← 返回首页

🎯 模型发布追踪

2026年10月29日 · 早间报告

新模型 8 🔓 开源 7 🔒 闭源 1 数据源 6 采集时间 01:10

🔒 闭源模型 (1)

Genie 4 Google
📅 2026-10-27(追溯发现 · 官方公告于 10-27 16:30 UTC,上次采集前 35 分钟发布被漏掉,本报首次收录)
Google DeepMind 新一代实时交互世界模型,宣称带来前所未有的写实度:首个原生实时生成音频(环境音与角色对话)的世界模型,支持自然语言实时修改场景(改天气、移动镜头、添加人物/物体)与键盘导航,角色动作与环境反应自然。采用 Gemini Omni 混合架构锚定真实世界外观与行为,Gemini 3.8 Flash 作为场景引导代理分解多步目标,实验中还与 Gemini 4 Argon 配合模拟复杂任务。当前为研究预览版(面向受信任测试者),后续将通过 Project Genie 向 AI Ultra 订阅者及 Gemini API 早期合作伙伴开放。
world simulation(世界模型) 原生实时音频 自然语言实时引导 Research Preview
→ DeepMind 官方博客 → TechCrunch 报道

🔓 开源模型 (7)

Atria Dawn 上海AI实验室
📅 2026-10-23(追溯发现 · HF 上架 10-23,本报首次收录)
上海人工智能实验室新一代 Agentic 模型,基于 744B 参数 MoE 的 GLM-5.2 基础模型构建,512K 上下文,目标是把开放性问题推进到可执行、可验证、可复现的结果:结合任务目标与环境反馈,覆盖问题分析、方案设计、工具调用、代码实现、实验执行、结果分析与失败恢复全链路,聚焦科研自动化、办公等真实生产力场景(发现/创造/交付/网络安全四大维度)。另有 FP8 量化版与 Preview 版本。
text→text(Agentic) 512K 上下文 MoE 744B(GLM-5.2 基座) MIT
→ HuggingFace → 项目官网 → GitHub
Metatron v1 NVIDIA
📅 2026-10-27
NVIDIA 人形机器人统一控制策略模型:单一学习策略同时完成行走、场景交互与跌倒恢复(unified student,SAMP-capable),提供 Unitree G1 原生 PyTorch 检查点(459MB)与浏览器端 ONNX 导出(单机器人场景/恢复管线 + 六机器人批量 G1 Racer 网络),与 NVlabs ProtoMotions 生态集成,支持模拟器与真实 G1 部署工作流。NVIDIA Open Model License 开源。
state→action(强化学习控制) NVIDIA Open Model License 人形机器人 Unitree G1
→ HuggingFace → GitHub(ProtoMotions)
LFM3-1.7B Liquid AI
📅 2026-10-23(追溯发现 · HF 上架 10-23,本报首次收录)
Liquid AI 基于 LFM3 新三代混合(tri-hybrid)架构的端侧文本模型,面向本地 Agent 与专用应用:针对 Hermes Agent、Pi、OpenClaw 等 agent 框架做后训练,256K 上下文;4-bit 精度仅约 1GB 内存,可跑在任意手机或笔记本上,支持单卡快速微调做领域特化。同周陆续放出 FP8/NVFP4/GGUF/ONNX/MLX 全套变体与 LFM3-1.7B-Base 基座。
text→text 256K 上下文 tri-hybrid 架构 端侧 1GB(4-bit)
→ HuggingFace → 发布博客
LFM3-VL-2B Liquid AI
📅 2026-10-19(追溯发现 · HF 上架 10-19,本报首次收录)
Liquid AI 面向端侧视觉理解的视觉语言模型,输入文本、图像与视频,由 LFM3 语言模型 + 全新自研视觉编码器组成。LFM 视觉模型家族首个支持视频输入的型号;新增思考(answer 前先推理)能力,强化数学、图表、多步视觉问题;具备空间与具身推理(物体定位与相对位置关系),为机器人应用打基础。
text+image+video→text 首个支持视频输入的 LFM VL Thinking 推理 空间/具身推理
→ HuggingFace → 发布博客
LFM3-Omni-2B Liquid AI
📅 2026-10-21(追溯发现 · HF 上架 10-21,本报首次收录)
Liquid AI LFM3 家族首个全模态(omni)模型:单一端到端 2.2B 模型同时理解文本、图像、视频与音频,并用文本或语音回答,一个模型替代 ASR、视觉语言模型、LLM 与 TTS 四个独立模型;看视频时可同步听声(音画同步理解),专为手机、笔记本等边缘设备设计。
any→text+speech(全模态) 2.2B 端侧 音画同步理解 替代 ASR+VLM+LLM+TTS
→ HuggingFace → 发布博客
d1-2B Liquid AI
📅 2026-10-24(追溯发现 · HF 上架 10-24,本报首次收录)
Liquid AI 基于 LFM3-VL-2B 构建的开源决策模型(decision model):单次前向传播直接返回校准答案、不生成 token,处理文本、图片与视频。在超过 100 个决策基准的开源 d1 系列中平均分领先(优于参数量更大约 1.5 倍的 d1-3B);除分类外还支持带 span 的文本/数字/日期抽取、图中物体定位与区间估计;NVIDIA H100 上单次决策 5.7ms。
text+image+video→decision(单次前向) 无 token 生成 5.7ms/决策(H100) 开源 d1 平均分领先
→ HuggingFace → 发布博客
d1-Omni-2B Liquid AI
📅 2026-10-24(追溯发现 · HF 上架 10-24,本报首次收录)
Liquid AI 基于 LFM3-Omni-2B 构建的开源多模态决策模型:单次前向传播返回校准答案,原生支持音频——音频片段与语音提问与文本/图片走同一处理通路,语音提问与文字提问得分差距在 0.5 分以内;支持物体定位与区间估计;H100 上单次决策 5.8ms(10 秒音频片段 12.4ms),MI325X 上 3.7ms。
text+image+audio→decision(单次前向) 原生音频 5.8ms/决策(H100) 语音/文字提问一致
→ HuggingFace → 发布博客

📡 数据源状态