标签
Xenova 宣布突破：首个 100% 本地在浏览器中运行的真正全模态模型 LFM3-Omni-2B，借助自定义 WebGPU kernels 实现约 280 tok/s，支持视觉、音频和文本输入并生成交错的文本与音频输出。
小米发布了两款顶尖AI模型：MiMo-V2.6 Pro RL（最大化能力）和MiMo-V2.6 Flash RL（最大化效率）。两者均采用稀疏混合专家架构，支持100万上下文长度，采用MIT许可协议，并原生支持文本、图像、视频和音频的全模态处理。
本文介绍了OmniVChat这一原生视听对话任务，并提出了数据引擎、基准测试和强化学习方法，用于训练和评估全能模型，在合成数据和人类录制数据上展示了性能提升。
Atlas by World Labs 是一款全能世界模型，支持从文本、图像、视频和3D输入生成摄像机控制的高清视频，实现场景重建与时空模拟，专为机器人设计，现已开放早期访问。
NVIDIA Cosmos 3 是一个面向物理AI的开放全能模型，它将世界生成、推理和行为生成统一到一个模型中，现已可在 Hugging Face 上获取，并提供多种资源。
MiniMind-O 发布了一个仅 0.1B 参数的端到端全模态模型，支持文本、语音和图片输入及流式语音输出。该项目开源了代码、权重、训练数据和技术报告，强调在普通 GPU 上即可快速训练和推理。