搜索“多模态”

发类似产品，当时对技术团队来说并非难事。然而，最终的决定是“不做”——因为“简单调用无法形成核心竞争力”。 “我问过一些程序员，AI是不是会对他们的工作产生冲击。但他们的回答却是感觉自己变得更强大了，好像突然之间有了大量的工具可以帮忙，跨语言编写代码的门槛也降低了。不仅是程序员，设计师的感受也是如此。”刘文峰说。 爱奇艺本身并不研发通用大语言模型，但其丰富的多模态场景对大语言模型的训练和应用需求巨大。不出意外，在3月那次“动员会”后，后台团队很快发现大模型的调用量显著上升，从产品研发团队、到内容工作室的需求申请纷至沓来。截至2024年6月，公司里超98%的员工调用过大模型，2024年的调用量较2023年猛增83倍。在内部搭建的智能体开发平台——奇智上，就有64个业务调用了6300多个智能体应用。 这组数据的背后，是一个多部门紧密联动、协同开发的AI创新体系：技术团队评估引入基础大模型，策略团队规划产品路线图，应用团队负责数据、对齐模型，内容工作室等使用团队提出需求并协助模型训练，从而共同推进基于大模型的创新应用开发和快速落地。在内容创意、制作乃至商业化探索中，生成式AI都被视为关键变量

匹配字段正文

gitignore.gitignore .isort.cfg.isort.cfg .pre-commit-config.yaml.pre-commit-config.yaml CODE OF CONDUCT.mdCODE OF CONDUCT.md LICENSELICENSE README.mdREADME.md 仓库文件导航SGLang：面向大语言模型和多模态模型的快速推理 文档 | 示例手册 | 网站 | 博客 | Slack SGLang 是一个面向大语言模型、视觉语言模型和扩散模型的开源推理框架，针对智能体负载、大规模服务和强化学习 rollout 进行了优化。 SGLang Diffusion 是其内置的图像和视频生成引擎，包含在本仓库和 sglang Python 包中。 👋 从下方开始，或在 SGLang 活动, 包括聚会、开发者会议、研讨会和办公时间，与社区见面。 SGLang 峰会 2026：与开放 AI 的构建者见面 我们的旗舰年度盛会 · 11 月 12–13 日 · 旧金山 通过技术演讲、现场演示和动手研讨会，深入探讨推理、训练和 AI 硬件。带上您的部署挑战

匹配字段正文

新京报贝壳财经讯（记者罗亦丹）记者10月19日获悉，大晓机器人正式发布全新视觉空间锚定增强型具身基模型ACE-Brain-0.6。值得注意的是，近期以GPT-6 Astra为代表的通用多模态模型展现出了强大的具身场景能力，撼动了具身智能与传统大模型之间的边界。对此，大晓机器人方面对贝壳财经记者表示，ACE-Brain-0.6的开发启示正来自于Astra。 具体来看，大晓机器人通过深入分析发现，相比GPT-5.5，GPT-6 Astra的视觉空间锚定准确率显著提升，其强大的具身泛化能力不仅依赖高级推理，更得益于空间感知与空间推理能力的跃升。 在实际操作中，Astra通过Grounding精准识别目标物体、交互区域及空间参照，结合几何计算确定位置、位移与运动参数，将抽象任务意图转化为具体物理动作。这一发现为具身智能行业提供了重要技术启示：以视觉空间锚定能力为关键突破口，加速推动具身智能从高级认知迈向精准感知与可靠执行。 例如，大晓机器人团队分析了GPT-6 Astra执行机器人任务的过程。在放置水果篮的案例中，模型需识别篮筐边缘与目标承载面，通过空间计算确定移动方向；在折叠T恤的案例中，则

匹配字段正文

的，基本上只有抖音等字节系App了。 豆包亟需一个标杆案例。 在这一关键时间点，京东没有离席而去，以超然的姿态送上了一记非常关键的助攻。 与其他App相比，京东作为电商大厂的示范意义强得多。倘若豆包经营得当，双方都有机会从中获得巨大回报。 此情此景，与当年微信支付“九宫格”颇为类似：京东、美团、拼多多等公司纷纷入驻后，这块风水宝地的战略价值才被真正认知。 移动互联网的核心是“流量”。谁掌握了流量，谁就能呼风唤雨；流量分配机制，可以衍生出巨大的商业价值。 但AI的核心是“交付”，比如Chatbot产出的文档，多模态模型产出的图片、视频，Coding Agent产出的代码，交易Agent产出的交易闭环，等等。 AI交付的质量、速度和成本，决定了C端和B端用户的付费。那么，AI平台的基本目标就成了尽可能推动“交付”；流量获取和分发，需要服务于这一目标。 接入豆包手机助手前，京东已经在寻求接入更多Agent。 今年6、7月份，京东先后被曝出接入微信Agent和元宝。在这两个腾讯系AI C端场景中，用户都可以在Agent内以对话方式在京东购物。 如今，京东不发一言，又在豆包手机助手留了一个席位。

匹配字段正文

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

.8 Flash Next, 具备： n-gram（engram）嵌入按词汇行跨数据并行 rank 分片 索引稀疏注意力 Gated DeltaNet 超连接残差 sigmoid 门控 MoE Nemotron-H （Nano 和 Super），在打包文档边界处进行 Mamba-2 状态重置，并支持 Ulysses 上下文并行。 来自内联 rollout 的多模态 RL。 图像在 rollout、打包和传输过程中保持内联，而不是作为像素张量传输。vLLM 返回扩展后的 prompt ID 和图像占位符范围，因此每个图像 token 在训练中精确对齐。支持 Qwen-VL 和 Kimi K2.5。 统一评测栈 评测 CLI 已从 verifiers 迁移到 prime-rl。 uv run eval 可在任何环境上评估任何模型，既可独立运行，也可作为训练运行的在线评测： 它通过 verifiers 环境服务器运行，具有自适应并发。 它显示在本地仪表盘中。 它接受多个 [[source]] 块。 --resume 会从 trace 流继续被中断的运行，只重新运行缺失的 rollout。 每

匹配字段正文

合物理机制与机器学习的沿程水位预测方法及水下地形推演与预测模型，实现对扫测过程中航行轨迹、船舶方位、断面水深、淤积体积及位置、水下碍航物目标特征等航道关键状态数据的及时掌握与分析推演，提升航道地形演变预测能力，为航道疏浚规划、通航安全评估提供支撑。 （六）船舶航行安全监测与应急。融合水上视频监控系统、船舶自动识别系统、船舶交通管理系统等监控数据，研发航运安全多模态垂域模型，实现船舶航行安全监测、船舶异常行为智能识别、复杂航段交通态势研判预警。建设航运安全应急知识库及知识图谱，结合垂域模型构建航运安全应急智能体，实现事故处置应急预案自动生成、应急资源智能调配，提升水上安全应急指挥能力。 （七）国际海运市场风险智能研判。构建覆盖关键海运通道和重要枢纽港口的风险识别模型，研发“通道—港口—船舶”综合分析智能体，对船舶航行、锚泊、作业异常行为进行动态感知与智能研判。汇聚国际航运规则与市场信息等多源数据，开展信息智能分析研判，支持信息追踪、合规管理与政策评估，提升企业运营前瞻性与合规性。 （八）船载智能系统网络与数据安全评估。面向人工智能技术在航行决策、预测性维护、船岸协同等场景深度嵌入后的新型

匹配字段正文

格的一半，与空闲时期价格持平。 ▲M3.1 Flash与DeepSeek V4.1 Flash-1017价格对比（智东西制表） 可以说，这两个模型就像开发者工具箱里两套各有侧重的工具，开发者能根据任务需求灵活调度。 例如，需要代码生成效率和缓存成本控制时，开发者们可以选择DeepSeek V4.1 Flash-1017；面对长程Agent任务、跨应用自动化或多模态驱动的开发流程时，M3.1 Flash则可以作为第一选项。 此前外界对MiniMax的印象，或许多集中在多模态领域。但无论是Space Bunny匿名期间的调用量霸榜，还是M3.1 Flash正式发布的基准测试成绩单，都证明了MiniMax在Agent与自动化方向的竞争力，也让用户对其后续Pro模型的发布充满期待。 结语：Flash模型上桌，不再是“平替” DeepSeek和MiniMax的两款Flash模型接替上场，让业内看到了Flash模型的实力。 Flash模型正在撕掉 “预算不足才退而求其次” 的旧标签。从基准测试结果来看，它已能在部分核心指标上，跻身旗舰模型的同台对比序列，同时保留自身在推理速度与成本上的固有优势。

匹配字段正文

需要7998元，已接近一台顶配安卓直板旗舰的价格；还有外屏损坏3198元，电池1898元，是iPhone史上最贵的电池。 从过去的经验，屏幕是折叠屏手机的易损件，所以苹果的维修定价会直接影响消费者换机决策和机器二手残值，进而影响销量表现。 更重要的是，面对未来，折叠屏手机市场下一阶段的胜负正愈发脱离硬件竞争、聚焦大屏生态。 TrendForce提到，生成式和多模态AI进入手机之后，使用场景会从单一应用操作延伸到实时翻译、内容生成与跨应用协作，展开后更大的显示空间可以同时呈现AI生成内容、原始资料和其他应用。苹果把Apple Intelligence与Siri接进了iPhone Duo，大屏能否承载这些体验，决定它能不能脱离硬件差异化这条路。 10月16日，库克在上海探访米哈游，工程师演示了在iPhone Duo上运行的游戏。苹果亲自上门找开发商做适配，说明它自己也清楚，屏幕尺寸只解决了形态问题，应用生态跟上才算站稳。 笔者认为这件事的信号意义大于公关意义，苹果过去很少为一款产品的第三方适配如此高调站台，意味着苹果方面想要快速推送折叠屏生态成熟的决心。 产能短板、竞争环境、大屏生态等种种

匹配字段正文

算 token 数从约 1,184 到约 42,774 不等。 3 个未过滤的大页面就可能超出 128K token 的窗口。 免费的 Search 和 Fetch 免除了 TinyFish 的检索费用，但不免除模型成本。 TinyFish 在 Artificial Analysis 上展示的总成本最低，但展示的得分也最低。 Asif Razzaq网站 | + 文章简介 ⮌ Asif Razzaq认识 Voxel51 3.0：面向物理 AI 的统一多模态数据平台 Asif Razzaq认识 Kyutai REKI：为机器人操作带来高效记忆的 2.4B VLA 模型 Asif RazzaqDeepSeek 刚刚发布 V4.1-Flash-1017，在 DeepSWE 上得分 77.0，并开放搜索 API 相关文章更多来自作者 认识 Voxel51 3.0：面向物理 AI 的统一多模态数据平台 认识 Kyutai REKI：为机器人操作带来高效记忆的 2.4B VLA 模型 DeepSeek 刚刚发布 V4.1-Flash-1017，在 DeepSWE 上得分 77.0，并开放搜索 API

匹配字段正文

e自2024年6月推出以来，中国大陆版缺席约两年。 3.供应链高度依赖中国：库克强调iPhone Duo“完全在中国制造”，至少11家中国企业入链（富士康承接组装、蓝思科技供UTG超薄柔性玻璃份额约70%、台积电供2纳米芯片、三星显示独家供面板）。折叠屏仍属小众赛道，去年约占全球智能手机出货量1.6%，中国占一半以上。 开源趋势： 十二、英伟达把 120B 多模态模型塞进开源：从数据中心到桌面的 Nemotron 突围 1.2026年10月15日，英伟达发布 Nemotron 3.5 Super VL（1200亿总参数、120亿激活参数的 MoE 开源多模态模型），并同推边缘模型 Bolt 74B-A9B 24GB（已上线）与 Bolt E4B 4GB（10月23日上线）。叠加此前的 Ultra 与 Lightning，Nemotron 家族首次完整覆盖从大型服务器到边缘设备、再到本地 PC 的全部部署层级。 2.性能上，Super VL 在 Hermes Bench 得63.44%（Ultra 为56.33%）、LangChain 得87.05%（Ultra 为84.3%），完成任务

匹配字段正文

年）》。 当前，人工智能正加速从“模型能力驱动”向“应用能力驱动”跃迁，智能体（AI Agent）作为连接大模型能力与复杂应用场景的重要载体，正逐步成为推动人工智能规模化落地和产业深度融合的重要形态。随着智能体从知识问答向任务规划、推理决策、工具调用、多轮交互和自主执行等复杂能力演进，传统以静态样本为主的数据集已难以充分满足智能体能力构建需求，数据体系正呈现多模态融合、过程导向、场景驱动和持续演进等新特征。与此同时，当前行业仍面临数据供给与应用需求不匹配、数据孤岛、标注规范缺失、质量评估体系滞后以及安全合规等问题，高质量数据集建设亟需从传统的数据生产向面向能力和场景的系统化建设转变。 报告围绕智能体发展趋势及其对数据建设提出的新要求，系统分析智能体能力构建的数据需求，提出面向智能体能力构建的行业高质量数据集建设总体框架、关键方法和实施路径，并结合企业运维、医疗健康、通信、知识产权、汽车、产业园区、科研等领域的典型实践，为产业各方开展智能体高质量数据集建设提供参考依据和实施路径。 报告核心观点 1. 智能体发展推动高质量数据集建设范式加快转变 报告指出，随着人工智能发展从模型能力驱动向应

匹配字段正文

主张无法检验。本指南从输入与假设出发，追踪该概念直至可观察的结果，然后检验最可能与之混淆的捷径。 原生音频模型直接处理或生成声学表示，保留时间、语调、说话人线索等文本转录会丢弃的信息。该定义包含三项实际承诺：存在可识别的输入、存在原生音频模型特有的变换或决策，以及存在可依据既定目标进行评估的结果。若缺少其中任一要素，该标签描述的可能是愿景而非已实现的机制。 多模态系统必须对齐分辨率、时序、噪声和歧义各不相同的信号。一个词可能指代图像中的一小块区域；一个音频事件可能先于解释它的视频帧出现。对原生音频模型而言，这种系统视角很重要，因为即使底层模型不变，性能也可能由周围的数据、接口、硬件、权限和人员决定。因此，有用的解释会将模型学到的行为与决定该行为何时、何地、以何种权限被使用的产品区分开来。 最接近的误导性捷径是先转写语音为文本、再合成语音的流水线。它可能与原生音频模型共享某个可见特征，却改变了因果链条：确立成功所需的证据不同，主导成本的资源不同，防止危害的控制方式也不同。因此，边界是操作层面的，而非术语层面的。 01将波形转换为紧凑音频 → 02建模语音与非语音上下文 → 03推断语义、

匹配字段正文

获悉，Elorian于周五发布了其首个模型。这家帕洛阿尔托的AI初创公司在尚未推出产品之前，就以3亿美元估值完成了5500万美元的种子轮融资。 该模型名为Glimpse，以研究预览形式发布，提供API访问，聊天界面仅限候补名单，因此目前它只是一张结果表格和一份论点。这份论点是什么？当今的AI模型，尽管在语言和代码方面技艺高超，却仍然无法真正“看见”。 大多数多模态模型只查看一次图像，将其转换为token，然后用文本进行推理——就像凭记忆描述一张照片。Glimpse则会不断回到源头。在推理过程中，它可以裁剪到某个区域、从视频中提取特定帧，或运行代码来测量或比较它所看到的内容，Elorian将这一机制称为“视觉草稿空间”。可以想象成有人在手机上捏合放大照片，以复核自己以为看到的东西。 对于前Google DeepMind研究员、Elorian CEO Andrew Dai来说，AI仍然无法真正“看见”的最明显迹象之一出现在游戏之夜。 去年，他拍下自己和朋友们刚玩完的一款桌游，并询问一个前沿模型谁在获胜。它答不上来。桌游“每一种都有自己的视觉语言，都有自己的图像符号和象征，”他告诉TechC

匹配字段正文

要我说，谷歌就是季节性气候模型公司，天气凉了，旗舰也就熟了。 按照谷歌的定位，这一代主要加强了编程、专业知识工作和复杂任务的持续执行能力，同时也把此前比较擅长的视觉理解、空间推理和工具调用能力进一步推向前沿。 在官方展示的demo中，看得出这次Gemini 4 Argon最自信的还是多模态方面。 输入一段模拟风筝的文字提示，生成的效果直接起飞。 而在大家更关心的 能不能重回御三家、给用户多一个模型选择 这件事上，Gemini4 Argon这次在评测中也表现得相当争气。 在谷歌自家评测中，Gemini4 Argon覆盖了办公、智能体编程、机器学习以及科学推理等多个方向，整体表现已经达到GPT-6 Astra、Opus5.5的水平，其中不少项目甚至实现领先。 第三方Artificial Analysis智能指数中，Argon High也与GPT-6 Astra Max、Claude Fable5.1 Max并列53分。 更关键的是，在达到同等水平的情况下，Argon High的平均每任务成本仅为1.99美元，比Astra低约39%。 这一成本优势体现到首发价格上，就是API每百万输入tok

匹配字段正文

件栈、生态软件栈，覆盖芯片到上层应用，其既可以兼容多代异构硬件，也能适配主流深度学习框架与大模型推理生态，提供全套C++、Python API，助力开发者高效开发并降低部署门槛。 具体来看，其整个AI生态软件有五部分，底层推理框架部分已完成与所有主流推理框架的适配以及优化；领域开发套件是面向细分特定应用领域提供应用开发套件， ModelZoo覆盖大语言模型、多模态大模型等的开箱即用模型，中间件工具部分提供Cache复用，以及算力设备运维和管理等，最后是大量应用样例。这一生态软件已正式开源。 更深层来看，后摩智能大算力、大带宽双路线+统一软件工具链的软硬协同体系，并非单纯的产品迭代组合，而是一套面向未来长期演进、可持续扩容的底层产品布局框架。 硬件层面形成精准互补的差异化算力矩阵，让后摩智能可同时覆盖算力优先和带宽优先的全维度端边负载，为后续高中低全线产品迭代、场景细分提供硬件支撑。 软硬协同的高效布局构建了可长期复用的技术栈。对客户而言，统一软件平台有助于复用模型适配、编译优化和部署经验，减少不同芯片及终端产品之间的重复开发成本。 基于已经验证的技术底座与落地实践，后摩智能也对Agen

匹配字段正文

Dose Rate，Beam Current以及WPH等部分关键指标方面领先于国外竞品，其搭载华海清科自研的软件平台，整机国产化率95.6%，预计2027年实现全部国产化。 电科装备发布了Venus（金星）6系列先进封装量检测装备，为国内首台可同时对半导体先进封装工艺——大尺寸玻璃基板TGV（玻璃通孔）和RDL（再分布层）进行多流程同步量检测的设备。产品拥有多模态同步检测集成技术，支持多种扩展功能（兼容面板级与晶圆级基板、3D形貌量测、红外成像检测）。 微导纳米推出全新的iMagtron系列磁控溅射系统（PVD）及Ru超薄膜工艺专用ALD设备，实现了ALD、CVD、PVD三大主流薄膜沉积技术路线全体系覆盖。iMagtron系列磁控溅射系统设备，整体尺寸设计更紧凑（缩小约10%），留有足够的维护空间；采用模块化设计，同一系统满足不同应用和技术节点Cu1-Cu4不同工艺需求；整体工艺上针对各个应用痛点，如Ta/TaN优化设计，PK Life time优化50%以上。iTomic MeT系列原子层沉积系统Ru工艺专用设备通过原子级的形核调控技术，可以在多种衬底上实现＜5nm连续Ru薄膜成膜，

匹配字段正文

在旧金山建立机器人实验室，约有100名数据采集人员，使用遥操作方式让机械臂完成叠衣服、把面包放入烤面包机等任务。报道描述了GELLO控制器与Franka机械臂。 而OpenAI官方的招聘信息写得更直白，分布式数据系统（机器人方向）软件工程师岗位，注明了要“为机器人训练提供并使用EB级规模的高质量数据”，岗位职责覆盖数据筛选、自动标注、训练数据加载器，以及支撑多模态训练与评估的数据基础设施。 「创业最前线」了解到，行业内要实现具备通用能力的人形机器人大脑，至少需要一百万小时的高质量数据。 而行业里积累的可用数据，目前也就刚到百万小时量级。根据报道，OpenAI目前所使用的具身数据超过千万小时级。GPT-6的预训练，就灌入了大几百万甚至上千万小时的ego数据。 “十年前不具备的条件，今天具备了。”原力灵机联合创始人汪天才提到。 可见，采集纳入大量的机器人数据，是OpenAI拥有此表现的重要原因之一。 2、OpenAI威胁论，站得住吗？ 所以，在原力灵机看来，大模型本质上是一场数据创新，OpenAI之所以形成断崖式领先，关键在于其庞大的数据优势。何况，OpenAI核心逻辑是沿着现有通用模型的

匹配字段正文

们来深入了解它的能力以及实现高效推理的方式。 Beam 是一个自回归 Transformer 模型，接受文本输入并生成文本输出（主要为英文）。它采用混合专家（MoE）架构，总参数为 501B，每 token 激活参数为 23B，上下文窗口最高可达 100 万 token。 Beam 是 Reflection 全新模型系列中的首个模型，未来版本计划加入多语言和多模态能力。Beam 专为构建编码与智能体系统的开发者和研究人员，以及希望定制并运行自有模型的企业而设计。它可与开发者已在使用的运行时、框架、编码工具链和工具开箱即用。 面向编码与智能体工作负载的高效推理 Reflection 的评估显示，Beam 在编码、智能体、推理和 STEM 基准测试中表现强劲：✕智能体编码性能✕推理性能 来源： https://reflection.ai/blog/introducing-beam Reflection 训练 Beam 解决编码与智能体任务，并用更少的 token 达成成功结果。目标是降低这些工作负载的成本。强化学习（RL）是 Beam 训练的重要组成部分。 Reflection 采用了更长

匹配字段正文