Tether AI 推出 BotPsy:0.8B 参数端侧个人助理模型
Tether AI Research 发布 BotPsy,一个基于 Qwen3.5-0.8B 构建的 0.8B 参数端侧个人助理模型,专注函数调用与智能体工作流。
Tether AI Research 发布 BotPsy,一个基于 Qwen3.5-0.8B 构建的 0.8B 参数端侧个人助理模型,专注函数调用与智能体工作流。
Phonon 是可在本地设备离线运行的小型 TTS 模型,提供约 65MB 和 75MB 两个版本,支持英语、法语、德语、西班牙语和葡萄牙语,内置 100 多个音色。
Hugging Face 发布 AnySpeechRecognizer 和 AnyDecisionModel 两个 Swift 包,让 Apple 平台开发者可自选引擎完成语音识别与决策任务。
NVIDIA 为 RTX Spark 轻薄笔记本带来一批更新,包括开放权重的语音模型 Nemotron 3.5 Transcribe、Liquid AI 的 LFM3 系列模型支持,以及 NVIDIA App 中可在前台应用与后台 Agent 之间分配 GPU 资源的控制项。
Liquid AI 发布 LFM3 新一代 Liquid Foundation Models,以 LFM3-1.7B-Base 为统一骨干衍生出文本、视觉、音频、全模态和决策共六款 2B 级模型,全部开源权重并已在 Hugging Face 上线。
Exowatt 借助 Amazon SageMaker AI 无服务器模型定制,为边缘和云端两个部署目标微调出任务专用模型,精度超过前沿模型,成本最高降低 49 倍。其边缘告警分诊基于 Qwen3-1.7B,云端能源市场分析基于 Qwen3-14B,后者通过 Amazon Bedrock Custom Model Import 托管。该流程将原始运营数据到已评估部署产物的路径从数月缩短到数天。
基于 Strands Agents 构建的 Adaptive Agentic Intelligence Framework(AAIF)用 llama3.2:1b 作为编排层对请求分类,常规任务由 Ollama 本地 SLM 处理,复杂分析经 boto3 路由到 Amazon Bedrock。
NVIDIA 在 GTC Berlin 集中展示本地 AI 硬件阵容:RTX Spark 在 Windows PC 上运行个人智能体,DGX Spark 面向 Linux 开发者,DGX Station 面向企业前沿负载,Windows 版本预计 12 月推出。
AnyLanguageModel 1.0 正式发布,同时推出 swift-huggingface 1.0 和 swift-xet 1.0。
NVIDIA RTX Spark 笔记本已上市,搭载 Blackwell RTX GPU 与 Grace CPU,最高 128GB 统一内存、最高 1 petaflop AI 算力,起售价 2399 美元。华硕、戴尔、惠普、联想、Microsoft 和微星的首批机型已推出,后续还有更多系统。NVIDIA 在北京、柏林、首尔、旧金山、台北、伊斯坦布尔六地举办零售发布活动,黄仁勋在柏林现场现身。
NVIDIA 发布 RTX Spark,一款面向创作者、玩家和 AI 智能体的 Windows PC,并在全球多地举办发布活动。官方引用 Tom's Hardware、TrustedReviews、Tom's Guide 等媒体评测,称其在本地 AI、游戏和创作工作流上表现良好,Artificial Analysis 也提供了独立测试的初步结果。
NVIDIA 发布 Nemotron 3.5 Super VL,这是一个 120B 参数的开源多模态模型,面向持续在线的专用智能体,官方称其吞吐量最高可达同类模型的 5 倍。
Google Research 在 Research@ 活动上公布 10 项进展,包括扩展 Google Earth AI 早期访问、向公众开放 Deep Review、以及将 TimesFM 和 TabFM 集成进 Gemini for business。
Google DeepMind 与新加坡政府科技局(GovTech)合作,基于轻量级 Gemma 模型微调出可在普通智能手机上运行的端侧反诈检测模型。该模型在设备本地分析对话,检测到操纵性话术时实时弹出警告,采用轻量分类器初筛加 Gemma 上下文评估的两阶段流水线以控制功耗。微调在 GovTech 管理的 GCP 环境中完成,训练数据排除私人或可识别个人信息,仅使用匿名化数据集。
Liquid AI 发布 LFM2.5-24B-A2B,这是一个 24B 总参数、2B 激活参数的推理模型,面向端侧快速、私密的智能体场景,会先思考再作答并调用工具。
NVIDIA 宣布 RTX Spark 笔记本将于 10 月 16 日上市,最高 128GB 统一内存和 1 petaflop AI 算力,并同步推出面向本地智能体的软件更新。
NVIDIA 与 Microsoft 在旧金山 Windows AI 与 Surface 活动上宣布为 Windows PC 的 AI 智能体共同设计软硬件,Microsoft 宣布 OS 级基础设施 Microsoft Execution Containers(MXC)正式可用,让智能体在系统控制下安全持久地在后台运行。
Liquid AI 发布 d1 决策模型家族的两款开源权重模型 d1-3B 和 d1-omni-600M(实验性)。d1-3B 在 Decision Index 0.2.1 上得分 48.57,为 10B 以下最佳,支持文本与图像;d1-omni-600M 支持文本加图像或文本加音频。
Google DeepMind 发布 EmbeddingGemma 2,一个基于 Gemma 4 架构、Apache 2.0 许可的开源多模态嵌入模型,可把文本、图像、音频和视频映射到统一嵌入空间。
Google Research 发布新一代联邦学习系统,利用可信执行环境(TEE)为数据匿名化提供可验证、可审计的保证,Gboard 已采用该系统上线英语和日语下一词预测模型,隐私保证更强且准确率提升。
NVIDIA 将于本月通过 Acer、ASUS、Dell、Gigabyte、HP 和 MSI 推出 64GB 统一内存版 DGX Spark,10 月 23 日开售,起售价 4,999 美元,保留 GB10 Grace Blackwell 超级芯片、DGX OS 与完整 NVIDIA AI 软件栈,支持最高 1000 亿参数模型在设备本地运行。
oMLX 作者兼维护者 Jun Kim 加入 Hugging Face,全职投入 MLX 社区建设。oMLX 将从副业转为有资金支持的长期项目,仍保持 Apache 2.0 开源协议,由 Jun 继续领导,目标是提升稳定性并加快开发。
Hugging Face 为 transformers 加入 GGUF 支持,用户可从 Hub 选取量化检查点,用 from_pretrained 传入 gguf_file 即可在本地生成,无需额外配置。
Google Research 提出 PhotoScan,一个可从普通 2D 手机照片估算体脂率、A/G 比值和 V/S 比值的深度学习框架,用于预测胰岛素抵抗。
Google DeepMind 发布多语言手语转文本模型 SL2T,首次把该能力带入消费产品,在 Pixel 11 的 Gboard 和 Live Transcribe 中支持美国手语(ASL)转英文听写,后续将扩展更多设备与语言。
Berkeley AI Research 与 IBM Research 将 K-Search 进化式内核搜索框架扩展到 MLX,通过结构化 CUDA-to-MLX 翻译层把已有 CUDA 内核知识迁移到 Apple Silicon。
Google Research 发布一种新架构,将多 Token 预测(MTP)头接到已冻结的 Gemini Nano v3 模型上,在不改动主干权重的前提下加速端侧推理,已随 Pixel 9 和 10 系列推出。
Google DeepMind 发布 Gemma 4 12B,一款面向笔记本本地运行的多模态模型,介于边缘端 E4B 与 26B MoE 之间,采用无编码器统一架构,视觉和音频输入直接进入 LLM 主干。
Google Research 在 Nature 发表研究,提出 PHRM 系统,利用手机前置摄像头在面部解锁后的几秒内拍摄视频,通过深度学习在后台估算心率和静息心率。
Google 为隐私分析服务推出零信任聚合方案,将新型单次消息加密聚合协议与 TEE 结合,使设备无需多轮在线即可提交数据。该方案保证 Google 只能获得匿名化的群体聚合洞察,原始数据即使在硬件保护范围内也不会被暴露或重建,TEE 认证则向参与者证明协议按公开代码正确执行。
Google DeepMind 发布 Gemma 4 开源模型家族,包含 E2B、E4B、26B MoE 和 31B Dense 四种尺寸,采用 Apache 2.0 许可。
Mistral 发布 Mistral 3 系列,包括 14B、8B、3B 三个小尺寸稠密模型和迄今最强的 Mistral Large 3,后者为稀疏 MoE 架构,41B 激活参数、675B 总参数,全部以 Apache 2.0 许可开源。
Mistral AI 发布 Mistral Small 3,一个面向低延迟优化的 24B 参数模型,以 Apache 2.0 许可证开源,同时提供预训练和指令微调两个 checkpoint。