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13日
13:17
13:17
13:11
13:08
13:05
13:00
12:58
11:17
11:15
11:05
10:55
10:53
10:40
10:38
10:35
10:34
10:25
10:18
10:14
09:55
09:55rohanpaul_ai@rohanpaul_ai
精选73°
NVIDIA 发布了首个智能体 AI 基准测试 AgentPerf 的结果。该基准由 Artificial Analysis 推出，测试系统在保持响应性的同时能并发运行多少个智能体。GB300 NVL72 在最低服务层级达到每兆瓦 61.4K 并发智能体，而 H200 仅为 2.6K，性能提升约 23.6 倍。测试模拟了真实编码智能体路径，涵盖 12 种以上编程语言，请求长度从 5K 到 131K token 不等，平均约 27K token。性能提升得益于 72 块 GPU 通过 NVLink 组成机架级系统，以及优化 MoE 专家分配、通信与计算重叠等软件技术。
AI模型NVIDIAGB300 NVL72H200
事件专题
推荐理由：NVIDIA 首个智能体基准，GB300 比 H200 强 23 倍
原文
09:48
09:46
04:21
6月12日
23:46
23:46Claude@claudeai
Claude Fable 5 已发布数天，社区迅速基于该模型构建了多个项目。这些项目展示了 Fable 5 在创意、编程和交互方面的潜力。该模型因其强大的生成能力和灵活性受到开发者关注。目前已有 48 条评论、14 次转发和 280 个点赞，社区反响热烈。
AI模型Claude Fable 5社区项目创意应用
事件专题
推荐理由：Claude Fable 5 刚发布就催生了大量创意项目，做 AI 应用开发的团队值得看看社区在玩什么，能直接激发你的下一个项目灵感。
原文
22:52
22:52官方账号NVIDIA AI@NVIDIAAI
MiniMax 团队发布了 MiniMax M3，这是一个支持文本、图像和视频推理的长上下文多模态模型。模型采用稀疏注意力机制，总参数量约 428B，激活参数仅约 23B，在保持高性能的同时大幅降低了计算成本。该模型已开源权重，可在 Hugging Face 获取，并可通过 NVIDIA 的 GPU 加速端点免费试用。M3 的长上下文能力使其在处理视频、长文档等场景中具有优势。
AI模型MiniMaxM3多模态模型
事件专题
推荐理由：多模态推理模型终于有了高效的开源选择——MiniMax M3 用 23B 激活参数实现长上下文多模态推理，做视频分析或长文档处理的团队可以直接在 NVIDIA 端点免费试，值得关注。
原文
22:47
22:47官方账号vLLM@vllm_project
73°
MiniMax AI 发布了新一代开源模型 MiniMax M3，具备前沿的编码和智能体能力，原生支持图像和视频输入、计算机使用功能，并拥有 100 万 token 的上下文窗口。其核心是 MSA（MiniMax Sparse Attention）稀疏注意力架构，通过仅对 top 128-token KV 块进行注意力计算，大幅降低了长上下文推理的计算成本。M3 已在 vLLM 中实现首日支持，可在 NVIDIA 和 AMD 硬件上运行，支持 BF16 和 MXFP8 检查点、MoE 后端、多模态输入、工具调用和推理控制。这一成果是 MiniMax、NVIDIA、AMD 和 vLLM 社区合作的结晶。
AI模型MiniMax M3稀疏注意力1M上下文
事件专题
推荐理由：M3 的 1M 上下文和稀疏注意力架构解决了长文档和复杂智能体任务的性能瓶颈，做 RAG、代码分析和自动化工作流的团队可以直接在 vLLM 上部署试用。
原文
22:18
22:18官方账号LMSYS Org (SGLang)@lmsysorg
73°
SGLang 宣布 Day-0 支持 MiniMax-M3，这是 MiniMax 推出的原生多模态 MoE 推理模型，总参数量约 428B（活跃参数约 23B），支持文本、图像和视频的融合处理。M3 采用 MiniMax 稀疏注意力机制，在 1M 上下文下相比 M2 实现 9 倍预填充和 15 倍解码加速，每 token 计算量降至 1/20。该模型在编码和协作任务上达到前沿智能体性能，并原生支持 NVIDIA Blackwell 和 AMD MI350X/MI355X 上的 MXFP8 格式。开发者可通过 SGLang 立即运行该模型。
AI模型SGLangMiniMax-M3多模态
事件专题
推荐理由：SGLang 第一时间支持 MiniMax-M3，做多模态推理和长上下文应用的团队可以直接上手体验 428B 模型的稀疏注意力加速，编码和智能体任务表现值得一试。
原文
21:56
21:56官方账号vLLM@vllm_project
Kimi 发布 K2.7-Code，一个专注于编程的智能体模型，基于 K2.6 构建。该模型采用 1T 参数的混合专家架构，每次推理仅激活 32B 参数，配备 MLA 注意力机制和 256K 上下文窗口。相比 K2.6，K2.7-Code 的思考 token 减少了约 30%，推理更高效。该模型已获 vLLM 支持，可直接复用 K2.6 的部署配置，降低了迁移成本。
AI模型编程智能体MoE/混合专家Kimi
推荐理由：编程智能体模型终于有了更高效的选择——K2.7-Code 在保持 1T 参数规模的同时，将激活参数压缩到 32B，做代码生成和推理的开发者可以直接在 vLLM 上复用现有部署，值得一试。
原文
21:33
20:13
20:13shao__meng@shao__meng
73°
Kimi 开源了最新编码模型 K2.7-Code，基于 K2.6 针对编程 Agent 专项优化，重点提升长链路编码任务成功率并减少推理 token。在编码基准上全面进步，其中 Kimi Code Bench v2 提升 21.8%，MLS Bench Lite 提升 31.5%。Agent 方面，MCP Mark Verified 得分 81.1，超过 Opus 4.8 的 76.4，在多工具编排上具备竞争力。效率方面，推理 token 整体减少约 30%，Program Bench 的 token 消耗降低 42% 同时分数提升。模型支持强制 Thinking 模式、Preserve Thinking 和多模态输入，已在 Hugging Face 开源。
AI模型KimiK2.7-Code编码模型
推荐理由：K2.7-Code 在 MCP 场景下超过 Opus 4.8，且推理 token 减少 30%，做编程 Agent 的团队可以直接用开源模型跑长任务，成本更低、成功率更高。
原文
17:56
14:46
14:43
14:43Philipp Schmid@_philschmid
Agents' Last Exam (ALE) 是一个针对 AI 智能体的新基准测试，包含来自 55 个行业的 1000 多个真实专业任务，所有任务都源自实际专家工作，而非合成数据。测试结果显示，最佳智能体在最简单任务上得分低于 50%，在困难任务上低于 10%，最前沿模型在最高难度任务上通过率为 0%。模型选择对性能的影响大于工具链（harness），且增加 token 消耗并不能提升结果。智能体常见失败模式包括策略错误（47%）、领域知识缺失（31%）和执行错误（22%），且 34% 的任务需要 GUI 软件，但智能体倾向于回避并采用 CLI 变通方案。
AI模型智能体基准测试ALE
推荐理由：ALE 揭示了当前 AI 智能体在真实专业任务上的真实水平，做智能体开发或评估的团队值得关注——它可能是衡量 Agent 能力的最后一把尺子。
原文
14:19
14:19AI Will@FinanceYF5
Boris Cherny 评价 Fable 5 是自 Opus 4.5 以来最显著的模型升级。该模型从单纯的编码助手进化为产品构建中的思考和设计伙伴，具备判断力、品味和维度感。在调试任务中，Fable 5 展现出前所未有的系统性和精确性，会自动测量、添加日志并验证修复效果。Cherny 认为这种能力并非来自提示工程，而是模型本身的“人格”特质，带来了从未体验过的“大模型气息”。
AI模型Fable 5编程助手推理模型
事件专题
推荐理由：Fable 5 解决了 AI 编程从工具到伙伴的跃迁问题，做复杂产品开发的团队值得一试——它不再只是帮你写代码，而是能和你一起设计。
原文
14:18
14:18AI Will@FinanceYF5
TypeScript创始人Boris Cherny高度评价Fable 5，称其为自Opus 4.5以来最大的模型跨越。他指出，之前的Claude更像一个编码agent，而Fable 5已经进化为产品设计伙伴，具备判断力、品味和维度感。例如，在debug时，它会主动添加日志、验证修复，并确认问题真正解决后才宣布完成，而这些行为没有任何prompt要求。Cherny表示，这是第一次感受到“大模型的气息”，暗示模型开始展现出类似人类的主动性和性格。
AI模型Fable 5Claude产品设计
事件专题
推荐理由：做产品设计和开发的团队值得关注——Fable 5不再是简单的编码工具，而是能主动思考、有品味的协作伙伴，看完你会重新定义AI在项目中的角色。
原文
13:35
13:23
13:15
13:15官方账号Physical Intelligence@physical_int
精选
Physical Intelligence 开发了一种强化学习（RL）方法，用于在数小时甚至数分钟内微调其模型以执行精确任务。该方法不训练整个模型，而是向最新模型 π-0.6 添加一个“RL token”输出，由小型 actor 和 critic 网络使用，通过 RL 快速学习。这大幅降低了模型微调的时间和计算成本，适用于机器人等需要快速适应新任务的场景。该技术有望加速 AI 在物理世界中的应用部署。
AI模型强化学习微调π-0.6
推荐理由：Physical Intelligence 的 RL 微调方法解决了模型适应新任务耗时长的痛点，做机器人或物理 AI 的团队可以大幅缩短部署周期，值得关注。
原文
13:14
13:14官方账号Physical Intelligence@physical_int
精选
Physical Intelligence 为其机器人模型开发了一套记忆系统，结合了短期视觉记忆和长期语义记忆。该系统使机器人能够执行复杂的长任务，如清理厨房或从头制作烤奶酪三明治。这一突破解决了机器人长期任务执行中的记忆瓶颈，提升了自主性和实用性。
AI模型机器人记忆系统Physical Intelligence
推荐理由：机器人团队终于有了实用的记忆方案——短期视觉+长期语义让机器人能完成厨房清理、做三明治等长任务，做机器人开发的建议点开看看。
原文
13:14
13:14官方账号Physical Intelligence@physical_int
Physical Intelligence公司提出，通用AI模型已驱动许多数字应用，而类似π0.6的“物理智能层”将推动物理世界的新应用。该公司已与多家企业合作，部署机器人执行实际任务。π0.6模型旨在为机器人提供通用智能，使其能适应复杂物理环境。这一进展标志着AI从数字领域向物理世界的扩展，有望加速机器人商业化应用。
AI模型π0.6物理智能机器人
推荐理由：Physical Intelligence的π0.6模型正在将AI能力从数字世界延伸到物理世界，做机器人或自动化应用的团队值得关注——它可能成为机器人通用智能的基础层。
原文

仅展示最近 2000 条内容。更早的内容请查阅 AI 日报存档（侧边栏 → AI 日报 → 顶部「往期日报」）。