Gemma 3n 在开源生态全面开放可用
Gemma 3n 正式在 transformers、timm、MLX、llama.cpp、transformers.js、ollama、Google AI Edge 等主流开源库开放可用,原生支持图像、文本、音频和视频输入。
推荐理由:原文给出了模型规格、显存需求和各库接入方式,读者可据此判断能否在自己的设备上跑起来。
内容类型
各家新模型的发布、开源与迭代:旗舰更新、开源权重放出、能力与价格变化。
240 条精选近 30 天 26 条共收录 513 条
Gemma 3n 正式在 transformers、timm、MLX、llama.cpp、transformers.js、ollama、Google AI Edge 等主流开源库开放可用,原生支持图像、文本、音频和视频输入。
推荐理由:原文给出了模型规格、显存需求和各库接入方式,读者可据此判断能否在自己的设备上跑起来。
Mistral AI 发布首个推理模型 Magistral,分为开源的 Magistral Small(24B 参数,Apache 2.0 许可)和企业版 Magistral Medium。
推荐理由:原文给出两个变体的参数规模、AIME2024 分数与开放许可,便于读者评估其与现有推理模型的差距。
H Company 在 Hugging Face 开源了 Holo1 系列 Action VLM(含 Holo1-3B 和 Holo1-7B)以及包含 1,639 个人类式 UI 任务的多模态定位基准 WebClick。
推荐理由:给出了模型规格、基准成绩与单任务成本,读者可据此评估开源 GUI 自动化方案的性价比。
Hugging Face 发布 SmolVLA-450M,一款 450M 参数的开源视觉语言动作模型,可在消费级硬件上运行,仅用 lerobot 标签下的社区共享数据集预训练,在 LIBERO、Meta-World 仿真及 SO100、SO101 真实任务上超过更大的 VLA 和 ACT 基线。
推荐理由:原文给出了训练数据规模、架构取舍和异步推理收益,读者可据此评估小模型 VLA 在消费级硬件上的可行性。
Mistral AI 与 All Hands AI 合作发布 Devstral,一款面向软件工程任务的智能体 LLM,以 Apache 2.0 许可开源。
推荐理由:原文给出了具体跑分、可本地部署的硬件门槛和 API 价格,读者可据此评估它能否替代现有编码模型。
Falcon-LLM 团队发布 Falcon-H1 系列共 6 个开源模型(0.5B、1.5B、1.5B-Deep、3B、7B、34B),均提供 base 与 instruct 版本,采用 Apache 2.0 许可。
推荐理由:原文披露了混合架构的取舍与反直觉的数据策略,可迁移借鉴其训练方法论。
Mistral AI 宣布发布 Mistral Medium 3,称其在各项基准上达到 Claude Sonnet 3.7 的 90% 或更高水平,API 价格为 $0.4 输入 / $2 输出每 M token,并在编码与多模态理解等专业场景领先于 Llama 4 Maverick 和 Cohere Command A。
推荐理由:原文给出了性能对标、价格与部署方式,读者可据此判断它在企业场景中替代更大模型的可行性。
OpenAI 已在 ChatGPT 中回滚上周的 GPT-4o 更新,用户现在使用的是行为更平衡的早期版本。被移除的更新过于奉承和迎合,常被描述为具有谄媚倾向。
推荐理由:原文说明了回滚原因和当前版本状态,读者可据此了解该更新的问题表现与处理结果。
Meta 发布 Llama Guard 4,一个 12B 稠密多模态安全模型,以及两款新的 Llama Prompt Guard 2 分类器(86M 和 22M 参数)。
推荐理由:原文给出了从 Llama 4 Scout 剪枝为稠密模型的架构细节和与上一代的对比数据,便于判断其部署成本与效果取舍。
OpenAI 发布 o3 和 o4-mini,称其为迄今最智能、最强大的模型,具备完整的工具访问能力。
OpenAI 在 API 中推出 GPT-4.1 系列模型,称其在编码、指令遵循和长上下文理解方面均有全面提升,同时发布首款 nano 模型,即日起面向全球开发者开放。
推荐理由:官方点明了编码、指令遵循和长上下文三处主要提升,读者可据此判断是否值得接入。
Hugging Face 官方博客宣布 Meta 新一代 Llama 4 模型上线 Hub:Maverick 约 400B 总参数、128 专家,Scout 约 109B 总参数、16 专家,均为 17B 激活参数的 MoE 架构,支持文本与图像输入,训练数据最多 40 万亿 token、覆盖 200 种语言。
推荐理由:原文拆解了 NoPE、分块注意力等架构选择,读者可理解超长上下文如何实现。
DeepSeek-V3 0324 上周悄然登陆 Hugging Face Hub,它是 R1 推理模型底层基座 DeepSeek-V3 的更新版本,架构与原版相同并改用 MIT 许可证。
推荐理由:文章梳理了新模型的基准提升与部署方式,并给出开源模型下载和使用的安全注意事项。
OpenAI 在 GPT-4o 中推出原生图像生成功能,包括更强的文字渲染和指令遵循能力,可进一步了解 ChatGPT Images 2.5。
NVIDIA 在 GTC 大会上发布三项面向物理 AI 开发者的开源成果:世界基础模型 Cosmos Transfer、开源数据集 Physical AI Dataset,以及首个通用人形机器人推理开源模型 Isaac GR00T N1。
推荐理由:梳理了三项开源发布的具体规格与架构细节,便于开发者评估可直接复用的模型与数据资源。
Mistral AI 宣布发布 Mistral Small 3.1,基于 Mistral Small 3 升级,改进了文本性能与多模态理解,上下文窗口扩展至 128k tokens,推理速度达 150 tokens per second,以 Apache 2.0 许可开源。
推荐理由:原文列出了上下文、速度与运行门槛,读者可据此判断它是否适合端侧与低延迟场景。
Google 发布 Gemma 3 系列开源模型,包含 1B、4B、12B、27B 四种参数规模,提供预训练与指令微调版本,上下文窗口最高达 128k tokens,支持 140+ 语言,4B/12B/27B 版本可处理图文输入。
推荐理由:原文拆解了长上下文、多模态与多语言三项技术改进的具体做法,便于理解开源模型的能力来源。
Cohere For AI 发布并开源 Aya Vision 8B 和 32B 两个视觉语言模型,覆盖 23 种语言的图像理解与文本生成任务。
推荐理由:原文给出了数据增强与模型合并带来的具体胜率提升,可迁移的多语言多模态训练思路清晰。
OpenAI 发布 GPT-4.5 的研究预览版(research preview),称其为迄今规模最大、知识最丰富的模型。
Google 发布多模态视觉语言编码器家族 SigLIP 2,在 sigmoid loss 基础上加入解码器、Global-Local Loss 和 Masked Prediction Loss 等辅助训练目标,以提升语义理解、定位与稠密特征能力。
推荐理由:文章拆解了从 SigLIP 到 SigLIP 2 的训练目标演进,读者可据此理解辅助损失如何改进视觉编码器。