗吧。 咱们挨个看下战绩： 代码工程与真实修Bug 在DeepSWE v1.1评测里，M3.1 Flash拿下了73.7%。 也是倒反天罡了。 GPT-6.1 Sol、Claude Opus 5、Claude Fable 5……居然被一款Flash跑分反超。 排在它前头的，只剩下DeepSeek V4.1 Flash 1017的77分。 这也印证了玉兔匿名测试期间社区的反馈：在处理Three.js这类3D渲染和复杂前端任务时，它对细节的把控极其变态。 网络安全实战 在加州大学伯克利分校主导的CyberG

匹配字段正文

意力模型；KV 缓存卸载到主机内存；每晚在智能体工具调用工作负载上测试 交互式、低延迟使用 EAGLE-3、DFlash、DFlash2、DSPark 和 MTP 草稿模型的投机解码 高吞吐批处理带专家并行的数据并行注意力 长上下文FP8 KV 缓存；预填充和解码的上下文并行 分离式服务预填充和解码位于不同主机，并在不同张量并行规模之间进行 KV 重新分片 多模态支持图像输入的视觉语言模型：Qwen3-VL、Qwen3.5-VL、Kimi MoonViT 和 Gemma 4 vision 超大型模型跨主机的张量并行、专家并行和数据并行注意力；FP8、MXFP4 和 INT4 检查点；流水线并行和 NVFP4 MoE（实验性） 我们一直在努力将最流行的开源模型在发布时带到 TPU。一些最新模型仍处于实验阶段，我们正在对其进行全面测试并将其加入 CI。 模型类型 Muse Spark OpenLLM GLM-5.3 Flash、GLM-5.3LLM Kimi K3LLM DeepSeek V4LLM Ling 3.1 Flash、Ling 3.0 系列LLM Qwen3.8LLM Gemm

匹配字段正文

啊，这价格是真便宜！！ 输入每百万Token 1元，输出4元，缓存读取只要0.1元。 太仁义了嗷，我宣布，以后闲时梁文谷，忙时闫俊峰！（bushi） △ 不过，硅谷闭源阵营恐怕又得遭殃了。 继DeepSeek之后，硅谷一众大参数旗舰，又被国产Flash架上了一条全新的性价比斩杀线o(╥﹏╥)o。 文本模型翻身仗 说实话，之前我对MiniMax有过不少嘀咕。 多模态和视频生成确实很顶，但纯文本大模型这边吧，不知道从什么时候开始就没动静了。。。 这次M3.1 Flash亮相，也算是打了场翻身仗吧。 咱们挨个看下战绩： 代码工程与真实修Bug 在DeepSWE v1.1评测里，M3.1 Flash拿下了73.7%。 也是倒反天罡了。 GPT-6.1 Sol、Claude Opus 5、Claude Fable 5……居然被一款Flash跑分反超。 排在它前头的，只剩下DeepSeek V4.1 Flash 1017的77分。 这也印证了玉兔匿名测试期间社区的反馈：在处理Three.js这类3D渲染和复杂前端任务时，它对细节的把控极其变态。 网络安全实战 在加州大学伯克利分校主导的CyberG

匹配字段正文

ens。目前，Qwen3.8-Max新模型已上线千问AI平台对外提供API服务，千问办公、Qoder、千问APP均第一时间接入。 9月1日，阿里云公告，大模型服务平台百炼将于北京时间2026年8月31日10:13:53起，对北京地域Qwen3-VL-Rerank模型计费单价进行下调调整：将文本输入从0.7元/百万tokens下调至0.5元/百万tokens，多模态输入从1.8元/百万tokens下调至0.5元/百万tokens。 字节跳动 9月30日，豆包宣布支持出行服务，用户通过自然语言描述需求，如“订机票”“叫车去机场”，AI即可自动识别并调用服务，无需切换应用。豆包还上线“出行用豆包”入口，精选地图、交通、住宿及玩乐推荐。此次升级依托与航班管家、高铁管家、曹操出行、百度地图等头部服务商合作。豆包相关负责人表示，十一期间出行需求集中，希望借助AI自然语言交互及多场景串联能力，满足用户一站式查路线、订票及打车诉求。 9月24日，近日豆包工作发布满一月，豆包再次面向所有用户发放福利：下载或升级豆包工作电脑版、豆包电脑版可领30天订阅。已领首轮30天者到期前可续领下一轮30天；领取前已付

匹配字段正文

先手动写一些奖励函数。但手动写没有出路，必须用模型自己开发奖励函数，这就变成了Eureka。 陈茜：你后来去了谷歌，做了GVL（生成式价值学习），好像又回到VIP（价值隐式预训练）的延续工作上？ Jason：可以这么说。我博士期间的大部分工作，是解决机器人领域的奖励函数，以及其他标注从哪里来的问题。 加入谷歌时，正好Gemini 1.5刚出来。Gemini的多模态能力一直不错，我想能不能用在机器人上，就做了一个算法，用VLM（视觉语言模型）直接做上下文学习，把奖励函数写出来。当时效果很好，我也很惊讶，为什么这东西会奏效？它应该不奏效，这些肯定不在预训练里。 现在也有很多创业公司在做GVL（生成式价值学习）这样的事情，用VLM（视觉语言模型）标注奖励函数、做子任务标注。说实话，GVL（生成式价值学习）可能比Eureka和VIP（价值隐式预训练）都更商业化一些。 陈茜：今年出现了很多数据公司，很大的一个落地方向就是把数据卖给机器人公司，最近很赚钱。 Jason：对。标注是一个大问题，用VLM（视觉语言模型）标注挺好。 陈茜：你是在谷歌之后想创业的。为什么没有加入实习过的三家公司，反而选择创

匹配字段正文

词元（Token）工厂技术白皮书》（以下简称《白皮书》）正式发布。 作为聚焦“绿色电力”与“Token工厂”深度融合的行业指南，《白皮书》以绿色电力为标杆形态，系统阐述绿色词元（Token）工厂“能源基础设施—算力基础设施—Token生产—Token运营—Token流通”五层技术体系，为产业提供从政策机制、绿电获取路径到算电协同核心能力的完整实施框架。 随着多模态应用普及、长上下文需求激增、Agentic AI快速爆发，AI推理需求呈指数级增长，算力消耗正全面由“训练”转向“推理”，如何实现成本与性能的平衡成为产业核心命题。 算力需求结构的演变，也在重塑数据中心的能源需求。大模型训练与推理任务有着不同的负载特征，对数据中心的供电可靠性、储能配置及需求侧响应策略提出了更为精细的技术要求。 面对这一趋势，我国正加快构建“算电协同”的新型基础设施体系，推动人工智能与能源系统深度融合。 此次《白皮书》的发布，不仅填补了行业的标准空白，更为产业界打造绿色智算底座提供了清晰的路线图，有望推动“绿电直连”模式在智算中心的规模化落地。 全链路赋能，构建“可量化、可优化”的Token运营体系 算电协同的

匹配字段正文

具与技能演化）和 Multi-Agent Evolution（规划、任务分解、多 agent 系统与演化） Lecture 4：先给 Harness 做解剖，再谈让它演化 https://t.co/4emiLkozt1 记忆部分：一张三轴分类法 + 四个代表系统 讲义用三个轴组织整个记忆研究空间：存什么（反馈/技能/轨迹/语义事实）、如何表示（文本/结构化/多模态/参数）、存在哪里（上下文/参数/外部），外加如何复用（检索/改编/组合/迁移）。 然后沿“存在哪里”排布了四个系统： · @MemGPT（外部记忆）：把 LLM 类比为操作系统，记忆的读写变成 agent 自己的函数调用； · @mem0ai（外部记忆）：记忆结构化为实体-关系三元组图，支持 add/update/delete/noop 四种操作； · MEM1（上下文内记忆，授课者自己组的工作）：这是本讲着墨最多的部分。针对“推理上下文不断增长导致复杂度与遗忘”的问题，MEM1 让模型每步生成一个整合了推理与记忆的内部状态，然后丢弃全部历史；上下文大小恒定，且可用结果奖励端到端训练模型学会“压缩”。实验展示了三个涌现行为：

匹配字段正文

.) 几乎都工作在像素/视频空间，模型从海量视频中隐式地“猜”出物理规律 @ViggleAI 最新发布的「JST-2」走了一条相反的路：整个技术栈直接构建在 3D 空间里 这一点是理解整篇发布的关键：物理结构不是从画面外观中推断的，是表示本身的一部分。架构上分三个组件：JST encoder（把图像编码为物理原生 token）、JST generator（从多模态 prompt 直接生成 token）、JST decoder（结合视角与运动/力输入，解码为图像或 3D 高斯泼溅）。 Viggle 花四年（JST-1 在 2022–2024，JST-2 在 2024–2026）自建了全栈：tokenization、架构、数据合成引擎、预训练和后训练。自建数据引擎很重要，因为 3D 原生的训练数据在自然界几乎不存在，必须靠合成获得，这既是壁垒，也是成本。 能力面：一条架构统一三件事 · 场景生成：单次前向推理约 1 秒生成完整 3D 场景，成本 <$0.01（B200），无需逐场景优化；支持最多 64 个输入视角作为“空间上下文窗口”，可持续扩展同一世界 · 角色生成：单张图片（允许裁切/

匹配字段正文

a W0 5B；另一款是采用MoE架构、激活参数量为140亿的Ropedia W0 A14B。 其中，Ropedia W0 A14B用于进行跨本体预测评测，Ropedia W0 5B则被进一步用于实时交互和机器人动作学习等实验。 二、构建1.3万小时数据集，整合人类与机器人经验 大规模训练数据也是Ropedia W0实现跨本体预测的重要基础。该团队构建了一套多模态数据处理流水线，将不同来源的数据整理成统一格式，构建约1.3万小时的Xp-Data训练数据集。 其中，人类第一视角数据约1万小时，真实机器人数据约3000小时。不过，人类、机械臂和人形机器人的运动方式、动作结构存在差异，不同来源的数据也难以直接用于统一训练。 为此，研究团队提出一套跨本体统一运动学表示方法，将不同本体的运动和操作转换成两类通用信息。 第一类是相机运动，用于描述人类或机器人在空间中的移动及视角变化。 例如，当机器人向前走或转身时，摄像头的位置和朝向也会跟着变化。Ropedia W0通过相机位姿及Plücker射线表示这些运动信息，让模型能够根据给定的运动轨迹预测未来第一视角画面。 第二类是投影骨架，主要用于描述人

匹配字段正文

元，DeepSeek V4.1 Flash 1017 约为 0.26 美元，Gemini 3.8 Flash 约为 1.24 美元，且不到 MiniMax-M3 约 0.51 美元的一半 ➤ AA-Omniscience 准确率高，但幻觉率也高：MiniMax-M3.1-Flash 在 AA-Omniscience（我们衡量事实回忆与幻觉的基准）上正确回答了 56% 的问题，而 GLM-5.3-Flash（最高）为 28%，DeepSeek V4.1 Flash 1017（最高）为 43%。它几乎尝试回答每一个问题，导致幻觉率达 93%，在 AA-Omniscience 上的总分为 16 关键模型细节： ➤ 上下文窗口：100 万 token ➤ 多模态：文本和图像输入，文本输出 ➤ 定价：每 100 万输入/输出 token 0.15/0.60 美元，缓存输入为每 100 万 token 0.015 美元 ➤ 可用性：MiniMax 第一方 API，MiniMax 宣布将于 10 月 23 日发布开放权重 ➤ 许可：目前为闭源权重，MiniMax 宣布将于 10 月 23 日发布权重

匹配字段正文

顶级学术会议及期刊发表论文90余篇，曾获国家科学技术进步奖一等奖。 报告题目：网络化空间具身智能 摘要：随着人工智能从数字空间的认知生成迈向物理世界的自主交互，具身智能正由单体能力突破转向多智能体网络化协同，其核心也从“单机智能”演进为跨节点、跨模态、跨空间的系统智能。然而，现有技术体系仍沿用感知、计算与通信分立的设计范式，面临连接能耗高、复杂环境通信脆弱、多模态信息难以统一表征以及数据搬移与计算开销过大等基础瓶颈。本报告面向网络化空间具身智能，介绍高可靠低功耗通信、多模态时空感知、端侧智能计算与异质集成技术。通过重构射频收发架构，突破节点规模化连接中的能效与抗干扰约束；通过构建由空间感知直达机器语义的新型计算范式，推动感知数据由“面向人类呈现”向“面向机器理解与决策”转变；进一步构建“感知—计算—通信”深度融合的智能系统底座，为物理世界智能体的泛在部署、全域感知与群体协同提供基础支撑。 个人简介：龚伟，中国科学技术大学教授，国家特聘青年专家。长期从事具身智能、物联网及人工智能应用等方向研究。已发表论文200余篇，主要工作发表在ICLR、MobiCom、IEEE/ACM ToN、KDD

匹配字段正文