标签
VLX-Seek-1.5-10B 是 omlab 推出的开源 10B 视觉语言模型，专为无人机、机器人和监控等具身场景中的细粒度视觉定位而设计，采用区域引用定位而非坐标生成。
MiCoPro 提出了一种用于混合精度量化的端到端软硬件协同设计框架，利用硬件感知代理模型在延迟约束下搜索最优的逐层位宽，并直接部署到边缘硬件，在准确率下降不到3%的情况下，实现了最高40%的延迟降低。
一位开发者展示了如何使用 llama.cpp 在 Amazon Echo Dot 2 上本地运行 28M 参数 LLM，生成速度约 4 tokens/s，通过提示缓存实现约 2.3 秒延迟，从而支持简单的离线语音命令。
TechCrunch Disrupt 2026 宣布新设 Real World AI 舞台，聚焦物理世界中的AI，展示机器人、自动化工厂和灭绝物种复活技术，演讲者来自 Shield AI、Colossal Biosciences、FieldAI 等，活动将于10月13日至15日在旧金山举行。
VisionPsy-Nano-460M-Flash 是一款全新的460M视觉语言模型，每张图像仅使用64个视觉token，在iPhone上首token延迟降至0.3秒，同时保留了完整模型约99%的基准分数。这种优化牺牲了部分OCR和精细细节质量。
Qapla'是一个项目，演示了在8美元的ESP32-S3微控制器上从头训练一个小型Transformer语言模型，表明无需GPU或数据中心即可实现设备端训练。
Liquid AI 发布了 LFM2.5-2.6B，这是一款端侧智能体模型，能够在手机、笔记本电脑、PC 和机器人上规划任务、调用工具并完成多步操作，且数据始终不离开设备。
作者利用GPT-5.6在10小时内完成了一个ESP32-CAM上的车库门识别项目，涵盖数据收集、标注、训练、量化与部署，展示了AI在硬件开发中的自主能力，并分享了人机协作的经验。
NVIDIA展示了用于边缘AI和机器人的Jetson平台，重点介绍了紧凑但强大的Jetson Orin Nano Super开发者套件，该套件支持在任何地方构建AI智能体和机器人。
加入ipXchange即将举办的网络研讨会，学习如何使用Arduino UNO Q构建端到端AI应用，并将其部署到安装摄像头的机械臂上，用于工业检测。
一位开发者演示了如何在仅8美元的ESP32-S3微控制器上运行一个2890万参数的语言模型，利用Google的逐层嵌入技术将大部分参数存储在闪存中，实现了设备端每秒约9.5个token的文本生成速度。
用户报告在Jetson Orin NX 16GB边缘设备上成功运行了量化到1-bit的27B参数模型，对可行性表示惊讶。
OrangePi 发布 AI Studio Pro，这是一款针对运行 Qwen3.5-122B-A10B 大语言模型优化的单板计算机。
Arduino 宣布通过 Edge Impulse 集成，在 Arduino App Lab 中训练和部署自定义 AI 模型的能力，基于预定义的边缘 AI 模型。
本文介绍了BearingNAS，一种硬件感知的神经架构搜索框架，用于设计轴承的智能故障诊断系统，目标是微控制器和传感器处理单元，这些单元内存极为有限（4-8 KiB RAM，16-32 KiB Flash），而整个框架完全在笔记本电脑CPU上运行，并达到99.50%的诊断准确率。
Google Developer Experts在Sonoma Raceway使用Antigravity、Gemini和Gemma（在Pixel 10上）部署了AI Race Coach，以100英里/小时的速度提供瞬间遥测指导，展示面向高风险环境的可信赖AI。
本文介绍了ARGO，一个面向设备上机器学习的智能眼镜平台，该平台集成了多模态传感器套件和优化的YOLOv11模型，用于实时城市障碍物识别，实现了隐私保护的本地处理，具有低延迟和2.483 MB的内存占用。
一位用户在Terminal-Bench 2.0上测试了27B参数Bonsai模型的量化1-bit和2-bit版本，在8GB显存内获得了结果。