NVIDIA 发布 Alpamayo 2 Edge:面向 DRIVE Thor 的 2B 推理 VLA 模型
NVIDIA 发布 Alpamayo 2 Edge,一款面向自动驾驶的 2B 参数推理视觉-语言-动作(VLA)模型,目标硬件为车载 DRIVE AGX Thor。

NVIDIA 发布 Alpamayo 2 Edge,一款面向自动驾驶的 2B 参数推理视觉-语言-动作(VLA)模型,目标硬件为车载 DRIVE AGX Thor。

Thinking Machines Lab 发布开源权重模型 Inkling 2 Mini,总参数 26.4B、每 token 激活 3.4B,通过将中间层循环 3 次把 checkpoint 控制在约 20GB,可在 32GB Mac 或 1 台 NVIDIA DGX Spark 上运行。
同一件事,精选收录的是《Thinking Machines Lab 开源 Inkling 2 Mini:26B 循环 Transformer 模型可在笔记本运行》
NVIDIA 发布 Nemotron-Labs-Sigma,这是一个在 16 维嵌入空间去噪的连续扩散语言模型家族,共 14 个开源 checkpoint,覆盖 3B 和 8B 的 base、instruct、少步蒸馏与自推测版本。

腾讯开源 WeMM-Video-4B-AWQ,这是支持中英双语的多模态大语言模型 WeMM-Video 的 W4A16 量化版本。该模型基于约 1.2 万亿 token 预训练,采用 group-128 INT4 AWQ 压缩技术,在 NVIDIA L20 上验证通过。它接受文本、图像、音频和视频输入并生成响应,提供 vLLM 和 Transformers 部署方案。

腾讯开源 WeMM-Video-35B-A3B 的 AWQ W4A16 量化版本,该中英双语多模态模型支持图文音视频理解与推理。模型采用 Group-128 INT4 量化技术,权重文件仅 22.69 GiB,可在双 NVIDIA L20 GPU 上运行。官方提供基于 patched vLLM 0.18.0 和 Transformers 的服务部署方案。

谷歌云在 MLPerf Training v6.1 首轮提交 10 项结果,其中 4 项使用第七代 Ironwood TPU、6 项使用英伟达 GPU。
NVIDIA 公布 Vera Rubin 平台首次参加 MLPerf 的成绩,在训练、后训练和智能体推理上均取得领先。

推荐理由:官方披露 Vera Rubin 在 MLPerf 训练与 Endpoints 的首次成绩,可与 GB300 的代际差距对照看。
美团 LongCat 团队在模型正式亮相一周后开源了 LongCat-2.5 的权重,这是一个面向长程多步自主任务(尤其是编码)的 1.6 万亿参数 MoE 模型,每 token 约激活 480 亿参数,全程在中国芯片上训练。

推荐理由:原文给出了参数规模、激活量、基准分数和部署芯片配置,读者可据此判断国产硬件训练的开源智能体模型处在什么位置。
推荐理由:GR00T 2 从人类演示中学习技能并预测动作对物理世界的影响,技能还能跨机器人本体迁移。
英伟达11月10日发布端到端自动驾驶模型 Alpamayo 2 Edge,VLM 骨干约 2.45B、动作专家约 0.2B,跑在车规级芯片 DRIVE AGX Thor 上。

RoboColiseum 11 月 11 日发布的新一期周榜显示,北京大学数学科学学院杨超教授领衔的壹零壹壹公司 MXI 团队,凭物理 AI 框架 MXI-SimWorld v0 Preview 以 0.9656 综合得分位列总榜第一,空间理解、通用操作两个子榜第一,指令跟随、扰动适应两个子榜第二。
推荐理由:原文给出 GR00T 2 的预训练数据构成,读者可据此理解它为何能用低成本人类视频弥补机器人遥操作数据不足。
NVIDIA 团队成员 Jim Fan 表示 GR00T 2 已发布,并感谢团队为此投入的付出。原文未披露该版本的具体能力、参数或开放方式。

英伟达GEAR团队在CoRL大会上发布新一代世界动作模型GR00T 2,可同时预测未来画面与机器人动作,模型、数据、仿真环境和数据采集硬件将陆续开源,10万小时人类数据已率先开放。

推荐理由:原文给出GR00T 2的跨本体迁移路径与数据金字塔构成,可了解机器人基础模型如何利用人类视频降低示范成本。
AI 芯片设计公司 Ricursive Intelligence 训练并发布开源语言模型 Ripple-65B Preview,预训练使用 12 万亿 token,采用 650 亿参数稠密 Transformer 架构并针对 Nvidia 硬件优化。
同一件事,精选收录的是《Ricursive AI 发布 Ripple-65B Preview:65B 稠密开源模型 Terminal-Bench 2.1 得分 80.5》
Jim Fan 发布 System One 视觉模型 VFlash,针对物体定位、机器人轨迹规划、稠密 3D 运动等定长浮点向量任务,一次性输出完整几何形状而非逐 token 解码。
推荐理由:作者给出 VFlash 在边缘 GPU 上的加速倍数与精度对比,可据此判断并行解码对具身推理的取舍。
Embodied models don't just think in text, they can think in visual plans, and fast. Introducing VFlash, System-1 VLM for Physical AI. Joint work by @YuCheng_Chou_, Shihao Wang and Jin Huang, LPR Team (@jankautz), GEAR Lab (@DrJimFan), and many other collaborators. 🌐 Website: https://research.nvidia.com/labs/lpr/vflash/ 🧵[1/8] More details in the thread👇
脏循环派已经来了 Nvidia 几天前发布了 Dory1-4B,一个 36 层的循环 LLM。8 个输入层、一个 20 层的循环块(循环 1、2 或 4 次),以及 8 个输出层。

Samaya AI 发布 Sterling,这是一个面向智能体金融研究的后训练模型,基于 NVIDIA Nemotron 3.5 Lightning(30B 总参数、3B 激活参数的 MoE)做 LoRA 后训练。
Mistral AI 于当地时间 10 月 29 日正式开放 Mistral Large 4(代号 le Chonk)模型权重,这是一款 1 万亿总参数、490 亿激活参数的原生多模态模型,在欧洲自有数据中心用 3,800 块 NVIDIA Grace Blackwell GPU 从零训练。

推荐理由:原文给出 1T 参数、激活参数与编程智能体 Token 消耗对比,可据此判断开源大模型的效率取舍。
英伟达发布并开源语音模型Nemotron 3.5 Transcribe,总参数量约340亿、每次推理激活约43亿,整合语音转写、多人发言识别与多语言处理能力。该模型支持40种语言、最长可处理1小时录音,在英文语音识别9个公开测试集上平均WER为4.71%,优于Qwen3-ASR-1.7B的4.94%。

同一件事,精选收录的是《NVIDIA 发布开源语音模型 Nemotron 3.5 Transcribe,支持 40 种语言转写》
英伟达 10 月 28 日宣布推出开放权重语音转录模型 Nemotron 3.5 Transcribe,并同步公开训练数据管线 Granary v2。该模型采用 MoE 架构,总参数约 340 亿、激活参数约 43 亿,可处理最长 1 小时录音,支持 40 种语言转录、最多 8 名说话人区分与 13 种语言说话人标注。

同一件事,精选收录的是《NVIDIA 发布开源语音模型 Nemotron 3.5 Transcribe,支持 40 种语言转写》

Meet NVIDIA Nemotron 3.5 Transcribe 🎙️ An open-weight, promptable 30B MoE model with ~4B active parameters that brings transcription in 40 languages, speaker attribution, translation, contextual prompting and audio understanding into one checkpoint. Watch it keep track of who said what when everyone’s talking at once. 1/ 🧵
同一件事,精选收录的是《NVIDIA 发布开源语音模型 Nemotron 3.5 Transcribe,支持 40 种语言转写》
NVIDIA 发布开源权重语音大模型 Nemotron 3.5 Transcribe,单模型支持 40 种语言、最长 1 小时录音转写,并可通过文本指令选择逐字、书面、说话人标注、上下文和翻译等输出形式。

NVIDIA 发布开源语音识别模型 Nemotron 3.5 Transcribe,可转写 40 种语言、将其中 31 种与英文互译,并在 13 种语言中识别说话人,单条录音最长 1 小时、最多 8 位说话人。

推荐理由:原文给出多语言转写、说话人识别与微调数据集的完整细节,可据此判断开源语音模型的落地边界。
Nvidia 周三发布免费开源权重模型 Nemotron 3.5 Transcribe,可转写最多 40 种语言的音频,并同步更新开源语音数据集 Granary 至第 2 版。

NVIDIA 发布 Nemotron 3.5 Transcribe,这是一款面向多语言音频转写与翻译的开放权重模型,同时推出开源语音数据集 Granary v2。消息由 SiliconANGLE 的 Kyt Dotson 报道,Techmeme 转载。


We believe voice is the most natural way to interact with intelligence, so we created Dessa, the most authentic full-duplex speech model ever built. Talking with it feels like talking with a person…full of emotion, nuance, pauses, and a natural cadence. https://block.xyz/dessa
推荐理由:材料交代了纯语音训练路线与文本中转方案的取舍,也给出本地运行和情绪感知的具体演示。
Block 研究实验室发布语音模型 Dessa,完全基于人类语音训练,可在单张 NVIDIA GPU 上运行,并支持边说边听的全双工交互。该模型能表现笑声、停顿和哭腔等情绪,可在 MacBook M4 Max 或更高配置的消费级电脑上本地运行,目前尚未公开开放,Block 正招募安全研究人员进行测试。
Block 发布语音模型 Dessa,称其完全基于人类语音训练、不含任何文本数据,并从零构建。Dessa 直接以音频处理语音,可实时捕捉情绪、讽刺、笑声和停顿,支持全双工交流,可在 MacBook Pro M4 Max 本地运行,训练使用单台 NVIDIA GB200 NVL72。该模型尚未公开,团队正招募 AI 安全研究者测试潜在风险。
NVIDIA 发布 Nemotron 3.5 Bolt E4B 4GB 开源小语言模型,面向本地运行的语音助手、游戏 NPC 和机器人接口,可在 GeForce RTX、Jetson 和 Spark 硬件上运行。

有意思的是,这个超真实的语音模型只用了单台 NVIDIA GB200 NVL72 训练。 非常惊艳 @blocks
This is the new Dessa voice model from Block! I am just so mind blown by how incredibly natural it sounds!! Really insane stuff!!! 🤯🔥
NVIDIA 扩展其开源模型家族,覆盖语言、机器人、生物和量子计算,包括新的 Nemotron 3.5 Super VL、Nemotron 3.5 Bolt、Nemotron Retriever、Kumo 结构化数据模型、Cosmos 3.5 世界模型、Alpamayo 2 Edge、BioNeMo 与 Ising。
推荐理由:NVIDIA 一次性开放语言、世界模型、蛋白质设计与量子校准等多类模型,读者可据此判断开源权重在多行业落地时的选择空间。
推荐理由:Flora 以开源权重形式发布,并给出 125 倍成本差与每日 20 万小时标注量,便于读者判断机器人数据引擎的可用性。
Meet NVIDIA Nemotron 3.5 Super VL Our new open model combines reasoning and tool use with text, image, document, and video understanding for long-running AI agents. 120B total parameters with 12B active 🧵
推荐理由:官方给出新开源多模态模型的总参数与激活参数,读者可据此判断其本地部署与定制空间。
NVIDIA 发布 Nemotron 3.5 Super VL,这是 120B 参数的开源多模态模型,主打智能体任务的速度与准确率,官方称吞吐量最高可达同类模型的 5 倍。

推荐理由:NVIDIA 一次放出 120B 多模态与两款端侧模型,读者可据此判断本地智能体部署的选型空间。
推荐理由:Meta 公开 AIRA₃ 在 Kaggle 微调竞赛中的名次与参赛条件,可据此判断自主研究系统在模型能力改进上的位置。