NVIDIA 推动欧洲零售业数字化转型：从数字发现到物理运营
NVIDIA 加速欧洲零售商使用开源模型和物理智能，Shopify 通过后训练模型将推理成本降低90%，响应速度提升7倍；Zooplus 实现了86%的搜索准确率；L'Oréal 将成分筛选时间从数月缩短至数小时；Mirakl 已处理超过7000万种产品。
推荐理由：欧洲零售商用开源模型降低90%推理成本，NVIDIA正将AI从数字发现延伸至物理操作，虚实融合的零售新范式正在形成。
技术方向
多模态 最新动态
文本之外的能力：视觉理解、图文混合、音视频输入输出的模型与产品进展。
123 条精选近 30 天 111 条共收录 710 条
更新
精选归档 · 第 2 页
NVIDIA Blog精选AI 评分7373 arXiv · cs.RO精选AI 评分7575 多模态具身智能体：从计算机使用到机器人使用的统一能力视角
本文提出多模态具身智能体(MMEAs)概念，定义了PAPAV统一框架，包含感知、预测、规划、行动和验证五大功能。研究分析了从计算机使用到机器人使用的转变面临的五大物理约束，并指出当前64个基准测试中仅有5个评估预测能力，3个评估验证能力，存在评测不平衡问题。
推荐理由：从计算机使用到机器人使用的多模态智能体转变面临五大物理约束，当前评测过度关注执行而忽视预测与验证能力。
arXiv · cs.RO精选AI 评分7070 CW-WAM：一种用于力敏感操作的结构化接触力矩世界动作模型
Houzhu Ding 提出了 CW-WAM 模型，该模型联合预测视频、运动和接触力矩，通过统一交互模块和双因果注意力机制，将接触力矩预测与动作控制结合。实验表明，该模型将方形插销插入成功率从 25% 提升至 70%，电源适配器插入成功率从 40% 提升至 95%，并降低了力参考均方误差。
推荐理由：通过统一交互模块和双因果注意力机制，将接触力矩预测与动作控制结合，显著提升了机械臂操作精度和成功率。
arXiv · cs.RO精选AI 评分7575 A2I-Calib++：面向足式机器人全身多IMU系统的运动学驱动抗噪声主动校准框架
Fangyu Jiang提出A2I-Calib++框架，专为足式机器人全身多IMU系统设计，通过时间相关搜索和解析空间与偏差估计，无需人工校准目标或复杂参数调校即可估计时间偏移、外旋平移和惯性偏差。
推荐理由：通过运动学驱动抗噪声主动校准框架，解决了足式机器人多IMU系统在常规运动中激励不足的问题。
AWS Machine Learning Blog精选AI 评分8080 AWS团队解析多智能体系统五大生产挑战及Deep Insight解决方案
AWS Solutions Architecture团队发布Deep Insight多智能体系统，解决了从原型到生产的五大核心挑战：执行流控制、模型选择、可靠运行、代码执行安全性和系统监控。
推荐理由：从原型到生产，多智能体系统面临五大挑战，AWS团队通过Deep Insight架构展示了如何解决执行流控制、模型选择、安全部署等关键问题。
Google Research精选AI 评分7070 Google Research 发布AI辅助超声在基层产科护理中的应用研究
Google Research在JAMA Network Open发表研究，展示AI系统可通过'盲扫'超声技术评估孕龄，准确率达临床标准(MAE 4.18天)，在芝加哥和内罗毕不同医疗环境中均表现稳定。该技术使未经专业培训的医护人员能执行可靠超声检查，有望扩大资源匮乏地区的产前筛查覆盖范围。
推荐理由：AI辅助超声在资源匮乏地区实现与专家相当的孕龄评估，验证了技术泛化能力与普惠医疗潜力。
Hugging Face Blog精选AI 评分6868 IBM 发布 Granite Speech 5.0 语音模型系列
IBM 发布 Granite Speech 5.0 系列模型，包括新模型 granite-speech-5.0-2b 和更新版本 granite-speech-5.0-470m-turboctc、granite-speech-4.1-2b-plus。
推荐理由：IBM 推出 Granite Speech 5.0 系列模型，覆盖从高精度转录到边缘设备实时处理的完整语音工作流，开源策略让企业级语音技术更易获取。
Hugging Face Blog精选AI 评分6565 NVIDIA 发布 Kumo Forecast 多变量时序预测模型
NVIDIA 发布 Kumo Forecast（前称 NV-Tesseract Forecasting）多变量时序预测模型，结合预训练 Transformer 与领域感知表示检索（DARR），提供直接预测与历史模式检索两种路径，并包含可解释性框架。模型基于 MOMENT-1-large，约 3.4 亿参数，支持 256/512/1024/2048 观测长度输入，采用 Apache 2.0 许可证。
推荐理由：将预训练模型与历史模式检索结合，为时序预测提供可解释性，这是工业预测的新思路。
Mistral AI精选AI 评分7575 Mistral与NVIDIA合作推进工程领域AI应用
Mistral与NVIDIA合作，将Mistral Large 4等AI模型与NVIDIA加速计算和物理建模工具结合，开发工程领域AI工作流。双方将创建公共基准测试和开放数据集，用于评估物理模型和计算机辅助工程中的智能体AI，并整合NVIDIA Omniverse进行3D仿真和资产创建。
推荐理由：Mistral与NVIDIA合作将AI模型与加速计算结合，推动工程领域仿真与设计闭环，接下来看标准制定与行业落地。
NVIDIA Blog精选AI 评分8181 NVIDIA 推出多领域开源模型家族
NVIDIA 发布了涵盖语言、机器人、生物和量子计算的开源模型家族，包括 Nemotron 3.5 Super VL 和 Bolt、Kumo 结构化数据模型、Cosmos 3.5 世界模型、Alpamayo 2 Edge 自动驾驶模型、BioNeMo 生物模型和 Ising 量子计算模型。
推荐理由：NVIDIA 一次性发布覆盖语言、机器人、生物和量子计算的全栈开源模型，企业可基于本地数据定制并自主部署，欧洲合作伙伴阵容强大。
量子位精选AI 评分8585 MiniMax发布M3.1 Flash模型，Agent能力跃居国产第一
MiniMax发布M3.1 Flash模型，在Agents' Last Exam评测中以29.6%得分成为国产模型第一，代码工程、网络安全等能力进入全球第一梯队。该模型输出速度达200+ TPS，输入每百万Token仅1元，输出4元，综合成本降至上一代的30%，性价比超越硅谷旗舰模型。
推荐理由：MiniMax M3.1 Flash以低价高性能重新定义Agent性价比，国产模型在综合能力上开始挑战硅谷旗舰。
arXiv · cs.RO精选AI 评分6565 CLOSER: 基于证据感知的主动视觉验证具身物体目标导航
Pengying Wu提出CLOSER框架，通过视觉语言模型验证与主动感知结合，在物体目标导航任务中提升成功率3.6个百分点，路径长度加权成功率提高2.0个百分点。该框架可在本地运行并集成到现有系统中无需重新训练。
推荐理由：通过主动验证减少具身导航中的误判，CLOSER框架在提升成功率的同时降低了路径长度。
arXiv · cs.RO精选AI 评分7575 PhysCanvas：面向机器人策略评估与学习的视觉触觉世界模型
研究人员提出PhysCanvas，一种统一多模态的视觉触觉世界模型，用于接触密集型机器人操作。该模型整合多视角RGB、触觉图像、标记位移、任务状态和动作，通过一致性感知后训练将世界模型与真实世界成功率的相关性从0.602提升至0.885，并将策略在真实世界中的成功率从59.1%提升至70.8%。
推荐理由：通过统一视觉与触觉模态建模，PhysCanvas将机器人策略评估与学习的成功率相关性提升至88.5%，解决了仿真与真实世界接触动力学不一致的难题。
arXiv · cs.RO精选AI 评分6565 Joints, Camera, Action! 协同生成任意骨骼结构的3D运动与视频
Noam Rotstein提出了一种新模型，能够协同生成任意骨骼结构的3D运动与视频，并自动定位相机位置将运动放置到3D场景中。该模型通过分离运动模型与视频模型，使用交叉注意力层连接，支持从文本生成多样化骨骼动画，并能将视频转换为骨骼运动，实现关键帧控制。研究团队使用生成式视频编辑器创建了近20万训练对，评估显示该方法比视频优先管道更忠实于文本描述，且运动能响应周围场景。
推荐理由：通过分离运动模型与视频模型，实现了任意骨骼结构的3D运动与视频的协同生成，解决了现有方法仅支持人类骨骼或参数量过大的问题。
华尔街见闻精选AI 评分7878 谷歌CEO访谈：云业务为AI前沿让路，算力锁定2027年极其困难
谷歌CEO皮查伊在访谈中确认云业务正在为前沿AI研发让渡算力资源，承认当下每家公司的算力需求是两年前规划的两倍，客户锁定2027年算力极其困难。他强调前沿模型是谷歌第一优先级，并解释递归自我改进当前处于AI智能体与人类研究员协同推进的过渡期，距离自主失控终局还很遥远。
推荐理由：谷歌CEO罕见承认云业务为AI前沿让路，算力短缺已成行业现实，递归自我改进仍处于人机协同阶段。
arXiv · cs.RO精选AI 评分6565 RoboJudge: 多模态大模型作为具身视频生成的评判者
研究团队提出RoboJudge-Bench基准，用于评估多模态大模型作为具身视频生成评判者的能力。该基准涵盖800个人类标注的视频，测量物理遵循和指令对齐两个维度。研究团队还构建了RoboJudge-Train数据集，并基于此训练出RoboJudge-9B模型，在评测中达到与人类判断的最高一致性，皮尔逊相关系数达0.719，比最佳基线模型Gemini-3.7-Flash高出0.089。
推荐理由：首个系统性评测多模态大模型对具身视频生成判断能力的基准，揭示了通用模型与专业模型在物理遵循和指令对齐上的评估差异。
arXiv · cs.RO精选AI 评分7070 多视角潜在动作预训练用于跨具身机器人视频学习
Oliver Hausdörfer提出一种多视角潜在动作模型(LAM)，通过交叉注意力解决深度和遮挡问题，将同步多摄像头视图压缩为潜在动作。实验表明，双视角LAM预训练将真实6D动作解码准确率提高17%，下游策略成功率提升13.5%，单次跨具身学习即可实现技能迁移，硬件实验中成功率提升20%。
推荐理由：多视角潜在动作预训练将6D动作解码准确率提升17%，证明视频与机器人数据互补且任务依赖性强。
arXiv · cs.RO精选AI 评分7070 前沿大语言模型进入机器人领域：在RoboColiseum上的跨模型评估
研究团队在RoboColiseum平台上对GPT-6 Astra、GPT-6.1 Sol、Claude Opus 5.5和Gemini 4 Argon四个模型进行了多维度比较评估，涵盖指令跟随、空间推理、通用操作和鲁棒性四个方面。结果显示所有模型在指令跟随上表现优异，空间推理能力强，但通用操作能力较弱；Astra在指令跟随和鲁棒性上领先，Opus在空间推理、通用操作和整体性能上领先。
推荐理由：大模型在机器人任务上展现出指令理解与空间推理优势，但执行能力仍存明显差距，模型间互补性强。
HuggingFace Daily Papers精选AI 评分7070 Agent Mosaic：识别智能体LLM系统中的信息泄露风险
研究人员通过实验发现，现代LLM智能体能够从可访问文档中检索信息并披露敏感结论，造成马赛克效应风险。在模拟测试中，即使添加分类标签和聚合规则，GPT-5.6-Sol等模型仍以32.37%的泄露率披露禁止信息，且拒绝回答反而可能暴露禁止结论。研究使用了30个合成案例和两个开源测试平台，共测试了10,800个模拟答案和1,440个实时答案。
推荐理由：即使添加分类标签和聚合规则，AI智能体仍会以32.37%的泄露率通过马赛克效应暴露敏感信息，拒绝回答反而可能暴露禁止结论。
HuggingFace Daily Papers精选AI 评分7575 Foundation4D: 面向自动驾驶的统一感知与重建模型
NVIDIA发布Foundation4D，一种统一的前馈模型，可从多摄像头驾驶视频中实现几何估计、3D检测、语义占用和高斯重建。该模型共享骨干网络，使用分解时空注意力高效跨摄像头和时间组合观测，并通过位图优化优化相机轨迹。
推荐理由：统一模型同时处理几何估计、3D检测和语义占用，任务组合提升1.2点mAP，为无激光雷达场景重建提供新思路。