01
roo_code_Grok代码评估获90%高分，成本减半并提供免费试用
Roo Code宣布，XAI的Grok Code在Roo Code评估中取得了90%的优异成绩，展现出顶级的代码生成性能，且成本仅为同类产品的一半。Roo Code Cloud平台目前提供Grok Code的免费试用，截止日期为9月10日。这一表现突显了Grok在速度和成本效益方面的显著优势，使其成为代码开发领域的新兴力量。
02
QuixiAI_评估Grok-code-fast-1在代码移植中的表现
QuixiAI的Eric Hartford测试了xAI的grok-code-fast-1模型，用于Python项目到C语言的移植。他发现该模型在处理大型文件时表现不佳，未能达到预期效果，甚至损坏了测试代码。Hartford指出，grok-code-fast-1在智能体能力和大型文件编辑方面仍需改进，并建议未来尝试分拆文件以提高其处理能力。此前，他使用Claude和GPT模型取得了成功。
03
Tim_Dettmers_GLM-4.5速度与性能评测
Tim Dettmers测试GLM 4.5后发现，其速度比Claude Code + Opus 4.1快约3倍，比GPT-5-high快5倍，同时性能与闭源模型相当。他认为GLM-4.5的速度显著提升了工作效率。Z.ai也宣布推出GLM编码计划，使GLM-4.5更易于访问，且价格仅为原版Claude Code的七分之一。
04
ClementDelangue_苹果发布FastVLM和MobileCLIP2，AI视觉语言模型实现突破
Clement Delangue指出，苹果在AI领域持续发力，近期在Hugging Face上发布了FastVLM和MobileCLIP2模型。这些模型相较于以往工作，速度提升85倍，体积缩小3.4倍，显著推动了实时视觉语言模型（VLM）应用的发展，甚至支持在浏览器中本地进行实时视频字幕生成。
05
vllm_project_vLLM宣布支持快手Keye-VL-1.5多模态模型
vLLM项目宣布其推理框架现已支持快手Keye-VL-1.5多模态模型。该模型显著提升了视频与图像理解能力及推理性能，并扩展至128K上下文长度，从而支持更丰富的对话和复杂的任务处理。用户可通过升级至vLLM的夜间构建版本体验此新功能。
06
gordic_aleksa_深入解析vLLM：高吞吐量LLM推理系统剖析
Aleksa Gordić发布了一篇深度博客文章《深入vLLM：高吞吐量LLM推理系统剖析》，详细解释了LLM推理引擎特别是vLLM的工作原理。文章涵盖了推理引擎基础流程、高级优化技术（如分块预填充、前缀缓存、引导解码、推测解码）、多GPU/多节点扩展以及性能测量等关键方面。该文旨在提供高质量、深入的技术洞察，对理解LLM推理系统具有重要价值。
GitHub
6 stories01
Koog
Koog是一个基于Kotlin的AI智能体框架，旨在以纯Kotlin方式构建和运行AI智能体。它支持智能体与工具交互、处理复杂工作流及用户通信，并提供MCP集成、嵌入能力、自定义工具创建、智能历史压缩、强大流式API、持久化记忆和全面追踪等核心功能。Koog架构可扩展，支持多平台（JVM, JS, WasmJS, iOS），并兼容Google、OpenAI、Anthropic等主流LLM提供商，适用于从简单聊天机器人到企业级应用的广泛场景。
02
Welcome to Activepieces
Activepieces是一个开源的AI自动化平台，旨在替代Zapier，提供强大的工作流自动化能力。它基于TypeScript构建，具有高度可扩展性，支持通过类型安全的“pieces”框架进行定制。平台集成了280多个开源组件，其中60%来自社区贡献，并原生支持AI功能，允许用户试验各种AI提供商或构建自定义AI代理。Activepieces提供直观的无代码构建器，同时支持代码编写，并具备企业级特性，如自托管、数据安全控制、版本控制、多语言支持及人工干预流程。它是一个AI优先的自动化解决方案，适用于技术和非技术用户。
03
Fooocus
Fooocus是一款基于Gradio的开源离线图像生成软件，其设计理念是简化用户操作，仅需关注提示词即可生成高质量图像。该软件基于Stable Diffusion XL架构，提供类似Midjourney的免调参体验，并集成了GPT-2提示处理引擎、高级采样、自定义Inpaint/Image Prompt算法等技术。Fooocus支持多种模型，最低仅需4GB英伟达GPU内存，且安装简便，旨在为用户提供高效且高质量的AI绘画解决方案。
04
HumanLayer
HumanLayer是一个旨在解决大语言模型（LLM）在执行高风险函数调用时安全性和可靠性问题的工具集。它通过提供确定性的人工干预机制，确保即使LLM出现错误或幻觉，也能在关键操作中实现人工监督。HumanLayer支持构建下一代自主智能体，使其能够安全地执行如更新数据、发送邮件等高价值任务，从而自动化复杂工作流，提升AI应用的实用性和可信度。
05
Chatterbox TTS
Chatterbox是Resemble AI推出的首个生产级开源文本转语音（TTS）模型，采用MIT许可。该模型在与ElevenLabs等领先闭源系统的对比评估中表现出色，并首次支持情感夸张控制功能，能为语音注入独特表现力。Chatterbox基于0.5B Llama骨干网络，经过50万小时数据训练，具备SoTA零样本TTS能力、超稳定推理及内置PerTh水印技术，适用于模因、视频、游戏和AI智能体等多种应用场景。
06
MiniCPM-V
MiniCPM-V和MiniCPM-o系列是高效的端侧多模态大模型，旨在手机等设备上实现强大的单图、多图及高帧率视频理解能力。MiniCPM-V 4.5以80亿参数超越GPT-4o等模型，支持96倍视频token压缩、混合思考模式及卓越OCR。MiniCPM-o 2.6则额外支持音频输入和高质量语音输出，实现端到端实时语音对话和多模态直播流处理。该系列模型强调高性能与高效部署，是开源社区领先的端侧多模态解决方案。
01
刚刚，DeepSeek最新发文！V3/R1训练细节全公开，信息量巨大
文章指出，DeepSeek响应网信办新规，宣布其AI生成内容将明确标注“AI生成”，并禁止篡改标识及传播虚假信息。同时，DeepSeek首次公开了V3/R1大模型的详细训练方法，包括预训练和优化训练阶段，强调高质量、大规模数据的重要性，并披露了数据治理流程，如过滤有害内容、降低偏见。此外，DeepSeek还阐述了模型推理机制、开源策略、对“幻觉”问题的应对措施，以及在隐私保护、数据安全和内容安全方面的多项硬核举措，包括用户知情权、选择权和控制权，展现了其在AI伦理与安全方面的重视与实践。
02
ICCV 2025 | 描述替代指令：南大联合vivo发布DescriptiveEdit，定义语义图像编辑新范式
南京大学与vivo联合发布DescriptiveEdit，旨在解决传统指令式图像编辑在表达力、泛化性和精细控制上的局限。该框架创新性地将编辑流程重构为“指令→编辑描述→编辑图像”，或直接由用户提供描述。其核心技术包括引入Attention Bridge实现高效参考图控制，以及通过可学习线性层进行自适应注意力融合，以平衡生成效果与参考保真度。DescriptiveEdit在指令遵循度和图像一致性方面表现出色，并能与现有社区扩展无缝兼容，为语义图像编辑领域树立了可扩展、即插即用的新范式，显著提升了图像编辑的实用价值和灵活性。
03
苹果发布MobileCLIP2：最强移动端CLIP，开源数据生成代码！
苹果公司最新发布的MobileCLIP2在轻量级多模态模型领域取得突破。该研究通过优化数据集（DFNDR）、教师模型和合成标题生成器，构建了高效的增强训练方案，并设计了全新的S3/S4架构。MobileCLIP2在保证低延迟的同时，在零样本分类和多项下游任务中实现了新的SOTA表现，显著提升了移动端多模态应用的潜力。此次发布还开源了数据生成代码。
04
博士申请｜INSAIT 与 Google 联合指导的前沿性研究项目：基于多模态大模型的第一人称视觉研究
INSAIT正面向全球招募博士研究生，参与由Google联合资助并指导的前沿研究项目，聚焦于利用多模态大语言模型（Multimodal LLMs）推动第一人称视觉（Egocentric Vision）研究。该项目旨在开发能够实时感知、记忆与推理的人工智能系统，以实现自适应、上下文感知的智能体，从而更自然地理解和交互日益增长的智能眼镜及AR/VR设备生成的第一人称视频内容。此项研究将由INSAIT与Google苏黎世团队的顶尖专家联合指导，旨在应对可穿戴设备普及带来的新挑战，深化AI对人类视角数据的理解能力。
05
ICCV 2025｜GUAVA—单图创建可驱动的上半身3D化身！实时、高效，还能捕捉细腻的面部表情和手势
最新研究GUAVA提出首个从单张图像创建可驱动上半身3D高斯化身的框架，解决了现有方法在实时性、效率及表情捕捉方面的局限。该框架引入富有表现力的人体模型EHM和逆纹理映射技术，结合双分支模型实现秒级重建和实时动画渲染。实验证明，GUAVA在渲染质量和效率上显著优于现有2D和3D方法，尤其在身份一致性、面部表情和手势捕捉方面表现出色，为电影、游戏和虚拟会议等领域提供了高效逼真的虚拟形象解决方案。
06
王兴一鸣惊人！美团首个开源大模型追平DeepSeek-V3.1
美团近日开源了其首个大型模型Longcat-Flash-Chat，该560B MoE模型在Agent工具调用、指令遵循及编程能力等多个基准测试中表现出色，部分超越DeepSeek-V3.1和Claude4 Sonnet。Longcat-Flash-Chat采用“零计算专家”与Shortcut-connected MoE双重设计，显著提升训练与推理效率，且参数量更少。此次发布不仅展示了美团在大模型技术上的深厚积累，也标志着其从“外卖公司”向科技驱动型企业转型的决心，通过持续的研发投入和AI战略布局，推动AI技术在业务场景中的深度落地。
huggingface
6 stories01
R-4B：通过双模退火和强化学习激励多模态大模型通用自动思考能力
配备逐步思考能力的多模态大语言模型（MLLMs）在复杂推理问题上展现出卓越性能。然而，对于无需复杂推理即可解决的简单问题，这种思考过程是冗余的。为解决这一低效问题，我们提出了R-4B，一个自动思考的MLLM，它能根据问题复杂性自适应地决定何时进行思考。R-4B的核心思想是利用双模退火（bi-mode annealing）赋予模型思考和非思考两种能力，并应用双模策略优化（Bi-mode Policy Optimization, BPO）来提高模型在决定是否激活思考过程时的准确性。具体而言，我们首先在一个精心策划的、涵盖各种主题的数据集上训练模型，该数据集包含来自思考模式和非思考模式的样本。随后，模型在改进的GRPO框架下进行第二阶段训练，其中策略模型被强制为每个输入查询生成两种模式的响应。实验结果表明，R-4B在25个具有挑战性的基准测试中取得了最先进的性能。它在大多数任务中优于Qwen2.5-VL-7B，并在推理密集型基准测试中以更低的计算成本实现了与Kimi-VL-A3B-Thinking-2506（16B）等更大模型相当的性能。
02
科学大型语言模型综述：从数据基础到智能体前沿
科学大型语言模型（Sci-LLMs）正在改变知识在科学研究中的表示、整合和应用方式，然而其进展受到科学数据复杂性的影响。本综述提出了一种全面的、以数据为中心的综合分析，将科学大型语言模型的发展重新定义为模型与其底层数据基质之间的协同演化。我们构建了科学数据的统一分类法和科学知识的层次模型，强调了区分科学语料库与通用自然语言处理数据集的多模态、跨尺度和领域特定挑战。我们系统地回顾了近期科学大型语言模型，从通用基础模型到跨越不同科学学科的专用模型，并对超过270个预训练/后训练数据集进行了广泛分析，揭示了科学大型语言模型为何具有独特需求——异构、多尺度、充满不确定性的语料库，需要保留领域不变性并支持跨模态推理的表示。在评估方面，我们考察了超过190个基准数据集，并追踪了从静态测试向基于过程和发现的评估转变，并采用了先进的评估协议。这些以数据为中心的分析突出了科学数据开发中持续存在的问题，并讨论了涉及半自动化标注流程和专家验证的新兴解决方案。最后，我们概述了向闭环系统转变的范式，其中基于科学大型语言模型的自主智能体积极进行实验、验证，并为活态、演进的知识库做出贡献。总而言之，这项工作为构建可信赖、持续演进的人工智能系统提供了路线图，使其成为加速科学发现的真正伙伴。
03
Droplet3D：视频中的常识先验促进3D生成
缩放定律已验证了在大数据训练模型在文本、图像和视频领域的创意生成方面取得的成功和前景。然而，这种范式在3D领域面临数据稀缺问题，因为与上述模态相比，互联网上可用的3D数据要少得多。幸运的是，存在充足的视频，它们本身包含常识先验，为缓解原生3D数据有限导致的泛化瓶颈提供了替代的监督信号。一方面，捕捉物体或场景多视图的视频为3D生成提供了空间一致性先验。另一方面，视频中包含的丰富语义信息使得生成内容能更忠实于文本提示并具有语义合理性。本文探讨了如何将视频模态应用于3D资产生成，涵盖从数据集到模型的全过程。我们引入了Droplet3D-4M，这是首个具有多视图级别标注的大规模视频数据集，并训练了Droplet3D，一个支持图像和密集文本输入的生成模型。大量的实验验证了我们方法的有效性，展示了其生成空间一致且语义合理内容的能力。此外，与主流的3D解决方案相比，我们的方法展现了扩展到场景级应用的潜力。这表明视频中的常识先验显著促进了3D创作。我们已开源所有资源，包括数据集、代码、技术框架和模型权重：https://dropletx.github.io/。
04
A.S.E：一个用于评估AI生成代码安全性的仓库级基准
大型语言模型（LLMs）在软件工程中日益普及，这使得对其生成代码的安全性进行严格评估变得必要。然而，现有基准存在不足，它们侧重于孤立的代码片段，采用缺乏可复现性的不稳定评估方法，并且未能将输入上下文的质量与输出的安全性关联起来。为解决这些不足，我们引入了A.S.E（AI代码生成安全评估），这是一个用于仓库级安全代码生成的基准。A.S.E从具有已记录CVE的真实世界仓库构建任务，保留了完整的仓库上下文，如构建系统和跨文件依赖。其可复现的容器化评估框架使用专家定义的规则，为安全性、构建质量和生成稳定性提供稳定、可审计的评估。我们对领先LLMs在A.S.E上的评估揭示了三个关键发现：（1）Claude-3.7-Sonnet取得了最佳的整体性能。（2）专有模型和开源模型之间的安全差距很小；Qwen3-235B-A22B-Instruct获得了最高的安全分数。（3）简洁的“快速思考”解码策略在安全补丁方面始终优于复杂的“慢速思考”推理。
05
游戏思维：通过大型语言模型与强化学习在游戏中学习推理
大型语言模型（LLMs）在数学和编程等复杂推理任务中表现出色，但它们却常常难以应对幼儿都能轻松完成的简单交互任务。这种差异凸显了陈述性知识（知晓某事）与程序性知识（知晓如何做某事）之间的关键鸿沟。尽管传统的强化学习（RL）智能体可以通过环境交互获取程序性知识，但它们通常作为黑箱运行，并需要大量的训练数据。相比之下，LLMs拥有广泛的世界知识和推理能力，但无法有效地将这种静态知识转化为交互环境中的动态决策。为了解决这一挑战，我们提出了“游戏思维”（Think in Games, TiG），这是一个新颖的框架，它使LLMs能够通过与游戏环境的直接交互来发展程序性理解，同时保留其固有的推理和解释能力。具体而言，TiG将基于RL的决策制定重新表述为语言建模任务：LLMs生成语言引导的策略，这些策略通过基于环境反馈的在线强化学习进行迭代优化。我们的实验结果表明，TiG成功弥合了陈述性知识和程序性知识之间的鸿沟，与传统RL方法相比，以显著更低的数据和计算需求实现了具有竞争力的性能。此外，TiG为其决策提供了逐步的自然语言解释，极大地提高了复杂交互任务的透明度和可解释性。
06
UItron：具备高级感知与规划能力的基础GUI智能体
GUI智能体旨在实现移动/PC设备上的自动化操作，这是实现通用人工智能的一项重要任务。视觉语言模型（VLMs）的快速发展加速了GUI智能体的开发，这得益于它们在视觉理解和任务规划方面的强大能力。然而，由于操作轨迹的稀缺性、交互式基础设施的可用性以及基础模型初始能力的局限性，构建GUI智能体仍然是一项具有挑战性的任务。在这项工作中，我们介绍了UItron，一个用于自动化GUI智能体的开源基础模型，它具备先进的GUI感知、接地（grounding）和规划能力。UItron强调了系统性数据工程和交互式基础设施作为推动GUI智能体发展的基础组件的必要性。它不仅系统地研究了一系列数据工程策略以增强训练效果，还建立了一个连接移动和PC设备的交互式环境。在训练中，UItron在各种GUI场景中对感知和规划任务采用监督微调，然后开发了一个课程强化学习框架，以实现在线环境中的复杂推理和探索。因此，UItron在GUI感知、接地和规划的基准测试中取得了卓越的性能。特别是，UItron强调了与顶级中文移动应用程序的交互能力，因为我们发现即使在最先进的解决方案中也普遍缺乏中文能力。为此，我们手动收集了100个最受欢迎应用程序中超过一百万步的操作轨迹，并构建了离线和在线智能体评估环境。实验结果表明，UItron在中文应用场景中取得了显著进展，使GUI智能体离实际应用更近了一步。