英伟达发布 1200 亿参数大模型 Nemotron 3.5 Super VL：单 GPU 智能体任务吞吐量最高提升 5 倍，74B 版本压缩至 24GB

推荐理由：英伟达发布 Nemotron 3.5 Super VL，参数量达 1200 亿，单 GPU 吞吐量提升 5 倍，可用于多种智能体任务。

NVIDIA Nemotron 3.5 Super VL：多模态推理赋能专用智能体

跨语言模型的无训练事实通信：共享符号而非向量

推荐理由：该研究提出了一种无需训练的跨语言模型事实通信方法，通过共享词索引和接收器本地方向，支持模型家族之间的选择性事实使用，具有潜在的应用价值。

Cortex：将上下文巩固到参数化记忆中

推荐理由：该研究提出了 Cortex 模型，通过参数化记忆巩固上下文信息，提高了大语言模型在多个任务上的表现，具有潜在的应用价值。

Apple 开发三模态掩码扩散模型，实现跨模态生成

PORTAL：无数据配对的跨模态LLM投影仪训练新方法

Import AI 476: 创造力与 RSI；比中国开放权重模型更差；AI 走向太空

AUGUstus：自动驾驶统一生成与理解视觉语言动作模型

推荐理由：AUGUstus 模型在自动驾驶场景中展现出强大的潜力，通过结合视觉语言动作模型和统一生成与理解，实现了低延迟和高精度轨迹规划。

Apertus 1.5：从开放文本模型到开放多模态推理器

推荐理由：Apertus 1.5 模型在多模态推理方面取得显著进展，并保持了开源特性，对研究者和开发者具有重要意义。

BigCell：生成高分辨率全切片图像

推荐理由：该研究提出了BigCell，一种生成高分辨率全切片病理图像的新方法，对病理诊断领域具有重要意义。

WorldCast：分布式多人世界模型研究

推荐理由：该研究提出了 WorldCast，一种分布式多人世界模型，通过实验展示了其在 Counter-Strike 2 上的性能和可扩展性，对多人游戏和虚拟现实领域有潜在影响。

HuBERT 模型通过强化语言识别提升多语言语音模型学习效果

NVIDIA Nemotron 针对沙特阿拉伯方言进行微调，拓展至其他语言

Open TTS Leaderboard：开源多语言语音合成模型评估平台发布

Google Research 发布 Diffusion Controller 框架，简化 AI 图像生成

推荐理由：Diffusion Controller 框架通过数学控制与图像生成模型结合，为图像生成提供了统一的框架，有助于提高图像生成质量并降低对模型核心引擎的修改需求。

Google 研究院发布 AI 视频导演：自动化连贯长视频生成

推荐理由：该研究提出了一个名为 AI 视频导演的 AI 视频生成框架，旨在解决长视频生成中的连贯性问题，为创作者提供更高效的工具。

NeoMME：一个高效的多模态和跨语言编码器

推荐理由：NeoMME 是一个高效的多模态和跨语言编码器，其性能和效率值得读者关注。

AgentHands：在 XR 中生成交互式手势以实现基于空间的位置感知智能体对话

推荐理由：AgentHands 通过引入手势交互，将 AI 助手与用户的空间环境相结合，提高了交互的自然性和效率。

量化感知修复：超越原始模型的压缩4位模型

推荐理由：该研究提出了量化感知修复（QAH）方法，通过直接从原始模型蒸馏，提高了压缩和量化后的模型性能，读者可以了解其如何改变现有工作流。

Google Research 推进 AMIE 向专家级音频-视觉临床咨询发展

推荐理由：AMIE (Video) 在模拟环境中展现出专家级水平的实时视频临床咨询能力，为医疗AI的发展提供了新的方向。

"Opus 5模型利用1M token预算，将《魔戒》前一章内容转换为5500行代码，生成动画。模型需在(x,y,z)坐标中放置多边形资产并编写动画代码。此案例展示了LLM在创造超定制世界方面的潜力，但也暴露了其难以审计工作、感知视频或游戏的能力不足。"

揭秘扩散模型创造力之谜

推荐理由：原文深入探讨了扩散模型创造力的来源，揭示了神经网络训练过程中的数学原理，对理解扩散模型的工作机制具有重要意义。

ParallelKernelBench：前沿大语言模型无法快速编写多GPU内核（目前）

自适应并行推理：高效推理扩展的下一个范式

推荐理由：本文介绍了自适应并行推理，这是一种新的推理扩展范式，旨在提高推理效率。读者可以了解其原理和潜在影响。

GPT-5.5 发布：AI 模型的持续进步

推荐理由：GPT-5.5 的发布展示了 AI 模型的持续进步，并展示了其在生成 3D 模拟、图像生成和学术研究中的应用潜力。

Sierra 发布开源多语言语音识别基准 μ-Bench

推荐理由：μ-Bench 提供了一个多语言语音识别基准，有助于评估不同模型在不同语言上的表现，对语音识别领域具有重要意义。

多智能体协作模式指南：五种主流模式解析与应用

Sarvam Audio：超越转录的语音识别技术

推荐理由：Sarvam Audio 在印度语音识别领域提出了创新解决方案，支持多种转录格式、多说话者分离和上下文感知，为语音交互应用提供更精准的理解和交互体验。

Sora、ImageGen 和 Codex：创意生产新潮流

利用语义 ID 和 LLM-RecSys 混合模型进行可操控的推荐

Mistral AI 发布推理模型 Magistral，推动 AI 研究进展

推荐理由：Mistral AI 发布了首个推理模型 Magistral，该模型在特定领域推理、透明推理和多语言推理方面表现出色，对 AI 研究领域有重要贡献。

Sarvam AI 发布专注于印度语言的混合推理模型 Sarvam-M

推荐理由：Sarvam AI 发布了 Sarvam-M 模型，这是一个专注于印度语言的混合推理模型，通过监督微调、强化学习和推理优化显著提升了模型在印度语言、数学和编程任务上的表现。

ModernBERT-Large-Instruct：基于 ModernBERT 的指令微调编码器

推荐理由：ModernBERT-Large-Instruct 模型的出现为编码和推理任务提供了新的可能性，其简单高效的训练方式值得关注。

评估 LLM-evaluators 的有效性：LLM 作为裁判

基于扩散模型的视频生成研究综述

Mamba 模型：Transformer 的替代方案解析

多模态与大型多模态模型（LMMs）研究进展

推荐理由：本文深入探讨了多模态系统和大型多模态模型（LMMs）的研究进展，为读者提供了对这一领域的全面了解。

LLM 研究中的十大挑战

推荐理由：文章探讨了大型语言模型（LLM）研究中的十大挑战，包括幻觉、上下文学习、多模态、新架构、GPU替代品等，对LLM的发展趋势有重要参考价值。

文本到图像生成：扩散、文本条件化、引导和潜在空间

视觉语言模型综述