跳到正文
#多模态
11月6日周五
  3. Thinking Machines Lab：News79

    Thinking Machines Lab 发布 Inkling 2 Small：594B 参数 MoE 模型，下周开放 Apache 2.0 权重

    Thinking Machines Lab 发布第二代模型 Inkling 2 Small，为 594B 总参数、17B 激活的 MoE 模型，支持图像输入与 variable effort，Artificial Analysis Intelligence Index 得分 31。

    推荐理由：官方完整披露训练配方、RL 规模与安全评测，开放权重计划和基于基准的定位值得跟踪其后续表现。

  4. Hacker News：AI 热帖74

    腾讯发布开源大模型 Hy4

    腾讯发布最新一代大语言模型 Hy4，称其已进入全球领先开源模型行列，权重和系统卡将在未来几天放出。模型首次引入视觉理解和 computer-use 能力，可操作命令行和图形界面，并针对 Blender、CAD 等专业软件训练。

  11. Google Research：Blog61

    Google Research 在 Nature 发表 AI-PPG-ACC-HTN：用智能手表无袖带检测高血压迹象

    Google Research 联合 Beth Israel Deaconess Medical Center 和哈佛医学院在 Nature 发表 AI-PPG-ACC-HTN 多模态 AI 系统，用消费级智能手表的 PPG 和加速度传感数据被动检测高血压迹象，无需袖带校准。

    推荐理由：研究给出与诊室袖带流程对照的具体敏感度和PPV数据，读者可以据此评估智能watch无袖带血压筛查的实际可行度。

11月5日周四
  3. X.PIN61

    腾讯发布新模型 Hy4，据 Bloomberg 报道称其跻身中国顶尖模型之列，并计划很快开源模型权重。模型由 Hy4-Preview 扩大而来，具备原生视觉能力和 Deep Research，在独立行情图表类基准中表现超过 DeepSeek 和智谱 AI。引用推文还称其可以交易 A 股，但提示用户需自行谨慎判断。

    引用Tencent AI@TencentAI_News

    Introducing Hy4. It can see now. Best view in open weights.

  5. OpenBMB56

    面壁智能 OpenBMB 转发并感谢一篇关于 MiniCPM-OCR 的拆解，表示可靠的文档 AI 不只是抽取信息，还要知道何时复核。该拆解介绍 MiniCPM-OCR 用 1.3B 参数解析中英文扫描件、手机照片、弯曲和倾斜页面，配合 MiniCPM-OCR Jev 为抽取文本、公式和表格的可靠性评分，低置信结果可转人工复核，Jev 只标记不可靠输出而不自动修正，项目提供开放权重、微调支持及 llama.cpp、vLLM、SGLang、Ollama 推理兼容。

    引用IMOLEAYOMIDE@Olaemmy1200

    OCR pipelines can be much more reliable when you add a verification model. Instead of trusting every extracted result, you can use a second model to check how accurate the output actually is. A good example is MiniCPM OCR from @OpenBMB and ModelBest. It combines a lightweight document parser with a separate model, MiniCPM OCR Jev, designed to evaluate OCR reliability. Here’s how it works: 1. Document parsing MiniCPM-OCR uses just 1.3B parameters to extract information from Chinese and English documents. It handles scanned documents, phone photos, curved pages, tilted inputs, and even key information extraction. 2. Output verification MiniCPM-OCR Jev evaluates the extracted text, formulas, and tables to estimate how reliable the results are. You can also use it to verify outputs from other OCR models, meaning you don’t have to replace your existing pipeline. Why does this matter for AI agents? Agents are increasingly working with PDFs, invoices, research papers, and other structured documents. But one incorrect number or poorly extracted table can affect every step that follows. A simple workflow would look like this: → Parse the document with MiniCPM-OCR. → Pass the extracted content to Jev for reliability scoring. → Route low-confidence results to a human reviewer or another correction step. One important distinction: Jev identifies potentially unreliable outputs. It doesn’t automatically correct them. The project also provides open weights, fine tuning support, and inference compatibility with llama.cpp, vLLM, SGLang, and Ollama. There are also integrations through Agent Skills. If you’re building document processing agents, this is worth testing. Especially on difficult inputs like dense tables, mathematical formulas, scanned pages, and low quality phone photos. The bigger idea: Don’t just build agents that extract information. Build pipelines that can also evaluate whether that information should be trusted.

  6. Preferred Networks：AI 研究与产品61

    PFN 开放翻译特化模型 PLaMo 3 Translate，0.8B 至 31B 四个尺寸可离线运行

    Preferred Networks 将自家翻译服务使用的翻译特化 LLM PLaMo 3 Translate 以开放权重形式在 Hugging Face 公开，提供 0.8B、2B、8B、31B 四个尺寸。

    推荐理由：翻译特化模型以开放权重放出四个尺寸，小型机型也能在断网设备上本地运行，可据此评估端侧翻译部署方案。

  10. Aravind Srinivas49

    🤯

    引用Computer@AskPerplexity

    Computer rebuilt Elon Musk's 2013 SpaceX 3D visualizer app. From the YouTube video alone, Computer built a 7,677-segment Three.js wireframe of SpaceX's Merlin 1D engine, and you turn it with bare hands through a webcam. Try it: merlin-hand-control.pplx.app How Computer made it:

  11. Suno：Blog57

    Suno 支持 MIDI 文件作为创作起点

    Suno 上线 MIDI 起手功能，用户可将 .mid 或 .midi 文件拖入 Create 页面或从 + 菜单选择 MIDI 开始创作。MIDI 只包含音符与节奏等数据，用户可用自然语言指示模型严格按原谱演奏、提取动机发展新想法或更换乐器编制。该功能基于 Simple Create 模式和 v6-wild，面向所有 Pro 和 Premier 订阅用户开放。

11月4日周三
  2. 美团 LongCat：HuggingFace 新模型76

    美团发布 LongCat-2.5：1.6T 参数原生多模态 MoE 模型，MIT 协议开源

    美团 LongCat 团队发布 LongCat-2.5，总参数 1.6 万亿、每 token 约 480 亿激活，主打长时程智能体任务，结合视觉理解与智能体编码，权重以 MIT 协议开源。

    推荐理由：模型卡给出完整评测表、量化方案和 NPU 部署指引，读者可对照主流模型评估其智能体编码与视觉能力。

  3. MarkTechPost59

    腾讯 WeChat Vision 团队开源 WeVisOne-VL 视觉语言模型，统一检测、OCR、分割与抠图

    腾讯 WeChat Vision 团队发布开源视觉语言模型 WeVisOne-VL，提供 2B（2.44B 参数）和 4B（4.83B 参数）两个版本，基于 Qwen3-VL，单个模型即可完成检测、指代、计数、指向、OCR、分割和 alpha matting，像素输出由 9.6M 参数解码器生成，无需单独的 SAM，缺失目标时输出 None 而非猜测框。

  4. IT之家·人工智能73

    腾讯混元 Hy4 正式版发布，称首次跻身最强开源模型之列

    腾讯混元 11 月 4 日发布大语言模型 Hy4 正式版，官方称 Hy 首次跻身最强开源模型之列，计划近期开源模型权重并发布模型系统卡片。相比 Hy4 preview，该模型扩展了预训练和后训练规模，首次引入视觉能力和电脑操作支持，可执行细粒度图像处理、复杂图表分析、数学视觉推理及结合命令行与图形界面的任务。

  5. 公众号：腾讯混元80

    腾讯混元 Hy4 正式发布，首次引入视觉与电脑操作能力

    腾讯混元发布 Hy4 正式版，相比 Hy4 preview 扩展预训练与后训练规模，首次引入视觉能力和电脑操作支持，GameDev 与 GameLogic 评测分别提升 19.1% 和 9.8%。

    推荐理由：官方发布稿给出视觉、电脑操作、金融与科研等场景的具体评测数字和攻防安全审计结果，读者可据此评估其开源模型定位。

  9. IT之家·人工智能71

    国行 Apple 智能与 Siri 随 iOS 27.3 开发者预览版上线，iPhone 15 Pro 及更新机型可用

    苹果面向 iPhone 发布 iOS 27.3 开发者预览版，IT之家实测国行「Apple 智能与 Siri」如期上线，用户更新后可在设置中找到该功能。国行版与阿里巴巴合作接入千问，用户可在 Siri、写作工具和视觉智能中调用千问的文本与图像理解能力，登录千问账户或通过「通过 Apple 登录」即可使用，无需跳转独立应用。

11月3日周二
  2. OpenBMB47

    很高兴看到 MiniCPM-OCR 和 Jev 在 Nativ 中本地运行！🚀 感谢快速集成，也感谢分享这些令人印象深刻的结果。💙🙌

    引用Nativ@Nativ_AI

    Congrats to @OpenBMB on MiniCPM-OCR! Now in Nativ 🎉 OCR 1.0 (1.3B) reads the page in Nativ. Jev (2B), its fact-checker, runs on your Mac too and flags the lines worth a second look. On an M5 Max in full BF16: 🧾 an invoice read in 0.38 s 📄 a packed full page in under 3 s 🎯 each read checked in about 63 ms Still retyping totals off scanned invoices? Drop the page in and it's text before you've found the first number, and the scan never leaves your Mac. Download for macOS 💻 runnativ.ai Github repo 🛠 github.com/Blaizzy/nativ

  3. NVIDIA Technical Blog：Agentic AI / Generative AI55

    NVIDIA Cosmos 教程：为交互式仿真构建世界模型并部署 NIM 推理

    NVIDIA 技术博客介绍如何用 Cosmos 平台为物理 AI 构建世界模型，覆盖 Cosmos Framework 的训练、LoRA/SFT 后训练、DPO、GRPO、PPO 等强化学习管线，以及 Cosmos3-Nano 系列 checkpoint 在自动驾驶、机器人和手术场景下生成相机视频与 LiDAR 观测的推理流程。

11月2日周一