新Ai2 发布 MolmoWeb：首个开放权重、全视觉的网页智能体，打破 API 黑盒
在浏览器智能体（Browser Agent）领域，工程师们长期面临一个两难选择：要么使用功能强大但完全封闭、无法审计的专有 API（如 OpenAI Operator、Anthropic Comput...
排序
Holo Company 发布 Holo3：开源企业级计算机使用模型新标杆
Holo Company 正式推出 Holo3，一款专为企业自动化设计的尖端计算机使用模型（Computer Use Model）。该模型在权威的 OSWorld-Verified 基准测试中取得了 ...
英伟达发布 Nemotron OCR v2：企业级多语言文本识别OCR模型
英伟达正式推出了 Nemotron OCR v2，这是一款专为复杂真实世界场景设计的尖端多语言光学字符识别（OCR）模型。作为 NVIDIA NeMo Retriever 系列的核心成员，该模型不仅实...
阿里正式发布Qwen3.6-Plus ：迈向现实世界智能体的关键一步
阿里巴巴今日正式宣布 Qwen3.6-Plus 上线，标志着通义千问系列在智能体（Agent）编程与原生多模态推理领域实现了里程碑式的跨越。作为 Qwen3.5 系列的继任者，Qwen3.6-Plus...
阿里通义千问发布 Qwen3.5-Omni：全模态原生大模型，215 项 SOTA 碾压 Gemini 3.1 Pro
“能听、能看、能思考、能执行，还能像真人一样打断和克隆声音。” 阿里巴巴正式发布了其最新一代全模态原生大模型——Qwen3.5-Omni。这款模型不仅在文本、图像、音频、视频的理解上实现了全面融合，更...
Meta 发布 TRIBE v2：AI 模型可精准预测大脑反应，神经科学迎来“数字孪生”时代
脑科学研究长期受限于高昂的实验成本和缓慢的数据采集速度。功能性磁共振成像（fMRI）不仅需要昂贵的设备，还要求受试者长时间配合，且数据充满噪声。 GitHub：https://github.com/f...
美团开源 LongCat-Next：原生多模态新范式，用“离散 Token”统一文本、图像与语音
在人工智能迈向“通用智能”的征途中，如何处理文本、图像、语音等多种模态数据，一直是业界最大的挑战之一。传统方案往往需要为不同模态设计独立的编码器，或采用复杂的跨模态对齐机制，导致模型架构臃肿、训练困难...
AI终于能“边看视频边记人”！北大等联合推出PEARL，实时互动不“失忆”
想象一下这个场景：你正在看一部长达两小时的电影直播，中途你指着屏幕对 AI 助手说：“记住那个穿红衣服的女孩，她叫小红。” 十分钟后，你问：“小红现在在干嘛？” AI 立刻回答：“她在厨房切菜。” 半...
Attend Before Attention：伯克利与英伟达联手，让AI像人眼一样“扫视”视频，推理提速19倍
在视频理解领域，长久以来存在一个巨大的效率悖论：人类只需扫视关键物体就能理解场景，而AI模型却必须像素级地“硬啃”每一帧。这种对时空冗余数据的无差别处理，导致当前的多模态大语言模型（MLLM）在面对长...
百度千帆发布 Qianfan-OCR：4B 参数端到端模型，文档解析能力全球第一
百度千帆团队推出 Qianfan-OCR，这是一款参数量仅为 4B 的端到端文档智能大模型。不同于传统“检测 + 识别 + 理解”的多阶段流水线，Qianfan-OCR 在单一的视觉 - 语言架构内...
智谱 AI 重磅发布 GLM-5-Turbo：专为 OpenClaw“龙虾”打造的极速智能体引擎
在 AI 智能体（Agent）从“对话”走向“执行”的关键时刻，智谱 AI 正式推出了 GLM-5-Turbo —— 一款专为 OpenClaw（俗称“龙虾”）场景深度优化的基座模型。 国内版： 文档...
LCO-EMB：阿里达摩院新突破，用“纯文字”训练出全能多模态AI
想象一下，你只需要教 AI 读书（文字），它就能无师自通地看懂图片、听懂音频、理解视频。这听起来像魔法，但阿里达摩院最新推出的 LCO-EMB（Language-Centric Omnimodal E...
