跳到正文
10月7日週三
  1. ChinaTalk47

    軍事 AI 的難題在數據

    Bharat Patel 指出,數據是軍事 AI 的主要瓶頸,所需數據類型和質素取決於具體用途,因此「AI-ready data」並不存在。Project Maven 自 2017 年起面對缺乏相關目標數據的問題,團隊其後持續收集數據以建立有效模型。數據管道、標準、治理及測試評估,連同偽裝、欺騙、電子戰和數據投毒等威脅,均影響模型能否投入實地應用。

  2. Google Developers Blog62

    EmbeddingGemma 2 開發者指南

    EmbeddingGemma 2 開發者指南介紹這款基於 Gemma 4 的開放模型,可將文字、程式碼、圖像、影片和音訊映射至同一個 768 維向量空間。模型可按需載入由文字與程式碼的 270M 參數配置,擴展至完整多模態的 740M 參數配置,各配置共用同一向量空間。

  3. Mistral AI75

    Mistral AI 推出 Mistral Large 4 公開預覽版,權重預計月底釋出

    Mistral AI 推出 Mistral Large 4 公開預覽版,權重預計月底釋出。模型具原生多模態能力,總參數量為 1 trillion、活躍參數量為 49 billion,並可透過 Mistral Studio API 試用。在 Artificial Analysis Cyber Index 名列全球前五,漏洞重現及修補測試得分 82%,Cybench 則解決 93% 的挑戰。

    推薦理由:文章以 Cyber Index、漏洞重現與修補測試及 Cybench 結果,呈現 Mistral Large 4 在網絡安全基準中的相對表現。

  4. TechCrunch · AI63

    Mistral AI 發佈 1T 參數多模態模型 Mistral Large 4,目標超越開源與閉源對手

    Mistral AI 發佈 1T 參數多模態模型 Mistral Large 4(ML4),目標超越開源與閉源對手。ML4 目前只能透過公開 guardrail endpoint 使用,Mistral 計劃在完成安全測試後,於三週內提供模型權重。模型完全使用 Mistral 的算力訓練,共使用 4,000 張 Nvidia GPU;基準測試結果尚未公佈。

10月6日週二
  1. 上海人工智能實驗室 InternLM:原創項目29

    InternLM/SpatialASM

    SpatialASM 是一套可擴展框架,透過兩階段訓練將主動空間心智化融入 LVLM,提升空間推理表現。框架把空間問答資料轉化為規劃、想像及推理軌跡,並以新視角生成器合成訓練觀察。團隊以 SpatialASM 訓練了四個 Qwen3-VL 和 Qwen3.5 的 LVLM 骨幹;最終模型推理時不依賴世界模型、渲染器或額外視覺觀察。

  2. MarkTechPost62

    Reka 發佈 Rho-1 研究預覽版:19B 全模態推理模型可理解及生成影片並輸出機械人動作

    Reka 發佈 Rho-1 的研究預覽版,這款 19B 全模態推理模型以單一神經網絡理解及生成文字、圖像和影片,並對這些內容進行推理及輸出機械人動作。其兩條專家權重流共用 attention 和 KV cache;蒸餾版把去噪步數由 99 步減至 8 步,約 1 秒可生成 5.3 秒影片。Rho-1 目前僅提供研究預覽,尚無公開權重、API 或定價。

  3. HuggingFace Daily Papers(社區熱門論文)44

    OmniConfess: Eliciting Token Confessions to Mitigate Omni-Modal Hallucination

    OmniConfess 是一種免訓練方法,透過在控制各模態證據介入的情況下,按 token 重新評分候選回應,揭示其對不同證據的依賴,從而緩解全模態幻覺。研究團隊構建了 OmniHalluBench,包含 3,540 個涵蓋文字、圖像、音訊和影片,以及判斷與自由形式生成的例子。實驗顯示,該方法在不同模態和任務設定下均能緩解幻覺,程式碼和基準測試集已公開。

  4. HuggingFace Daily Papers(社區熱門論文)43

    Arm-wise Compositional Generalization in Dual-Arm Vision-Language-Action Models

    研究團隊提出 ACG-Bench,評估雙臂視覺語言動作模型將熟悉技能跨手臂重新組合、應對未見任務組合的泛化能力。基準涵蓋 8 個任務家族、23 組任務與條件;以 π_{0.5} 為骨幹的 AE-VLA 在模擬中的成功率為 21.53%,在實體 SO101 機械人五種未見條件下的平均成功率為 39.00%,高於最強基線的 10.00%。

  5. ElevenLabs:Blog65

    ElevenLabs 在 ElevenCreative 推出 Flows Agent

    ElevenLabs 在 ElevenCreative 推出 Flows Agent,讓用戶以對話描述創作需求,由智能體建立、連接並執行工作流程。它會選擇合適模型、建立及連接節點,並在生成前確認影片長度、語氣和結構;啟用 Assist mode 後,高成本生成須經用戶確認。

  6. Suno:Blog46

    Suno Audio Input:用任何聲音創作歌曲

    Suno 推出 Audio Input,讓 Pro 和 Premier 用戶上載或錄製音訊,並將其延伸創作成歌曲。音訊或影片片段須為 6 至 60 秒,用戶可設定延伸時間點、曲風及是否加入歌詞。有版權的作品會被禁止上載;含人聲的輸入會保持私密,且不可搜尋。

  7. Liquid AI 模型與工程博客45

    LFM2-VL:高效視覺語言模型

    LFM2-VL 推出 LFM2-VL-450M 和 LFM2-VL-1.6B 兩款開放權重視覺語言模型,支援文字及可變解像度圖像輸入。在 GPU 上的推理速度最高達現有 VLM 的 2 倍,並原生處理最高 512×512 解像度的圖像;更大的圖像會切分為 512×512 區塊。兩款模型現已於 Hugging Face 提供,採用基於 Apache 2.0 的開放授權。

  8. Liquid AI 模型與工程博客63

    Liquid AI 發佈 LFM2-Audio-1.5B 端到端音訊基礎模型

    Liquid AI 發佈 LFM2-Audio-1.5B,這款 1.5B 參數模型支援音訊與文字輸入及生成。模型在 VoiceBench 九項音訊互動基準的總分為 56.78,ASR 基準平均詞錯誤率為 7.24。以 4 秒輸入波形測試,平均端到端延遲低於 100 ms;Liquid AI 亦提供 Python 套件及語音對話應用參考實作。

  9. Liquid AI 模型與工程博客63

    Liquid AI 發佈 LFM2.5-VL-3B 端側視覺語言模型

    Liquid AI 發佈視覺語言模型 LFM2.5-VL-3B,稱其視覺表現可媲美參數量兩倍的模型,並在多種 CPU、GPU 部署中運行更快。相較前代,屏幕理解、工具調用、定位及多圖輸入均有提升,ScreenSpot-v2 平均得分為 80.7,ToolSandbox 由 26.4 升至 59.5,RefCOCO precision@1 由 57.1 升至 87.9。

  10. Suno:Blog74

    Suno 推出新一代音樂模型 v6,提供三款模型並擴展創作功能

    Suno 推出新一代音樂模型 v6,分為 v6、v6-wild 和 v6-mini 三款,分別支援不同創作需求。v6 和 v6-wild 提供予 Pro、Premier 訂閲用戶,v6-mini 則開放所有用戶使用;三者均能理解人聲、樂器、歌曲結構、情緒和參考風格等描述。新功能包括以文字指令編輯歌曲局部、混搭多個來源、取樣並分離音訊,以及從文字、音訊、圖像或影片創作音樂。

  11. Black Forest Labs:Blog69

    FLUX 3 Video 第一部分:影片生成初始版本開放使用

    Black Forest Labs 已透過 BFL API 及指定合作夥伴開放 FLUX 3 Video 初始版本,支援文字及圖像生成影片。片段最長 20 秒,可輸出 HD(720p)及經升頻處理的 Full HD(1080p),並同步生成原生音訊,另支援影片延續、多鏡頭生成及多語言對白與唇形同步。內部評測稱其文字生成影片表現優於現有 SOTA,圖像生成影片則與 Seedance 2.0 持平。

  12. 小米 MiMo:官網發佈與博客54

    MiMo-V2.5 系列全流程推理優化實踐

    小米 MiMo 團隊介紹 MiMo-V2.5 系列的全流程推理工程優化,涵蓋 KVCache 管理、排程、Prefill/Decode 執行流程及多模態推理。多模態 Encoder 的 QPS 由 15 增至 30,平均延遲由 78.39 ms 變為 80.28 ms;1 小時影片的 Encoder 端到端延遲由 156 s 降至 23 s。

  13. NAVER / CLOVA 研究35

    聖地亞哥 NeurIPS 2025:NAVER 的 AI 現況與未來

    NAVER 在聖地亞哥舉行的 NeurIPS 2025 展示 9 篇研究論文及最新技術示範,研究聚焦效率、可控性與真實世界 AI。其中,KVzip 的記憶體節省幅度最高達 4 倍、速度提升接近 2 倍;CodeGEMM 令 70B 模型運行速度最高提升 8.93 倍。NAVER 亦提出 C-SEO Bench,並以開源方式發布數據集、程式碼及基準。