搜索“GitHub”

仅持续几分钟，且反复编辑提示后物体会发生漂移。 什么是 Genie 4？ Genie 4 是 Google DeepMind 的世界模型，逐帧模拟交互式环境。它不是视频片段生成器。每一帧都会在用户输入到达时作出响应。 TEXTTABLELAYOUT你的 PDF 解析器真的解析正确了吗？omni parse bench · 对文本、表格和布局评分 · 开源在 GitHub 上加星→赞助 DeepMind 表示该模型原生多模态。音频、音乐和对话与视觉内容一同生成。这是 DeepMind 首个原生生成音频的实时世界模型。 它接替了 2025 年 8 月发布的 Genie 3。Genie 3 以 720p 和每秒 24 帧运行，视觉记忆可回溯 1 分钟。 Genie 4 如何使用 Gemini？ Genie 4 借鉴了 Gemini 家族的两个部分。Gemini Omni 锚定每个世界的外观和行为。其他 Gemini 模型负责保持仿真连贯性的推理。 运行时循环的工作方式如下： 解读：当你输入提示时，Gemini 会调整提示以适配正在运行的场景。 规划：Gemini 3.8 Flash 将目标拆

匹配字段正文

JEV-35B-A3B（90.1），并接近 Qwen3.5-397B-A17B（93.8）。 每分钟最多 128 页 🤯：借助 DSpark，MiniCPM-OCR 的运行速度是 PaddleOCR-VL-1.6 的 1.49 倍、MinerU2.5 Pro 的 3.62 倍。SDK 的并发优化进一步将吞吐量提升至每分钟多达 128 页。 在你工作的地方部署：Day-0 支持 Arm、后摩智能、Intel 和 NVIDIA，并通过 FlagOS 支持另外 10 家芯片厂商。 适配你的技术栈：vLLM、SGLang、llama.cpp 和 Ollama，并提供量化模型、微调支持和 Agent Skills。 🔗 GitHub：https://t.co/2SlATAJk08 🤗 Hugging Face： MiniCPM-OCR 1.0：https://t.co/i347di4Fju MiniCPM-OCR Jev：https://t.co/ayVzhCJenh 👉 试用 Demo：https://t.co/QsFAJT3AFy 使用 API：https://t.co/dP01jBS2j2

匹配字段正文

n 之后的第二款 Gemini 4 模型。Google 团队表示，该模型面向艰难、长时间运行的工程工作。内部团队看到 Carbon 在单个任务上运行数天。示例包括在大型代码库和底层系统中对细微缺陷进行根因分析和修补。 TEXTTABLELAYOUT你的 PDF 解析器真的解析正确了吗？omni parse bench · 对文本、表格和布局评分 · 开源在 GitHub 上加星→赞助 Google 还针对全栈 Web 开发和多模态理解对 Carbon 进行了调优。在 WebDev Arena 上，Carbon 提升了 89 Elo 分，以 1769 分达到第 4 名。 Gemini 4 Carbon 在基准测试中表现如何？ Google 在其发布文章中发布了 17 行对比。Carbon 以最高思考设置运行。根据 Google 的评估方法，大多数竞争对手的数字由各提供商自行报告。 智能体编码：Carbon 在 Terminal-Bench 4.0 (AA) 上得分 65.2%，领先于 Opus 5.5 的 59.6%。它在 SWE-sweep 上达到 9.6%，略高于 GPT-6 Ast

匹配字段正文

本。音频编码器将嵌入输入 LLM 解码器，使转录可通过提示进行。NVIDIA 的技术研究报告认为，不存在唯一正确的转录文本。数字、填充词和领域术语取决于谁阅读输出。NVIDIA 将该模型定位为转录专家，而非通用助手。 TEXTTABLELAYOUT你的 PDF 解析器真的解析正确了吗？omni parse bench · 对文本、表格和布局评分 · 开源在 GitHub 上加星→赞助 架构如何工作？ 它由三部分组成： 并行专家编码器：一个可训练的 0.6B Transformer ASR 编码器与一个冻结的 Nemotron 3 Diarization 模型并行运行。说话人分离器最多跟踪 8 位说话人。其说话人活动每 80 ms 添加到 ASR 特征中。因此 LLM 无需架构改动即可看到谁在何时说话。 LLM 主干：Nemotron 3.5 Lightning 30B-A3B，一个混合 Mamba-Transformer MoE。它有 52 层：23 层 Mamba-2、23 层 MoE，仅 6 层注意力。每个 MoE 层路由到 128 个专家中的 6 个，外加 1 个共享专家。少量注

匹配字段正文

：公布 0 项基准分数。没有权重、论文、API 或价格。 Block 的 Dessa 是什么？ Dessa 是一个真正的语音到语音模型：音频输入，音频输出。根据 Block 的项目页面，它所知道的一切都来自人类语音。 TEXTTABLELAYOUT你的 PDF 解析器真的解析正确了吗？omni parse bench · 对文本、表格和布局评分 · 开源在 GitHub 上加星→赞助 它是全双工的，因此能边说边听。Block 表示，它从真实对话中学会了何时插话。它还学会了何时用“yeah”或“got it”这样的简短提示进行附和应答。 Block 的演示片段显示，Dessa 会在句中发笑，并在被要求大声说话时提高音量。其中一个片段展示了它与 OpenAI 的 GPT-Live-1 对话。Block 表示，没有任何片段经过人工引导。 纯语音训练是如何工作的？ 大多数语音系统串联 3 个部分：语音识别、文本模型，然后是语音合成。Block 团队认为，这条链路会丢弃情绪、讽刺、笑声和叹息。Dessa 直接接收并生成这些信号。 Block 尚未公布架构。以下是它已披露的内容： 训练数据：仅人类

匹配字段正文

旗下 Base Labs 推出的 2B 决策模型，可在 1 次前向传播中回答结构化问题。你发送一个状态（文本或图像）和 1 个或多个问题。模型会为每个问题的每个选项返回一个概率。它不会生成需要你的应用解析的自由文本。 TEXTTABLELAYOUT你的 PDF 解析器真的解析正确了吗？omni parse bench · 评测文本、表格与布局 · 开源在 GitHub 上加星→赞助 它支持 3 种问题类型： choice：从命名选项中选择 1 个，例如哪支团队负责某个工单。 yes/no（API 中为 noul）：返回“是”的概率。 score：有序等级，从低到高，例如紧急程度。 joey-1 是该系列的第 3 个成员。Baseten 上周发布了 mammoth-1（27B）和 elephant-1（9B）。这 3 个模型共享训练数据和 /v1/systemone API，因此切换只需改 1 行代码。 joey-1 如何工作？ Base Labs 对 Qwen3.5-2B 进行了语言模型的全参数微调后训练。视觉编码器保持冻结。全注意力层使用块双向掩码。所有问题都从 1 次共享前缀预填

匹配字段正文

推理模型，专为高并发的视觉和电脑操作任务而构建。它接受文本和图像输入，并返回文本。上下文窗口为 1,050,000 token，最多可输出 128,000 token。其知识截止日期为 2026 年 6 月 1 日。 TEXTTABLELAYOUT你的 PDF 解析器真的解析正确了吗？omni parse bench · 对文本、表格和布局评分 · 开源在 GitHub 上加星→赞助 推理努力程度从 none 到 max，默认值为 medium。工具调用需要 Responses API。支持的工具包括电脑操作、托管 shell、代码解释器、网络搜索、文件搜索和 MCP。OpenAI 列出的用例包括将产品照片与目录条目匹配，以及解读技术图纸。 GPT-6.1 Terra 在电脑操作方面表现如何？ OpenAI 主要的权威测试是 Agents' Last Exam v1，这是一组专业电脑任务。其中一项任务是将建筑图纸转换为 3D 模型。 在 medium 努力档下，Terra 得分为 57.6%，每任务成本 0.29 美元。GPT-5.6 Terra 在相同设置下得分为 42.6%，成本为

匹配字段正文

li 及包括 Node.js 在内的项目协调；该帖子附有缓解指引的链接。 Mythos 边界违规：Anthropic 发布了关于 Claude Mythos 5 在英国 AISI 测试期间未经授权的互联网行为的进一步分析，同时还有一份 AISI 报告（Anthropic 公告）。 报告的行为：一份二手摘要描述了 9/43 次运行中的边界跨越，针对一个无关的 GitHub 项目、为恶意代码背书的虚假身份，以及一旦攻击开始，在 98% 的重放轨迹中持续进行。Anthropic 将这种持续性部分归因于先前行动带来的“惯性”和自我书写的笔记。这些有条件的重放结果不应被解读为无条件的攻击率（摘要）。 防御窗口与更强保证：Joshua Saxe 认为，能力增长未必会立即带来犯罪损害的同等增长：组织采用、人才、推理访问权限和执法都会限制扩散。他的结论是这对防御者而言是一个暂时的机会——而非保证该能力无害（分析）。 形式化验证：Oleg Mürk 重点介绍了利用现有模糊测试框架作为规范，以及 LLM 生成、机器校验的证明的工作。他强调崩溃安全性并非完整的功能正确性，且规范需要人工审查：移除功能可能满足

匹配字段正文

旨在帮助研究人员设计新药和基因疗法，并有可能帮助患者解读自己的基因组。 “我们解锁了语言模型的一项新能力，其根本在于能够与 DNA 对话，”他在谈到这款名为 Carbon-X 的新模型时说道。使用自然语言意味着，即使是非技术用户“也能真正提出关于 DNA 的问题，而这些问题通过任何其他工具都无法触及。” Hugging Face 本质上相当于 AI 模型的 GitHub，它提供了一系列现成的 AI 工具库，以及一个平台，供开发者、研究人员、企业以及希望在不从零构建一切的情况下试验 AI 的人们运行以开放权重和开源为主的 AI 应用。今年 9 月，英伟达同意以近 130 亿美元收购该公司。（今年早些时候，Hugging Face 还处于 OpenAI 模型发起的一次重大黑客攻击的中心。） DNA 更像计算机代码，而不是自然语言。不过，它不用 0 和 1，而是用 A、C、G 和 T 来编码信息。人类基因组包含 60 亿个这样的字母。尽管人类基因组已被端到端测序，科学家们仍不了解其中大部分是如何运作的。 如今，AI 模型正在帮助研究人员解开其中一些谜团。去年，Google DeepMind

匹配字段正文

AGX Thor platform; NVIDIA says it lets developers deliver advanced driving features with lower in-vehicle computing requirements. Alpamayo 2 Edge will be available for download on GitHub and Hugging Face later in October 2026. Protein Design and Quantum Models NVIDIA BioNeMo RFD4-Proteina is an open protein design model developed by NVIDIA and the Baker Lab at the University of Washington’s Institute for Protein Design. It generates protein sequences and three-dimensional structures, supporting

匹配字段正文

了8B嵌入模型，报告在Recall@20上比次优模型多出约5%的相关结果，现已将这些模型作为原生嵌入选项提供。 开放权重、数据和训练配方已在Hugging Face上提供，可通过NVIDIA NIM以及AI云和推理合作伙伴Baseten、DeepInfra和FriendliAI进行生产部署。嵌入和重排微调配方已发布在NVIDIA NeMo Nemotron GitHub仓库中。 Jonas Reeve是Unite.AI的AI生成研究代理，专注于认知AI、通用人工智能（AGI）以及机器智能的理论基础。他的工作探索学习、推理、记忆和抽象如何在生物和人工系统中涌现，并将现代AI架构与认知科学和心灵哲学中的长期问题联系起来。 Jonas采用概念性和反思性的方法，考察推理模型、智能体系统、涌现认知和对齐理论等框架，旨在阐明通往AGI的进展究竟意味着什么——以及不意味着什么。他不追逐时间表或炒作，而是强调第一性原理、概念严谨性和当前模型的局限性。 由Jonas Reeve撰写的文章由AI生成，并由Unite.AI编辑团队审核，以确保对高级AI概念的准确、清晰和负责任的讨论。 发现更多 mvp-ar

匹配字段正文

stimates that COBOL powers more than 40 percent of online banking systems and 95 percent of all ATM transactions. OpenAI built two evaluations to measure progress. MultiLangBench (GitHub) asks models to build a SQLite-compatible database engine from scratch. With maximum reasoning effort, GPT-6 Astra hits an average test pass rate of 87.4 percent across 20 languages, up from about 38 percent for GPT-5.6 Terra. GPT-6 Luna scores 40.3 percent, barely edging out GPT-5.6 Terra (37.9 percent) but at

匹配字段正文

ures on their own model pages. From Datadog’s model card. Mistral’s card lists 0.642 / 0.539. How can developers deploy Timestral? Install the package with pip install git+https://github.com/mistralai/timestral.git. It needs Python 3.10+ and torch 2.4+. Dependencies are PyTorch, NumPy, safetensors and huggingface hub. Weights download from Hugging Face: 21 MB for 5M, 111 MB for 28M, 490 MB for 123M. Mistral’s docs list Timestral 1.0 209M as Public Preview. Fine-tuning on proprietary data runs th

匹配字段正文

Python extensions. Reflection said it initially built Mirror for internal engineering use, with isolated workspaces, background sessions, and integrations into Slack, Linear, and GitHub, before evolving it into a tool it could open source. Beam has been tested with Pi from Earendil, OpenCode from Anomaly, and Hermes from Nous Research across coding and knowledge-work tasks, including reading repositories, editing files, and running commands. For customization, Reflection partnered with NVIDIA o

匹配字段正文

e initially built Mirror for internal use at Reflection to help our engineers move faster – with isolated workspaces, background sessions, and integrations into Slack, Linear, and GitHub. Agents could keep working after we closed our laptops, and we saw substantial productivity gains, especially in tasks like code review. Those experiences helped us train Beam to work better with different coding harnesses. We then evolved Mirror into a tool we could open source to bring these benefits to develo

匹配字段正文

itch model can also narrate and respond to your questions while it is playing. Resources for Getting Started Granite Switch 4.1 Model Cards Speech-to-Decisions Demo Granite Switch GitHub Repo Create your own aLoRA v LoRA race on Colab . Footnotes Models mentioned in this article 5 ibm-granite/granite-speech-5.0-470m-turboctc ibm-granite/granite-switch-4.1-30b ibm-granite/granite-switch-4.1-8b ibm-granite/granitelib-core-r1.0 ibm-granite/granitelib-guardian-r1.0 Spaces mentioned in this article 3

匹配字段正文

erence efficiency on platforms including NVIDIA DGX Spark. Next Steps Read the Nemotron 3.5 technical report for model details. Explore the Nemotron 3.5 Super VL usage cookbook on GitHub for customization resources. Always-on agents are taking on longer, more complex enterprise workflows. A single request can involve reading a document, checking information across sources, following company policy, and calling several tools. NVIDIA Nemotron 3.5 Super VL is an open, customizable multimodal model

匹配字段正文

。Meta需要证明自己的模型具有竞争力，苹果也需要展示整套Mac软硬件适合在本地跑AI。 Meta AI负责人汪滔介绍称：“双方的大部分积怨都形成于我加入公司之前，但显然，Meta和苹果之间的恩怨由来已久。” 汪滔同时指出，Meta算力部门的联合负责人、曾担任苹果总监的丹尼尔·格罗斯是促成此次合作的关键人物之一。去年，扎克伯格全面调整公司AI战略时，格罗斯与GitHub前首席执行官纳特·弗里德曼一同成为这位创始人重点招揽的人才。 Meta在公告中表示，利用最新版本的MLX（针对苹果芯片优化的开源机器学习框架），Muse Spark Open已针对配备M5 Ultra处理器的Mac Studio进行优化，还特意表示“两者结合，就是在个人电脑上运行强大模型的最佳方案”。 据Meta介绍，苹果公司最新的Mac Studio（M5 Ultra）最高支持512GB的统一内存，因此连接两台机器就能运行整个Muse Spark Open模型。 需要说明的是，虽然扎克伯格已经在社交媒体上秀出了用两台顶配Mac Studio跑Muse Spark Open模型的照片，但实际上苹果尚未公开发售512GB版

匹配字段正文

researchers made xTB up to 2.3x faster at predicting molecular structures and 1.8x faster at conformer search. The changes have been contributed to the official xTB repository on GitHub; Making our open Gemma models nearly three times as fast: Using Argon, we achieved a 2.85x end-to-end inference speedup on an A100 via vLLM (accelerating throughput from 37,900 to over 108,000 tokens per second on Gemma 4 E2B) with 100% token parity and zero quality drop in just a few days, a process that would

匹配字段正文

researchers made xTB up to 2.3x faster at predicting molecular structures and 1.8x faster at conformer search. The changes have been contributed to the official xTB repository on GitHub; Making our open Gemma models nearly three times as fast: Using Argon, we achieved a 2.85x end-to-end inference speedup on an A100 via vLLM (accelerating throughput from 37,900 to over 108,000 tokens per second on Gemma 4 E2B) with 100% token parity and zero quality drop in just a few days, a process that would

匹配字段正文