电子科大汪忠来团队发表140mg仿生多模态微型机器人成果
电子科技大学汪忠来教授团队在《Microsystems & Nanoengineering》发表研究，提出“功能递归”策略，用单一H型结构与形状记忆合金人工肌肉实现多模态运动。在140mg、35mm平台上，机器人实现空中姿态调控、地面爬行0.46 BL/s、水面滑行6.3 mm/s及水面-水下受控潜入，界面承载达自重1.7倍。
匹配字段标题、摘要、正文
←搜索结果
搜索“多模态”
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。
匹配字段标题、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。
匹配字段标题
Voxel51 发布 3.0 多模态数据平台，面向物理 AI 团队
Voxel51 于 10 月 15 日推出 Voxel51 3.0，将搜索、数据整理、标注与评估整合为面向物理 AI 的端到端多模态数据平台，并可在 app.voxel51.com 免费试用。新平台包含基于 LanceDB 的持久混合搜索索引、支持时序多模态数据，以及由 45+ MCP 工具、80+ operators 和 18 个开源技能驱动的 Voxel51 Agent 与 Agentic Labeling。企业产品 FiftyOne Enterprise 更名为 Voxel51，开源项目仍称 FiftyOne。
匹配字段标题、摘要
Meta 开源 816B 参数多模态模型 Muse Spark Open
Meta 于 10 月 15 日公开 Muse Spark Open 权重，这是一个原生多模态开源模型，总参数 816B、激活参数 42B，上下文窗口 1M token，面向编码与长程智能体任务。模型采用 MoE Transformer 加 Perception Encoder 架构，可通过 Baseten、Fireworks AI、Groq 等 API 平台调用，权重在 Hugging Face、Amazon SageMaker AI、Google Cloud Model Garden 等处下载，本地运行 NVFP4 版本需至少 700GB 显存。Meta 称其为首个能在桌面端运行的同级模型，用两台搭载 M5 Ultra 的 Mac Studio 配合 MLX 框架即可承载；模型卡显示其 Artificial Analysis 智能指数为 39，低于表中 GLM 5.3 的 45 和 Kimi K3 的 44。
匹配字段标题、摘要
NVIDIA 发布 Nemotron 3.5 Super VL 开源多模态智能体模型
NVIDIA 发布 Nemotron 3.5 Super VL，这是一个 120B 参数、每 token 激活 12B 的 MoE 开源视觉语言模型，支持文本、图像、文档和视频输入，上下文最高 1M tokens，权重以 OpenMDW-1.1 许可发布。NVIDIA 报告其在 GPQA-Diamond 得 89.90、SWE-bench Verified 得 71.07，但在 tau3-bench banking 仅 17.78。模型可在 1x DGX Spark、1x H200、2x H100 或 1x GB200 上运行 NVFP4 检查点，并已上线 Hugging Face、OpenRouter、ModelScope 和 NVIDIA NIM，同时发布面向本地智能体的 Nemotron 3.5 Bolt 74B-A9B。
匹配字段标题
英伟达发布 1200 亿参数开放多模态模型 Nemotron 3.5 Super VL
英伟达推出开放多模态模型 Nemotron 3.5 Super VL，采用 MoE 架构，总参数 1200 亿、激活参数 120 亿，面向持续运行的多步骤智能体任务。英伟达称其在单张 GPU 上执行智能体任务的吞吐量最高可达同规模其他开放模型的 5 倍，并将推理、指令遵循、工具调用与文本、图像、文档、视频理解整合在同一模型中。同期发布的还有 Nemotron 3.5 Bolt 74B-A9B 24GB 端侧模型，通过原生 2 位量化压缩至 24GB，支持 llama.cpp、vLLM、Ollama 等；Bolt E4B 4GB 计划于 10 月 23 日推出。
匹配字段标题、摘要、正文
Nvidia 发布 Nemotron 3.5 Super VL 开源多模态模型，并推出两款 Bolt 端侧模型
Nvidia 发布 Nemotron 3.5 Super VL，这是一个 1200 亿参数的开源多模态模型，面向持续在后台运行的企业智能体，处理文本、图像、文档和视频。该模型采用 MoE 架构，每个 token 仅激活 120 亿参数，由 Nvidia 与包含 Mistral AI、Thinking Machines Lab、Perplexity 和 Black Forest Labs 的 Nemotron Coalition 共同开发。同时推出两款面向本地硬件的模型：Nemotron 3.5 Bolt 74B-A9B 24GB 可在本地机器运行智能体任务，更小的 Bolt E4B 4GB 面向语音助手，将于本月晚些时候发布。Nvidia 称 Super VL 从 Nemotron 3 Ultra 蒸馏而来，在智能体指令遵循、工具调用、多步业务流程和图像分析任务上以约五分之一参数达到 Ultra 的准确率，在 Hermes 和 LangChain 的智能体测试中得分高于 Ultra，并在 SWE-bench 和 Terminal-Bench 上超过前代 Nemotron 3 Super。权重以 base、post-trained 和 4-bit 压缩三个版本发布，同时公开数据集、训练配方和强化学习环境，预训练与持续预训练使用超过 25 万亿 token。
匹配字段标题、摘要
NVIDIA 发布 Nemotron 3.5 Super VL 多模态模型
NVIDIA 发布 Nemotron 3.5 Super VL，这是一个开放可定制的多模态模型，采用 120B 参数 MoE 架构，每个 token 激活 12B 参数，面向智能体工作流。该模型在单 GPU 上处理智能体任务的吞吐量最高可达同尺寸其他开放模型的 5 倍，并统一支持推理、指令遵循、工具调用以及文本、图像、文档和视频理解。Scale AI、Ramp、AI21 等机构已对其做后训练，实现最高 40 倍推理成本下降、10 倍延迟下降和 40% 准确率提升，开发者可用 NVIDIA NeMo 进行 SFT、LoRA 和强化学习定制。
匹配字段标题、摘要
Apple 提出 SSR：基于选择的结构化推理，多模态搜索智能体推理延迟降低超 90%
Apple 提出 Selection-based Structured Reasoning（SSR），将推理从开放式生成改为从预设可复用自然语言候选中选择，无需辅助任务头，并借助共享上下文 KV cache 并行打分。在 2B 和 4B 模型、七个多模态搜索基准上，SSR 平均成功率与同规模领先搜索智能体相当，单轮推理延迟降低超 90%，每题模型总推理延迟降低 28–54%。
匹配字段标题、摘要
KoNET：NAVER Cloud 用韩国高考题评测多模态 AI
NAVER Cloud 在 2025 NAACL 论文中提出 KoNET 基准，将韩国小学至高中 GED（KoEGED、KoMGED、KoHGED）与高考 KoCSAT 题目转为图像，评测纯文本与多模态 LLM。GPT-4o、Claude 3.5 Sonnet 等商业 API 模型平均分超 80%，EXAONE-3.0-7.8B 超过同参数量全球模型并追平 Qwen2-72B；开源多模态模型在韩语 OCR 上明显偏弱。
匹配字段标题、摘要
Jev 1.14 上线 OpenRouter，新增实验性多模态能力
Jev 1.14 已在 OpenRouter 上线。据 @typesafeai 介绍，该版本整体小幅改进，多语言是最大升级，新增实验性图像识别能力，价格保持不变，输入 $0.042/M，输出免费。TypeSafe 的完整发布说明见 https://t.co/wxTQJIBsKS。
匹配字段标题
Meta 开源 Muse Spark Open：816B 参数多模态 MoE 模型
Meta 发布开源权重前沿多模态 MoE 模型 Muse Spark Open，总参数 816B，每个 token 激活约 42B 参数，面向编码与智能体任务，支持文本、图像、视频和音频输入，上下文窗口 1M token。模型提供 BF16 与 NVFP4 两种 checkpoint，NVFP4 面向 NVIDIA Blackwell GPU，并已集成 transformers、llama.cpp、vLLM、SGLang 和 MLX，官方还给出在 64 张 H100 上用 TRL 训练 LoRA 适配器的微调配方。
匹配字段标题、摘要
Liquid AI 发布多模态决策模型 d1-ultra
Liquid AI 发布多模态决策模型 d1-ultra，可同时读取文本和图像，一次前向传播直接输出概率而不生成 token，支持 noul、Choice、Score 三类问题。该模型已在 Liquid API 上线，输入 token 定价为每百万 $0.042，仅按输入计费，图像按 1.5 token 每 32×32 像素块折算，1024×1024 图像计 1,536 token。官方称其在 112 项评测中优于前代 d1 和 Jev 1.14，并在 Artificial Analysis Decision Index 上领先其他决策模型至少 8 分，后续将登陆 Vercel 和 OpenRouter。
匹配字段标题、摘要
瑞士 Swiss AI 发布 Apertus 1.5 多模态模型，上下文扩至 262k tokens
Swiss AI 发布 Apertus 1.5，在 1.0 基础上加入原生图像与音频理解、思考模式和 262,144 tokens 上下文窗口，较 1.0 扩大 4 倍。模型以早期融合方式把图像和音频转成离散 token 与文本同序列输入，架构不变，只理解多模态、仅输出文本。官方称 8B 版本在指令遵循和多语言任务上优于同规模开源模型，多模态表现接近 Gemma 4 12B，并同步公开训练数据混合、偏好数据和各阶段中间检查点。
匹配字段标题、摘要、正文
OpenRouter 上线 Clef Omni 多模态决策接口
OpenRouter 宣布 Decisions 功能支持音频与视频输入：把图片、音频、视频按 Chat Completions 的方式传入（image_url、input_audio、video_url），提出选择题即可返回概率而非 token。示例中给 Clef Omni 一张照片、3 秒滋滋声、2 秒热狗摊片段和“lunch?”，模型给出 hot dog 96.5%。该请求共 801 个输入 token，花费 $0.00012；定价为 $0.15/M 输入，输出免费。
匹配字段标题
谷歌发布 Gemini 4 Argon：编程与多模态升级，API 限时半价
谷歌发布新一代旗舰模型 Gemini 4 Argon，重点加强编程、专业知识工作与长流程任务执行能力，并进一步推进视觉理解、空间推理和工具调用。在 Artificial Analysis 智能指数中，Argon High 与 GPT-6 Astra Max、Claude Fable5.1 Max 并列 53 分，平均每任务成本 1.99 美元，比 Astra 低约 39%。API 首发价为每百万输入 token 2 美元、输出 10 美元，优惠截至 11 月 30 日，12 月 1 日起恢复至 4 美元和 20 美元。
匹配字段标题、正文
OpenBMB 发布 MiniCPM-V 4.7 端侧多模态模型
OpenBMB 发布 MiniCPM-V 4.7，这是可在手机本地运行的开源 MoE 多模态模型，35B-A3B 参数，在 iPhone 17 Pro Max 上仅占 3 GB 内存，解码速度 13+ tokens/s。其 LES（前瞻专家调度）通过跨层路由预测提前加载专家权重，配合量化与存储布局优化，在真实设备上取得约 5 倍加速。面向开发者的 SRFT（自回放微调）在微调窄任务前用模型自生成标签做回放，以 Task:Replay = 4:1 混入任务数据，跨四个模型验证遗忘降低 80%–99%，任务性能基本无损。
匹配字段标题、摘要、正文
面壁智能发布 MiniCPM-V 4.7：35B MoE 多模态模型可在手机 3GB 内存运行
面壁智能发布 MiniCPM-V 4.7，这是一个 35B-A3B 的 MoE 多模态模型，可在手机上以仅 3GB 内存运行，能识别现实路牌、按约束做规划、解析复杂文档并对视觉数据推理。模型由 LES（Lookahead Expert Scheduling）支持，将高效 MoE 推理带到移动设备，同时提供轻量 1B 版本用于资源受限硬件；开发者还可用 Self-Replay Fine-Tuning（SRFT）为新任务定制模型并保持通用性能，覆盖 iOS 与 Android。
匹配字段标题、摘要
vLLM Semantic Router 开源 Decision 3.0 多模态决策模型系列
vLLM 社区孵化的 vLLM Semantic Router 推出并开源 Decision 3.0 系列多模态决策模型，共 d3、d3-flash、d3-mini、d3-nano、d3-lite、d3-edge 六款，参数规模覆盖 0.6B 至 27B，权重已在 Hugging Face 开源。旗舰 d3 基于 Qwen3.8-27B 打造，支持输入多张图片和视频，其余 5 款基于不同参数规模的 Qwen3.5。在 Jev Decision Index 0.3.1 榜单中，d3 文本决策指数 64.7 分、公开集 65.5 分位列文本榜第一，超过 Jev 的 60.1 分，视觉榜得分 71.6 分同样第一。团队数据显示，单张 AMD Instinct MI325X GPU 上 d3 处理文本请求延迟中位数 55 毫秒，含图片请求 273 毫秒，10 秒视频请求 553 毫秒。
匹配字段标题、摘要、正文