用 NVIDIA VSS Blueprint 3.3 降低构建和运行视觉 AI 智能体的成本
NVIDIA VSS Blueprint 3.3 面向视觉 AI 智能体，旨在降低构建和运行可维护视频理解系统的成本。NVIDIA Metropolis Blueprint for Video Search and Summarization (VSS) 及其 agent skills 支持摄取、流处理、事件检测、检索、摘要和报告等环节。
#多模态
#多模态
今日 1 条NVIDIA DeveloperAI 评分3131
Sakana AIAI 评分4646 SAIL：扩展上下文内模仿学习用于机器人轨迹生成
Sakana AI 与东京大学提出 SAIL，用测试时扩展提升 VLM 生成机器人轨迹的可靠性，并将在 IROS2026 展示。SAIL 让 policy VLM 生成轨迹、在模拟器测试，再由 evaluation VLM 反馈并结合 MCTS 修正；在 6 个模拟操作任务中，搜索预算从 1 个候选增至 45 个后，成功轨迹发现率从 25% 升至 73%。
internlm · Hugging Face 新模型AI 评分5151 internlm 发布 Intern-Decision-2B 多模态结构化决策模型
internlm 发布 Intern-Decision-2B，这是一个由 Qwen3.5-2B 微调而来的多模态结构化决策模型，可接收共享状态、命名问题 schema 和可选图像，并在一次模型前向中为每个问题返回答案分布。
InternLM · GitHub 原创项目AI 评分5050 Intern-Decision：基于 Qwen3.5 的多问题决策模型项目
Intern-Decision 将状态、可选图像和多类问题转换为带概率的决策，并微调 Qwen3.5 语言骨干。Intern-Decision-4B 在七个测试套件平均准确率达 90.02%，RTX 4090 本地平均延迟为 44.16 ms。
Google DeepMind精选AI 评分8080 Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Flash-Lite TTS
Google DeepMind 推出 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两个文本转语音模型，用于生成自定义角色声音并逐行控制场景对白。
推荐理由：原文同时给出能力、评测和开放渠道，便于判断 Gemini 音频模型在创作与企业语音场景的定位。
nvidia · Hugging Face 新模型AI 评分4848 NVIDIA DeepSeek-V4.1-Flash-NVFP4 量化模型发布
NVIDIA 在 Hugging Face 发布 DeepSeek-V4.1-Flash-NVFP4，这是 DeepSeek AI 的 DeepSeek-V4.1-Flash 的 NVFP4 量化版。
internlm · Hugging Face 新模型精选AI 评分7070 InternLM 发布 Intern-S2-397B 多模态基础模型
InternLM 发布 Intern-S2-397B，称其是面向科学智能和长周期 Agent 的多模态基础模型。该模型结合新的视觉语言预训练范式、大规模多任务强化学习和长周期 Agent 强化学习，覆盖 20 多个科学领域，并在文本推理评测中使用最高 256K tokens、在多模态评测中使用最高 64K tokens。
推荐理由：材料同时给出训练方向、评测设置和部署入口，便于比较科学智能模型的工程落地路径。
InternLM · GitHub 原创项目AI 评分5858 InternLM 开源 SciDocBench 科学文档理解基准、训练数据和支持代码
InternLM 的 SciDocBench 发布完整科学文档理解基准、Hugging Face 数据资产、SFT/RL 训练数据和支持代码，并集成到 VLMEvalKit。
World Labs精选AI 评分7272 World Labs 推出用于空间智能的世界模型 Atlas
World Labs 推出下一代世界模型 Atlas，它从零预训练，可原生处理文本、图像、视频和 3D，并采用多模态自回归扩散 Transformer 架构。Atlas 支持相机控制生成、空间重建、时空模拟和图像生成，可从 1 到 6 张输入图像生成最高 1 分钟、1440p 视频，也能输出点云或 3D Gaussian splats。
推荐理由：原文展示了空间上下文、相机控制和3D输出，便于判断世界模型在创作与机器人仿真中的用法。
zai-org · Hugging Face 新模型精选AI 评分8080 zai-org 发布 GLM-5.3-Flash，GLM-5 系列首个原生多模态模型
zai-org 发布 GLM-5.3-Flash，称其为 GLM-5 系列首个原生多模态模型，拥有 320B 总参数和 18B 激活参数。官方称它在基准和真实工作负载中超过 GLM-5.2，价格为其十分之一，并在编码和智能体基准上接近 Claude Opus 4.8。
推荐理由：原文同时给出参数规模、架构变化和本地部署框架，便于比较其成本与落地路径。
MiniMaxAI · Hugging Face 新模型精选AI 评分8585 MiniMaxAI 发布 MiniMax-H3 全模态生成系统
MiniMaxAI 在 Hugging Face 发布 MiniMax-H3，这是一个通用全模态生成系统，支持文本、图像、视频和音频组成的多模态上下文理解，并可生成带原生立体声音频的视频。
推荐理由：原文披露了模块拆分、输入规格和本地部署路径，可帮助开发者评估接入成本与适用场景。
mistralai · Hugging Face 新模型精选AI 评分7777 Mistral 发布 Mistral-Medium-3.5-128B-EAGLE 推测解码模型
Mistral 发布 Mistral-Medium-3.5-128B-EAGLE，用于为 Mistral Medium 3.5 执行推测解码。
推荐理由：原文同时给出模型规格、替代关系和 vLLM/SGLang 部署方式，便于评估统一模型的接入成本。
BeingBeyond · GitHub 原创项目AI 评分4646 BeTTER：诊断 Vision-Language-Action 模型具身推理幻觉的 benchmark
BeTTER 公开官方代码，用于诊断 Vision-Language-Action 模型中的具身推理幻觉。该 ECCV 2026 项目提供基于 Isaac Sim 的 benchmark 和任务编辑工具栈，包含 Task Editor、Assets Editor、Variation Editor、检索服务器、遥操作与渲染工具。
moonshotai · Hugging Face 新模型精选AI 评分8383 Moonshot AI 开源 Kimi-K2.6 原生多模态智能体模型
Moonshot AI 在 Hugging Face 发布 Kimi-K2.6，这是开源的原生多模态智能体模型。该模型采用 MoE 架构，Total Parameters 1T、Activated Parameters 32B、Context Length 256K，支持长周期编码、coding-driven design、Agent Swarm、图像和视频输入。
推荐理由：原文同时给出模型结构、评测表和部署入口，便于对比其在编码与智能体任务中的定位。