跳到正文
实时
#多模态
10月31日周六
  5. 量子位38

    联想天禧AI 4.5重磅发布：三大场景打造“职场超能搭档”

    联想天禧AI 4.5迎来AIPC端正式发布，实现AIPC、AI平板、AI手机多端覆盖。围绕职场痛点，以“超全能办公、超高效会议、超省心差旅”三大场景体验重磅升级，通过连接器与技能全打通、AI实时脑暴、全双工语音交互等能力，实现跨端协同与软硬一体进化。联想AI主机升级天禧4.5，支持7×24小时全天候在线自主推进复杂任务，实现Token自由。

10月30日周五
  1. Hugging Face Daily Papers60

    Youtu-Parsing-Omni：统一多模态解析器，单编码器单架构覆盖所有模态

    Youtu-Parsing-Omni 将文档、图像、音频和视频编码为时空结构化记录，通过自进化策略蒸馏实现最优解析效果。单模态编码器共享权重并融合跨模态信息，单架构统一十种解析任务输出，5B参数版本在 OmniDocBench v1.6 和 OmniParsingBench 上取得 96.96 和 75.08 的顶尖成绩，代码和权重开源。

  2. IT之家 · AI78

    小米开源 0.8B 文档理解模型 Xiaomi-OCR-0，支持 Markdown 与 JSON 输出

    小米开源轻量级文档理解模型 Xiaomi-OCR-0，参数规模 0.8B，权重与推理代码已上线 Hugging Face 和 GitHub，单一模型覆盖文档解析、关键信息抽取与 OCR 视觉问答三类任务。

    推荐理由: 0.8B 参数在 OmniDocBench v1.6 上位列总榜第二，且权重、MCP 服务与 Skill 工具包一并开放，可据此判断小模型做文档解析的边界。

  9. Hugging Face Daily Papers65

    A-RSI：自适应任务刷新实现零数据多模态自改进

    A-RSI 通过基于学习信号下降刷新训练任务，并使用可独立验证的程序生成答案，在无需外部标签的情况下提升基准测试性能。该模型监控训练日志中的奖励变化和准确率来刷新任务池，并利用静态模型自编程库生成多模态问题及其参考答案，同时自动验证奖励和刷新规则的属性并审计生成答案。在十一项基准测试中，A-RSI 通过 800 个新任务将平均性能从 57.77 提升至 61.05。

  10. MarkTechPost58

    Edge0 发布 0.6B 参数语音克隆 TTS 模型 Audio8-TTS-Realistic

    Edge0 发布开源文本转语音模型 Audio8-TTS-Realistic，0.6B 参数量支持 23 种语言零样本语音克隆，在 CV3 基准测试中平均误差率 4.86% 优于 Qwen3-TTS-1.7B 和 VoxCPM2，但低于 4B 级别的 Higgs TTS 3。模型采用双自回归架构，包含 24 层宽度 896 的慢分支和 4 层并行预测快分支，并使用学习型真实感评论家进行训练。

  12. IT之家 · AI82

    Mistral AI 开放 Mistral Large 4 模型权重：1T 参数，编程智能体更省 Token

    Mistral AI 于当地时间 10 月 29 日正式开放 Mistral Large 4（代号 le Chonk）模型权重，这是一款 1 万亿总参数、490 亿激活参数的原生多模态模型，在欧洲自有数据中心用 3,800 块 NVIDIA Grace Blackwell GPU 从零训练。

    同一新闻，精选展示《Mistral 发布万亿参数开源模型 Mistral Large 4（Le Chonk）》

10月29日周四
  3. Hugging Face Blog85

    Mistral Large 4（Le Chonk）在 Hugging Face 发布

    Mistral 发布多模态 MoE 模型 Mistral Large 4（Le Chonk），约 1T 总参数、49B 激活参数，上下文窗口 1M tokens，提供 FP8 与 NVFP4 两个官方版本，另有 Unsloth 和 llama.cpp 团队制作的 GGUF。

    同一件事 · 2 家

    推荐理由: 原文给出 1T 总参数、49B 激活的 MoE 多模态模型在网络安全与编码基准上的具体分数，并附本地与端点部署实测吞吐。

  6. 量子位72

    Genspark 发布 Media Studio 视频 Agent 工作台

    Genspark 发布视频 Agent 工作台 Media Studio，接入 20 多家厂商的 70 多个模型版本，由大语言模型担任导演负责写剧本和调度视频、图像、音频模型。

    推荐理由: 作者完整实测了从短剧到知识讲解片的全流程，读者可据此判断多模型编排在真实创作中的完成度与短板。

  9. 量子位

    分子之心MMDesign在AI制药领域取得突破性进展

    分子之心AI蛋白质从头设计平台MMDesign完成18个设计项目，成功率94.7%，其中六个GPCR靶点全部命中，最优亲和力达纳摩尔级；平台通过“生成-筛选-验证”工作流，在计算空间生成数万个候选分子后，仅测试9-50个即获成功，整体候选命中率30.7%，展现出高效精准的分子设计能力。

  10. 量子位

    逐际动力发布 FluxVLA Engine V2 技术报告，工程能力一键复用让具身智能研发更高效

    逐际动力发布 FluxVLA Engine V2 技术报告，通过统一配置、模块解耦和系统优化，实现模型训练、评测与部署全链路复用，支持14种主流策略接入，推理路径频率提升2.31–9.64倍，在ALOHA、双臂Franka等6款真机验证闭环执行，在线强化学习使SmolVLA成功率提升10.0–15.4个百分点。

  11. 量子位

    逐际动力发布 FluxVLA Engine V2 技术报告，提升具身智能研发效率

    逐际动力更新了开源工程底座 FluxVLA Engine 的第二版技术报告，V2 在仿真侧支持 14 种策略接入 LIBERO 评测，推理端模型路径频率提升 2.31–9.64 倍，并在 ALOHA、双臂 Franka 等真机平台验证部署链路。在线强化学习使 SmolVLA 在 LIBERO-10 和 RoboTwin Clean 任务成功率分别提升 10.0 和 15.4 个百分点。

  13. Hugging Face Daily Papers

    嵌入Gemma 2：统一高效的跨模态表示模型

    EmbeddingGemma 2 是一个开源的多模态嵌入模型，将文本、图像、音频和视频表示统一在高效且资源灵活的设计中，并在基准测试中表现优异。它在所有模态的嵌入基准测试中建立了新的帕累托前沿，优于专业模型和规模大两到十二倍的其他模型。该模型支持选择性模态编码器加载、可调节的视觉标记预算、可截断的嵌入维度和量化权重，以适应资源受限的环境。

  14. ByteDance Seed · Hugging Face 新模型

    ByteDance-Seed/GenFirst 发布：一种用于稳定端到端潜在生成建模的生成前置重建方法

    ByteDance-Seed/GenFirst 训练一个潜在 VAE 并联合一个生成先验，避免通常使端到端训练不稳定的潜在崩溃。该方法的两个阶段计划用于先验和熵权重：第一阶段让先验塑造潜在几何形状，第二阶段将两者权重十倍降低，使解码器恢复细节。