规格:4B(4.74B BF16);llava_onevision2 架构:Mage-ViT(codec 原生、3D RoPE)+ Qwen3-4B-Instruct;上下文 32,768(架构支持至 262,144);双动作通道:computer_use(11 种 GUI 原语)+ bash(持久 shell/Python),无外部编排器。
亮点:OSWorld-Verified 66.0%(4B 档最佳,超 Qwen3.6-27B 的 63.9%、Muse Glimmer-30B 的 65.9%);WebVoyager-Static 58.6%;Online Hybrid RL 较 SFT +10.16pp 且输出 token -25.4%;合成数据 Mage-CUA-Forge 29.4 万任务、单任务成本 -82.6%。
获取:HF 权重 microsoft/Mage-VL-Cowork;GitHub microsoft/Mage(mage_vl_cowork);项目页与评测 harness 全开源。
规格:存储 9.66B 参数(官方称约 9B,loop 摊开后约 14.6B 推理参数);32 层中第 4-27 层权重共享各跑两次(每 token 56 层次执行);双流 mHC(Sinkhorn 归一化)+混合注意力(每 4 层 3 线性+1 全注意力);hidden 4096、词表 248,320;训练上下文 262,144 tokens;图像+文本输入→文本输出。
亮点:循环参数共享(looped transformer)+mHC 的稀有大模型开源实现;Preview 版,技术报告待发;带 MTP heads;LightLLM 已支持推理。
获取:HF 权重 sensenova/SenseNova-Loop-9B-Preview(38.1GB checkpoint);GitHub OpenSenseNova/SenseNova-Loop。
规格:1.3B(HF safetensors 计 1.53B BF16),从零预训练;输出 Markdown/JSON 带版面坐标;解析 13 类文档元素(表格/公式/代码块/化学结构式/印章/页眉脚等)。
亮点(登顶为窗口内 SOTA 事件):OmniDocBench 97.18 / olmOCR-Bench 87.84 / DocParsingBench 87.76 三榜第一(量子位 10-30 13:52 报道口径;OmniDocBench 官方榜单页现值 97.03 加粗在榜,已直核);单张 RTX PRO 6000 解析 100 页仅 101 秒,RTX 3060 可满血跑;后训练采用文档解析领域首个递归自我改进(RSI)范式,无需新增人工标注。
获取:HF 权重 SoMarkAI/OXR-1.0(ModelScope: SoMark/OXR-1.0);GitHub SoMarkAI/OXR(2.6K+ star);免费 demo/API free-oxr.somark.ai。
规格:7.0M 参数;28MB fp32 / 7.8MB int8 ONNX;24kHz 单声道;英文单女声(Kokoro-82M 合成语音数据训练);依赖 espeak-ng 音素化。
亮点:纯 CPU 无 GPU:Mac 单核 90× 实时、首音频 50ms,树莓派级 ARM 单核 25×;WER 0.07%(Whisper large-v3 测)、UTMOS 3.53,均压过 Piper/KittenTTS/Kokoro-82M;内置不可听水印;提供 Mac/iPhone/Android 应用、浏览器 JS 本地推理、Home Assistant 服务与 MCP server。
获取:HF 权重 milliwattlabs/leokani-tts-7M(权重+ONNX)。
规格:约 658.6M 参数(3D DiT 去噪器 370.6M + 八叉树解码器 50.8M + Gaussian 解码器 237.3M);单图输入→标准 3DGS .ply 输出,Gaussians 32,768~1,048,576 可调(默认 262,144)。
亮点:能补全图像未拍到的侧面;峰值显存仅 7.2GB;速度:B300 上 262K Gaussians@50 步 3.4s、H100 6.7s、RTX 4090 19.1s。(注:HF 仓建于 10-28,官宣 10-30 凌晨,按官宣时间收录。)
获取:HF 权重 speridlabs/idol;GitHub speridlabs/idol-sdk;研究页 speridlabs.com/research/idol。
规格:1.9B 动力学 causal transformer(28 blocks、hidden 2048)+ 46M encoder + 50M decoder tokenizer;latent flow-matching 动作条件世界模型。
亮点:双臂操作(YAM 机器人 2×6-DoF)实时交互 10+ FPS、自回归 rollout 5+ 分钟、1000+ 多样物体任务;unit-sphere tokenizer+接触感知记忆;动力学模型纯机器人遥操作数据从零训练、无互联网视频预训练;浏览器内可用鼠标/键盘/摄像头手势/主从臂驱动。
获取:在线 live demo(浏览器可玩,论文 PDF 同页;代码「soon」)。
规格:时长 0.1~30 秒,支持循环;API model_id eleven_text_to_sound_v3;定价 $0.12/分钟。
亮点:相比 v2 对多指令 prompt 服从更好、音乐与人声处理更佳、高频声源(锣/风铃/哨声)更少削波;已集成进 ElevenCreative 的 Sound Effects / Flows / Studio(v2 仍为 API 默认)。
获取:ElevenLabs API(sound-generation 端点)。
来源:ElevenLabs 官方文档官宣 X 帖(snowflake 时间戳反推 10-30 04:49 北京)
规格:基于 GLM 5.3(MoE,256 路由专家+1 共享专家、每 token 8 路由激活);上下文 131,072 tokens(评测口径),输出 16,384~32,768;纯文本;定价 $1.00/M 输入、$5.20/M 输出。
亮点:不基于 Ampersand 单独训练——以人类学习者模拟模型 Persimmon 为「模拟学生」做强化学习,judge 按「学生学到多少」给奖励;TutorMoments 评测:max reasoning 下「恰当支架」93.08%(242/260)、「避免过度支架」76.73%。
获取:humans& API(与 Ampersand 同 base URL 与 key)。
规格:image-to-video(起始图+文本 prompt);API id tbc/mischief-1;底模为开源 Wan 2.2(TBC 优化部分专有)。
亮点:官方声称与 Wan 2.2 质量相当同时生成快 5 倍(12s vs 142s/take)、推理成本约 -80%;fal 与 OpenRouter 上发售价最低的 image-to-video 模型:480p $0.005/秒、720p $0.01/秒。⚠️ 其「效率来自实验室培养活体神经元测量」的说法为厂商营销口径,效果数字未经独立验证。
获取:fal / OpenRouter 已上线,AWS Marketplace 宣布即将上线。
规格:0.8B 参数;意大利语本词汇表 tokenizer;目标硬件为纯 CPU 服务器(无 GPU);目前仅对测试者开放,无公开权重与 API。
亮点:意语语料预训练+十领域微调;内置 CALC 推理时算术步骤(沙箱重算表达式并对齐答案);官方声称 ITA-Bench 均分 39.9(对比 Emma-6 的 37.6,自报数字);自报短板:创意、长对话、长文档。
获取:暂无公开渠道(测试者通道)。
来源:YecoAI 研究页(直连核验)官方 X 宣发(snowflake 时间戳反推)