搜索“多模态”

a W0 5B；另一款是采用MoE架构、激活参数量为140亿的Ropedia W0 A14B。 其中，Ropedia W0 A14B用于进行跨本体预测评测，Ropedia W0 5B则被进一步用于实时交互和机器人动作学习等实验。 二、构建1.3万小时数据集，整合人类与机器人经验 大规模训练数据也是Ropedia W0实现跨本体预测的重要基础。该团队构建了一套多模态数据处理流水线，将不同来源的数据整理成统一格式，构建约1.3万小时的Xp-Data训练数据集。 其中，人类第一视角数据约1万小时，真实机器人数据约3000小时。不过，人类、机械臂和人形机器人的运动方式、动作结构存在差异，不同来源的数据也难以直接用于统一训练。 为此，研究团队提出一套跨本体统一运动学表示方法，将不同本体的运动和操作转换成两类通用信息。 第一类是相机运动，用于描述人类或机器人在空间中的移动及视角变化。 例如，当机器人向前走或转身时，摄像头的位置和朝向也会跟着变化。Ropedia W0通过相机位姿及Plücker射线表示这些运动信息，让模型能够根据给定的运动轨迹预测未来第一视角画面。 第二类是投影骨架，主要用于描述人

匹配字段正文

元，DeepSeek V4.1 Flash 1017 约为 0.26 美元，Gemini 3.8 Flash 约为 1.24 美元，且不到 MiniMax-M3 约 0.51 美元的一半 ➤ AA-Omniscience 准确率高，但幻觉率也高：MiniMax-M3.1-Flash 在 AA-Omniscience（我们衡量事实回忆与幻觉的基准）上正确回答了 56% 的问题，而 GLM-5.3-Flash（最高）为 28%，DeepSeek V4.1 Flash 1017（最高）为 43%。它几乎尝试回答每一个问题，导致幻觉率达 93%，在 AA-Omniscience 上的总分为 16 关键模型细节： ➤ 上下文窗口：100 万 token ➤ 多模态：文本和图像输入，文本输出 ➤ 定价：每 100 万输入/输出 token 0.15/0.60 美元，缓存输入为每 100 万 token 0.015 美元 ➤ 可用性：MiniMax 第一方 API，MiniMax 宣布将于 10 月 23 日发布开放权重 ➤ 许可：目前为闭源权重，MiniMax 宣布将于 10 月 23 日发布权重

匹配字段正文

顶级学术会议及期刊发表论文90余篇，曾获国家科学技术进步奖一等奖。 报告题目：网络化空间具身智能 摘要：随着人工智能从数字空间的认知生成迈向物理世界的自主交互，具身智能正由单体能力突破转向多智能体网络化协同，其核心也从“单机智能”演进为跨节点、跨模态、跨空间的系统智能。然而，现有技术体系仍沿用感知、计算与通信分立的设计范式，面临连接能耗高、复杂环境通信脆弱、多模态信息难以统一表征以及数据搬移与计算开销过大等基础瓶颈。本报告面向网络化空间具身智能，介绍高可靠低功耗通信、多模态时空感知、端侧智能计算与异质集成技术。通过重构射频收发架构，突破节点规模化连接中的能效与抗干扰约束；通过构建由空间感知直达机器语义的新型计算范式，推动感知数据由“面向人类呈现”向“面向机器理解与决策”转变；进一步构建“感知—计算—通信”深度融合的智能系统底座，为物理世界智能体的泛在部署、全域感知与群体协同提供基础支撑。 个人简介：龚伟，中国科学技术大学教授，国家特聘青年专家。长期从事具身智能、物联网及人工智能应用等方向研究。已发表论文200余篇，主要工作发表在ICLR、MobiCom、IEEE/ACM ToN、KDD

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

啊，这价格是真便宜！！ 输入每百万Token 1元，输出4元，缓存读取只要0.1元。 太仁义了嗷，我宣布，以后闲时梁文谷，忙时闫俊峰！（bushi） △ 不过，硅谷闭源阵营恐怕又得遭殃了。 继DeepSeek之后，硅谷一众大参数旗舰，又被国产Flash架上了一条全新的性价比斩杀线o(╥﹏╥)o。 文本模型翻身仗 说实话，之前我对MiniMax有过不少嘀咕。 多模态和视频生成确实很顶，但纯文本大模型这边吧，不知道从什么时候开始就没动静了。。。 这次M3.1 Flash亮相，也算是打了场翻身仗吧。 咱们挨个看下战绩： 代码工程与真实修Bug 在DeepSWE v1.1评测里，M3.1 Flash拿下了73.7%。 也是倒反天罡了。 GPT-6.1 Sol、Claude Opus 5、Claude Fable 5……居然被一款Flash跑分反超。 排在它前头的，只剩下DeepSeek V4.1 Flash 1017的77分。 这也印证了玉兔匿名测试期间社区的反馈：在处理Three.js这类3D渲染和复杂前端任务时，它对细节的把控极其变态。 网络安全实战 在加州大学伯克利分校主导的CyberG

匹配字段正文

ens。目前，Qwen3.8-Max新模型已上线千问AI平台对外提供API服务，千问办公、Qoder、千问APP均第一时间接入。 9月1日，阿里云公告，大模型服务平台百炼将于北京时间2026年8月31日10:13:53起，对北京地域Qwen3-VL-Rerank模型计费单价进行下调调整：将文本输入从0.7元/百万tokens下调至0.5元/百万tokens，多模态输入从1.8元/百万tokens下调至0.5元/百万tokens。 字节跳动 9月30日，豆包宣布支持出行服务，用户通过自然语言描述需求，如“订机票”“叫车去机场”，AI即可自动识别并调用服务，无需切换应用。豆包还上线“出行用豆包”入口，精选地图、交通、住宿及玩乐推荐。此次升级依托与航班管家、高铁管家、曹操出行、百度地图等头部服务商合作。豆包相关负责人表示，十一期间出行需求集中，希望借助AI自然语言交互及多场景串联能力，满足用户一站式查路线、订票及打车诉求。 9月24日，近日豆包工作发布满一月，豆包再次面向所有用户发放福利：下载或升级豆包工作电脑版、豆包电脑版可领30天订阅。已领首轮30天者到期前可续领下一轮30天；领取前已付

匹配字段正文

先手动写一些奖励函数。但手动写没有出路，必须用模型自己开发奖励函数，这就变成了Eureka。 陈茜：你后来去了谷歌，做了GVL（生成式价值学习），好像又回到VIP（价值隐式预训练）的延续工作上？ Jason：可以这么说。我博士期间的大部分工作，是解决机器人领域的奖励函数，以及其他标注从哪里来的问题。 加入谷歌时，正好Gemini 1.5刚出来。Gemini的多模态能力一直不错，我想能不能用在机器人上，就做了一个算法，用VLM（视觉语言模型）直接做上下文学习，把奖励函数写出来。当时效果很好，我也很惊讶，为什么这东西会奏效？它应该不奏效，这些肯定不在预训练里。 现在也有很多创业公司在做GVL（生成式价值学习）这样的事情，用VLM（视觉语言模型）标注奖励函数、做子任务标注。说实话，GVL（生成式价值学习）可能比Eureka和VIP（价值隐式预训练）都更商业化一些。 陈茜：今年出现了很多数据公司，很大的一个落地方向就是把数据卖给机器人公司，最近很赚钱。 Jason：对。标注是一个大问题，用VLM（视觉语言模型）标注挺好。 陈茜：你是在谷歌之后想创业的。为什么没有加入实习过的三家公司，反而选择创

匹配字段正文

词元（Token）工厂技术白皮书》（以下简称《白皮书》）正式发布。 作为聚焦“绿色电力”与“Token工厂”深度融合的行业指南，《白皮书》以绿色电力为标杆形态，系统阐述绿色词元（Token）工厂“能源基础设施—算力基础设施—Token生产—Token运营—Token流通”五层技术体系，为产业提供从政策机制、绿电获取路径到算电协同核心能力的完整实施框架。 随着多模态应用普及、长上下文需求激增、Agentic AI快速爆发，AI推理需求呈指数级增长，算力消耗正全面由“训练”转向“推理”，如何实现成本与性能的平衡成为产业核心命题。 算力需求结构的演变，也在重塑数据中心的能源需求。大模型训练与推理任务有着不同的负载特征，对数据中心的供电可靠性、储能配置及需求侧响应策略提出了更为精细的技术要求。 面对这一趋势，我国正加快构建“算电协同”的新型基础设施体系，推动人工智能与能源系统深度融合。 此次《白皮书》的发布，不仅填补了行业的标准空白，更为产业界打造绿色智算底座提供了清晰的路线图，有望推动“绿电直连”模式在智算中心的规模化落地。 全链路赋能，构建“可量化、可优化”的Token运营体系 算电协同的

匹配字段正文

具与技能演化）和 Multi-Agent Evolution（规划、任务分解、多 agent 系统与演化） Lecture 4：先给 Harness 做解剖，再谈让它演化 https://t.co/4emiLkozt1 记忆部分：一张三轴分类法 + 四个代表系统 讲义用三个轴组织整个记忆研究空间：存什么（反馈/技能/轨迹/语义事实）、如何表示（文本/结构化/多模态/参数）、存在哪里（上下文/参数/外部），外加如何复用（检索/改编/组合/迁移）。 然后沿“存在哪里”排布了四个系统： · @MemGPT（外部记忆）：把 LLM 类比为操作系统，记忆的读写变成 agent 自己的函数调用； · @mem0ai（外部记忆）：记忆结构化为实体-关系三元组图，支持 add/update/delete/noop 四种操作； · MEM1（上下文内记忆，授课者自己组的工作）：这是本讲着墨最多的部分。针对“推理上下文不断增长导致复杂度与遗忘”的问题，MEM1 让模型每步生成一个整合了推理与记忆的内部状态，然后丢弃全部历史；上下文大小恒定，且可用结果奖励端到端训练模型学会“压缩”。实验展示了三个涌现行为：

匹配字段正文

.) 几乎都工作在像素/视频空间，模型从海量视频中隐式地“猜”出物理规律 @ViggleAI 最新发布的「JST-2」走了一条相反的路：整个技术栈直接构建在 3D 空间里 这一点是理解整篇发布的关键：物理结构不是从画面外观中推断的，是表示本身的一部分。架构上分三个组件：JST encoder（把图像编码为物理原生 token）、JST generator（从多模态 prompt 直接生成 token）、JST decoder（结合视角与运动/力输入，解码为图像或 3D 高斯泼溅）。 Viggle 花四年（JST-1 在 2022–2024，JST-2 在 2024–2026）自建了全栈：tokenization、架构、数据合成引擎、预训练和后训练。自建数据引擎很重要，因为 3D 原生的训练数据在自然界几乎不存在，必须靠合成获得，这既是壁垒，也是成本。 能力面：一条架构统一三件事 · 场景生成：单次前向推理约 1 秒生成完整 3D 场景，成本 <$0.01（B200），无需逐场景优化；支持最多 64 个输入视角作为“空间上下文窗口”，可持续扩展同一世界 · 角色生成：单张图片（允许裁切/

匹配字段正文

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