Multimodal Model Tracker

• 核心公司：AMI Labs（Yann LeCun）和 World Labs（Fei-Fei Li）获高额融资但极少披露产品
• 保密原因：公开应用方向易引来OpenAI等竞争，当前融资环境下无需急于商业化
• 判断框架：空间智能应用广泛却路径模糊，需谨慎评估其真实商业化能力

• 数据转向：从遥操作/UMI专用采集转向互联网视频，预训练规模达10万动作小时。
• 迁移规律：首次验证跨本体迁移扩展规律（Transfer Scaling Law），动作预测损失呈幂律下降。
• 开源与证据：Light-O1-Preview 开源，支持意图到动作推理；LightBot 完成递毛巾、归置拖鞋等任务并自主重试。

Cal-OPD 通过正负特权干预估计教师自偏差区域，仅保留超出该区域的教师-学生差异作为信号，保留约52-65%原始差异却在数学推理基准上持续优于标准OPD。

Paint-Anything 提出 hex-prompt 接口，通过对象级颜色监督实现任意 24 位 Hex 色值控制。其 Paint-500K 数据集结合纯色锚点训练，并在 ACBench 基准上使 FLUX.2-4B 的 T2I 和编辑得分分别提升 85.3% 与 28.3%。

文章仅包含用户主观偏好讨论，未见Grok 4.7任何正式规格、权重、基准或官方公告。 提及延迟发布与模型比较，但均为个人体验而非可验证发布信息。

MoME 将每个 token 的单一记忆行替换为 M 个槽位的混合体，并通过隐藏状态的 learned gate 实现上下文感知的稀疏查找。 在 Llama-3、Qwen3 等骨干上的等参数预训练实验中，MoME 优于 Value Embedding 等基线，同时展现更好的内存规模化趋势与语义可解释性。

LynnReal-Omni采用共享多模态扩散Transformer，同时接收文本、姿态、3D渲染和游戏记录，完成主体发现与跨镜头关联。每个镜头最多提取6个可复用主体，提升角色一致性与可控生成。

MintAct 系列视觉语言模型在 2B/4B/8B 规模下，统一 UI 定位、多步导航（移动、桌面、网页）和视觉工具调用，匹配领域专精模型性能，并在 OSWorld-Verified 基准达到 48.9 SOTA。

瑞创在CIOE 2026发布Infrared Vision-Language Model，专为热成像设计，支持超500万多模态红外数据样本，内置红外视觉编码器捕捉温度分布与热特征。模型针对气体检测（甲烷、二氧化硫等）、电气巡检及周界监控训练，能解析气体羽流模式与背景干扰，实现从信号捕获到异常自动识别的跃升。支持边缘AI部署于Falcon 500芯片，降低延迟并保护敏感数据。

朱玉可演讲指出，当前动作预测聚焦模仿学习(imitation learning)，通过数据集训练VLA模型实现跨任务泛化，机器人似在复刻语言大模型路径。

Qwen3.8-Flash-Next 与 Qwen3.8-27B 对比显示 125B 总参数、6B 激活参数 的稀疏设计。

• GDN+QSA 混合注意力：Gated DeltaNet 将历史压缩为固定状态，支持线性时间建模
• Qwen Sparse Attention 提供轻量稀疏机制，在效率与能力间取舍
• 适合体系化跟踪开源多模态模型术语

• 多模态大模型直接控制机器人抓取方块
• ForceDelta-VLA用力反馈纠正接触操作
• SpatialEval检验视觉语言模型空间推理
• 世界模型潜空间几何失真与规划难题
• LeWM中JEPA世界模型原理

宇树科技开源具身基座模型通过统一动作空间与RVQ实现动作token化。

• 统一动作空间划分为末端执行器位姿、末端执行器关节量、下肢运动关节量三部分
• 残差矢量量化（RVQ）将连续动作转化为离散动作token
• 该路线为开源具身模型提供标准化动作表示，便于人形机器人控制与世界理解

GPT-6 Astra 据称通过已知密钥列表和打字错误修正，解开了未解的一战德军无线电密文。

• 模型推理局限：无需暴力破解整个密钥，仅需从战后缴获列表中选出正确密钥并修正消息中的拼写错误。
• 密码学可行性：人类分析师本可完成此任务，但因工作量大而未尝试，AI使其变得值得。
• 外部证据核验：通过查证 HMS Canterbury 1918 年 11 月 24 日抵达 Sevastopol 的原始日志来验证，但存在伪造或剽窃数据的质疑。

三层选型框架按参数规模划分：

• 第一梯队：Llama 4、GLM-5（400B+，支持多模态）需8卡A100/H100集群
• 第二梯队：Qwen3-Max-Thinking（~200B）单/双卡16-64GB显存即可
• 第三梯队：DeepSeek-Mini（70B以下）消费级RTX 4090或CPU运行
  部署前务必核验模型名称、CUDA版本与硬件兼容性，避免20-30%性能损失。

VimRAG以**动态记忆图（DAG）**替代传统线性上下文，每个节点封装文本摘要+视觉证据+拓扑位置，支持推理路径回溯与试错。

• 图引导检索通过GGPO基于拓扑评估贡献，自动剪枝无效死胡同路径，降低梯度方差。
• 视觉Token动态分配按节点能量值保留核心高清图像，边缘节点降级为文本，解决跨模态断裂与状态盲区。
  相比文本化视频RAG，VimRAG无需OCR或分库，实现原生图文视频混合检索。

前 OpenAI 研究员 Diogo Almeida 推出 Jev 模型，采用“reinforcement learning from calibrated decisions”训练，输出概率而非文本，解决 LLM 幻觉与自动化难题。开发者因其低成本、高速度和真实置信度，快速用于分类、路由和代理监控，被称作“System One model”。

• MotionCache tuned 以 1.36× 加速（41s）保持最高静帧质量，复用 2/6 步。
• Spectrum 单通 和 sol_attn 稀疏注意力 分别达 1.26× 与 1.24×，静帧近无损。
• 激进 3 步 LoRA 虽达 1.7× 最快，但常丢失雨滴等细节。
• SageAttention 2.2 基本无加速（1.00×），VDN-H3 端口反而慢 2 倍。

PrismML 以 ternary weights（+1/-1/0）将 Qwen3.8 27B 压缩 9-10 倍至 Bonsai 2 27B，保留 98% 基准性能，可运行于消费级 PC。 这暗示更大模型压缩后更易保留智能，但文章未提供第三方独立验证，需关注其开源权重与实际端侧部署效果。

ZDTaichu5.0-9B已开源，9B参数支持任意分辨率视觉输入，重点强化空间感知与具身规划。

• 自适应循环推理：根据任务不确定性动态调整推理深度，提升复杂空间任务表现
• 长程任务规划：结合实时视觉、目标与设备反馈实现状态更新
• 数据生产管线：开放预训练至GRPO强化学习的完整流程，含三维标签与思维链合成

工业场景已验证取件搬运等任务规划，但真实机器人闭环证据仍待进一步披露。