跳到正文
10月29日周四
  1. The Decoder78

    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。

10月21日周三
  1. NVIDIA Blog75

    NVIDIA 扩展开源模型家族,覆盖语言、机器人、生物与量子计算

    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。

11月17日周二
10月29日周四
今天11月23日周一
10月24日周六
11月20日周五
10月15日周四
11月11日周三
10月15日周四
  1. NVIDIA73

    NVIDIA 发布 Nemotron 3.5 Super VL,扩充其 Nemotron 开源模型系列,将视觉理解、推理与工具调用结合,用于帮助 AI 智能体在更短时间内完成更多工作。该模型支持文本、图像、文档和视频理解,总参数 120B、激活参数 12B。NVIDIA 表示开源模型让用户能按自己的方式定制、部署和构建。

    引用NVIDIA AI@NVIDIAAI

    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。

11月14日周六
9月6日周日
10月29日周四
  1. 🚨 AI News | TestingCatalog72

    NVIDIA 发布 Nemotron 3.5 Transcribe,这是一个开放权重的 30B MoE 模型,约 4B 激活参数。该模型支持 40 种语言转写、说话人归属、翻译、上下文提示和音频理解,并在 VoiceArena 的 14 系统说话人分离加 ASR 对比中排名第一。

    引用NVIDIA AI@NVIDIAAI

    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》

11月11日周三
10月28日周三
11月3日周二
11月6日周五
  1. Jim Fan40

    网站:https://research.nvidia.com/labs/lpr/vflash/ 请看看项目负责人 @ZhidingYu 的深度解读推文! https://x.com/ZhidingYu/status/2118379614334759226?s=20

    引用Zhiding Yu@ZhidingYu

    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👇

11月10日周二
  1. 量子位85

    英伟达发布机器人基础模型GR00T 2,模型与数据将陆续开源

    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。

10月29日周四
  1. IT之家78

    英伟达开源语音转录模型 Nemotron 3.5 Transcribe,支持 40 种语言

    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》

  2. 智东西74

    英伟达开源340亿参数语音模型Nemotron 3.5 Transcribe

    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》

11月17日周二
11月13日周五
11月12日周四
10月30日周五
10月21日周三
11月6日周五
11月15日周日
  1. The Decoder88

    美团开源 1.6 万亿参数智能体模型 LongCat-2.5,全程未用 Nvidia GPU

    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。

10月30日周五
  1. IT之家84

    Mistral AI 开放 Mistral Large 4 模型权重:1T 参数,编程智能体更省 Token

    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。

11月21日周六
  1. MarkTechPost76

    Thinking Machines 发布 Inkling 2 Mini:26.4B 循环 MoE 模型可在 32GB Mac 运行

    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》

11月7日周六
10月25日周日
  1. TechCrunch · AI65

    Block 发布全双工语音模型 Dessa,可在消费级设备本地运行

    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。

10月24日周六
  1. The Decoder58

    Block 发布完全基于语音训练的 AI 模型 Dessa

    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。

11月20日周五
  1. 腾讯混元模型发布38

    腾讯发布 WeMM-Video-4B-AWQ 量化模型

    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。

10月25日周日
  1. meng shao74

    Twitter 联合创始人 Jack 创办的 Block 发布 Dessa,一个从零用纯人类语音训练的 speech-to-speech 全双工模型,无文本、无预训练底座,边听边说。作者称其推理快于实时,可在 MacBook Pro M4 Max 及以上本地运行,演示包含插话、笑声和情绪回应;团队称整模型在一台 NVIDIA GB200 NVL72 上训练完成,目前开放小范围安全研究员早期访问。

    引用jack@jack

    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。

10月24日周六
10月14日周三
  1. 智谱 GLM 模型发布82

    智谱发布 GLM-5.3 开源权重模型,编码与长程任务能力提升

    智谱发布 GLM-5.3,与 GLM-5.2 使用同一基座模型,能力提升全部来自后训练。官方称其在自研 Z.ai Code Bench 上较 GLM-5.2 提升 50%,并在 Terminal Bench 3.0、Agents' Last Exam 等公开基准上取得开源 SOTA。

    推荐理由:GLM-5.3 沿用 GLM-5.2 基座、全部提升来自后训练,读者可据此判断开源权重模型在编码与长程任务上的位置。