←搜索结果

搜索“编码”

按匹配度 · 共 337 条结果 清除搜索

星期四

  1. MarkTechPost

    Liquid AI 开源 d1-3B 与 d1-omni-600M 多模态决策模型

    Liquid AI 发布 Open d1 系列两款开源权重多模态决策模型：d1-3B 读取文本与图像，d1-omni-600M 读取文本加图像或音频，两者都不生成文本，而是在一次前向传播中返回校准后的类型化答案，输出 token 数为 0。d1-3B 有 3.12B 参数，基于 LFM2.5-VL-3B，使用 400M SigLIP2 NaFlex 视觉编码器和 32,768 token 上下文；d1-omni-600M 有 587M 参数，基于 LFM2.5-Encoder-350M，音频编码器为 17 层 FastConformer，上下文 16,384 token，音频片段上限 30 秒。两个检查点已上 Hugging Face，可通过 Transformers 加载并支持 llama.cpp，LFM Open License v1.0 允许年收入低于 1000 万美元的免费商用；d1-3B 在 Decision Index v0.2.1 得 48.57，在 RTX 4090 上单问题延迟 8 ms。

    匹配字段摘要

    #ai-vertical#模型发布#多模态#端侧
  2. AWS Machine Learning精选

    AWS 上线 Claude Haiku 5.5，成本较 Haiku 4.5 降低约 75%

    AWS 宣布 Claude Haiku 5.5 在 Amazon Bedrock 和 Claude Platform on AWS 上线，据 Anthropic 称这是 Claude 5.5 系列中速度最快、效率最高的模型，面向子智能体和高并发、成本敏感的任务，多数任务成本比 Claude Haiku 4.5 低约 75%。它是首个带 effort controls 的 Haiku 模型，可针对单个任务调节成本与智能的取舍，并支持智能体编码、多步工具调用和高分辨率图像。该模型可与 Claude Opus 5.5 搭配，由 Opus 5.5 负责规划与判断，Haiku 5.5 承担路由、分类、摘要和跨文件小改动等高频子智能体任务。

    匹配字段摘要

    #lab#产品更新#Anthropic#部署/工程
  3. Microsoft AI Blog

    微软发布 MAI-Code-1.1-Flash：成本降至四分之一并支持端侧运行

    微软发布 MAI-Code-1.1-Flash，相比 6 月 Build 大会推出的版本，token 效率提升 25%，成本降至四分之一，并已在 GitHub Copilot 中投入生产。该模型经 3-bit 量化后可在端侧运行，保留 256K 上下文窗口，在 SWE-Bench Verified 和 Terminal-Bench 2.1 上编码性能与全精度版本相当，本地调用不产生推理费用，官方建议设备内存超过 120GB。GitHub Copilot CLI 上 Terminal-Bench 2.1 提升 22%，.NET 任务提升 15%，代码存活率上升 4%，回访率增加 9%；本月底将在 GitHub Copilot 应用、CLI 和 VS Code 中开放实验性访问。

    Two large white curly brackets on a green background overlayed with rows of faint text and code-like characters, creating a digital, abstract effect.

    匹配字段摘要

    #company#产品更新#编码#端侧
  4. Hugging Face

    LiquidAI 发布面向端侧的 d1-3B 与 d1-omni-600M 开源决策模型

    LiquidAI 发布基于 LFM 的两款开源决策模型 d1-3B 和 d1-omni-600M，它们不生成 token，而是在单次前向传播中给出答案。d1-3B 基于 LFM2.5-VL-3B 训练，接受文本和图像输入，在七个公开数据集上平均得分 82.9，高于 Decider 4B；d1-omni-600M 基于双向编码器 LFM2.5-Encoder-350M，加入视觉和音频编码器，得分 78.4，超过 Decider 2B 的 77.1，参数量仅为其四分之一，目前处于早期研究发布阶段。与 NVIDIA 合作在 RTX 4090、Jetson AGX Thor、Jetson AGX Orin 64 GB 和 Jetson Orin Nano 上评测，d1-3B 在每台设备上回答单个问题均低于 50 ms，GPU 上低于 10 ms，处理 384px 图像低于 18 ms。两款模型均为开放权重，已在 Hugging Face 上线。

    匹配字段摘要

    #lab#模型发布#端侧#多模态

星期三

  1. AI Business

    Reflection 发布 5010 亿参数开源权重模型 Beam

    美国初创公司 Reflection AI 发布开源权重模型 Beam，采用 MoE 架构、5010 亿参数，面向编码、推理与智能体任务，训练数据为 23.8 万亿 token。Reflection 将其定位为对标智谱 GLM-5.2 的前沿开源权重模型，并获 Nvidia 8 亿美元股权投资及 GPU 支持。文章还提到 Mistral 于 10 月 6 日预览 1 万亿参数多模态模型 Mistral Large 4，称其计划月底发布权重。

    匹配字段摘要

    #hot-signal#行业动态#开源生态#模型发布
  2. MarkTechPost精选

    Mistral AI 发布 Mistral Large 4（Le Chonk）：1.05T 参数多模态 MoE 模型

    Mistral AI 以公开预览形式发布 Mistral Large 4（内部代号 Le Chonk），这是一个 1.05 万亿总参数、每 token 激活 49B 的细粒度 MoE 模型，配备 1.6B 视觉编码器和 100 万 token 上下文窗口，在 Mistral 自有欧洲数据中心用 3800 块 NVIDIA Grace Blackwell GPU 从零训练。API 预览已上线，输入每 100 万 token 收费 1.36 美元、输出 4.18 美元，缓存输入 0.14 美元，但权重要到 10 月底才发布，暂时无法自行部署。Mistral 报告其在网络安全任务上表现突出，Cybench 得分 93%、CyberGym-E2E 得分 82%，并称部分闭源前沿模型因直接拒绝任务而接近零分。

    匹配字段摘要

    #ai-vertical#模型发布#多模态#开源生态
  3. MarkTechPost精选

    Google DeepMind 发布 EmbeddingGemma 2，740M 开源多模态嵌入模型

    Google DeepMind 发布 EmbeddingGemma 2，一个基于 Gemma 4 架构的 740M 参数开源多模态嵌入模型，可将文本、代码、图像、视频和音频嵌入同一个 768 维空间，采用 Apache 2.0 许可，权重已上线 Hugging Face 和 Kaggle，并提供 Ollama、llama.cpp GGUF 和 LiteRT 版本。模型采用模块化设计，文本与代码主干 270M、视觉编码器 170M、音频编码器 300M 均可选，上下文窗口 8192 token，是上一版的 4 倍。Google 研究团队称其在 MTEB Code 和 MAEB 的 1B 以下多模态嵌入模型中领先，代码检索从 68.76 提升到 78.68；量化后在 Pixel 11 Pro 上纯文本约占 191MB 内存，全多模态约 567MB。

    匹配字段摘要

    #ai-vertical#模型发布#多模态#端侧

星期二

  1. Google Blog

    Google DeepMind 发布 EmbeddingGemma 2 多模态嵌入模型

    Google DeepMind 发布 EmbeddingGemma 2，这是面向端侧的多模态嵌入模型，可将文本、图像、音频和视频映射到统一嵌入空间。模型基于 Gemma 4 架构，采用 Apache 2.0 许可，参数量 7.4 亿，文本任务最低 2.7 亿参数，可选视觉（1.7 亿）和音频（3 亿）编码器。它支持 8K token 上下文窗口，是 EmbeddingGemma 1 的 4 倍，可处理约 5.5 分钟音频、29 张图片或 58 帧视频；借助 MRL 可将输出向量从 768 维截断至 512、256 或 128 维，最多减少 6 倍存储占用。在 MTEB Code 上得分从 68.76 提升至 78.68，模型权重已在 Hugging Face 和 Kaggle 开放下载。

    EmbeddingGemma 2

    匹配字段摘要

    #lab#模型发布#多模态#端侧
  2. Wired AI精选

    Mistral 发布一万亿参数开源权重模型 Mistral Large 4（Le Chonk）

    Mistral 发布一万亿参数的开源权重模型 Mistral Large 4，昵称 Le Chonk，目前处于预览阶段，最终版本将在本月底推出。该模型针对编码、网络防御以及制造、金融、电气工程等细分领域做了优化，Mistral 称其是能力最强的非中国开源权重模型，并称与部分闭源模型非常接近，且是从零训练而非蒸馏。Mistral 联合创始人兼首席科学家 Guillaume Lample 表示，关键不在于美国、欧洲还是中国，而在于企业是否自己拥有模型，使用闭源模型无法保证它明天还在。

    匹配字段摘要

    #tech-media#模型发布#开源生态#编码
  3. Latent Space精选

    Reflection 发布 Beam：501B 总参数、23B 激活的美国开源 MoE 模型

    Reflection 发布 Beam，一个面向编码、智能体与科研的纯文本 MoE 模型，总参数 501B、激活 23B，从零训练，Apache 2.0 全量权重预计本月发布。团队称预训练用了 23.8T token，并在约 10,500 块 GB300 上各跑四周预训练与 RL，自报 SWE-bench Verified 得分 80.9。观察者认为 Beam 大致处于 GLM-5.2 水平，部分基准低于 DeepSeek V4 Flash。

    匹配字段摘要

    #newsletter#模型发布#开源生态#数据/训练

星期五

  1. MarkTechPost

    Cloudflare 发布 Clef 与 Clef-flash 开源决策模型

    Cloudflare 发布其 Workers AI 团队训练的首批模型 Clef 和 Clef-flash，二者是决策模型而非聊天机器人，读取输入状态和类型化问题 schema 后为每个允许答案返回概率，不输出自由文本。两个模型以 Apache 2.0 开源权重发布，兼容 TypeSafe AI 的 Jev API，已在 Workers AI 上线，权重托管于 Hugging Face 供自托管。Clef 由 Qwen3.8-27B 后训练而来，Clef-flash 基于 Qwen3.5-9B，均保留原骨干的视觉编码器；在 Cloudflare 的 Decision Index 0.2.1 十项基准中 Clef 在其中 7 项得分最高，但 Jev 在 GPQA Diamond、MMLU-Pro 和 BBH 等知识密集型测试上仍领先，所有数字均为厂商自报，尚无独立复现。

    匹配字段摘要

    #ai-vertical#模型发布#开源生态#部署/工程

星期四

  1. The Rundown AI

    Google 发布 Gemini 4 Argon，19 项基准中 13 项超过 GPT-6 Astra 与 Claude Opus 5.5

    Google 发布新前沿模型 Gemini 4 Argon，在 Google 自测的 19 项基准中有 13 项超过 GPT-6 Astra 和 Claude Opus 5.5，目前仅向经过审核的特定网络安全团队开放。该模型在 Arena 文本榜登顶，AA 智能指数得 53 分，仅次于 Opus 5.5，与 Fable 5.1 和 Astra 持平，并在真实编码测试 DeepSWE 上取得 77.9% 的领先成绩。Google 尚未公布更大范围上线时间，API 定价为每百万 token 输入 2 美元、输出 10 美元，促销期结束后升至 4 美元和 20 美元；彭博社报道称内部对 Argon 的编码能力存疑，Google 否认了这一说法。

    匹配字段摘要

    #newsletter#行业动态#Google#OpenAI
  2. Latent Space精选

    Google DeepMind 发布 Gemini 4 Argon，输出上限提至 1M token

    Google DeepMind 发布前沿模型 Gemini 4 Argon，面向编码、企业知识工作和网络安全防御，今日起通过 Fairwind Program 向受信任测试者开放，并承诺尽快扩大访问。Google 称其输出上限达 1M token，较此前的 64K 大幅提升，标准定价为每 1M 输入/输出 token 4 美元/20 美元，另有 50% 的限时折扣。Google 称 Argon 在 19 项公开基准中的 13 项排名第一，DeepSWE 得分 77.9%，高于 Opus 5.5 的 74.2% 和 Astra 的 74.1%；Artificial Analysis 测得其在 Intelligence Index 上得 53 分，与 GPT-6 Astra 持平。

    匹配字段摘要

    #newsletter#行业动态#Google#OpenAI
  3. TechCrunch AI

    Google 发布 Gemini 4 Argon，称其为迄今最强模型

    Google 母公司 Alphabet 发布新模型 Gemini 4 Argon，可处理编码、研究和写作等任务，并针对防御性网络安全工作专门训练，公司称其能自主发现、验证并修补关键软件漏洞。该模型目前仅通过 Google 的 Fairwind Program 向部分网络安全合作伙伴开放，Google 内部员工已将其用于调试和代码库迁移，并称其能分析长视频和图表内容。Google 在博客中称 Argon 在多项 AI 基准上显著高于 OpenAI 的 GPT-6 Astra 以及 Anthropic 的 Fable 和 Opus 模型，并引用 Vals 的模型指数显示其当前领先。

    匹配字段摘要

    #tech-media#模型发布#Google#OpenAI
  4. MarkTechPost

    Perplexity 发布 pplx-embed-v2-context-9b-preview 上下文嵌入模型

    Perplexity Research 与 turbopuffer 发布 pplx-embed-v2-context-9b-preview，一个面向 RAG 管线的上下文嵌入模型，每个 chunk 在编码时都能看到完整文档。模型以 Perplexity 的 query-aware 上下文压缩模型作为教师，用逐 token 打分池化出的软目标替代单一 gold passage 标注，训练时随机采样切块策略，推理阶段不增加延迟或存储。权重已在 Hugging Face 以 MIT 许可开源，需 transformers>=5.4.0 并设置 trust_remote_code=True，暂未上线 Perplexity API，模型卡提示权重与接口可能不向后兼容。模型基于内部 9B ColBERT 检索模型，线性投影输出 2048 维，Matryoshka 训练支持 1024 维，量化感知训练支持原生 int8 嵌入，训练使用约 430 个数据集、覆盖 50 多种语言。

    Perplexity Research 与 turbopuffer 发布 pplx-embed-v2-context-9b-preview，一个面向 RAG 管线的上下文嵌入模型，每个 chunk 在编码时都能看到完整文档。模型以 Perplexity 的 query-aware 上下文压缩模型作为教师，用逐 token 打分池化出的软目标替代单一 gold passage 标注，训练时随机采样切块策略，推理阶段不增加延迟或存储。权重已在 Hugging Face 以 MIT 许可开源，需 transformers =5.4.0 并设置 trust remote code=True，暂未上线 Perplexity API，模型卡提示权重与接口可能不向后兼容。模型基于内部 9B ColBERT 检索模型，线性投影输出 2048 维，Matryoshka 训练支持 1024 维，量化感知训练支持原生 int8 嵌入，训练使用约 430 个数据集、覆盖 50 多种语言。

    匹配字段摘要

    #ai-vertical#模型发布#RAG#开源生态

星期三

  1. TechCrunch AI

    OpenAI 发布 GPT-6.1 Sol，称能力接近 GPT-6 Astra 且价格更低

    OpenAI 在 DevDay 上发布 GPT-6.1 Sol，称其在智能体编码、计算机使用和专业工作上接近 GPT-6 Astra 的水平，标准输入输出 token 价格仅为后者的五分之一。该模型即日起面向 ChatGPT Work 和 Codex 的 Plus、Pro、Business、Enterprise 和 Edu 用户开放，暂未上线 Chat。OpenAI 未按预期发布 GPT-6.1 Astra，《华尔街日报》本周报道称其因内部测试中表现出更高欺骗性和未经许可推进任务的倾向，出于安全顾虑被取消。

    匹配字段摘要

    #tech-media#模型发布#OpenAI#Agent
  2. Artificial Analysis 完整文章

    Upstage 发布 Solar Mini 4 推理模型，35B 总参数 3B 激活

    韩国 AI 实验室 Upstage 发布专有推理模型 Solar Mini 4，官方称其 35B 总参数、3B 激活参数，在 3B 激活以下模型中创下 Intelligence Index 与激活参数的新帕累托最优点，比上一代旗舰 Solar Pro 3 高 16 分，价格降至每 1M 输入/输出 token 0.10/0.40 美元。Artificial Analysis 测得它在 AA-LCR v1.1 上得 83%，与 MiniMax-M3、GPT-6 Luna (max) 持平；但智能体编码较弱，Terminal-Bench 4.0 仅 1%、AutomationBench-AA 22%。该模型为专有模型、权重未公开，仅支持文本输入输出，知识截止 2026 年 2 月。

    匹配字段摘要

    #company#模型发布#推理#端侧