AI永不停歇，本周更是疯狂。Open AI抓到了第一名间谍员工；Google终于发布了最强模型Gemini 4 Argon，性能强悍。Google还在量子计算领域取得重大突破。我们迎来了一款非常强大的新开源图像生成器，以及一款排名第一的文本转语音（TTS）开源模型。你可以在转录稿中添加元标签，以控制情感和语调方向。
Meta也发布了其最佳模型Muse Wonder，以及开源版本Muse Spark Open。我们还看到一些能生成具有连贯机制的交互式游戏的新开源AI，以及其他最先进的3D生成器。这款人形机器人完全开源，包括硬件部分，你可以从零开始构建并根据喜好定制它。此外还有令人惊叹的人形机器人演示等更多内容，让我们直接切入正题。
首先是一款新的顶级开源文本转语音模型：Fish Audio推出的Drama 3，它非常灵活。例如，你可以添加元标签来精确描述希望某句话如何被朗读出来。这里有一个示例：“我很好，真的。”（叹气并喘息）“真的吗？没我就继续吧。我很好。”
接着是克隆Uncle Roger声音的示例，使用Drama 3生成的片段：“嗨，侄子。你为什么在蛋炒饭里放番茄酱？”（叹气并喘息）“炒饭需要酱油、味精和锅气，而不是番茄酱。Uncle Roger看不下去了。”
“你在微波炉里煮牛排？Uncle Roger要坐下了。牛排需要火，需要煎烤。微波炉只适合热剩饭，不适合煮牛排。”“用橄榄油炒？这不是沙拉啊侄子。炒菜需要高温和花生油。嗨，你的祖先在看呢。”
根据Artificial Analysis的排行榜显示这款新Drama 3目前排名第一。模型已发布在Hugging Face上，这是一个拥有350亿参数的大模型，但使用时只有30亿参数处于激活状态。因此尽管体积庞大，用户报告称在低至8GB显存的设备上也能成功运行。页面下方还包含如何在本地计算机上下载和运行的说明，感兴趣者可查看描述中的链接。
本周我们还推出了名为Matrix Game 4.0的新AI世界模型，由Skywork开发。它可以创建可在实时中游玩的3D游戏，且一切始终保持一致。这与以往容易随时间扭曲或漂移的AI游戏模型截然不同。以下是不同游戏的示例，可以看到游戏规则、场景、角色和其他物体在整个过程中都保持一致。
其工作原理是：不单纯依赖AI生成所有内容，而是先使用游戏引擎处理物理、运动和游戏规则。然后由AI模型将粗糙的图形转化为更精细的画面，并实时渲染。它还配备了一个编码代理（coding agent），你可以用自然语言描述新的游戏玩法，该代理会自动修改游戏代码。
最令人印象深刻的是，它能在单张消费级GPU上以480p分辨率生成高达每秒83帧的画面。代码和模型均已发布，感兴趣者可查看描述中的链接进行尝试。
本周还有一款名为GauGAN animate的新AI，旨在简化3D角色动画制作，特别是针对动物和衣物等复杂对象。传统3D动画通常需要在角色内部创建骨架才能控制运动，但这会导致动作僵硬，无法准确模拟衣物、毛发或软体等复杂形变。这款AI正是为了解决这一问题而设计，它将传统骨架运动与更灵活的外部表面或服装表示相结合。
内部骨架决定角色如何移动，而外部结构则处理更复杂的形变（如图中绿点所示）。该技术在多种不同主体上表现良好，包括衣物和各种类型的动物。代码已发布在顶部页面中，包含详细的本地运行说明，感兴趣者可查看描述中的链接。
本周还有一款名为Uniform 3D的新AI（文中后续也称为UniForge 3D）。它只需几张物体不同角度的图片，就能将其转化为完整的3D模型，包括原始图像中不可见的部分。示例显示它可以生成不同的角色、雕像及其他复杂物体。
其工作原理结合了两个过程：一个重建原始图像中可见的部分，另一个生成缺失部分。两者协同工作，在保留原有细节的同时填补几何结构的空白。与其他方法相比，UniForge 3D能更好地保持原始物体的细节。代码和模型均已发布，感兴趣者可查看描述中的链接获取本地运行说明。
本周Open AI还发现有人在办公室安装窃听器并监视他们，而肇事者竟是内部员工。开玩笑的，其实是这位先生——Alfonsan，他确实是Open AI的一名员工。据我们所知，Open AI在办公室各处安装了隐蔽的安全摄像头，发现这名叫Alfonsan的员工进入房间并检查了电视机后面的录音设备。
OpenAI的一名员工植入了一个微型录音设备，正是这个。它相当便宜，在亚马逊上只要20美元左右。他用卫生纸把它包裹起来，插入了高管会议室里电视后面的USB接口。OpenAI发现了这件事，随后FBI在10月9日逮捕了他。这个设备是一个录音机，所以这个人可能想用它来录制会议室里正在进行的讨论。在我看来，整个事件听起来相当可疑。首先，你为什么要用卫生纸把这个设备包起来并放在电视后面？我的意思是，这是放置窃听器最明显的地方。这卷卫生纸看起来甚至更糟糕。所以，即使这个人是个间谍，他在这件事上也显得相当粗心大意。
此外，这个设备很便宜，并不是真正为硬核间谍活动设计的。无论如何，这就是我们目前知道的所有细节。在我看来，整个事件听起来既可疑又粗心。请在评论中告诉我你的想法。此外，本周Google宣布在量子计算领域取得了重大突破。他们解决了困扰该领域超过20年的最大难题之一。
现在，这非常技术性，但让我们用简单的术语来梳理一下。首先，你需要知道量子计算机对错误极其敏感，为了执行某些重要的计算，它们需要一种称为“魔法态”的特殊量子状态。这真的很复杂，但你可以把这些想象成允许量子计算机执行原本不可能操作的特殊资源。
但是，存在一个问题。创建这些魔法态极其昂贵，制作它们可能会占用量子计算机高达95%的容量，这仅剩下约5%用于实际计算。
现在，Google已经在其名为Willow的量子处理器上演示了一种称为“魔法态培养”的新技术。基本上，它从一个不完美的量子状态开始，执行一系列测量以检测错误，并逐渐产生一个更干净的状态。这真的很技术性，但这基本上是该过程的一个非常简化的版本。
结果令人印象深刻。Google表示，这使得错误率降低了约40倍，使其达到了99.99%的保真度。换句话说，这些特殊的量子状态现在更加可靠且不易出错。
当然，Google仍需要在更大规模上证明这一点，但这最终可能有助于减少构建量子计算机所需的庞大硬件需求。如果你想深入了解技术细节，他们实际上在《科学》杂志上发表了一篇完整的论文。链接就在下面，如果你感兴趣，我会在下方的描述中链接到主页。
此外，本周我们有一个名为Mosaic Chunk的新系统。这是一种帮助AI视频生成器在更长时间内记住对象和环境的技术。你看，AI生成视频的主要问题之一是，当某物从视野中消失后，它可能会忘记那东西长什么样。
Mosaic Chunk通过引入一个记忆系统来解决这个问题，该系统有选择地记住早期视频帧中的重要细节。
现在，它不是存储每一个先前的帧，而是识别有用的信息片段，并在需要时再次检索它们。正如你可以从这些演示中看到的那样，该系统可以在对象被隐藏几秒钟后保留其外观或场景。
好处是他们发布了该系统的代码和模型。所以，如果你点击这个“代码”按钮并向下滚动一点，这里包含了如何在本地计算机上下载和运行它的所有说明。请注意，他们发布了两种不同的模型，取决于你是做文生视频还是图生视频。
而文生视频版本基于Minimax H3，图生视频版本则基于Ling World Infinity。如果你感兴趣，我会在下方的描述中链接到主页。
此外，本周Google终于向公众发布了他们最好、最新的模型Gemini 4 Argon。一周前我们收到了预告，所以我们已经看到了基准分数。在知识工作、代理式编码、科学和数学以及其他用例方面，这真的很好，甚至在各种基准测试中击败了GPT-6 Astra以及Claude Opus 5.5。
除了基准测试外，这里还有一些它令人印象深刻的功能展示。在这里你可以看到Argon使用Blender创建了这个宝塔场景。正如你所见，这非常详细，但更有趣的是它在科学方面的表现如何良好。Google表示Argon帮助设计了多种新酶，所有这些都在真实实验室中证明是有效的。
此外，它还帮助开发了一种量子计算算法，与基线相比，将特定的计算成本降低了100倍以上。然后在机器人领域，Google还演示了Argon如何观看有人玩名为“玉米袋”游戏的视频，生成运动的模拟，然后将产生的行为转移到人形机器人上。
所以，它在理解物理世界和控制机器人方面非常擅长。Gemini 4 Argon最引人注目的功能之一是它可以输出100万个token。请记住，这不是上下文窗口或你可以放入提示中的信息量。这是它一次可以输出的信息量。
这太巨大。我的意思是，以前的前沿模型只能输出约64K或128K的token。但这大约是前者的10倍。所以，想象一下这个模型能够从一个响应中输出一系列小说或整个多文件代码库。我认为这是Gemini 4 Argon最强大的功能。
现在，既然Gemini 4 Argon已经向公众发布，这里有一些额外的基准测试供你参考。这是Maze Bench（迷宫基准）。这基本上测试AI模型解决迷宫的能力如何。你可以看到Gemini 4 Argon排名第二，击败了Claude系列模型，但仍略落后于GPT-6 Astra。
在Vending Bench（自动售货机基准）方面，AI模型被给予初始余额，需要运营一家虚拟自动售货机业务。你可以看到Gemini 4 Argon排名第三，表现远好于Claude系列模型，但仍落后于GPT-6。
有趣的是，在Blueprint Bench（蓝图基准）方面，这是衡量AI将公寓照片转换为2D平面图的能力。你可以看到Gemini 4 Argon实际上是最佳的模型，几乎击败了人类基线水平。在Vals Index方面，它衡量的是AI模型的……
在金融、编程、法律及其他领域进行知识工作时，你可以看到 Gemini 4 Argon 排名第一。此外，它的成本也远低于第二和第三名模型，因此效率极高。在 Kernel Bench 方面，这主要测试 AI 模型编写复杂 GPU 底层代码的能力，Gemini 4 排名第三。
如果查看 Arc AGI 3，它将 AI 置于没有规则的游戏环境中，AI 必须自行摸索并通关。Gemini 4 Argon 在此表现优异：若提供辅助工具，其性能几乎达到98%，基本饱和了基准测试。考虑到成本（X轴为对数刻度），它比右侧其他模型便宜约10倍，极具效率。
在包含临床图像的问题中测试其医学推理能力时，Gemini 4 Argon 目前排名第一。事实上，在分析图像、视频或音频等多模态能力方面，Gemini 模型一直是我的首选。因此，它对医学图像的强大理解力并不令人意外。
Gemini 4 Argon 已发布，但需 Ultra、Pro 或付费 API 计划才能使用。免费用户无法访问。这是 Gemini 4 Argon，相关链接将在下方描述中提供。如果你从事内容创作，务必查看本视频赞助商 Luma。
通常使用 AI 制作内容时，需在模型和界面间切换，反复修改提示词和调整设置，既不便也不流畅。而 Luma 提供随项目全程陪伴的 AI Agent。只需自然语言告知目标，Agent 即可自主生成资产、测试概念、修改并迭代。
例如，Luma Agent 可协助创建和迭代建筑及室内设计风格；若喜欢某风格，可将其克隆至其他地方或生成不同格式。另一个例子是提示其生成像素艺术资产用于游戏，它能创建角色和背景并保持整体风格一致。
Luma 集成了最佳图像和视频生成器，包括其自家的 Wraith 3.2。若需规模化制作内容，Luma 是流畅易用的平台。可通过描述链接或扫描二维码试用 Luma。
本周我们还推出了新 AI Multix，这是一个能模拟同一环境中多玩家互动的世界模型。现有的 Genie-3 或 Hunyuan World 等模拟器通常仅聚焦单一玩家视角，无法实现多人在同一场景互动。Multix 旨在解决此问题。
演示显示，它能生成每个玩家的不同摄像机视角，并保持动作和环境同步。有趣的是，研究人员仅用四名玩家训练模型，却证明其无需额外训练即可扩展至10名玩家。这表明它习得了多人系统的机制，并采用分层通信让不同模拟共享信息。
这种方法将计算成本降低了86%以上，效率极高。页面顶部已发布代码和模型。点击“Code”按钮并向下滚动，包含在本地计算机下载运行该模型的说明。基础 Multix 模型仅16GB，体积小巧。感兴趣者可查看描述中的链接。
期待已久的 Kling 4 终于发布。访问 Kling 即可选择该版本。相比上一代，Kling 4 有显著提升：运动更动态，支持高质量立体音频和10位 HDR 输出。未来还将支持4K分辨率。
此外，视频可添加多达15个参考图，并支持多关键帧控制（最多10个），让你更精准地掌控视频内容。初步测试显示，Kling 4 表现接近但尚未超越目前 AI 视频领域的王者 SeaArt。感兴趣者可在描述中找到 Kling 主页进行试用。
本周还有多款新图像模型，我们快速浏览一下。其中之一是 Crea 3，其令人印象深刻之处在于速度：能在8秒内生成或编辑2K分辨率图像，而 Nano Banana 需30多秒。
与 Nano Banana 类似，Crea 3 支持自然语言提示编辑任意内容，且精度极高：仅改变指定元素，保留图像其余部分的像素。这对于保护产品、形状、标志或标签等重要细节至关重要。
每次编辑最多支持6张参考图，可组合不同对象、角色或风格。目前 Crea 3 为付费服务且仅限在线平台使用，但开发团队曾提及开源计划。若成真，鉴于我喜爱 Crea 2，Crea 3 将成为最佳开源图像模型。相关链接在描述中。
本周还有一款新的开源图像编辑器 Flux 3 image client。该模型仅56亿参数，体积小巧，应能适配大多数消费级显卡。
此外，它还是一个语义图像编辑器，你可以仅使用自然语言来编辑图片。我认为其最佳功能在于支持高达4K分辨率的图像生成和编辑。这也允许进行边界框控制，因此你可以精确地将对象、文本或其他元素定位在图像的特定区域内。虽然这些功能听起来令人印象深刻，但在下载并在ComfyUI中进行一些初步测试后，不幸的是效果相当糟糕。特别是在面部和人体解剖方面，看起来简直糟透了。我们会看到多余的手指或变形的肢体。这就像回到了Stable Diffusion 3时代。希望社区的一些微调模型或LoRA能修复这个问题，但基础模型本身已经非常破碎了。
如果你有兴趣尝试一下，他们已经发布了该模型的权重。模型本身相当小巧，大小仅为10GB，而且ComfyUI已经支持它。最后我想提一下许可证问题：这是基于Flux社区许可，因此你只能将其用于非商业目的。我认为如果你的年收入超过500万美元，则需要申请单独的商业许可证。从我测试中得到的那些令人恐怖的人体解剖错误来看，我打算跳过它。但如果你有兴趣尝试，我会在下方的描述中链接到主要的发布页面。
相比之下，我们有另一个新的图像模型叫Mos Image，它比Flux 3要好得多。这个模型的过滤限制要少得多，因此你可以开箱即用地做很多事情。它也非常小巧，仅有50亿参数，对于大多数消费级显卡来说足够紧凑。不幸的是，这仅支持文生图，你不能用自然语言编辑图像，但正如你在一些示例中看到的那样，它在动漫或生成游戏场景方面非常出色，而且在生成文本方面也做得很好。
因此，在生成漫画面板、图表、信息图、游戏场景以及逼真的图像方面没有任何问题。像Creia和Audiogram一样，这个模型也具有布局控制功能，因此你可以在画布上绘制边界框，以确定图像中所需内容的确切构图。他们发布了两种不同的模型：一种是基础模型，非常适合训练和微调；另一种是SFT（监督微调和人类反馈强化学习）模型，经过微调以获得更好的视觉质量。所以，如果你只是生成图像，应该选择后者。
该模型相当小巧，因此仅Transformer部分的大小就约为10GB。此外，所有内容都采用Apache 2许可证，这是极其宽松的许可协议。你甚至可以将此用于商业目的。所以，如果你有兴趣，我会在下方的描述中链接到该页面。另外，本周Meta发布了他们迄今为止最好的模型Muse Wonder。他们说这是一个专为智能体使用和专业工作设计的前沿模型。这比他们之前的发布物Muse Spark有了巨大的飞跃。
以下是他们自我报告的基准测试结果，正如你所见，在某些情况下，它在知识工作、自动化和智能体编码方面甚至击败了最好的GPT和Claude模型。以下是其用例的一些示例：它在浏览器中跨不同应用程序运行得非常好。例如，你可以根据你的个人偏好让它构建一个跑步应用；或者根据某人Instagram上的真实照片来设计和订购定制T恤；又或者在这里，你可以让它为婚礼创建座位图。
如果你查看Artificial Analysis的这个智能指数，那么更聪明的Wonder模型实际上排名非常高。而那个不太智能的变体（仅称为Muse Wonder）表现则不那么好。关于Muse Wonder另一个令人印象深刻的事情是它的速度。你可以看到，它实际上比Gemini 4或Opus 5.5等其他前沿模型要快得多。然而，如果你查看每个任务的成本，考虑到其较低的智能水平，这非常昂贵。
根据Artificial Analysis的数据，每个任务的成本约为450美元，远高于更智能的GPT-6 Astra或Gemini 4。如果你查看这个Ambitions幻觉率，那么Muse Wonder的幻觉比其他前沿模型（如GPT-6或Claude）要少得多，根据这项基准测试，后者的幻觉率约为50%到70%。现在需要注意的是，这项基准测试实际上并没有衡量它是否得到了正确答案。而是衡量如果它不知道答案时，是否会诚实地说不知道，还是胡编乱造。
因此，根据这项基准测试，Muse Wonder模型在说“不知道”而不是胡编乱造方面相当诚实。现在，如果你查看Abacus AI的另一个排行榜Live Bench，你会发现Muse Wonder的表现并不好。它排在很后面，甚至不在前10名中，远远落后于Gemini 4。这里有一些其他有趣的基准测试：Maze Bench衡量模型解决迷宫的能力，正如你所见，Muse Wonder排在很后面，只有1%，并不太令人印象深刻。
对于Vending Bench（考察模型运营虚拟自动售货机业务的能力），你可以看到Muse Wonder排名第四，低于GPT和Gemini，但略高于Claude模型。在Vals Index方面（考察AI在金融、编码、法律和其他领域的知识工作能力），你可以看到，即使是更智能的Muse Wonder Full也仅排名第五，低于Gemini 4和Claude模型。因此，仅仅从整体基准测试来看，它并不太令人印象深刻。我会说它仍然处于前五名之内。
在录制此时，似乎Muse Wonder和Muse Wonder Full都对Muse Code订阅者开放。但请注意，只有不太智能的Muse Wonder可以通过API使用。这周Meta发布的不仅仅是这个模型。他们还发布了一个名为Muse Spark open的开放权重模型。他们声称这是迄今为止最强大的美国开源权重模型。这是一个巨大的8160亿参数模型，但它是一个混合专家（MoE）模型。因此，当你使用它时，只有420亿参数是活跃的。
仍然相当巨大。并且像其他前沿模型一样，它支持100万token的上下文窗口。以下是他们的一些自我报告的基准测试结果：它在智能体、知识和推理任务以及编码和多模态理解方面表现相当不错。但请注意，这是经过严重挑选的。如果你转而查看这个智能指数，你会发现Muse
Spark 的排名非常靠后，甚至低于 GLM-5.3、Step 5、Kimiko Free 和 Mimo 2.6，这些也都是开源权重的模型。所以老实说，它并没有那么令人印象深刻。这里还有另一张图表，我们用蓝色显示开源模型，灰色显示闭源模型。正如你所见，Muse Spark 的开源版本排名依然非常靠后。虽然它是开源的，可以在本地运行，但如果你选择通过他们的 API 使用它，成本并不具备竞争力。
相比之下，如果与其他开源模型相比，它的价格比 GLM-5.3 或 Mimo 2.6 更昂贵。不过，好的方面是他们已经发布了模型供你本地下载（如果你有相应的硬件）。他们发布了完整版以及更压缩的 FE4 版本。但这款模型最大的问题在于，你需要提供所有这些信息才能访问 Muse Spark 开源版。这包括法定姓名、出生日期和完整的组织信息。
此外，与其他开源模型相比，他们的许可证相当荒谬。这里有一些限制条件：你必须在每个使用此模型的产品或服务用户界面中显著展示“由 Muse Spark 开源构建”。如果你的产品年收入超过两千万美元，你还需要单独的许可证（这还算合理）。其他一些开源模型也有类似规定。
他们还添加了一份巨大的禁止使用清单。之后，你还需要填写所有这些字段。这就是 Muse Spark 开源版的情况。它在性能上甚至无法与目前最出色的开源模型相提并论。所以至少对我来说，我不会使用它。但如果你有兴趣尝试，我会在下方的描述中链接到主页。
本周我们还有一款名为 Anytime Any Space 的新 AI 系统，它试图在很长的视频中保持一致性。例如，角色可以离开房间再返回，整个过程始终保持一致。其工作原理实际上是重建视频场景的 3D 环境。因此角色可以移动到其他地方，镜头也可以切换到不同场景，但当你回到房间时，因为内存中有 3D 重建数据，那个房间会保持一致。
有趣的是，这适用于不同的视频模型。你可以使用 MiniMax H3、阿里的 One 或其他任何视频生成器。目前他们已发布了相关代码，点击仓库并向下滚动，里面包含了如何在本地计算机上下载和运行此项目的说明。如果你有兴趣进一步阅读，我会在描述中链接到主页。
本周我们还有一款名为 InfiniSplat V2 的新 3D 重建模型，我之前介绍过第一版，但这一个更好。它可以拍摄物体或环境的多角度照片并将其转化为可探索的 3D 场景。这里有一些实际运行的例子，你可以看到镜头可以在这些 3D 场景中移动，它在保留原始细节方面做得相当令人印象深刻。
它甚至可以重建更大的环境，如这个包含一千多帧驾驶画面的例子所示。其工作原理相当有趣：模型的一部分用于确定 3D 几何结构，另一部分则决定外观。它还学会了抑制不准确的地方，使最终的 3D 重建看起来更干净、一致。与其他方法相比，新模型显得更加详细和忠实于原貌。
他们已发布了代码和模型。点击顶部的“Code”按钮并向下滚动，里面有安装和本地运行的说明。该模型大小约为 6.6 GB，相当小巧，你应该能在大多数消费级显卡上运行。如果你有兴趣尝试，我会在描述中链接到主页。
本周 Nvidia 发布了一款名为 Stream Render H3 的新世界模型，基于最佳开源视频模型 MiniMax H3。该系统基本上接收游戏引擎的粗糙图形，并在你游玩时实时将其转化为视觉效果更好的画面。这里有一些实际演示：它可以将简单的赛车游戏利用 MiniMax H3 等视频模型转化为更逼真、令人印象深刻的画面。
你甚至可以根据输入图像改变环境的外观。从这些例子可以看出，只需参考图就能改变汽车或其他物体的外观。传统游戏引擎仍负责处理物理、运动和位置，但它不直接渲染最终图形，而是将简单的彩色编码地图传递给 AI 视频模型。
该模型随后生成所有逼真的纹理、光照和其他视觉细节。他们还优化了模型，使其只需两步即可生成每一段视频片段，从而实现实时渲染。请注意，他们使用了八块 A100 GPU 来运行此系统以实现实时效果（我相信大多数人没有这种硬件）。
与单块消费级显卡不同，这需要强大的算力。好的方面是他们发布了模型和代码。点击链接并向下滚动，里面有下载和本地运行的说明。请注意这基于 MiniMax H3，还需要 Quince 等额外的编码器模型。因此总大小超过 200 GB，你需要相当强大的硬件才能运行它。
同样地，我们还有一款名为 Streaming Code World Model 的世界模型，原理基本相同。它也能将粗糙的 3D 环境版本转化为更逼真的视频片段，一次处理一个。这里有一个实际演示：右下角的小窗口显示粗糙的 3D 图形，而 AI 系统能将其转化为更详细、逼真的场景。
其工作原理相当有趣：它不是一次性生成整个视频，而是基于之前的片段和游戏引擎的最新输入，一次只生成一小段。事实上，这里提到它可以……
在单张 Nvidia H200 GPU 上仅需 5.1 秒即可生成一个片段，这比 Nvidia 之前的方法高效得多。好消息是他们已经发布了该项目。该页面包含了所有关于如何本地安装和运行的说明，此外他们还公开了训练脚本，这非常棒。如果你感兴趣，我会在下方的描述中链接到主页面。
在人形机器人新闻方面，这非常酷：我们终于拥有了一个开源的全栈人形机器人平台。它被称为 RP1，基本上为你提供了构建和编程你自己的“老婆”——哦不，是人形机器人所需的一切。特别有趣的是，他们不仅发布软件，还公开了实际的硬件设计，包括机械部件、电路图、电子元件、固件和组装文档。因此，你不必购买人形机器人并受限于制造商允许的修改范围，而是可以使用这个 RP1 平台从零开始自己构建一个机器人。
从演示中可以看到，它能够实现相当动态的动作，包括行走和跳跃。该项目还包括用于训练机器人动作的软件，例如模仿人类运动以及尝试不同的 AI 模型来控制机器人。目前有不同的机器人配置，自由度从 24 到 42 度不等。软件架构包括一个以 500 Hz 运行的实时控制系统，意味着它每秒可以更新数百次命令，本质上允许其实时响应。因此，如果你想定制构建自己的人形机器人，这是一个非常酷的平台值得查看。我会在下方的描述中链接到 GitHub 仓库，其中包含软件、所需硬件及其他文档的所有说明。
此外，本周我们还看到一个令人惊叹的人形机器人打乒乓球的演示。此前我们已经有过一个人形机器人自主玩乒乓球 demos，但这里他们开发了一个名为“Ping Pong Duo”的系统，允许两个机器人进行双打比赛。与常规的一对一游戏不同，双打要复杂得多，因为两名球员必须轮流击球并不断在彼此周围移动。他们需要预测球的去向并正确站位，这已经非常令人印象深刻，因为球速极快。但在击球后，他们还需要移动让位给队友进行下一次击球。
Ping Pong Duo 使用了一个协调控制系统，允许两个机器人共同规划动作。从演示中可以看到，这些机器人可以轮流击球并侧身让出空间，然后重新定位以准备下一次击球。如演示所示，它们能维持相当长时间的拉锯战。这基本上是一个结合了独立 AI 技能（用于移动和球拍控制）以及协调两个机器人的规划器的系统。这是一个非常令人印象深刻的演示，如果你对更多技术细节感兴趣，我会在下方的描述中链接到该项目页面。
本周我们还发布了大量新的开源模型。让我快速过一遍其中一些。最大的一个是 Step Fun 发布的 Step 5 Preview。几周前他们曾预告过，本周终于发布了权重。这是他们的旗舰模型，专注于自主编码和复杂推理。这是一个相当大的模型，总参数量为 6000 亿。它是混合专家（MoE）架构，因此在使用时只有 270 亿参数处于激活状态。与其他前沿模型一样，它支持 100 万 token 的上下文窗口，因此你可以一次性在提示词中放入大量信息。
从智能指数来看，它属于目前最好的开源模型之一，仅略低于 GLM 5.3 和 Mimo 2.6。如果你通过他们的 API 使用它，每个任务的成本约为 1 美元，是 GLM 5.3 成本的一半。他们本周在 Hugging Face 上发布了该模型，作为一个前沿模型，其体积仍然相当庞大，达 650 GB。但如果你有硬件来运行它，这是目前性能最强的开源模型之一。如果你感兴趣，我会在下方的描述中链接到主发布页面。
本周还有另一个非常酷的开源模型：Nvidia 发布了他们最新的 NeMo-Tron 3.5 SuperVL。名字很长，但它是为了极致的速度和效率而设计的。这是一个多模态模型，可以理解图像、视频和文档。它有 1200 亿参数，但使用时只有 120 亿参数处于激活状态。从输出速度来看，它非常快。虽然这不是最智能的开源模型，其表现甚至不如 MiniMax 或 Qwen 3.8-27B，但这个 Nemotron 模型极其快速，每秒可实现超过 600 个 token。因此，如果你关心快速完成任务，尤其是那些不需要太多深层推理或智能的任务，这是一个相当不错的模型。
与之前的 Nemotron 模型一样，它是开源的。他们在 Hugging Face 上发布了该模型，页面上包含了下载和运行的所有说明。此外，他们还公开了训练配方，因此它是完全开源的。1200 亿参数意味着其大小仍高达 75 GB，因此你需要一些高端硬件来运行它。如果你感兴趣，我会在下方的描述中链接到主页面。
本周我们还发布了另一个性能相当不错的开源模型，名为 Ling 3.1 Flash。它的总参数量也很大，为 5600 亿，但使用时只有 250 亿参数处于激活状态。从这些基准测试中可以看出，它的表现实际上与其他领先的开源模型（如 GLM 5.3、Kimiko 3 和 DeepSeek 4.1）非常接近。页面下方包含了下载和运行的所有说明。请注意，它非常大，约为 574 GB，但如果你有兴趣尝试，我会在下方的描述中链接到该页面。
那些都是相当大的模型，但我们还有一个小得多的模型 LFM 2.5。它有 240 亿参数，其中 20 亿为激活参数。因此，它旨在适配一些高端消费级设备。从这些关于代理编码、工具使用和通用知识的基准测试中可以看出，它的平均性能优于其他类似规模的模型（如 Qwen 3.6 和 Gemma 4）。因此，这是一个相当……
该模型在其尺寸类别中表现出色，而且速度极快。正如你所见，与其他竞争模型相比，它每秒可以输出更多的令牌（tokens）。现在在底部，他们已经在 Hugging Face 上发布了该模型，其总大小仅为 48 GB。与其他拥有数千亿参数的庞大模型相比，这相当小巧。其许可证也主要是 Apache 2.0，这是一种非常宽松的许可协议。如果你感兴趣，我会在下方的描述中链接到该主页。
此外，本周斯坦福大学的研究人员推出了一种名为“下一个概念建模”（Next Concept Modeling, NCM）的语言模型新方法，该方法可以从粗略的概念生成到精细的细节文本。你看，我们今天使用的大多数前沿语言模型一次只生成一个词或令牌。因此，它们需要在移动到下一个令牌之前先产生当前令牌，这当然使得过程相当缓慢且低效。
但该模型的工作原理是先确定总体思路和结构，然后逐步填充较小的细节。你可以把它想象成写文章：首先创建一个粗略的大纲，然后扩展每个部分，最后润色各个句子。有趣的是，这个新的 NCM 模型可以在每个阶段同时生成文本，而不是一次处理一个。
因此，从这个例子中你可以看到，这句德语句子被逐步翻译成英语，准确性随着每个阶段的推进而提高。结果相当令人印象深刻。因此，该模型似乎在解决数独谜题方面表现特别出色。从这些基准测试中你可以看到，与其他能够同时生成多个令牌的竞争扩散语言模型相比，它的速度提高了多达 21 倍。
在摘要方面，其速度快了高达 31 倍。这是一个非常有趣的概念，并且在顶部他们发布了 GitHub 仓库。如果你点击这个链接并向下滚动一点，这里包含了所有模型以及如何在本地计算机上下载和运行该模型的说明。如果你对进一步阅读感兴趣，我会在下方的描述中链接到主页。
以上就是本周 AI 领域的所有亮点总结。请在评论区告诉我你对这一切的看法。哪条新闻是你最喜欢的？你最期待尝试哪个工具？一如既往，我会继续寻找顶级的 AI 新闻和工具与你分享。所以，如果你喜欢这个视频，记得点赞、分享、订阅，并期待更多内容。
此外，每周 AI 世界发生的事件实在太多了，我不可能在我的 YouTube 频道上涵盖所有内容。因此，为了真正及时了解 AI 领域发生的一切，请务必订阅我的免费每周通讯。链接将在下方的描述中提供。感谢观看，我们下期再见。