AITOP
全部 AI 动态
AI 相关资讯全量信息流
全部博客资讯推文论文
全部模型产品行业论文技巧
6月2日
09:44
09:44
09:44Pandaily@contact@pandaily.com (Pandaily)
精选
阿里巴巴通义千问团队正式推出Qwen-VLA，这是其首个面向具身智能的视觉-语言-动作模型，标志着阿里进入物理世界AI竞赛。该模型整合了视觉理解、语言推理和动作执行能力，旨在让机器人或智能体在真实环境中完成复杂任务。Qwen-VLA的发布意味着阿里在AI领域的布局从纯数字世界扩展到物理交互，与特斯拉、英伟达等公司形成竞争。此举可能加速具身智能在工业、服务等场景的落地。
AI模型具身智能视觉-语言-动作模型阿里千问Qwen-VLA机器人
推荐理由：阿里千问首次将大模型能力延伸到物理世界，做机器人或具身智能的开发者值得关注——Qwen-VLA可能降低机器人编程门槛，让AI直接驱动动作执行。
原文
06:41
06:41IT之家（博客/媒体）
精选
阿里千问大模型推出 Qwen3.7-Plus，定位为多模态交互混合智能体，在保留文本、编码、工具使用等能力基础上，强化了视觉理解、视觉推理和跨模态任务处理。该模型支持图像、视频、屏幕、网页和文本输入，可在 GUI、CLI 和工具环境中完成复杂软件与办公流程。在 Vision Arena 评测中，阿里凭借该模型进入全球前 5、中国第 1，多模态测试在 BabyVision、MathVision 等基准上提升明显。模型已通过阿里云百炼和 Qwen Studio 提供服务。
AI模型Qwen3.7-Plus多模态智能体阿里千问视觉理解
推荐理由：Qwen3.7-Plus 把视觉与语言统一到智能体基座，做多模态应用或办公自动化的团队可以直接在百炼上试，能省掉不少模型拼接的麻烦。
原文
04:47
04:47marktechpost@Asif Razzaq
78°
MiniMax 正式发布新一代大模型 MiniMax M3，采用自研的 MiniMax Sparse Attention（MSA）架构，支持高达 100 万 token 的超长上下文窗口。该模型原生支持图像、视频理解以及计算机使用（computer use）能力，并具备智能体编程（agentic coding）功能。MSA 架构通过稀疏注意力机制显著降低长序列计算成本，使得处理百万级 token 成为可能。这标志着国产大模型在长上下文和多模态融合方面迈出了重要一步，为复杂文档分析、视频理解和自动化编程等场景提供了新的基础设施。
AI模型MiniMaxM3MSA架构长上下文多模态智能体编程
推荐理由：MiniMax M3 的 1M 上下文和原生多模态能力直接解决了长文档分析和视频理解的痛点，做 RAG 应用或自动化编程的团队值得关注其 agentic coding 特性。
原文
01:41
00:33
6月1日
21:50
21:50
15:16
15:16pandaily@contact@pandaily.com (Pandaily)
精选83°
MiniMax 发布了其旗舰模型 M3，声称这是国内首个将前沿编码、智能体能力、100 万 token 上下文窗口和原生多模态处理整合在单一架构中的 AI 模型。M3 模型在多项基准测试中表现出色，尤其在长文本理解和复杂任务执行方面。该模型支持同时处理文本、图像、音频等多种输入，并具备强大的代码生成和工具调用能力。MiniMax 表示 M3 旨在为开发者和企业提供更高效、更全面的 AI 解决方案。
AI模型MiniMaxM3多模态长上下文智能体
推荐理由：MiniMax M3 将 1M 上下文、多模态和智能体能力打包进一个模型，做长文本处理或多模态应用的开发者可以直接用它替代多个模型组合，省心又高效。
原文
14:33
13:59
13:59IT之家（博客/媒体）
88°
英伟达发布全球首款全开源全模态物理AI大模型Cosmos 3，基于混合Transformer架构，融合视觉推理、世界生成与动作预测能力。该模型可原生理解并生成文本、图像、视频、环境音效及动作内容，物理仿真精度业界领先，能将训练与评估周期从数月缩短至数日。英伟达同时发起Cosmos联盟，联合多家机构推动世界模型技术发展。Cosmos 3提供Super、Nano、Edge三个版本，分别面向机器人/自动驾驶训练、快速推理和边缘端实时推理。
AI模型英伟达Cosmos 3物理AI全模态开源
推荐理由：英伟达把物理AI的门槛打下来了——全开源、全模态、训练周期从月缩到天，做机器人、自动驾驶或视觉AI的团队可以直接拿来用，省掉从头造轮子的成本。
原文
13:05
13:05IT之家（博客/媒体）
精选76°
英伟达发布 Alpamayo 2 Super，一款 320 亿参数的视觉-语言-动作（VLA）开源模型，专为 L4 自动驾驶研发设计。该模型具备类人感知、推理与行动能力，支持全车环视感知和元动作输出，可免去企业从零搭建核心基础设施。英伟达同步推出 AlpaGym 闭环强化学习平台、OmniDreams 世界模型等工具，打通从数据采集到车载部署的全流程。模型定位为教师模型，可通过知识蒸馏部署在 DRIVE AGX Thor 芯片上，已获比亚迪、吉利等车企采用。推理代码预计夏季开源。
AI模型英伟达Alpamayo 2 Super自动驾驶开源模型VLA模型
推荐理由：英伟达把自动驾驶模型参数翻了三倍，还开源了全套工具链，做 L4 研发的团队可以直接省掉从零搭建的环节，建议关注夏季开源代码。
原文
12:50
12:50IT之家（博客/媒体）
精选78°
英伟达发布 Nemotron 3 Ultra 开源模型，拥有 5500 亿参数，采用混合专家架构，专为全天候运行的自主智能体设计。该模型在推理速度上较同级别前沿模型最高提升 5 倍，使用成本降低 30%，并已适配 Hermes Agent、LangChain 等主流智能体平台。同时推出安全防护和语音识别模型，增强企业级智能体能力。CrowdStrike 和 Palantir 已将其用于网络安全和业务流程自动化。模型将于 6 月 4 日通过 Hugging Face 等平台以 NIM 微服务形式开放。
AI模型英伟达Nemotron 3 Ultra开源模型智能体混合专家模型
推荐理由：英伟达把大模型推理速度和成本同时优化了，做智能体开发或企业自动化的团队可以直接用上，比现有开源方案更高效省钱，值得关注。
原文
12:36
10:02
10:02IT之家（博客/媒体）
78°
MiniMax 稀宇科技发布了旗舰模型 M3，宣称是首个同时具备前沿编码与智能体能力、百万上下文和原生多模态的国产模型。M3 在编码与智能体评测中达到行业顶尖水平，能自主拆解任务、调用工具和多步推理，API 最高支持 1M tokens 上下文窗口。在 BrowseComp 智能体评测中，M3 以 83.5 分超越 Opus 4.7。M3 是原生多模态模型，从预训练阶段就进行多模态训练，使文本和视觉语义高度对齐。MiniMax 还展示了 M3 独立复现 ICLR 论文和自主训练四个 Base 模型的能力。API 已上线，提供标准版和高速版，价格有 7 天限时五折优惠，模型即将开源。
AI模型MiniMax M3国产旗舰模型百万上下文原生多模态编码与智能体
推荐理由：MiniMax M3 把编码、智能体、长上下文和多模态全塞进一个模型，做复杂自动化或长视频分析的开发者可以直接试，价格还有限时折扣。
原文
07:39
5月31日
19:45
18:30
17:48
10:19
5月30日
23:18
23:18IT之家（博客/媒体）
精选72°
智元机器人自研的世界模型 Genie Envisioner-Sim 2.0（GE 2.0）在具身领域热门榜单 WorldArena Track1 中登顶，该赛道评测世界模型的感知与动作响应能力。GE 2.0 仅用 20 亿参数，就超越了英伟达、微软等团队的超大参数模型，验证了轻量化模型在人形机器人应用中的适配性。该模型首次全面覆盖长时序生成、多视角生成、本体状态生成、近实时推理及奖励判别等核心环节，在长时序推理中能稳定生成 40-50 秒高质量视频，且与真实世界保持强相关性。GE 2.0 还具备奖励模型机制，可自动筛选高质量数据回流给策略模型，助力多项任务性能提升。
AI模型世界模型具身智能智元GE 2.0轻量化模型
推荐理由：智元用 2B 参数模型在具身智能世界模型赛道击败英伟达等巨头，做机器人或具身智能的开发者值得关注——轻量化方案可能改写行业路线。
原文
10:33
10:33IT之家（博客/媒体）
精选72°
英伟达联合香港理工大学、南京大学发布 LocateAnything 模型，专为机器人和 AI Agent 设计，实现高速、高精度对象检测。该模型通过并行框解码在单步内预测边界框，提供 Fast、Slow 和 Hybrid 三种模式，兼顾速度和精度。在单张 H100 GPU 上，Hybrid 模式每秒处理 12.7 个框，远超 Qwen3-VL 等模型。训练数据涵盖 12M 图像和 138M 查询，覆盖多种定位场景。该模型在 LVIS 高精度任务和 ScreenSpot-Pro 等基准上表现优异。
AI模型英伟达LocateAnything对象检测机器人感知AI Agent
推荐理由：机器人感知和 GUI 自动化开发者终于有了一个兼顾速度和精度的检测方案——LocateAnything 的并行解码设计让实时交互成为可能，做具身智能或屏幕操作 Agent 的团队值得直接试。
原文
05:27
5月29日
17:17
17:17IT之家（博客/媒体）
76°
小米大模型应用团队开源了 ControlFoley，一个统一的可控视频音效生成框架，解决了视频配音中“按意图控制声音”的难题。该模型支持三类任务：文本引导视频配音、文本控制视频配音（当文本与画面冲突时优先遵循文本）、以及参考音频控制视频配音（保持音色风格同时同步动作）。ControlFoley 采用时空音视频编码器 CAV-MAE-ST 增强音画同步理解，并通过时间-音色解耦策略避免参考音频干扰节奏。在多个基准测试上，ControlFoley 达到开源 SOTA，甚至在某些指标上超越商业闭源系统 Kling-Foley。代码、模型权重、在线 Demo 均已开放。
AI模型小米ControlFoley视频音效生成可控生成开源模型
推荐理由：做视频创作或音效生成的开发者终于有了可控的配音工具——ControlFoley 让声音按文本或参考音频来，而不是被画面牵着走。建议直接试在线 Demo，看看它如何解决“画面是A但想要B声音”的痛点。
原文
16:39
15:35
11:17
09:07
09:07IT之家（博客/媒体）
精选76°
阶跃星辰今日发布并开源 Step 3.7 Flash，这是一款面向 Agent 生产化阶段的新一代 Flash 模型。该模型采用稀疏 MoE 架构，总参数 196B，激活参数 11B，最高生成速度达 400 Tokens/s，适合高频、多轮、低等待的 Agent 应用。Step 3.7 Flash 具备原生多模态理解与执行、联网与视觉搜索增强、高可靠工具调用与编排等能力，并针对主流 Agent 框架和 MCP 协议进行了兼容优化。开源链接包括 Model Page、GitHub、Huggingface 和 Modelscope，国内海外平台均提供 API 接入。
AI模型阶跃星辰Step 3.7 Flash开源/仓库Agent/智能体多模态
推荐理由：做 Agent 开发的团队终于有了一个原生优化、速度极快的开源模型——Step 3.7 Flash 直接兼容 Claude Code、MCP 等主流框架，接入成本低，值得立刻试跑。
原文
08:38
08:38Simon Willison’s Weblog（博客/媒体）
精选76°
Anthropic 发布了 Claude Opus 4.8，官方描述为“微小但切实的改进”。该模型最大的亮点是诚实性提升，在评估中错误率最低，主要通过不确定时主动弃权而非强行回答来减少幻觉。定价与 Opus 4.7 相同，但新增了“快速模式”且价格大幅降低。技术上新支持对话中插入系统消息，可动态调整指令而不影响缓存，对长对话和智能体循环更友好。提示缓存最低门槛也从 1024 降至 512 token，进一步降低成本。
AI模型Claude Opus 4.8Anthropic诚实性对话系统消息提示缓存
推荐理由：Anthropic 坦诚承认这是小幅升级，但诚实性改进和对话中系统消息功能对做长对话应用或智能体开发的团队很实用，建议关注缓存优化带来的成本节省。
原文
07:36
06:54
06:54IT之家（博客/媒体）
83°
Anthropic 于 5 月 29 日发布旗舰模型 Claude Opus 4.8，重点提升编程、智能体和知识工作能力。相比 Opus 4.7，新模型在复杂任务中更稳定，能主动提问、识别错误，并减少无依据结论。官方评估显示，其放任代码缺陷的概率降低约 4 倍，同时亲社会行为指标创新高。claude.ai 新增 effort 程度控制，用户可平衡质量与响应速度。定价不变，快速模式速度提升 2.5 倍，成本降至 1/3。
AI模型Claude Opus 4.8编程助手智能体推理模型可靠性
推荐理由：做 AI 编程和智能体开发的团队终于有了更可靠的模型——Opus 4.8 减少无依据结论，主动标出不确定性，建议在复杂多步骤任务中直接试用。
原文
05:36
5月28日
17:17
17:17marktechpost@Asif Razzaq
精选72°
Perplexity AI 开源了其重写的 Unigram 分词器，该分词器在 p50 延迟上比 Hugging Face tokenizers crate 低 5 倍，同时将生产环境的 CPU 利用率降低了 5-6 倍。这一改进主要针对重排序器（reranker）的延迟瓶颈，通过优化分词效率来提升整体推理性能。开源版本已在 GitHub 上发布，可供开发者直接使用。对于依赖大规模文本处理的 AI 团队来说，这能显著降低计算成本并加快响应速度。
AI模型分词器开源/仓库Perplexity AI延迟优化推理加速
推荐理由：做搜索或 RAG 系统的团队终于有了更快的分词方案——Perplexity 开源的这个 Unigram 分词器直接降低 5 倍延迟和 6 倍 CPU 消耗，建议有高吞吐需求的开发者立刻试一下。
原文
16:10
15:39
15:39
15:35
14:49
03:09
02:42