搜索
近两年，视频生成模型在具身智能领域受到持续关注。从 UniPi、SuSIE 到各类 action-conditioned video generation 变体，其核心思路一致：先由模型生成一段未来视频，再从中提取动作信号供机器人执行。
PhyMAGIC通过让物体动起来，从视频中提取物理证据，帮助准确推断材料属性。它结合图生视频与视觉语言模型，生成针对性运动探针，并不断修正物理参数，最终构建出可微分的3D动态模型，实现更符合现实的视频生成。
随着 DeepSeek 发布 DSpark，动态 MTP（多 Token 预测）成为了对抗高并发、提升 GPU 利用率的绝对焦点。然而，DSpark 高度绑定特定模型且需要额外训练。
7 月 16 日，月之暗面正式发布 Kimi K3：总参数量 2.8 万亿（2.8T），原生视觉理解，100 万 token 上下文，并且——开源权重。这是历史上第一个摸到 2.8 万亿参数量级的开源模型。前任"开源最大模型"的纪录保持者？也是它自己。
这两天，大模型竞技场Arena上出现了一个新的匿名模型，代号Kivine。经过测试和对比，再结合此前Kimi-K2.5和K2.6的匿名代号“Kiwido”和“Kiwire”，越来越多的开发者们开始猜测这个匿名模型其实就是Kimi-K3。
近日，商汤科技发布并全面开源日日新SenseNova-Vision理解生成统一视觉大模型，试图宣告视觉AI“缝合怪”时代的终结。截至当前，该模型综合得分登顶Hugging Face Any-to-Any Leaderboard，位列该全模态任意输入输出开源模型榜单全球第一。
今天，小米刚刚扔出一颗“深水炸弹”——Xiaomi-Robotics-1具身基座模型，试图改变这一局面。Xiaomi-Robotics-1基于10万小时真实世界操作轨迹进行预训练，再用约1.1万小时跨本体数据完成后训练。据悉，这是国内首次在机器人策略模型中，对Scaling Law进行较为完整的系统验证。
时至今日，全球大模型格局已成定数，还有必要耗费巨资从零开始训练一个新模型吗？
很多人以为，把一个大模型放进手机或电脑，就像下载一个 App 一样简单。实际上，手机、电脑和智能硬件的芯片各不相同，同一个模型换一台设备，往往就要重新适配。Nexa AI 做的，就是解决这部分最麻烦也最容易被忽视的工作。
全双工语音对话是人类最自然的交流方式，是语音对话研究的梦想。相比文本输入，语音天然更接近人的交流方式，但现有语音对话常常停留在 “一问一答、听完再说” 的轮次式交互范式。