小米开源 HachimoDock AI 硬件，自制成本约 150 元，可指挥 Agent 并联动智能家居
小米内部创新产品团队开源了 AI 硬件 HachimoDock，硬件自制成本约 150 元，可通过语音指挥电脑端 Agent，并通过 xiaomi Miloco 联动智能家居。
推荐理由：文章把 HachimoDock 的语音交互、Agent 任务反馈、组件创作与智能家居联动串成完整使用链路，并交代源码、物料和装配教程等复刻资料。
#开源/仓库
量子位精选AI 评分7070
量子位精选AI 评分6666 TypeSafe AI 与 Treg 开源 Jev 找人工具，Agent 可调用其查找工作邮箱
TypeSafe AI 与 Treg 开源了一款基于 Jev 的找人工具，可接入 Agent 查找候选人并补齐工作邮箱。
推荐理由：People Search Bench 与 292 人名单的 Clay 对照呈现了性能和成本差异，邮箱验证另付费及社区检索反馈补充了使用边界。
量子位AI 评分7171 ForgeKernel 开源，AI 写算子比 DeepSeek-V4.1 的 FlashMLA 快 9.8%
面壁智能的 ForgeKernel 在英伟达 B200 上通过 22.5 小时直播生成算子，最终版本耗时 472 微秒，比 DeepSeek-V4.1 的 FlashMLA 快 9.8%。
量子位AI 评分6464 智元发布 GO-3 Preview 与 WITA-OMNI，分别登顶三项和四项评测
智元发布具身基座模型 GO-3 Preview 和全模态端到端交互大模型 WITA-OMNI，两款模型分别登顶三项与四项评测。同步推出第三代硬件架构 AHA3、重载机器人精灵 G2 Max 和具身原生操作系统灵渠OS 1.0；智元计划今年年底全面开源后者，并开放经过量产验证的 2亿行代码和 5000多个生态软件包。
HF Daily Papers精选AI 评分7575 Youtu-Parsing-Omni 论文提出单一编码器与统一输出结构的多模态解析方案
Youtu-Parsing-Omni 提出并开源统一多模态解析器，以一个共享权重编码器和一套统一输出结构，将文档、图像、音频与视频转换为带时空信息的结构化记录。
推荐理由：论文同时给出统一解析架构、训练方法、基准成绩和 vLLM 部署配套，便于对照模型效果与实际使用方式。
量子位AI 评分7171 国产开源模型 OXR 以 1.3B 参数量登顶三项文档解析榜单
国产开源文档解析模型 OXR 以 1.3B 参数量登顶三项文档解析榜单。在 OmniDocBench、olmOCR-Bench 和 DocParsingBench 上得分分别为 97.18、87.84 和 87.76；后训练采用递归自我改进（RSI），让系统自行找错、归因并生成下一轮训练数据。
Hugging Face Blog精选AI 评分7171 AnySpeechRecognizer 与 AnyDecisionModel 发布，支持 Apple 平台接入开放模型
AnySpeechRecognizer 与 AnyDecisionModel 两个 Swift 包发布，为 Apple 平台接入开放模型完成语音识别和结构化决策。
推荐理由：文章用词错误率、转写速度和内存占用数据对比语音引擎，并补充会议重叠语音的表现，便于评估端侧识别方案的成本与精度。
量子位精选AI 评分8181 PSI称AI辅助解决5道量子信息开放问题，并公开论文与验证代码
Physical Superintelligence（PSI）称，其自研 AI 科研系统 Emmy 辅助解决了开放量子问题目录中的 5 道长期开放问题，并公开论文、Lean 形式化证明和验证代码供审查。
推荐理由：文章给出了 AI 生成假设、Lean 形式化证明与代码验证的分层流程，并附论文和代码供审查，便于读者理解科研自动化的验证路径。
AWS Machine Learning Blog精选AI 评分6060 AWS 介绍用 Amazon Nova Act 扩展 QA Studio 智能体 QA 自动化
AWS 在第三篇教程中讲解 QA Studio 的应用管理与团队权限能力，展示如何扩展基于 Amazon Nova Act 的智能体 QA 自动化。应用归组用例和测试套件，并按环境展示通过率、执行次数、失败数、趋势、不稳定测试排名及 0–100 健康分；分级角色限定应用权限，跨团队共享以接收方角色为上限。
推荐理由：教程给出组织级 QA 扩展的具体路径，用应用归组、健康指标、分级角色和跨团队授权上限管理测试资产与权限边界。
AWS Machine Learning Blog精选AI 评分6767 用 Ray Train DLC 和 EFA 在 EKS 上进行 PyTorch 分布式训练
AWS 演示了在 EKS 上使用 Ray Train DLC 与 EFA 进行多机 PyTorch 分布式训练，无需自行构建包含 CUDA、NCCL 与 EFA 的容器镜像。
推荐理由：文章以统一 Ray Train 镜像贯通 EKS、KubeRay 与 EFA 配置，完整展示多机训练从集群部署、作业提交到 EFA 路径校验的落地方法。
Hugging Face Blog精选AI 评分8080 NVIDIA 发布 Nemotron 3.5 Transcribe 开放权重模型与 Granary v2 多语种数据管线
NVIDIA 发布开放权重模型 Nemotron 3.5 Transcribe，并开放 Granary v2 多语种数据管线；前者集成 40 种语言转录、31 种语言与英语互译、说话人区分和英文音频问答。
推荐理由：原文给出从提示词优化到数据构造、LoRA 微调、检查点选择和评测的完整医疗语音适配流程，可直接用于复现同类场景。
NVIDIA Blog精选AI 评分7474 NVIDIA RTX Spark Windows 笔记本开售，新增本地模型、智能体工具和游戏支持
NVIDIA RTX Spark Windows 笔记本现已由 ASUS、Dell、HP、Lenovo、Microsoft 和 MSI 开售，起售价 $2,599，并新增或计划引入本地模型、智能体工具与游戏支持。
推荐理由：原文将模型能力、GPU 资源分配与本地部署条件并列呈现，读者可据此判断 RTX Spark 对轻量本地 AI 工作流的适配范围。
量子位精选AI 评分7171 蚂蚁百灵开源 Ling-3.1-flash-1019 与 Ling-3.1-flash-base，面向 Personal Agent 真实任务
蚂蚁集团旗下百灵大模型正式开源面向 Personal Agent 场景的 Ling-3.1-flash-1019，并同步开放 Ling-3.1-flash-base 基础模型。
推荐理由：文章同时给出复杂任务基准变化、基础模型架构与开放许可，便于开发者评估 Personal Agent 的模型选型与二次训练空间。
量子位精选AI 评分6363 RoboParty 发布全栈开源人形机器人 RP1
RoboParty 正式发布全栈开源人形机器人 RP1，开放机械图纸、电气系统、ROMOMO 关节、底层控制、仿真、训练和部署等资源。RP1 身高 135cm，提供 24 个和 30 个主动自由度的开源版与开源版 Pro，已展示连续行走、人体动作跟踪、扰动恢复和跌倒起身等真机能力。
推荐理由：RP1公开从机械图纸到训练部署的多层资源，研究者可更直接定位控制与硬件偏差，并复用底层资源开展研发。
HF Daily Papers精选AI 评分5454 Soft-MTP 通过 KL 梯度恢复改进多 Token 预测
Soft-MTP 通过 KL 梯度恢复移除多 Token 预测中的噪声残差，在不增加参数且无可测开销下改善困惑度、推测解码与推理表现。该方法支持 DeepSeek 和 Meta 风格的 MTP；在 167M 至 1.2B 参数规模上，相比标准 MTP 获得更低的 NTP 困惑度、更快的推测解码和更高的 zero-shot 准确率，1.2B 模型微调后的数学与代码推理也更强。
推荐理由：论文将标准 MTP 梯度拆为 KL 自蒸馏信号与噪声残差，并给出兼容现有训练内核的一行代码改法，为多 Token 训练提供低开销路径。
面壁 MiniCPM精选AI 评分5050 面壁开源 MiniCPM-OCR 1.0 DSpark 推测解码头，端到端处理效率提升 55%
面壁开源 MiniCPM-OCR 1.0 的 DSpark 推测解码草稿模型，该模型不是独立 OCR 模型，需与匹配的主检查点配对使用，可将端到端处理效率提升 55%。
推荐理由：材料提供草稿模型与主检查点配对、d2t 映射转换及 vLLM 启动配置，可用于复现 DSpark 推测解码流程。
NVIDIA Blog精选AI 评分7676 C-BRAIN 与 NVIDIA 如何用 AI 加速阿尔茨海默病研究
C-BRAIN 正与 NVIDIA 利用 AI 和加速计算处理分散的阿尔茨海默病研究数据，案例中的分析已从领域专家估计的数周至数月缩短至几分钟。开源智能体工具 OpenScientist 可半自主生成假设并运行分析，已发布案例中每次运行成本低于 $10；InsightEngine 则会对照科学文献和生物医学知识图谱核验主张。
推荐理由：以隐私保护的数据联邦方案和两个开源智能体工具为例，呈现生物医学研究从数周到分钟级分析的实现路径。
量子位精选AI 评分6262 国产 AI 3D 模型 Hi3D V3.0 发布，Hi3D V1.0 模型代码正式开源
Hi3D 团队发布国产 AI 3D 模型 Hi3D V3.0，并正式开放基于 Sparc3D 的 Hi3D V1.0 模型代码。V3.0 被介绍为业界首个可商用的 2048³ 超高精度国产自研模型，文章示例中其生成结果比 GPT-6 Astra 更接近参考图；V1.0 基于约 200 万个筛选后的 3D 资产训练。
推荐理由：文章对比 GPT-6 Astra 与 Hi3D 的 3D 生成效果，并梳理 V1.0 开源、训练规模及 Agent 工作流，便于开发者选型。
量子位精选AI 评分7474 百度文心 Unlimited OCR 2 发布并开源，峰值 KV Cache 占用从 47GB 降至 1.77GB
百度文心 Unlimited OCR 2 正式发布并开源，百页级单序列测试中的峰值 KV Cache 占用从 47GB 降至 1.77GB，减少约96%。SR-SWA按需筛选相关页面和视觉信息，无限解码机制通过分块处理、复用边界页缓存并及时释放其余缓存；16路并发端到端吞吐量从360提升至1315 Token/秒，约为标准解码的3.65倍。
推荐理由：文章通过整本书实测与技术报告，拆解SR-SWA和分块解码的降缓存机制，并对比吞吐量、速度与文档解析质量。
量子位精选AI 评分7575 港科大、CMU与岩山科技开源EdgeRock-4B，KV Cache减少99.1%且单卡吞吐达源模型6.42倍
岩山科技旗下岩芯矩阵与港科大、CMU联合发布并开源EdgeRock-4B，256K上下文下KV Cache固定为72MiB，较源模型减少99.1%。在单张Hopper 80GB GPU、32K输入和32K输出下，模型支持512路并发，输出吞吐12124 tokens/s，是Qwen3.5-4B的6.42倍。
推荐理由：文章拆解了EdgeRock-4B以RMA固定KV Cache的机制，并对照Qwen3.5-4B及有界状态模型的吞吐、内存与推理表现。
HF Daily Papers精选AI 评分5151 EmbodiedLab：通过物理实验发现科学原理的具身智能体基准
EmbodiedLab 提出一个让机器人智能体在物理仿真实验室中自主设计实验、发现科学原理的评测基准。基准覆盖 5 个学科的 30 项实验和 14 个装置平台，智能体通过摄像头读取仪器，评估同时依据实验过程中的读数和任务要求状态。
推荐理由：该基准将科学发现任务转化为可精确评分的物理实验，并比较感知、规划与操作技能对智能体表现的影响差异。
量子位精选AI 评分6868 高德发布全身基座模型 λ0，推动机器人全身动作对齐
阿里巴巴旗下高德发布全身基座模型 λ0，仅用人类行动数据即可让机器人学习移动、姿态和双手操作的全身协调。λ0 在 SIMPLE 仿真基准及多项真机评测中取得 SOTA，采集效率约为主流方法的3.4倍，真机任务成功率较最强对比基线提升22.5%。
推荐理由：λ0以人类全身数据训练机器人，披露3.4倍采集效率、22.5%真机成功率提升及开源入口，便于对照全身动作对齐的实现与迁移效果。
腾讯混元精选AI 评分7474 腾讯混元发布 Hy-Nomas 交互式视频世界生成模型及 BF16 Diffusers 权重
腾讯混元发布 Hy-Nomas，一款通过文本指令与镜头控制实现自由形式多轮交互的视频世界生成模型，并提供 BF16 Diffusers 权重。模型采用分段自回归 DiT、Qwen 文本编码器和 PixelUMM 视频解码器，以 KV cache 延续上下文；示例使用 4 步去噪，输出 704 × 1280、24 FPS。
推荐理由：模型卡同时给出交互机制、推理参数与基准覆盖，开发者可据此复现多轮视频世界生成，并评估交互控制与空间记忆表现。
HF Daily Papers精选AI 评分5656 Qwen-Image-PE：通过两阶段训练学习文本生成图像提示增强的视觉设计
Qwen-Image-PE 通过两阶段训练学习视觉设计，把欠明确的用户请求增强为连贯的文本生成图像视觉规格。训练采用 Caption-Based Reverse Distillation（CRD）和 Groupwise Design Reward（GDR），后者联合比较同一请求的候选图像，优化光照、构图、布局与细节。
推荐理由：论文通过两阶段训练把视觉设计纳入提示词增强，并以基准结果和跨骨干泛化实验展示效果，为相关方法研究提供清晰参照。
HF Daily Papers精选AI 评分4949 RoboJev-27B：用于机器人操作成功检测的开放权重视觉语言模型
论文提出开放权重视觉语言模型 RoboJev-27B，利用任务指令、操作尝试的 10 帧以及如有提供的辅助相机末帧判断机器人操作是否成功。
推荐理由：论文公开训练机制、推理代码及包含 20,628 条预测的评测数据，便于对照机器人成功检测方案并复现实验。
HF Daily Papers精选AI 评分6060 WeVisOne-VL：从对象到像素的统一视觉感知
论文提出 WeVisOne-VL，通过结构化 token 预测统一对象级与像素级视觉感知。该 VLM 借助轻量 pixel decoder 和特殊 <OBJ> token 生成实例级像素输出，并采用三阶段课程训练，先进行 SFT，再进行混合任务 RL。
推荐理由：将检测、定位、OCR、分割与抠图纳入同一 VLM，并给出 30 多个基准结果，为比较细粒度视觉感知方案提供集中参考。
HF Daily Papers精选AI 评分4141 WorldCast：支持大角度镜头控制的世界一致角色视频生成
WorldCast 结合 3D 点云引导与 GAMA，在大角度相机运动下准确跟随轨迹并生成几何、外观和身份一致的角色视频。GAMA 根据初始帧与多视角角色锚点估计的相对相机位姿，检索并注入视角相关角色特征。论文还发布 CLACT 大规模角色中心数据集与基准，提供准确相机几何、多视角角色观测及大角度轨迹，用于训练和评估。
推荐理由：论文同时提供大规模数据集、基准和生成框架，覆盖大角度轨迹、几何一致性与身份保持，便于开展系统评估。
HF Daily Papers精选AI 评分5050 Falcon：面向真实声学场景的高效流式音视频目标说话人提取
Falcon 是一种因果音视频目标说话人提取模型，利用目标说话人的嘴部视频从噪声和重叠语音中提取其声音。模型采用单次多尺度时频分离器与编码空间说话人对比损失，相较 causal AV-TFGridNet，可训练参数减少 91.9%，计算量降低 20.2×，GPU 推理延迟降低 11.1×。
推荐理由：论文提供真实场景基准，并报告相对 causal AV-TFGridNet 的参数、算力与延迟对比，便于评估效率取舍。
HF Daily Papers精选AI 评分5252 World-in-Context：基于上下文条件化的交互式视频世界建模
World-in-Context 提出上下文条件化（ICC）框架，用共享自注意力中的显式 token 统一视角、动作和相机控制。World-in-Context-5B 在 WBench 上取得 81.5 的导航表现，接近 22B EchoWM 的 81.6；视角切换成功率达 93.8%，高于现有 5B 基线的 18.8%。
推荐理由：论文用显式 token 统一视角、动作与相机控制，并在 WBench 对比 5B 与 22B 方案的导航和视角切换表现。
HF Daily Papers精选AI 评分4242 Principia：通过测试时假设构建并迭代科学原理
Principia 是一个基于大语言模型的框架，可在测试时从相关输入及其观测结果构建因果假设，并持续合成和修订科学原理。它将归纳出的原理用于任务以获得新观测，再依据新观测修订假设并重建原理，形成持续迭代的发现流程。
推荐理由：Principia 在四类科学任务上与依赖内部知识、外部来源和经验总结的基线进行了比较，展示测试时构建科学原理的效果。
HF Daily Papers精选AI 评分3939 LoopRec 论文提出面向序列推荐的物品级自适应递归
LoopRec 论文提出一种面向序列推荐的逐物品自适应递归方法，让每个历史物品学习所需处理深度。该方法递归复用权重共享骨干块，由轻量门控逐物品决定退出或继续，无需辅助深度标签；在 Amazon Office 的三层 SASRec 诊断中，76.14% 的物品一层后稳定，6.72% 需要三层。
推荐理由：论文在 3 个 Amazon 基准和 4 种骨干模型下报告 48 组排序比较均改善，其中 44 组统计显著，并公开代码供复核。
Hugging Face Blog精选AI 评分7171 OlmoEarth v1.3 发布全球卫星嵌入模型、预计算数据与探索工具
OlmoEarth v1.3 发布卫星嵌入模型及全球年度预计算数据，为全球每个 10m 像素提供 64 或 128 维嵌入，并上线 OlmoEarth Embeddings Explorer。
推荐理由：模型不仅开放权重、数据和代码，还提供全球预计算嵌入与浏览器工具，读者可据此评估低算力遥感制图工作流。
腾讯混元精选AI 评分6969 腾讯混元发布 Hy-SimulMT 中英双向实时同声传译模型
腾讯混元发布 Hy-SimulMT，提供中英双向语音到语音实时同声传译，并支持在配置 TTS 后进行实时声音克隆，保留说话者声音特征。模型持续接收音频并同步输出译文文本与语音，面向会议、演讲和访谈等实时沟通场景。
推荐理由：材料给出 RealSI 等基准、与职业译员的小规模对比及完整部署路径，读者可据此判断模型在实时翻译场景中的质量、延迟与可操作性。
NVIDIA Blog精选AI 评分7171 NVIDIA Cosmos 平台新增世界模型训练、评估与部署工具
NVIDIA Cosmos 平台新增训练工具、仿真检查点和 Cosmos Data Factory 蓝图，面向世界模型与物理 AI 开发。Data Factory 提供 5 个云原生蓝图，涵盖驾驶数据、图像增强、事件视频和缺陷生成等场景。
推荐理由：原文将数据构建、模型训练、策略测试与部署串成完整链路，并给出推理和视频处理能力的量化变化，便于评估平台落地范围。
HF Daily Papers精选AI 评分3939 HiP3R 通过分层位姿图实现无需再训练的长程 3D 重建
HiP3R 通过分层位姿图把长视频的局部重建合并为全局一致的相机轨迹和 3D 几何，无需再训练或微调。方法先优化鲁棒的 chunk 级 Sim(3) 图以确定全局布局和尺度，再固定布局并为每帧估计共享的 SE(3) 相机位姿。实验覆盖多个基准，方法适用于基于 chunk 和流式后端，项目页为 https://kkakkkka.github.io/HiP3R。
推荐理由：HiP3R 用分层位姿图整合长视频的局部重建，在无需再训练的前提下兼顾全局一致性、尺度稳定与局部误差修正。
HF Daily Papers精选AI 评分4848 F2G-Pose：用于直接 RGB-D 类别级物体位姿估计的几何感知基础特征提升
F2G-Pose 提出实时单次前馈框架，从单张 RGB-D 图像直接预测类别级物体的三维位姿、米制尺寸和相机坐标系下的补全形状。方法将稠密视觉基础特征提升为局部点云，以 DGCNN 编码局部几何，并用 Mixture-of-Experts Transformer 融合对象级结构。
推荐理由：F2G-Pose 在 SOPE 和 ROPE 上达到 SOTA，位姿推理速度为 28 FPS，为实时三维位姿估计提供了兼顾精度与效率的方案。
HF Daily Papers精选AI 评分5858 BrickWright：智能体生成物理可行的 LEGO 积木装配
BrickWright 通过装配 API 和物理可行性验证器，让预训练智能体根据文本或图像提示生成物理可行的 LEGO 积木装配。在 512 个提示的样本上，智能体达到 100% 物理有效性，基线智能体则为 9%（GPT-6 Luna）至 69%（GPT-6 Astra）；轻量智能体的提示遵循度提升，强智能体保持该指标，并优于专用模型完成文本到积木任务。
推荐理由：BrickWright 将装配 API 与物理可行性验证器接入智能体，为实体积木生成提供了一套可复用的验证与纠错方法。
Hugging Face Blog精选AI 评分7272 IBM Granite Speech 发布 granite-speech-5.0-2b，并更新两款现有模型
IBM Granite Speech 发布 granite-speech-5.0-2b，并更新 granite-speech-5.0-470m-turboctc 和 granite-speech-4.1-2b-plus。
推荐理由：文章按高精度翻译、端侧速度和多说话人归因区分三款模型，并给出速度与错误率变化，便于按场景比较选型。
Hugging Face Blog精选AI 评分4242 NVIDIA Kumo Forecast 融合预训练时间序列表示、历史模式检索与可解释性
NVIDIA Kumo Forecast 将预训练时间序列表示与历史模式检索结合，用于多变量时间序列预测并提供可解释结果。它以 MOMENT-1-large Transformer 为骨干，DARR 模式通过最近邻方式检索历史模式，并按预测步长提供滞后项和特征归因。
推荐理由：文章拆解了直接预测与 DARR 历史模式检索的组合方式，并给出输入限制和应用评测路径，便于设计自有数据验证。
Hugging Face Blog精选AI 评分6969 SimReady Central 在 Hugging Face 上线，开放 2,000 多个仿真就绪 3D 资产
SimReady Central 在 Hugging Face 上线，汇集 2,000 多个仿真就绪的 OpenUSD 3D 资产，面向机器人仿真和 AI 工厂数字孪生。
推荐理由：文章不仅说明资产规范，还给出从检索、验证到场景组装和布局检查的完整流程，便于机器人仿真与数字孪生团队复用。