具身 AI／機器人
RynnBrain 1.1 將接觸點與原生 3D 定位納入具身基礎模型，並跨三種機器人訓練 VLA
阿里巴巴達摩院發布 2B、9B 與 122B-A10B 三種 RynnBrain 1.1 模型，新增接觸點預測及原生 3D grounding。配套 RynnBrain-VLA 以統一動作空間跨 Unitree G1、Astribot-S1 與天機舞姬訓練，但跨硬體泛化仍主要由團隊自有實驗支持。
Archive
最新模型
新模型、開放權重、多模態、語音、影像與模型架構。
具身 AI／機器人
AI 基礎設施
Anthropic 將以 AMD Helios 擴充 2 GW 算力，並用 Claude 反向優化 ROCm
Anthropic 計畫自 2027 年上半年起部署首批 AMD Instinct MI450 系列 GPU，總規模最高達 2 GW。合作不只是採購硬體，雙方還將以 Claude 優化 GPU 工作負載與 ROCm 軟體堆疊。
Thinking Machines 釋出 Inkling：975B MoE 開放權重模型支援百萬 token 與原生多模態
Inkling 以 9750 億總參數、410 億啟用參數的 MoE 架構進入開放權重市場。模型同時提供可調推理強度、百萬 token 上下文，以及在 Tinker 上微調的路徑。
OpenAI 將 GPT-5.6 分成 Sol、Terra、Luna，統一百萬 token 上下文與代理工具介面
GPT-5.6 家族進入一般供應，以 Sol、Terra、Luna 分別覆蓋最高能力、均衡成本與大量低價工作負載。三款模型共享長上下文與工具介面，但推理成本、安全行為及實際品質仍需分別評估。
代理工具
AgentLens 把程式代理評測移到生產軌跡，支援夜間回歸與失敗診斷
AgentLens 不只檢查代理是否解出程式題，而是審查完整互動軌跡與實際產品結果。開源基準可用於比較模型版本、定位行為退化，並接入持續整合流程。
代理工具
OmniaBench 以 1,431 項跨場景任務檢驗通用代理，前沿模型 Pass@1 仍低於六成
OmniaBench 建立具明確狀態空間的跨工具、跨互動形式代理測試，並提供 644 題精簡困難集。結果顯示，規劃、約束維持與錯誤後調整仍是前沿代理的共同弱點。
最新模型
Meta Muse Spark 1.1 開放 Model API，主打百萬 token、平行工具呼叫與多模態代理
Muse Spark 1.1 首次透過 Meta Model API 公開預覽，並提供 OpenAI 相容介面。模型把百萬 token 上下文、搜尋引用、結構化輸出與平行工具呼叫整合成代理基座。
推論系統
Nunchaku Lite 原生進入 Diffusers，以 W4A4 量化降低擴散 Transformer 顯存與延遲
Diffusers 現可直接載入 Nunchaku Lite 的 INT4 與 NVFP4 檢查點，不必另裝模型專用推論引擎。SVDQuant 同時量化權重與啟用值，目標是在節省顯存之外真正縮短去噪時間。
最新模型
Anthropic 更新 RSP 3.4：重定義自動化研發門檻並調整風險報告機制
Anthropic 的 Responsible Scaling Policy 3.4 修改自動化研發能力門檻、內部未刪節報告分享範圍與外部審查方式。更新看似偏治理，實際會影響模型能力評估、部署閘門與安全報告的工程流程。
應用研究
ByteDance UniVR 讓模型在視覺空間中推理、模擬動態並規劃長期行動
UniVR 嘗試只從視覺示範共同學習複雜推理、物理動態與長期規劃。ByteDance 同步公開 34B Planning 檢查點，為不依賴文字思考鏈的視覺代理研究提供可測試基線。
推論系統
NVIDIA 發布 Nemotron 3 Embed，並提供 1B 模型的 NVFP4 檢查點
Nemotron 3 Embed 提供 8B、1B BF16 與 1B NVFP4 等文字嵌入模型。低精度版本把檢索模型的記憶體與吞吐效率納入第一級設計目標，但品質仍需在目標語料上驗證。
GitHub Repo
Gemma 4 12B 以單一 Transformer 直接處理影像與音訊，降低多模態部署複雜度
Google 發布 Gemma 4 12B 開放權重模型，以線性投影取代獨立視覺與音訊編碼器。新架構簡化微調與本機推論，但官方效能數據仍須由獨立測試驗證。