Jim Fan 团队开源 Flora 机器人数据引擎模型套件
Jim Fan 团队开源 Flora，一套用于解析物理世界、把原始视频转成训练信号的开放模型，称其性能达到 Astra 级而成本低 125 倍。Flora 已支撑其内部数据引擎，在 500 块 GPU 上每天标注 20 万小时视频。它提供带时间戳的高质量描述用于筛选人类第一视角与机器人数据、用于质量控制和 RL 后训练的密集进度奖励，以及面向真实世界基准的评分量表。
匹配字段摘要
←搜索结果
搜索“视频”
Nace AI 发布多模态决策模型 Drex Max
Nace AI 发布多模态决策模型 Drex Max，可读取文本、图像和视频，单次决策耗时 34 ms，262K token 下响应低于 1 秒，输入价格为 $0.06 / 1M tokens。该模型不生成文本，只从给定选项中返回一个答案并附概率分数，可用于 Computer Use 智能体逐步选择操作、Web 智能体按屏幕内容定位页面元素。Nace AI 称其在 Computer Use 场景下每 token 成本最高比 Claude、GPT 和 Gemini 背后的模型低 167 倍。
匹配字段摘要
Viggle AI 发布 JST-2 物理原生世界基础模型
Viggle AI 发布 JST-2，称其为全球首个全栈物理原生世界基础模型。该模型没有在像素或视频空间学习，而是从第一性原理出发把整套模型栈建在 3D 空间，可在数秒内生成 3D 场景并实时扩展，还能通过同一通用架构创建自带动作的角色。
匹配字段摘要、正文
VAST开源实时世界模型EdenLive，支持分钟级连续生成
VAST于10月18日宣布开源实时世界模型EdenLive，开放5B、14B两种规格的模型权重及推理代码，并公布技术报告和端到端演示。其5B模型可在单张英伟达RTX 5090显卡上以720p分辨率、超过24帧/秒生成画面，支持分钟级连续运行，端到端延迟为百毫秒级。该模型将世界状态与视觉渲染解耦，可用于游戏原型预览、场景预演和视频重新渲染，但下载全部权重约需210GB空间，FLUX首帧组件限非商业、非生产用途。
匹配字段摘要、正文
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。
匹配字段摘要
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。
匹配字段摘要、正文
Meta 发布 816B 开源模型 Muse Spark Open，联手 Apple 本地运行
Meta 发布开放权重模型 Muse Spark Open，采用 256 专家的 MoE 架构，每 token 激活约 42B 参数，上下文窗口 100 万 token，支持文本、图像、视频和音频输入但仅输出文本。Meta 与 Apple 合作，将约 530 GByte 的四比特量化版本放到两台互联的 Mac Studio M5 Ultra 上运行，通过 MLX 框架和 Thunderbolt 5 分配计算，8192 token 上下文下约 25 输出 token/秒。Artificial Analysis 测试显示其 Intelligence Index 得 39 分，为当前最强美国开源权重模型，但落后于 MiMo-V2.6-Pro 的 46 分和 GLM-5.3 的 45 分，且在四项 Agent 测试中排名末位。模型权重已在 Hugging Face 提供 16 位约 1.6 TByte 和四比特约 530 GByte 两个版本，API 输入每百万 token 1.25 美元、输出 4.25 美元。
匹配字段摘要、正文
Meta 发布 816B 参数开源多模态模型 Muse Spark Open，可双 Mac Studio 本地运行
Meta 发布开源权重多模态模型 Muse Spark Open，参数量 816B，面向编码与智能体任务，并与 Apple 合作通过更新后的 MLX 工具包在两台 M5 Ultra Mac Studio（合计 1TB 内存）上本地运行。Meta 称该模型在无云环境下完成 iOS 应用修复和在 DaVinci Resolve 中剪辑视频。在 Artificial Analysis 的 Intelligence Index 上它得分 39，高于西方开源模型，但低于 GLM 5.3 的 45、Kimi K3 的 44 和 Qwen3.8 的 40，中国模型在编码上仍领先。
匹配字段摘要
Meta 发布 Muse Spark Open 开源权重模型，816B 总参数、1M token 上下文
Meta 发布 Muse Spark Open，称其为目前美国最强的开源权重模型，面向编码与智能体任务，擅长长周期任务、复杂软件工程和多步推理。模型规格为 816B 总参数、42B 激活参数，1M token 上下文窗口，原生支持文本、图像、视频和音频多模态。该模型可在两台搭载最新 MLX 框架的 Apple M5 Ultra Mac Studio 上运行，并支持 SGLang、vLLM、TensorRT-LLM、Hugging Face Transformers、llama.cpp 和 Unsloth 等推理引擎，权重以 Muse Model License 发布，可通过 Baseten、Fireworks AI、Groq、Modal、Nebius、OpenRouter 和 Together AI 的 API 使用，并在 Amazon SageMaker AI、Google Cloud Model Garden、Hugging Face 和 Microsoft Foundry Models 下载。
匹配字段摘要
Meta 发布开源权重模型 Muse Spark Open，816B 总参数、1M 上下文
Meta 发布开源权重模型 Muse Spark Open，面向编码与智能体任务，总参数 816B、激活参数 42B，上下文窗口 1M token，原生支持文本、图像、视频和音频。该模型已针对双 Apple M5 Ultra Mac Studio 与最新 MLX 框架优化，同时支持 SGLang、vLLM、TensorRT-LLM、Hugging Face Transformers、llama.cpp 和 Unsloth 等推理引擎，并针对 AMD、Apple、Intel 和 NVIDIA 芯片优化。模型今日起在 Baseten、Fireworks AI、Groq、Modal、Nebius、OpenRouter 和 Together AI 等 API 平台上线，权重可在 Amazon SageMaker AI、Google Cloud Model Garden、Hugging Face 和 Microsoft Foundry Models 下载，采用 Muse Model License 发布，开发者可用 PyTorch 及 TorchTitan 进一步微调。
匹配字段摘要
Meta 发布开源权重模型 Muse Spark Open，816B 总参数、1M 上下文窗口
Meta 发布开源权重模型 Muse Spark Open，总参数 816B、激活参数 42B，支持 1M token 上下文窗口，原生支持文本、图像、视频和音频多模态，面向编码与智能体任务。该模型今日起在 Baseten、Fireworks AI、Groq、Modal、Nebius、OpenRouter 和 Together AI 等 API 平台上线，权重可在 Amazon SageMaker AI、Google Cloud Model Garden、Hugging Face 和 Microsoft Foundry Models 下载，采用 Muse Model License 发布，有限商业条款允许许多开发者免费使用。模型还针对 MLX 框架在两台 Apple M5 Ultra Mac Studio 上运行做了优化，并支持 SGLang、vLLM、TensorRT-LLM、Hugging Face Transformers、llama.cpp 和 Unsloth 等推理引擎。
匹配字段摘要
Meta 发布开源模型 Muse Spark Open，支持 1M 上下文与多模态输入
Meta 发布开源模型 Muse Spark Open，权重当天放出。Muse-Spark-Open-816B-A42B 支持文本、图像、视频和音频输入，上下文窗口为 1M。Unsloth 提供了 Dynamic 2-bit GGUF 量化版本，可在 Mac Studio 上运行，并附有 GGUF 下载地址和使用指南。
匹配字段摘要、正文
Meta 发布 Muse Wonder 与 Muse Wonder Full，智能体任务达 SOTA
Meta 发布 Muse Wonder 和 Muse Wonder Full 两款模型，称其在个人与专业智能体任务上达到 SOTA 表现。官方在研究者博客中提供了模型详情，并附有与 Mark Zuckerberg、Alexandr Wang 的完整对话视频。
匹配字段摘要
NVIDIA 新模型或于下周 GTC 发布，疑似 Nemotron 3.5 Super VL
NVIDIA 一款新模型预计下周发布，可能亮相于周三 21 日的 GTC 活动。此前在 NVIDIA 文档中出现的 Nemotron 3.5 Super VL 采用 Nemotron-H 混合语言解码器、RADIO 视觉编码器、视觉投影器和独立时序视频嵌入器，复用 Nemotron Omni 图像/视频栈但不含音频编码器，并保留共享的 Multi-Token Prediction（MTP）权重。引用信息还提到该模型为 120B 总参数、12B 激活参数的混合 Mamba-Transformer MoE，支持图像和视频输入，并有纯文本版本。
匹配字段摘要
NVIDIA 发布 Nemotron 3.5 Super VL 开放模型
NVIDIA 发布 Nemotron 3.5 Super VL 开放模型，总参数 120B、激活参数 12B。该模型支持推理、工具调用，以及文本、图像、文档和视频理解，面向长时间运行的 AI 智能体。
匹配字段摘要
NVIDIA Nemotron 3.5 Super VL 上线 OpenRouter
NVIDIA Nemotron 3.5 Super VL 已在 OpenRouter 上线，这是 NVIDIA 推出的开源 120B-A12B 多模态模型，面向需要看、推理并跨文本、图像、文档、GUI 和视频执行操作的长时智能体，支持 1M 上下文。该模型采用 Hybrid Mamba-Transformer MoE 架构并引入多 token 预测以加快输出，面向文档智能、网络研究、客户服务和视频理解等场景。
匹配字段摘要
NVIDIA Nemotron 3.5 Super VL 上线 OpenRouter
NVIDIA Nemotron 3.5 Super VL 已在 OpenRouter 上线，这是一个来自 NVIDIA AI 的开源 120B-A12B 多模态模型，支持 1M 上下文，面向需要看、推理并跨文本、图像、文档、GUI 和视频行动的长时间运行智能体。该模型采用 Hybrid Mamba-Transformer MoE 架构与多 token 预测以加快输出，面向文档智能、网络研究、客户服务和视频理解等场景。
匹配字段摘要
NVIDIA Nemotron 3.5 Super VL 上线 OpenRouter
NVIDIA Nemotron 3.5 Super VL 已在 OpenRouter 上线，这是一个开源的 120B-A12B 多模态模型，面向需要跨文本、图像、文档、GUI 和视频进行观察、推理与操作的长时运行智能体，支持 1M 上下文。该模型采用 Hybrid Mamba-Transformer MoE 架构并支持多 token 预测以加快输出，面向文档智能、网络研究、客户服务和视频理解等场景。
匹配字段摘要
NVIDIA 发布 Nemotron-3.5-Bolt 与 Nemotron-3.5-Super-VL 两款模型
NVIDIA 发布两款新模型 Nemotron-3.5-Bolt 和 Nemotron-3.5-Super-VL。Nemotron-3.5-Bolt-74B-A9B 可在 24GB 内存上运行，Unsloth 称其在该体量下性能处于顶尖水平；Super-VL-120B-A12B 需要 82GB 内存。NVIDIA 介绍 Super VL 为开源模型，将推理与工具调用同文本、图像、文档和视频理解结合，面向长时间运行的 AI 智能体，总参数 120B、激活 12B。Unsloth 同时提供了两款模型的 GGUF 下载链接和使用指南。
匹配字段摘要
NVIDIA Nemotron 3.5 Super VL 上线 fal
NVIDIA 发布开源多模态模型 Nemotron 3.5 Super VL，总参数 120B、每 token 激活 12B，面向视觉推理与智能体工作流。该模型支持图像、文档和视频理解，以及视觉推理、工具调用和文档智能等场景，目前已上线 fal 平台。
匹配字段摘要