MAI-Gym：面向移动与桌面环境的 GUI 智能体评测与 RL 训练一体化平台
MAI-Gym 是一个开源一体化平台，把移动、电脑和网页环境下的 GUI 智能体评测、数据采集与在线 RL 训练统一到同一条 rollout 流程中，支持十项既有基准并扩展到 20000 个并行环境实例。
推荐理由：统一 GUI 智能体的评测、数据合成与在线 RL 训练平台，并给出 9B 模型在移动与桌面基准上的结果和模拟到真机的迁移数据。
#多模态
#多模态
今日 8 条arXiv · cs.AI精选AI 评分6666 MarkTechPost精选AI 评分8080 Meta 发布 Muse Spark Open：816B 开源权重 MoE，支持 1M 上下文
Meta Superintelligence Labs 发布 Muse Spark Open，这是 Muse Spark 的开源权重版本，816B 参数 MoE 架构、每 token 激活 42B，支持文本、图像、视频、音频输入，上下文窗口 1M token。
推荐理由：Meta 开源 816B MoE 多模态模型，权重与部署方案一并放出，可对照其与 Kimi K3、GLM 5.3 的基准差距。
Hugging Face Blog（hf-mirror 镜像）精选AI 评分8888 Meta 发布 Muse Spark Open：816B 参数开源多模态 MoE 模型
Meta 发布开源权重模型 Muse Spark Open，采用 MoE 架构，总参数约 816B、每 token 激活约 42B，上下文窗口最高 100 万 token，支持文本、图像、音频和视频输入并输出文本。
推荐理由：Meta 开源 816B 参数 MoE 多模态模型，支持文本图像音频视频输入，附 vLLM、SGLang、llama.cpp 部署与 TRL 微调配方。
MarkTechPost精选AI 评分8080 NVIDIA 发布 Nemotron 3.5 Super VL，120B 开源多模态智能体模型
NVIDIA 发布 Nemotron 3.5 Super VL，这是一个 120B 参数、每 token 激活 12B 的 MoE 开源视觉语言模型，可读取文本、图像、文档和视频，并在同一模型内完成推理、工具调用和写代码。
推荐理由：NVIDIA 开源 120B 多模态智能体模型，单卡可跑 NVFP4 版本，并附数据集与训练配方。
The Decoder精选AI 评分8282 Meta 发布开放权重模型 Muse Spark Open，816B 参数对标 Qwen、GLM 和 Kimi
Meta 发布开放权重模型 Muse Spark Open，称其为美国最强的开放权重模型，面向编码与智能体任务，拥有 8160 亿参数（420 亿激活）、最高 100 万 token 上下文，支持文本、图像、视频和音频。
推荐理由：Meta 重返开放权重赛道，816B 参数、百万 token 上下文并支持多模态，权重已上 Hugging Face，可了解其与 Qwen、GLM、Kimi 的定位差异。
The Verge · AI精选AI 评分8080 Meta 发布 Muse Spark Open 模型，与 Apple 合作在 Mac 上本地运行
Meta 发布 Muse Spark Open 开源权重模型，总参数量 8160 亿，自称是迄今能力最强的美国开源权重模型，也是同类中首个能在两台搭载最新 MLX 框架的 Apple M5 Ultra Mac Studio 上本地运行的模型。
推荐理由：Meta 发布 816B 参数开源权重多模态模型，并首次与 Apple 合作通过 MLX 在两台 Mac Studio 上本地运行。
The DecoderAI 评分7474 Google 发布 Gemini 4 Argon，瞄准机器人全流程单一模型
Google 发布 Gemini 4 Argon，定位为覆盖机器人控制、仿真环境构建与训练数据评估的通用模型，并称其是迈向物理 AGI 的一步。演示中 Argon 用 MuJoCo 仿真让 Spot 练习踩踏板扔易拉罐，还从单张照片生成 77 项任务和 4500 多个训练回合，使真机成功率从 56% 升至 75%、执行时间从 35 秒降至 24 秒。
The Decoder精选AI 评分7878 NVIDIA 发布 Nemotron 3.5 Super VL 开源多模态模型及两款 Bolt 端侧模型
NVIDIA 发布 Nemotron 3.5 Super VL，一个 120B 参数的开源多模态模型，面向持续在后台运行的企业智能体，处理文本、图像、文档和视频，采用 MoE 架构，每个 token 仅激活 120B 中的 12B 参数。
推荐理由：NVIDIA 发布 120B 开源多模态模型与两款端侧小模型，公开权重、数据集和训练配方，并给出吞吐与压缩数据。
NVIDIA Blog精选AI 评分7878 NVIDIA 扩展 Nemotron 家族，发布 120B 开源模型 Super VL 与两款 Bolt 边缘模型
NVIDIA 发布 Nemotron 3.5 Super VL，一个 120B 参数的开源多模态模型，面向常驻智能体任务，官方称其吞吐量最高可达同类模型的 5 倍，精度接近 NVIDIA 最大推理模型而参数量约为其五分之一。
推荐理由：NVIDIA 发布 Nemotron 3.5 Super VL 与两款 Bolt 边缘模型，覆盖从数据中心到桌面的智能体部署，并公开权重与数据集。
Hacker News · Show HNAI 评分6767 dlgo 发布纯 Go 本地推理项目，支持 LLM、视觉与扩散生成
dlgo 是一个用纯 Go 实现的本地推理项目，可在 CPU 或 Vulkan GPU 上运行 GGUF 模型，无需 Python、CUDA 或外部推理运行时，通过 go install github.com/computerex/dlgo/cmd/dlgo@latest 安装。
量子位精选AI 评分7878 面壁开源 MiniCPM-V 4.7：35B MoE 断网在 iPhone 上跑，仅占 3G 内存
面壁智能与 OpenBMB 开源 MiniCPM-V 4.7，含 35B-A3B 和 1B 两个版本，前者是 MiniCPM-V 系列首个 MoE 模型，约 3G 内存即可在 iOS、安卓设备上流畅运行，解码速度每秒 13 个 token 以上。
推荐理由：面壁开源 MiniCPM-V 4.7，35B-A3B 的 MoE 在 iPhone 上断网运行仅占约 3G 内存，可看端侧多模态的落地边界。
MarkTechPost精选AI 评分8787 Google 发布 Gemini 4 Argon API，单次输出上限提至 1M token
Google DeepMind 将 Gemini 4 Argon 面向开发者、企业和付费 Gemini 订阅用户开放，这是原生支持文本、图像、音频、视频输入的稀疏 MoE 模型，单次响应最多可输出 1M token，输入加输出共享 1M 窗口。
推荐理由：Gemini 4 Argon 开放 API，单次输出上限提到 1M token，但编码类基准落后于竞品，适合关注长输出与多模态输入的开发者。
Simon WillisonAI 评分6262 Simon Willison 为 llm-meta-ai 插件加入 Meta Muse Wonder 支持
Simon Willison 更新 llm-meta-ai 插件以支持 Meta AI 新发布的 Muse Wonder 与 Muse Wonder Full，他称这可能是 Meta 首批 Fable 级模型，Artificial Analysis 将 Muse Wonder（Max）评为与 GPT-6.1 Sol 相当。
Simon WillisonAI 评分6262 llm-gemini 0.35 新增 Gemini 4 Argon 支持
Simon Willison 为 llm-gemini 插件加入对 Gemini 4 Argon 的支持，该模型当天通过 Gemini API 和每月 100 美元订阅计划开放。
Hacker News · Show HNAI 评分5050 Hugging Face 发布 interfaze-1.1-lite：首个面向确定性任务的开放权重模型
Hugging Face 发布开放权重模型 interfaze-1.1-lite，面向 OCR、带说话人分离的 STT、分类等有确定性答案的任务。该模型由一个推理核心和文档阅读、行检测、语音识别、分割等专家模型组成，核心负责调度专家并按用户 JSON schema 输出答案，专家模型提供边界框、词级时间戳及每行每词的置信度分数，原始输出随答案一并返回以便过滤。
Hacker News · Front Page精选AI 评分8888 Google 发布 Gemini 4 Argon，支持 1M 输出 token 与长程智能体任务
Google 发布 Gemini 4 Argon，面向 Google AI Pro 和 Ultra 订阅用户开放，支持 1M 输出 token，可一次完成 100K+ token 的推理轨迹、完整多文件应用生成与大型遗留代码翻译。
推荐理由：Google 发布 Gemini 4 Argon，主打 1M 输出 token 与长程智能体能力，并给出与 GPT-6 Astra、Claude 系列的逐项基准对比。
Google AI Blog精选AI 评分9292 Google 发布 Gemini 4 Argon，主打复杂工程与科研任务
Google 发布前沿模型 Gemini 4 Argon，今日起通过 API、AI Studio、Gemini 平台、Google Antigravity 及 Gemini 应用和 Search 的 AI Mode 全球上线，输入 $2/百万 token、输出 $10/百万 token，缓存输入享 95% 折扣。
推荐理由：Google 发布 Gemini 4 Argon，官方给出编码、科研与安全对齐的具体数据，可了解前沿模型在真实工程任务中的落地方式。
Google DeepMind精选AI 评分9292 Google DeepMind 发布 Gemini 4 Argon 前沿模型
Google DeepMind 发布 Gemini 4 Argon，面向开发者、企业和消费者开放，通过 AI Studio、Gemini API、Google Antigravity 以及 Gemini 应用和 Search 的 AI Mode 提供，API 定价为每百万输入 token 2 美元、每百万输出 token 10 美元，缓存输入 token 享 95% 折扣。
推荐理由：Google DeepMind 发布 Gemini 4 Argon，官方给出编码、科研与安全对齐的具体数据，可了解新前沿模型的能力边界与定价。
Hacker News · Show HNAI 评分5050 Dragonfly：基于 Qwen3-VL 的 4B VLM，一次推理回答图像多个问题
Dragonfly 是 Qwen3-VL 的 LoRA 微调模型，通过类型化输出头一次读取图像即可回答多个问题，并为每个答案给出概率。其训练数据含 609,230 条训练问题、共 739,636 个问题，4B 版本在 Yes/No 任务上准确率达 88.1%，超过原版 Qwen3-VL-4B 的 85.8%。
极客公园AI 评分6060 复旦邱锡鹏团队创立的模思智能完成超10亿元Pre-A轮融资
模思智能宣布完成超10亿元Pre-A轮融资，由华控基金领投，国开科创、上海科创基金等参与，老股东元禾控股等持续投资，距天使轮官宣约半年。这家由复旦大学邱锡鹏教授创立、成立不到两年的公司聚焦全模态实时交互，2026年以来围绕语音、视觉和实时多模态发布20多个模型，其中7月开源的MOSS-VL-Realtime可持续接收视频流并随画面更新判断。
量子位AI 评分6262 字节世界模型首次亮相：一句话生成可自由探索的三维世界
字节在抖音集团《2026 美好奇妙夜》科技节目现场首次公开演示其世界模型，由影视飓风Tim操作，输入一句话即可生成微缩小人视角的房间，并支持自由飞行、凭空生成物体、与物体交互以及用任意门连通不同场景。
MarkTechPostAI 评分6262 Cloudflare 发布 Clef-omni：30B-A3B 多模态决策模型，单次调用处理音频、视频、图像和文本
Cloudflare 发布开源权重模型 Clef-omni，属于其 Clef 决策模型家族，可在一次调用中对文本、图像、音频和视频打分，采用 Apache-2.0 许可，输入价格 $0.15 每百万 tokens。
MarkTechPostAI 评分5858 vLLM Semantic Router 发布 Decision 3.0 系列决策模型
vLLM Semantic Router 团队发布 Decision 3.0 多模态决策模型系列，共 5 个尺寸，从 0.85B 到 26.09B，全部采用 Apache-2.0 许可。
量子位精选AI 评分7878 何恺明团队发布多模态 Harness 框架 VISTA
何恺明团队在论文《VISTA: A Visual Harness for Reasoning in an Interactive World》中提出视觉原生 Harness 框架 VISTA，让现有多模态模型直接观察环境、保存原始画面，并在推理时随时回看、放大和检查细节，无需从头训练。
推荐理由：何恺明团队提出视觉原生 Harness，让现有多模态模型保存原始画面并按需回看，无需重新训练即可提升交互式视觉推理表现。
The DecoderAI 评分6262 Odyssey 开放世界模型 Odyssey-3 免费研究预览
Odyssey 面向公众开放世界模型 Odyssey-3 的研究预览，用户可用文本提示词生成可实时探索的交互环境，开发者可申请 API 访问。免费在线演示基于 Odyssey-3 Flash，支持第一人称与第三人称视角，模型基于自回归扩散 Transformer 逐帧生成视频，基础版 14B 参数、832 × 480 分辨率，Pro 版支持 1280 × 720。
Hacker News · Show HNAI 评分6262 Pose Lab：在 Blender 中测量手臂与步枪姿态的 MCP 工具
Pose Lab 是一个 MCP 工具，为 Blender 中第一人称手臂与步枪的姿态提供可测量的空间答案，解决模型难以从图片判断 3D 空间的问题。它报告命名坐标系下的位置、穿模深度、表面朝向与可见性，并可用 solve 搜索步枪动作是否满足目标，用 scan_clip 逐帧检查动画、fix_clip 修复失败帧。
Cloudflare BlogAI 评分6666 Cloudflare 发布多模态决策模型 Clef-omni，Clef-flash 降价、Clef 提速
Cloudflare 发布 Clef-omni，在文本和图像之外新增音频（wav/mp3）与视频（mp4/webm）输入，基于 Qwen3-Omni-30B-A3B-Instruct MoE 架构，去掉文本转语音输出部分，模型权重已在 Hugging Face 开源。
量子位AI 评分6262 Aether AI 公布 CRIS-0 机器人系统 Demo，0.2 秒急停、2 秒内重规划
Aether AI 公布其因果智能机器人系统 CRIS-0 的官方 Demo，该系统由 UCSD 助理教授、CMU 因果学派学者黄碧薇创立。在咖啡制作干扰测试中，CRIS-0 平均 2 秒内识别因果变量变化并完成重规划，10 次随机扰动中 9 次有效恢复；在客厅长程整理任务中可连续执行数十步，并在人手突然插入时 0.2 秒急停。
量子位AI 评分6262 Sharpa在IROS发布人形机器人D01、灵巧手W02与数据手套AE01
Sharpa在IROS发布首款全自研通用人形机器人D01、新一代灵巧手W02和外骨骼数据手套AE01。D01电子皮肤覆盖全身，触觉采样率100Hz，力感知范围0.1—20N，重复定位精度0.2mm；W02主动自由度从W01的22个减至21个，整手尺寸缩小约30%，指尖力感知范围5mN—30N。
量子位AI 评分7171 MirroS 发布 AgentGarten：代码造世界、扩散绘现实，智能体边玩边进化
MirroS 团队发布 AgentGarten，把可执行代码环境与实时神经渲染器连接，代码定义物理规则、模型生成视觉反馈，以超过 30 fps 的吞吐让智能体持续交互。
web-github-trending AI 评分6060 ArtCraft 发布面向艺术家的 AI 图像与视频创作 IDE
ArtCraft 发布面向艺术家的 AI 图像与视频创作 IDE，支持在 2D 画布和 3D 场景中搭建构图、摆放角色与机位后再生成，并提供文生图、图像编辑、图生视频等提示词工作流。
MarkTechPostAI 评分5858 Perplexity 发布 pplx-embed-v2-late：0.6B 边缘模型与 9B 模型，MADQA 得分 92.4%
Perplexity 发布 pplx-embed-v2-late，一对 ColBERT 式多模态嵌入模型，分 0.6B 和 9B 两个尺寸，共享同一嵌入空间，可检索文本、图像和渲染后的 PDF 页面。
The Verge · AI精选AI 评分7878 ChatGPT 上线 Intelligent UI，回答中生成图表、表单和按钮
OpenAI 在 ChatGPT 中推出 Intelligent UI 功能，让回答结合图表、表单、可点击按钮等交互式视觉内容，随 GPT-6 一同向所有用户铺开。
推荐理由：ChatGPT 新增 Intelligent UI，回答里直接生成图表、表单和可点按钮，随 GPT-6 向各档用户铺开。
MarkTechPostAI 评分6262 Liquid AI 开源 d1-3B 与 d1-omni-600M 多模态决策模型
Liquid AI 发布 Open d1 系列两款开源权重多模态决策模型，d1-3B 读取文本与图像，d1-omni-600M 读取文本加图像或文本加音频，两者都不生成文本，而是在一次前向传播中返回校准后的类型化答案，输出 token 为 0。
The Decoder精选AI 评分8585 OpenAI 为 ChatGPT 上线 GPT-6，用 Intelligent UI 取代纯文本输出
OpenAI 面向所有 ChatGPT 用户推出 GPT-6，并带来名为 Intelligent UI 的新功能，回答以图形、按钮、图表和表单等交互界面呈现，格式会随问题自动调整，用户还能在对话内生成储蓄计算器、小游戏等小工具。
推荐理由：OpenAI 为 ChatGPT 上线 GPT-6 的 Intelligent UI，答案从纯文本变为图表、按钮和表单，付费与免费用户分版本分批开放。
WIRED · AIAI 评分6666 OpenAI 为 ChatGPT 推出 Intelligent UI 更新，由 GPT-6 驱动生成可视化回答
OpenAI 发布 ChatGPT 的 Intelligent UI 更新，可在回答问题时按需生成可视化、可交互的自定义元素，由近期推出的 GPT-6 模型驱动，当天面向付费用户开放，次日面向免费用户。
WIRED · AIAI 评分6262 三名工程师让 GPT-6 Astra 开丰田 Corolla 去 In-N-Out 取餐
Axiom 的三名 AI 工程师把 OpenAI 的 GPT-6 Astra 接入笔记本、车载摄像头和转向系统，让这辆 2024 款丰田 Corolla 在安全员踩刹车待命的情况下开到 Bay Area 一家 In-N-Out 的取餐窗口。
TechCrunch · AI精选AI 评分7878 OpenAI 随 GPT-6 推出 Intelligent UI，ChatGPT 界面转向可视化
OpenAI 推出名为 Intelligent UI 的新界面，随 GPT-6 一同上线，在对话中大量加入可交互的按钮、定制计算器、交互式图表和可编辑图形，目标是让复杂主题更易学习。该功能面向 Pro、Plus、Business 和 Enterprise 用户全球铺开，免费与低价 Go 档用户周四可用，用户可自行调低回复中的可视化程度。
推荐理由：OpenAI 随 GPT-6 推出 Intelligent UI，把可交互图表和按钮放进对话，并说明各档位的上线时间与可调选项。
The DecoderAI 评分6262 Google 向公众开放 SynthID 检测器，称已有 1800 亿图片和视频带水印
Google 将 SynthID Detector 面向公众开放，任何人可检测图片、视频或音频是否由 Google 及其合作方的 AI 生成，支持 JPG、PNG、MP4 和 MP3 格式。
TechCrunch · AIAI 评分5858 Google Labs 推出 AI 游戏创作平台 Playground
Google Labs 发布 AI 游戏创作平台 Playground，用户通过简单文本提示即可构建浏览器游戏，无需编程经验。用户可选择问答、竞速等类型，指定 2D 或 3D、单人或多人在线，并描述玩法机制与视觉风格，还能上传素材由 AI 转化为符合整体美术风格的游戏资产。