Runway 开源机器人模型 Praxis-1,以视频预训练驱动控制
Runway 以开放权重和源码形式发布机器人控制模型 Praxis-1,采用 Apache 2.0 许可证并允许商用。该模型由视频模型微调而来,输入相机图像、文本指令和机器人位姿,持续预测场景变化并调整运动;在 NVIDIA RoboLab-120 基准上成功率 46.2%,居 World Action Model 类别首位,但测试均由 Runway 自行完成、尚未经独立验证。
Runway 以开放权重和源码形式发布机器人控制模型 Praxis-1,采用 Apache 2.0 许可证并允许商用。该模型由视频模型微调而来,输入相机图像、文本指令和机器人位姿,持续预测场景变化并调整运动;在 NVIDIA RoboLab-120 基准上成功率 46.2%,居 World Action Model 类别首位,但测试均由 Runway 自行完成、尚未经独立验证。
IBM 在 Hugging Face 发布 LLMON(LLM Object Notation)标记语言,并推出基于 Granite 4.1 基座训练的 granite-4.1-3b-LLMON-preview 和 granite-4.1-8b-LLMON-preview 两个实验性预览模型。
推荐理由:原文给出 LLMON 标记语言的设计动机、两个预览模型和提示注入基准对比,可了解结构化上下文对注入攻击的抑制思路。
Phonon 团队回顾两周前开源的端侧 TTS 模型,介绍其能力、演示项目以及在 Hugging Face Open TTS Leaderboard 上的评测结果。
推荐理由:原文给出 Phonon 在 Open TTS Leaderboard 上的多语言排名与 CPU 首音延迟表现,可对照其小体积端侧定位。
Mistral 发布 Voxtral 3,包含语音转文字模型 Voxtral Small Transcribe 3、Voxtral Mini Transcribe 3 与实时版,以及文本转语音模型 Voxtral Mini TTS 3,并推出基于 LiveKit 的语音智能体 SDK,把听、推理、工具调用和说合成一条实时流式流水线。
推荐理由:Mistral 把语音识别、语音合成和智能体 SDK 打包成一条实时流水线,并给出各环节定价与自部署选项,可据此估算语音智能体的落地成本。
Mistral 发布首个时间序列基础模型系列 Timestral,提供 5M、28M、123M 和 209M 四个尺寸,最大模型在 GIFT-Eval、TIME 和 fev-bench 三项公开基准上排名第一,参数量仅为此前 SOTA 的三分之二。
推荐理由:原文给出四个尺寸的参数量、三项基准排名和 CPU 推理延迟,可据此判断时间序列基础模型的选型与部署成本。