跳到正文

全部動態

RSS
今日 5 則
4月13日週一
  1. Google DeepMind75

    Gemini Robotics-ER 1.6:通過增強具身推理驅動真實世界機器人任務

    Google DeepMind 推出了 Gemini Robotics-ER 1.6,這是其專為機器人設計的最新模型,提升了空間推理、多視角理解和儀表讀取能力。該版本在安全性和物理約束遵守方面也有顯著改進,並已通過 Gemini API 和 Google AI Studio 對開發者開放。

    推薦理由:Gemini Robotics-ER 1.6 通過增強空間推理和多視角理解,顯著提升機器人在真實環境中的自主決策能力,並首次實現儀表讀取功能,為工業設施監測提供更高精度。該模型在安全性和物理約束遵守方面也表現出顯著改進,幫助機器人更安全地執行任務。

4月7日週二
  1. Cognition / Devin Blog67

    推出 SWE‑1.6:提升模型 UX

    SWE‑1.6 於 2026 年 4 月 7 日正式發布,針對軟體工程代理體驗進行最佳化,速度可達 950 tok/s,並於 Windsurf 免費使用 3 個月。

    推薦理由:SWE‑1.6 以更快速度與更低成本提供最佳化的軟體工程代理體驗,讓開發者能即時測試並提升工具使用效率。

4月3日週五
  1. Google DeepMind69

    Gemma 4 釋出:最強開源模型

    Google DeepMind 推出了 Gemma 4,四種尺寸(E2B、E4B、26B MoE、31B Dense)支援多模態、長上下文(128K–256K)和 140+ 語言,具備高階推理、函式呼叫和程式碼生成能力,並以 Apache 2.0 許可免費開放,適用於從移動端到雲端的多場景部署。

3月17日週二
  1. Mistral AI84

    釋出 Mistral Small 4

    Mistral AI 釋出了 Mistral Small 4,這是一款統一推理、多模態與編碼功能的模型,採用 119B 引數、256k 上下文視窗,支援可配置推理強度,提供 40% 的延遲降低和 3 倍的吞吐量提升。該模型採用 Apache 2.0 許可,支援 vLLM、llama.cpp、SGLang 等開源框架,並已加入 NVIDIA Nemotron 聯盟。

    推薦理由:Mistral Small 4 將推理、多模態與編碼功能統一,提供可配置推理強度和高效推理,幫助使用者在單一模型中完成多種任務。

3月1日週日
  1. Cognition / Devin Blog60

    SWE‑1.6 早期預覽:11% 基準提升與 6 倍更快訓練

    SWE‑1.6 以 11% 的基準提升與 6 倍更快的訓練速度,示範 RL 在軟體工程代理模型上的效能與使用者體驗平衡。 - 基準成績:SWE‑1.6 在 SWE‑Bench Pro 上比 SWE‑1.5 高 11%。

    推薦理由:SWE‑1.6 以 11% 的基準提升和 6 倍更快的訓練速度,示範 RL 在軟體工程代理模型上的效能與使用者體驗平衡。

2月25日週三
2月5日週四
12月9日週二
12月3日週三
  1. Mistral AI83

    Mistral AI 釋出 Mistral 3 模型系列

    Mistral AI 釋出新一代 Mistral 3 模型系列,包含 14B、8B 和 3B 的 Ministral 3 端側稠密模型,以及採用稀疏 MoE 架構、啟用引數 41B 總引數 675B 的旗艦模型 Mistral Large 3。所有模型均採用 Apache 2.0 許可證開源,支援多模態與多語言能力,推理版本也將很快推出。

    推薦理由:原文釋出了包含稠密小模型與 MoE 旗艦大模型的全新模型系列,並全部採用 Apache 2.0 許可證開源,開發者和企業可直接藉此在多端與雲端部署前沿智慧能力。

10月29日週三
10月16日週四
10月14日週二
9月6日週六
8月5日週二
  1. Ollama Blog76

    OpenAI gpt-oss 推出 20B 與 120B 開源權重模型

    gpt-oss 是 OpenAI 於 2025 年推出的兩款 20B 與 120B 開源權重模型,專為本地聊天、代理與開發者使用而設計。 - 模型規格:20B 針對低延遲、專用場景;120B 針對生產、通用高推理需求。

    推薦理由:gpt-oss 20B/120B 以低記憶體、可微調、代理功能,為本地聊天與開發者提供新選擇。

7月15日週二
  1. Mistral AI86

    Mistral AI 釋出開源語音理解模型 Voxtral

    Mistral AI 釋出了開源語音理解模型 Voxtral,包含面向生產的 24B 規格與面向端側的 3B 規格,均採用 Apache 2.0 協議開源。該系列模型支援 32k 上下文、長達 30 至 40 分鐘的音訊處理、內建問答與摘要、多語言處理及函式呼叫功能,並在多項語音轉寫和理解基準測試中表現優異。

    推薦理由:該模型提供了兩種尺寸並開源,讀者可以根據自身算力條件選擇合適的版本進行本地部署或呼叫 API。

7月11日週五
6月10日週二
5月28日週三
  1. Mistral AI61

    Mistral AI 釋出首個程式碼專用嵌入模型 Codestral Embed

    Mistral AI 釋出首個專為程式碼最佳化的嵌入模型 Codestral Embed,在真實程式碼資料的檢索任務中表現優於多個市場同類模型。該模型支援多維度與多種精度輸出,可在檢索質量與儲存成本之間進行靈活權衡。Codestral Embed 已在 API 上線,定價為每百萬 token 0.15 美元,同時提供批次 API 折扣及本地部署支援。

5月21日週三
  1. Mistral AI83

    Mistral AI 釋出 Devstral

    Devstral 是 Mistral AI 與 All Hands AI 合作推出的面向軟體工程的AI 助理 LLM,已在 SWE-Bench Verified 上取得 46.8% 的得分。

    推薦理由:Devstral 在 SWE-Bench Verified 上顯著領先開源模型,並可在單張 RTX 4090 上本地部署,適合企業私有程式碼庫。

5月7日週三
  1. Mistral AI86

    Mistral AI 釋出 Mistral Medium 3 模型

    Mistral AI 宣佈推出 Mistral Medium 3 模型,在編碼和多模態理解等專業用例中具備前沿級效能,同時顯著降低了成本。該模型支援混合部署或本地部署、自定義後訓練及企業工具整合,API 定價為每百萬 token 輸入 0.4 美元、輸出 2 美元,現已在 Mistral La Plateforme 和 Amazon Sagemaker 等平臺上線。

    推薦理由:官方公佈了該新模型的具體基準表現和定價,讀者可以據此評估其在企業級應用中的價效比。

3月17日週一
2月17日週一
  1. Mistral AI56

    Mistral Saba

    Mistral Saba 是一個 24B 引數的區域語言模型,針對中東和南亞語言提供更快、更低成本的支援。 - 語言支援:阿拉伯語及多個印度語言,特別是南印度語言如泰米爾語。

1月30日週四
11月6日週三
8月5日週一
  1. Davis Summarizes Papers73

    Meta 發布 Llama 3.1:100T 生物神經網路訓練全貌

    Meta 釋出 Llama 3.1,首次公開 100T 引數生物神經網路的訓練流程。 - 模型規模:405B 引數,使用 8 pods × 3072 H100,總計 885k H100‑days。

    推薦理由:Meta 釋出 405B Llama 3.1,展示 100T 生物神經網路訓練流程與大規模合成資料策略,對未來開源模型效能與成本曲線提供實證參考。

6月27日週四
  1. Ollama Blog72

    Google Gemma 2 以三種規模發布,27B 版效能超越同類兩倍規模模型

    Gemma 2 是 Google 推出的新一代大語言模型,提供 2B、9B、27B 三種規模。 - 核心特性:27B 版本在多項基準測試中,效能超越同類規模兩倍以上,展現出高效能與最佳化架構。

    推薦理由:Gemma 2 以三種規模提供,27B 版本效能超越同類兩倍規模模型,讀者可評估其高效架構對開發效能的影響。

5月14日週二
  1. Sam Altman Blog79

    OpenAI 推出 GPT‑4o:免費多模態語音與影像互動體驗

    GPT‑4o 於 ChatGPT 免費提供,並加入語音與影像模式,帶來「像電影般」的自然互動。 - 功能亮點:即時語音/影像輸入,回應速度與表達力接近人類,支援可選個人化與資料存取。

    推薦理由:GPT‑4o 以免費且多模態的語音與影像介面,為使用者帶來更自然的互動體驗,凸顯 OpenAI 商業與技術雙重價值。

3月28日週四
2月14日週三
1月11日週三
  1. Lilian Weng (Lil'Log)42

    大型 Transformer 模型推理最佳化

    summary_zh: 大型 Transformer 模型推理成本高昂,主要因為巨大的記憶體需求與自回歸生成的低並行度。 - 記憶體佔用:KV cache 在 batch 512、context 2048 時可達 3 TB,約為模型大小的 3 倍。

6月10日週五
6月26日週二