MBZUAI的基础模型研究所发布了PAN 2，这是一个29B参数的开源世界模型，接收场景加文本动作，并将结果模拟为视频，权重、训练代码和推理代码均以Apache 2.0许可发布。它将一个编写结构化JSON世界状态的LLM规划器与一个29B MMDiT扩散Transformer配对，后者以冻结的Qwen3.5-9B编码器为条件，IFM报告在100个多步骤任务上全计划完成率为34.0%，领先于MiniMax-H3的32.50%，但在单动作和人类偏好（Elo 1595对1620）上落后于MiniMax-H3。IFM的消融实验显示，移除LLM规划器会使全计划完成率降至0.0%，步骤完成率从75.1%降至8.7%。
Tether AI Research เปิดตัว BotPsy โมเดลเอเจนต์ขนาด 0.8B พารามิเตอร์ที่สร้างบน Qwen3.5-0.8B สำหรับการใช้งานเครื่องมือของผู้ช่วยส่วนตัวบนอุปกรณ์ โดยทำคะแนนเอเจนต์ได้ประมาณสองเท่าของโมเดลฐาน โดย BFCL v4 เพิ่มจาก 23.4 เป็น 44.0 และ τ-bench จาก 23.2 เป็น 51.5 และเอาชนะทุกโมเดลที่มีพารามิเตอร์สูงถึง 1.2B ที่ทดสอบในหกเบนช์มาร์กการใช้เครื่องมือ อีกทั้งลดการตอบสนองที่ไม่ปลอดภัยเหลือ 21% จาก 36% และใช้โทเคนการให้เหตุผลน้อยลงประมาณ 3 เท่าใน GPQA Diamond
inclusionAI เปิดตัว LemonDecider 4B v3 โมเดลตัดสินใจที่ผ่านการ fine-tune จาก Qwen3.5-4B ซึ่งคืนค่าความน่าจะเป็นของตัวเลือก ใช่/ไม่ใช่ หรือลำดับ ผ่านการ forward pass แบบร่วมเพียงครั้งเดียว แทนการสร้างโทเค็นคำตอบ ฝึกบนข้อมูล decision/QA ประมาณ 1.20M แถว และได้คะแนน 61.67 บนชุดทดสอบสาธารณะ Decision Index 0.4 โดยมีค่ามัธยฐานของเวลาแฝงต่อคำขอที่ 49.9 ms
inclusionAI เปิดตัวเช็กพอยต์โมเดลวิชัน-ภาษา ZoomGain-9B และ ZoomGain-4B พร้อมกับเกณฑ์มาตรฐานการประเมิน ZoomGainBench และข้อมูลฝึก RL ของ ZoomGain โดย ZoomGain ขุดค้นช่องว่างการรับรู้จากภาพรวมสู่การซูมเพื่อสร้างการกำกับดูแลภาพแบบละเอียด และ ZoomGain-9B มีประสิทธิภาพเหนือกว่าในเกณฑ์มาตรฐานการรับรู้แบบละเอียดและแบบทั่วไปหลายรายการ ZoomGainBench มีคำถาม 1,000 ข้อจากภาพ 941 ภาพ ขณะที่ชุดข้อมูล RL มีบันทึกการฝึก 9,000 รายการและภาพต้นฉบับ 7,713 ภาพ
inclusionAI เผยแพร่บทความ arXiv, แบบประเมิน ZoomGainBench, ชุดข้อมูลฝึก RL และเช็กพอยต์โมเดล ZoomGain-4B/ZoomGain-9B โดยโมเดลที่ดีที่สุดใน 28 โมเดลได้คะแนน 61.08 บน ZoomGainBench ขณะที่ ZoomGain-9B ทำผลงานได้เหนือกว่าในแบบประเมินการรับรู้แบบละเอียดและแบบทั่วไปหลายรายการ ZoomGain ขุดค้นช่องว่างการรับรู้จากภาพรวมสู่การซูมเพื่อสร้างการกำกับดูแลภาพแบบละเอียดสำหรับโมเดลภาษา-ภาพ
LangChain ให้รายละเอียดว่า Deep Agents harness โอเพนซอร์สของบริษัทใช้มิดเดิลแวร์อย่างไรเพื่อต่อสู้กับ context rot ในการรันเอเจนต์ระยะยาว ผลลัพธ์จากเครื่องมือที่มีขนาดเกินประมาณ 20,000 โทเคนและข้อความผู้ใช้ที่เกิน 50,000 โทเคนจะถูกย้ายไปยังไฟล์โดยแสดงเพียงตัวอย่าง ขณะที่การสรุปจะย่อข้อความเก่าเมื่อการใช้งานถึง 85% ของหน้าต่างบริบท สกิล ซับเอเจนต์ และไฟล์หน่วยความจำระยะยาวแบบมาร์กดาวน์ช่วยให้หน้าต่างของเอเจนต์หลักมีขนาดเล็กและให้หน่วยความจำส่งต่อข้ามโมเดลและผู้ให้บริการ
ทำไมเรื่องนี้สำคัญ: LangChain อธิบายว่า Deep Agents harness โอเพนซอร์สใช้มิดเดิลแวร์เพื่อย้าย สรุป และแยกบริบทอย่างไร ซึ่งเป็นรูปแบบที่นำกลับมาใช้ซ้ำได้สำหรับเอเจนต์ในงานระยะยาว
inclusionAI ได้ปล่อยน้ำหนักรูปแบบ GGUF สำหรับ ZoomGain-9B ซึ่งแปลงด้วย llama.cpp ครอบคลุมโมเดลภาษาและตัวเข้ารหัสภาพ/โปรเจกเตอร์ (mmproj) ในรูปแบบ FP16, Q8_0 และ Q4_K_M การป้อนภาพต้องจับคู่โมเดลภาษากับไฟล์ mmproj ที่ตรงกัน และรีโปได้จัดทำเอกสารการอนุมานผ่าน CLI ด้วย llama-mtmd-cli และการตั้งค่าแชทเว็บผ่าน llama-server จำเป็นต้องใช้บิลด์ llama.cpp ที่รองรับมัลติโมดัลของ Qwen3.5 และการควอนไทซ์อาจส่งผลต่อความแม่นยำ
Latent Space 测试了 NaiveAI 的开源权重模型 Naive-N0.5-Flash，这是一个源自小米 MiMo-V2.5 的编码模型，搭配 NaiveRT 推理引擎，并与 DeepSeek V4.1 Flash 1017 和 GLM 5.3 Flash 进行了对比。在作者的运行中，其峰值接近每秒 2,000 个 token，在思考密集型任务中持续约每秒 1,000 个 token，中位响应时间为 3.1 秒，而两个对比模型分别为 5.3 秒和 10.1 秒。在困难的 HLE 问题上，开启思考时平均完成约 108,500 个 token，约为 GLM 5.3 Flash 的九倍和 DeepSeek V4.1 Flash 1017 的 11 倍，作者指出每个难度级别的样本为 10 个问题，且未进行准确性评分。
MiniMax เปิดตัว H3-Image โมเดลสร้างภาพแบบน้ำหนักเปิดที่สร้างบน H3 รองรับการสร้างภาพจากข้อความ การสร้างจากภาพอ้างอิง และการแก้ไขภาพ และสามารถสร้างภาพขนาด 4096 × 4096 ได้ในไม่ถึง 10 วินาที บริษัทกล่าวว่าโมเดลรองรับภาพอ้างอิงได้สูงสุด 16 ภาพ อ้างว่ามีความสามารถในการทำตามพรอมต์ระดับแนวหน้าของโมเดลน้ำหนักเปิด และรายงานความเร็วสูงกว่าคู่แข่งกระแสหลักถึง 5 เท่า H3-Image ใช้งานได้ผ่าน MiniMax API Platform, MiniMax Code และ Hailuo AI ในราคา 50–70% ของผลิตภัณฑ์ที่เทียบเคียงได้ โดยมีส่วนลด 50% สำหรับคำขอขนาด 4K ขึ้นไปในช่วงสัปดาห์เปิดตัว
ทำไมเรื่องนี้สำคัญ: MiniMax เปิดตัว H3-Image แบบน้ำหนักเปิด อ้างว่าสร้างภาพ 4K ได้ในไม่ถึง 10 วินาที และตั้งราคาที่ 50–70% ของผลิตภัณฑ์กระแสหลักที่เทียบเคียงได้ มอบทางเลือกแบบเปิดใหม่ให้นักพัฒนาสำหรับงานภาพความละเอียดสูง
Google เปิดตัว A2UI 1.0 เวอร์ชันเสถียรเวอร์ชันแรกของโปรโตคอลเปิดที่ให้ AI เอเจนต์ตอบกลับด้วยหน้าจอแบบอินเทอร์แอกทีฟที่เรนเดอร์โดยคอมโพเนนต์เนทีฟของแต่ละแอป เวอร์ชัน 1.0 เพิ่มการเรียกฟังก์ชันแบบสองทิศทาง การรองรับการเข้าถึง และเมทาดาทาส่วนขยาย พร้อมเรนเดอร์เรอร์โอเพนซอร์สสำหรับ React, Angular, Lit, Flutter, SwiftUI และ Jetpack Compose (เรนเดอร์เรอร์ Compose อยู่ที่ 0.9.1 โดย 1.0 จะตามมาเร็ว ๆ นี้) และเอเจนต์ SDK สำหรับ Python, TypeScript และ Dart Atlassian กำลังนำ A2UI ไปใช้ใน Jira, Alation เรนเดอร์ฟีดของตนด้วยสิ่งนี้ใน Claude และ ByteDance เปิดตัวเรนเดอร์เรอร์ Lynx ในเดือนมิถุนายน 2026 ซึ่งรองรับ 0.9 ในปัจจุบัน
ทำไมเรื่องนี้สำคัญ: โปรโตคอล A2UI 1.0 ที่เสถียรของ Google ช่วยให้เอเจนต์ส่งคืนหน้าจออินเทอร์แอกทีฟแบบเนทีฟแทนกำแพงข้อความ พร้อมเรนเดอร์เรอร์สำหรับเว็บ Android และ iOS และผู้ใช้กลุ่มแรก ๆ รวมถึง Atlassian และ ByteDance
Amazon เปิดตัว Mitra-v2 โมเดลพื้นฐานสำหรับข้อมูลตารางรุ่นที่สองสำหรับการจำแนกประเภทและการถดถอย โดยเผยแพร่พร้อมโมเดลที่ผ่านการปรับแต่งละเอียดและโค้ดสำหรับการอนุมานและการปรับแต่งละเอียดภายใต้สัญญาอนุญาต Apache-2.0 บน Hugging Face โมเดลนี้ผ่านการฝึกล่วงหน้าบนตารางสังเคราะห์ที่มีจำนวนแถวมากกว่า Mitra-v1 ถึง 10 เท่าและมีจำนวนคอลัมน์มากกว่าประมาณ 3 เท่า โดยใช้ไพรเออร์ SCM แบบไฮบริดใหม่และออปติไมเซอร์แบบไฮบริด ขณะที่ยังคงสถาปัตยกรรม Transformer ไว้ไม่เปลี่ยนแปลง บน TabArena ซึ่งเป็นเกณฑ์มาตรฐานสาธารณะที่มีชุดข้อมูลจริง 51 ชุด Mitra-v2 อยู่ในอันดับนำในกลุ่มโมเดลเดี่ยว เอาชนะ Mitra-v1 ได้บน 32 จาก 33 ชุดข้อมูลที่ทั้งสองรันแบบเนทีฟ และรันเสร็จทั้ง 51 ชุดภายในงบเวลาหนึ่งชั่วโมง นอกจากนี้ Mitra-v2 ที่ผ่านการปรับแต่งละเอียดยังอยู่ในอันดับหนึ่งบน ScoringBench
ทำไมเรื่องนี้สำคัญ: Mitra-v2 แสดงให้เห็นว่าการขยายข้อมูลฝึกล่วงหน้าสังเคราะห์ แทนที่จะเพิ่มความลึกของเครือข่าย ช่วยยกระดับโมเดลพื้นฐานสำหรับข้อมูลตารางขึ้นสู่อันดับนำในกลุ่มโมเดลเดี่ยวของ TabArena
LiveKit เปิดตัว LiveKit Portal สำหรับ ROS 2 ซึ่งเป็นโหนด ROS 2 แบบสแตนด์อโลนที่เชื่อมต่อกราฟ ROS เข้ากับห้อง LiveKit เพื่อให้ผู้เข้าร่วมที่เป็น ROS และไม่ใช่ ROS สามารถแลกเปลี่ยนท็อปปิก การเรียกบริการ และวิดีโอผ่าน WebRTC โดยไม่ต้องเปิดเผย DDS ข้ามเครือข่าย รองรับเส้นทางข้อมูลสี่แบบ—ท็อปปิกผ่าน DataTracks บริการผ่าน RPC รูปภาพเป็น VideoTracks และแหล่งวิดีโอโดยตรง—พร้อมกฎ YAML สำหรับทิศทาง ขีดจำกัดอัตรา และการเข้ารหัสสคีมา เดโมหนึ่งถ่ายโอนภาระ stereo SLAM และการสร้างฉากใหม่จาก rover ที่ใช้ Jetson Orin Nano ไปยังเดสก์ท็อป RTX 5090
Google ได้เปิดตัว Automatic Speech Recognition และ Text-to-Speech บนอุปกรณ์ใน Google AI Edge Gallery ทำให้แอปสามารถรัน ASR หลายภาษาและ TTS ที่แสดงอารมณ์ได้แบบออฟไลน์เต็มรูปแบบ ควบคู่กับ SLM บนอุปกรณ์อย่าง Gemini Nano และ Gemma 4 บน Android โมเดลเสียงพูดใหม่ของ ML Kit ถอดเสียงได้กว่า 100 ภาษาด้วยความเร็ว 10 เท่าของเวลาจริง โดยมี Word Error Rate 8.0% ถึง 9.0% บน FLEURS ขณะที่ TTS แบบ diffusion ไม่กี่ขั้นเริ่มพูดได้ในประมาณ 100 ms และสร้างเสียง 24 kHz ด้วยความเร็วสูงสุด 50 เท่าของเวลาจริง การรองรับข้ามแพลตฟอร์มมาผ่าน MediaPipe Tasks และ LiteRT พร้อมชุดน้ำหนักเปิด ได้แก่ Parakeet-TDT 0.6B, PocketTTS 100M, Kokoro-82M และ Phonon 31M ซึ่งสาธิตใน XR Language Teacher showcase และ AI Chat ที่รองรับเสียง
ทำไมเรื่องนี้สำคัญ: Google เพิ่ม ASR และ TTS แบบออฟไลน์เต็มรูปแบบใน AI Edge Gallery โดย ML Kit รายงานการถอดเสียงกว่า 100 ภาษาที่ความเร็ว 10 เท่าของเวลาจริง และ TTS แบบ diffusion ที่เริ่มพูดได้ในประมาณ 100 ms
Elith และ NVIDIA ได้เปิดตัว Nemotron-Personas-Finance-Japan ชุดข้อมูลบุคคลสังเคราะห์แบบเปิดสำหรับภาคการเงินของญี่ปุ่น สร้างขึ้นจากสถิติราชการ มีข้อมูลบุคคลจำนวน 9M รายการ (1M ระเบียน × 9 บุคคล) ครอบคลุม 50 ฟิลด์ และประมาณ 1.5B โทเค็น สร้างด้วย NeMo SDG-PGMs และ NeMo Data Designer และเผยแพร่ภายใต้สัญญาอนุญาต CC BY 4.0 สำหรับการใช้งานเชิงพาณิชย์
NVIDIA เปิดตัว GR00T 2 ซึ่งเป็น open world action model ที่สร้างบน Cosmos และฝึกด้วยข้อมูล egocentric ของมนุษย์ 100,000 ชั่วโมง พร้อมกับ Isaac Lab 3.0 และ benchmark หุ่นยนต์ใหม่ที่ CoRL GR00T 2 ทำภารกิจที่ประเมิน 40 จาก 50 ภารกิจได้สำเร็จอย่างน้อยหนึ่งครั้งโดยไม่ต้องมี demonstration เฉพาะภารกิจ และมีอัตราความสำเร็จเฉลี่ย 71% across 50 ภารกิจเมื่อมี demonstration หนึ่งครั้งต่อภารกิจ เพิ่มเป็น 95% เมื่อมีห้าครั้ง Isaac Lab 3.0 เพิ่มการผสานรวมฟิสิกส์ Newton สำหรับวัตถุที่เปลี่ยนรูปได้ และรายงาน throughput การฝึกได้สูงถึง 2.5 เท่าของ Isaac Lab 2.3 ที่ใช้ PhysX ใน benchmark การจัดการแบบ dexterous ที่อิงวิสัยทัศน์
ทำไมเรื่องนี้สำคัญ: การเปิดตัวที่ CoRL ของ NVIDIA แสดงให้เห็นว่า simulation บวก world action model ตอนนี้มุ่งเป้าไปที่งานประกอบที่ละเอียดอ่อน โดยรายละเอียดของ GR00T 2 และ Isaac Lab 3.0 นั้นควรค่าแก่การเปรียบเทียบกับสแตกหุ่นยนต์ก่อนหน้า
นักวิจัยแนะนำ HOPE ซึ่งเป็นวิธีการตัดแต่งผู้เชี่ยวชาญแบบอันดับสองสำหรับโมเดลภาษา Mixture-of-Experts ที่คำนึงถึงปฏิสัมพันธ์แบบคู่ระหว่างผู้เชี่ยวชาญที่ถูกกระตุ้นพร้อมกัน แทนที่จะให้คะแนนผู้เชี่ยวชาญแต่ละตัวแยกกัน ที่การตัดแต่ง 50% HOPE ทำอันดับเฉลี่ยได้ดีที่สุดในบรรดาวิธีทั้งหมด โดยมีผล增益สูงถึง +6.1% ในงานเขียนโค้ดแบบเอเจนต์เมื่อเทียบกับวิธีการตัดแต่งที่ดีรองลงมา งานนี้มุ่งเป้าไปที่คอขวดด้านหน่วยความจำในโมเดลอย่าง Qwen3.5-122B ซึ่ง MLP ของผู้เชี่ยวชาญกินพื้นที่ถึง 95% ของขนาดรวมประมาณ 250 GB
Zyphra เปิดตัว ZONOS3-Mini โมเดล text-to-speech แบบ sparse MoE ที่มีพารามิเตอร์ใช้งานจริง 100M และพารามิเตอร์รวม 800M ภายใต้สัญญาอนุญาต Apache 2.0 ฝึกบน NVIDIA H100 จำนวน 112 ตัวใน 2.5 วัน ทำเวลา time-to-first-audio ได้ต่ำกว่า 570 ms ในเบราว์เซอร์บน Pixel 9 และต่ำกว่า 150 ms บน M3 MacBook Air พร้อมรันไทม์สำหรับ WebGPU, SGLang, vLLM และ GGML โมเดลนี้เพิ่มการควบคุมอัตลักษณ์ สำเนียง คุณภาพ อารมณ์ และการแสดงออก รวมถึงการปรับระดับคำ และ Zyphra รายงานว่าอยู่อันดับหนึ่งในกลุ่มโมเดลเปิดบน benchmark ใหม่ ZTTS2-Eval
ทำไมเรื่องนี้สำคัญ: โมเดล TTS แบบ MoE ขนาดกะทัดรัดของ Zyphra ผสานการโคลนเสียงแบบ zero-shot เข้ากับการควบคุมการแสดงออกระดับคำ พร้อมรันแบบเรียลไทม์บนโทรศัพท์และแล็ปท็อป
ZoomGain สร้างคำถามเกี่ยวกับภาพเต็มจากรายละเอียดทางภาพที่ชัดเจนขึ้นเมื่อซูมเข้า โดยใช้ช่องว่างการรับรู้จากภาพรวมสู่การซูมนี้เป็น信号กำกับสำหรับโมเดลภาษา-ภาพ การเผยแพร่ประกอบด้วยบทความ arXiv, Benchmark ZoomGainBench (1,000 คำถามจาก 941 ภาพ ครอบคลุมการจดจำคุณลักษณะ การนับ และ OCR), บันทึกการฝึก RL 9,000 รายการจากภาพต้นฉบับ 7,713 ภาพ และ checkpoint ZoomGain-4B และ ZoomGain-9B โมเดลที่ดีที่สุดใน 28 โมเดลได้คะแนน 61.08 บน ZoomGainBench ขณะที่ ZoomGain-9B ทำได้เหนือกว่าใน benchmark การรับรู้แบบละเอียดและทั่วไปหลายรายการ
Google Cloud เปิดตัวการรองรับการฝึกโมเดลบริบทยาวใน MaxText v0.2.4 ซึ่งเป็นเฟรมเวิร์กการฝึกแบบโอเพนซอร์สบน JAX โดยเพิ่มกลยุทธ์ context-parallel สี่แบบบน Cloud TPU ได้แก่ All-gather, A2A (DeepSpeed Ulysses), P2P (Ring Attention) และไฮบริด A2A + P2P (USP) ผลทดสอบกับ Llama 3.1 8B ทำได้ 70% MFU บน TPU 5p ที่ความยาวลำดับสูงสุด 4 ล้านโทเคน และขยายบริบทได้ถึง 14 ล้านโทเคนทั้งบน TPU 5p และ TPU 7 โดย TPU 7 รักษาระดับ 50% MFU ที่ต่ำกว่า 6 ล้านโทเคน เวอร์ชันนี้เผยแพร่บน PyPI, ใน Docker images และบน GitHub main พร้อมสูตรตัวอย่างสำหรับ TPU 7 และ TPU 5p
ทำไมเรื่องนี้สำคัญ: กลยุทธ์ context-parallel สี่แบบของ MaxText บน Cloud TPU พร้อมตัวเลข MFU จากผลทดสอบกับ Llama 3.1 8B ช่วยให้ทีมต่างๆ มีข้อมูลอ้างอิงที่ชัดเจนในการเลือกวิธีฝึกโมเดลที่ความยาวลำดับหลายล้านโทเคน
Ai2 เปิดตัว ToyBlocks กรอบการจำลองแบบเปิดที่สร้างขึ้นรอบแขนหุ่นยนต์และบล็อกบนโต๊ะ เป็นFoundationWorldsตัวแรกสำหรับการเรียนรู้และประเมินผลหุ่นยนต์แบบควบคุม กรอบนี้สร้างทักษะและการสาธิตโดยอัตโนมัติผ่าน RL และการวางแผนการเคลื่อนไหวใน Isaac Lab ทำความเร็วได้ถึง 24 เท่าของเวลาจริงบน GPU เดียว และมาพร้อมการสาธิตระยะยาว 85,336 ชุด ครอบคลุมเกือบ 1,600 ชั่วโมงและ 144 ล้านเฟรม ในการทดลองของพวกเขา ความสำเร็จของทักษะระดับอะตอมของ ManiFlow อยู่ที่ 80.0% ในการจำลองและ 81.1% บน Franka FR3 จริง ขณะที่ระบบ Molmo 2 ร่วมกับ ManiFlow ประสบความสำเร็จ 55.5% ของตอนในการจำลองและ 50.0% ในโลกจริง
Ai2 เปิดตัว ToyBlocks กรอบการจำลองแบบเปิดที่สร้างขึ้นรอบแขนหุ่นยนต์และบล็อกบนโต๊ะ เป็น FoundationWorlds ตัวแรกสำหรับการวิจัยการเรียนรู้ของหุ่นยนต์แบบควบคุม ToyBlocks สร้างงานและการสาธิตโดยอัตโนมัติผ่าน RL และการวางแผนการเคลื่อนไหวใน Isaac Lab โดยสร้างข้อมูลได้สูงสุดถึง 24 เท่าของเวลาจริงบน GPU เดียว และมาพร้อมกับการสาธิตระยะยาว 85,336 รายการ ครอบคลุมเกือบ 1,600 ชั่วโมงและ 144 ล้านเฟรม ในการทดสอบโลกจริงบน Franka FR3 ความสำเร็จของทักษะระดับอะตอมของ ManiFlow อยู่ที่ 80.0% ในการจำลองและ 81.1% บนฮาร์ดแวร์ ขณะที่ระบบ Molmo 2 ร่วมกับ ManiFlow ประสบความสำเร็จ 55.5% ของตอนจำลองและ 50.0% ของตอนจริง
บทความ REINFORCE Zero ของ NVIDIA Research และ Inferact แสดงให้เห็นว่าการจัดแนวเคอร์เนลของ rollout และ trainer ทำให้ unclipped token-level importance sampling สามารถแก้ไข weight lag ที่เหลืออยู่ได้ ทำให้ฝึกได้อย่างเสถียรถึง 20,000 อัปเดตที่ policy lag 64 และได้ throughput ของ training-step เป็น 2.40 เท่าของการฝึกแบบ synchronous ด้วยเคอร์เนลที่จัดแนวแล้ว ด้วยเคอร์เนลมาตรฐาน ค่ามัธยฐาน rollout-to-learner KL เพิ่มขึ้น 83.33 เท่าตลอดการรัน และ online AIME24 pass@1 ลดลงจาก 34.27% เหลือ 13.96% ขณะที่ sequence gate ช่วยให้การฝึกเสถียรแต่ปฏิเสธ 24.48% ของ sequence ภายใน 1,000 อัปเดตสุดท้าย การตั้งค่า zero-mismatch ครอบคลุม DeepSeek-V4.1-Flash, Kimi K3.1 ในวันเปิดตัว และ DeepSeek-V4-Flash กับ Kimi K3.1 บน AMD MI355X โดยมีโค้ดอยู่ที่ Inferact/zero-mismatch-rl และ NVIDIA-NeMo/labs-molt
ทำไมเรื่องนี้สำคัญ: NVIDIA Research และ Inferact แยกช่องว่างระหว่าง rollout-learner ของ async RL ออกเป็น weight lag และ kernel mismatch โดยแสดงให้เห็นว่าการจัดแนวเคอร์เนลทำให้ unclipped importance sampling รักษาการฝึกที่เสถียรที่ policy lag 64 ได้
VeRL-Omni v0.3.0 เปิดตัวพร้อมเส้นทางการทำงาน RL แบบอะซิงโครนัสและแยกส่วน, V1 trainer เป็นค่าเริ่มต้น, และขยายขอบเขตการหลังการฝึกครอบคลุมการเข้าใจภาพ วิดีโอ เสียง และมัลติโมดัล การเปิดตัวนี้เพิ่มการฝึกข้อความและเสียง Qwen3-Omni แบบอะซิงโครนัสเต็มรูปแบบ, การฝึก Omni และ diffusion แบบแยกอะซิงโครนัสพร้อม replay buffer, และสูตรใหม่รวมถึง MiniMax H3 กับ DiffusionNFT และ MiniCPM-o 4.5 GSPO ในการทดลอง MiniCPM-o 4.5 AVQA บน 4×H800 80 GB, separate-async 3+1 ช้ากว่า colocated 4+0 ประมาณ 9% ต่อ prompt ที่ความยาวการตอบสนองตามธรรมชาติ, ใกล้เคียงกันที่ 512 โทเค็น, และเร็วกว่าประมาณ 6.7% ที่ 1024 โทเค็น
Zyphra Research เปิดตัว ZYFA เคอร์เนล causal prefill attention แบบ BF16 และ FP8 สำหรับ MI355X ของ AMD (CDNA4, gfx950) รองรับ head dimension 128 และรูปร่าง MLA ของ DeepSeek-V2 บนแอคติเวชันจาก Mistral-7B, Qwen3-8B และ DeepSeek-V2-Lite ที่ 16K โทเคน เคอร์เนล FP8 ของ ZYFA ทำ throughput ได้ 1.16–1.76× ของ AITER และบนอินพุตแบบเกาส์เซียนที่ 32K โทเคน ทำได้ 1.26–1.37× ที่ head dimension 128 และ 1.99× ที่รูปร่าง MLA ข้อผิดพลาดของ FP8 ต่ำกว่าของ AITER 62–78% ที่ head dimension 128
ASpec เป็นกรอบการฝึกอบรมปริมาณสูงสำหรับโมเดลร่างการถอดรหัสแบบคาดการณ์ สร้างจากฐานโค้ด TorchSpec พร้อมการปรับแต่ง attention, fused kernels และการคำนวณ head/loss แบบเลือกได้ ในการรัน Qwen3-8B 4K การฝึกแบบ Draft-only ทำได้ 15,256.44 input tokens/s บน GPU หนึ่งตัว เป็น 1.96× ของ TorchSpec ขณะที่หน้าต่าง steady แบบออนไลน์ 8-GPU ทำได้ 77,721.37 tokens/s เป็น 2.28× ของ TorchSpec รองรับ DSpark, DFlash, EAGLE3/4 และ MTP drafts แบบเนทีฟ พร้อม quickstart สำหรับ Qwen3-8B และ Ling tiny
Google Research เปิดตัว Agile Deliberation ซึ่งเป็นกรอบการทำงานที่เปลี่ยนการสร้างตัวจำแนกประเภท AI แบบอัตวิสัยให้เป็นการสนทนาแบบวนซ้ำที่ AI ช่วยให้ผู้ใช้ปรับปรุงคำนิยามของตนเองให้ชัดเจนขึ้น โดยแบ่งงานออกเป็นการกำหนดขอบเขตแนวคิดและการวนซ้ำแนวคิด ใช้โมเดลภาพ-ภาษาเพื่อแสดงภาพที่อยู่กึ่งกลางและส่งต่อข้อเสนอแนะเข้าสู่วงจรการปรับแต่งพรอมต์อัตโนมัติ ในการทดลองกับผู้ใช้จริง 18 ครั้ง ครั้งละ 1.5 ชั่วโมง วิธีนี้ช่วยลดความเหนื่อยล้าและความกังวลของผู้ใช้ และสร้างโมเดลที่สอดคล้องกันมากขึ้นซึ่งมีประสิทธิภาพเหนือกว่าฐานมาตรฐาน โค้ดเปิดเผยเป็นโอเพนซอร์สบน GitHub
Preferred Networks เปิดตัว PLaMo 3 Translate โมเดล LLM เฉพาะทางด้านการแปลที่ใช้ในบริการ PLaMo Translation ของบริษัท ในฐานะโมเดลแบบเปิดน้ำหนักบน Hugging Face เมื่อวันที่ 5 พฤศจิกายน มีขนาด 0.8B, 2B, 8B และ 31B และรองรับ 53 ภาษา รวมถึงภาษาญี่ปุ่นและภาษาอังกฤษ ทำงานบนสมาร์ทโฟน แล็ปท็อป และเซิร์ฟเวอร์ภายในองค์กรโดยไม่ต้องเชื่อมต่อคลาวด์
ทำไมเรื่องนี้สำคัญ: PFN เปิดตัวโมเดล LLM เฉพาะทางด้านการแปลในสี่ขนาดตั้งแต่ 0.8B ถึง 31B ทำให้บริษัทและบุคคลทั่วไปสามารถแปล 53 ภาษาได้บนอุปกรณ์โดยไม่ต้องเข้าถึงคลาวด์
Nanbeige ได้เปิดตัว Nanbeige4.3-33B ซึ่งเป็นโมเดลเหตุผลแบบ dense ที่มีน้ำหนักเปิดภายใต้ Apache 2.0 และได้คะแนน 20 บน Artificial Analysis Intelligence Index v5 เท่ากับ Qwen3.8 27B (xhigh) ที่ 20 โมเดลขนาด 33B นี้มีหน้าต่างบริบท 524K โทเคน รองรับอินพุตและเอาต์พุตแบบข้อความเท่านั้น และยังไม่มี API สาธารณะที่ยืนยันได้ โดยได้คะแนน 30% บน Terminal-Bench 4.0 เทียบกับ 6% ของ Qwen3.8 27B แต่ตามหลังใน HLE-Diamond (7% เทียบกับ 15%) บน AA-Omniscience v1.1 มีอัตราการสร้างข้อมูลเท็จ 18% เทียบกับ 29% ของ Qwen3.8 27B โดยมีอัตราการปฏิเสธ 71% และใช้ 158K โทเคนเอาต์พุตต่องาน Intelligence Index เทียบกับ 110K ของ Qwen3.8 27B
Mistral AI เปิดตัวน้ำหนักเปิดของ Mistral Large 4 (Le Chonk) โมเดลมัลติโมดัลโดยกำเนิดขนาด 1 ล้านล้านพารามิเตอร์ ซึ่งเข้าสู่การพรีวิวสาธารณะเมื่อต้นเดือนนี้และถูกฝึกตั้งแต่เริ่มต้นในยุโรป บริษัทกล่าวว่าการเรียนรู้แบบเสริมกำลังเพิ่มเติมอีกสามสัปดาห์ยกระดับโมเดลขึ้นสู่จุดสูงสุดของการเขียนโค้ดแบบน้ำหนักเปิด โดยได้ 41% บน Terminal-Bench 4.0 และ 48% บน Artificial Analysis Coding Agent Index ขณะใช้โทเค็นต่องานน้อยกว่า GLM-5.3 ถึง 47% โดยเพิ่มโหมดการให้เหตุผลระดับต่ำ กลาง และสูง ได้ 51% บน Artificial Analysis Cyber Index และมีราคาอยู่ที่ 0.70 ดอลลาร์สำหรับอินพุต 0.07 ดอลลาร์สำหรับอินพุตแคช และ 2.10 ดอลลาร์สำหรับเอาต์พุตต่อล้านโทเค็นภายใต้สัญญาอนุญาต MIT ที่ดัดแปลง
ทำไมเรื่องนี้สำคัญ: Mistral เปิดน้ำหนักของเรือธงขนาด 1 ล้านล้านพารามิเตอร์ โดยผสานความก้าวหน้าด้านเกณฑ์มาตรฐานการเขียนโค้ดและความมั่นคงปลอดภัยเชิงป้องกันเข้ากับโหมดการให้เหตุผลสามโหมดและราคาต่อโทเค็น
Inclusion AI และผู้ร่วมงานทางวิชาการได้เปิดตัว IDM ซึ่งเป็นวิธีการกลั่นที่ผสมผสานการจับคู่การกระจายภายในกับการจับคู่โมเมนต์ในพื้นที่ฟีเจอร์ EMA ของตัวสร้างเอง โดยไม่ต้องใช้ตัวเข้ารหัสฟีเจอร์ภายนอก ที่ 2 NFE IDM (Z-Image) ทำคะแนนได้ 94.25% บน LongText-CN และ 90.20% บน LongText-EN และ IDM (Z-Image) แบบพารามิเตอร์เต็มทำงานใน 0.25 วินาทีที่ 1 NFE และ 0.30 วินาทีที่ 2 NFE บน A100 เครื่องเดียวใน BF16 เช็กพอยต์ที่ฝึกแล้วเดียวกันรองรับการสุ่มตัวอย่างทั้งแบบ 1-NFE และ 2-NFE และโค้ดเปิดเผยภายใต้ Apache 2.0 ขณะที่เช็กพอยต์ระบุว่ากำลังจะมา
inclusionAI เปิดตัว Ling-3.0-flash-Sante-fp8 ซึ่งเป็นเวอร์ชันควอนไทซ์ FP8 ของโมเดล Ling-3.0-flash-Sante ที่เชี่ยวชาญด้านสุขภาพ โดยคงจำนวนพารามิเตอร์รวม 124B และพารามิเตอร์ที่ใช้งานต่อโทเคน 5.1B โดยทำคะแนนเฉลี่ยได้ 73.9 เท่ากับเช็กพอยต์ BF16 ในชุดทดสอบด้านสุขภาพ พร้อมลดหน่วยความจำของน้ำหนักโมเดลสำหรับฮาร์ดแวร์ที่รองรับ FP8 โมเดลนี้มีไว้เพื่อการวิจัยเท่านั้น รองรับบริบท 256K โทเคน และใช้โหมดคิดเป็นค่าเริ่มต้นพร้อมการเรียกใช้เครื่องมือ
นักวิจัยกำลังปรับใช้โมเดล olmOCR 2 แบบเปิดของ Ai2 เพื่อถอดความคลังเอกสารทางประวัติศาสตร์และโบราณคดี นักประวัติศาสตร์ Maurice Casey สร้าง ArtificeOCR ซึ่งรัน olmOCR 2 ในเครื่องร่วมกับ Tropy เพื่อทำให้คลังภาพเอกสารของเขาค้นหาได้ด้วยคีย์เวิร์ด ขณะที่โครงการ CENTURIA ของ TU Wien ปรับแต่ง olmOCR 2 ด้วย LoRA บนระเบียนที่ทำคำอธิบายประกอบ 57 รายการ ลดข้อผิดพลาดในการถอดความบนระเบียนทดสอบ 450 รายการจาก 15.58% เหลือ 1.11%
หน้าโครงการ UBTree นำเสนอ UBTree ซึ่งเป็นวิธีการ speculative decoding ที่ร่างต้นไม้โทเค็นแบบขนานโดยใช้โมเดล unigram และ bigram โดยมีรายละเอียดใน arXiv:2609.39972 วิดีโอสาธิตเปรียบเทียบ UBTree กับ AR, DFlash และ DSpark บน Ling3 Tiny และ Flash โดยใช้พรอมต์ HumanEval anti_shuffle และ bf ที่ไม่เปลี่ยนแปลง โดยทั้งสี่วิธีให้โทเค็นเอาต์พุตที่เหมือนกันทุกประการ ไซต์เป็น HTML/CSS/JS ล้วนให้บริการผ่าน GitHub Pages โดยตัวเลขในแผนภูมิและตารางจัดเก็บไว้ใน static/js/data.js
Amazon เปิดตัว TorchNeuron แบ็กเอนด์ PyTorch โอเพนซอร์สที่แปลงโค้ด PyTorch เป็นการดำเนินการที่รันได้บนระบบ AWS Trainium โดยแทบไม่ต้องแก้ไขโค้ดหรือไม่ต้องแก้เลย โดยเพิ่มโหมด eager แบบปรับตัวที่ต้องเลือกเปิดใช้ ซึ่งจัดกลุ่มและคอมไพล์การดำเนินการเพื่อประสิทธิภาพใกล้เคียงโหมดคอมไพล์ พร้อมแคช NEFF หลายระดับ บริการคอมไพล์ที่ใช้ร่วมกันช่วยลดเวลาถึงขั้นตอนเทรนแรกได้ประมาณหนึ่งในสามในการทดสอบ LLM แบบ 64 โปรเซส ทีม Annapurna ปรับแต่งและวัดประสิทธิภาพโดยใช้โมเดลตัวแทน 841 โมเดลที่กลั่นกรองจากโมเดลโอเพนซอร์สหลายแสนโมเดล
Modal เปิดตัว Spindle เซิร์ฟเวอร์ฝึกโมเดลโอเพนซอร์สที่เข้ากันได้กับ Tinker ซึ่งทำงานในเวิร์กสเปซ Modal ของลูกค้า ช่วยให้ทีมปรับแต่งสแตกได้เองและจ่ายตามเวลา GPU แทนการจ่ายตามโทเคน Spindle รองรับการฝึกแบบ full-parameter และ multi-LoRA ข้ามโมเดลโอเพนซอร์สต่างๆ และ Modal รายงานว่าการแชร์เทรนเนอร์เดียวให้ไคลเอนต์ 8 รายช่วยลดต้นทุนต่อ 1M โทเคนเอาต์พุตได้สูงสุดถึง 80% เมื่อเทียบกับ Tinker ในงาน DAPO-math GRPO Modal ระบุว่า Spindle ยังอยู่ในช่วงเบต้า และวางตำแหน่งไว้ระหว่างไลบรารีการฝึก Dojo และคลัสเตอร์พริมิทีฟระดับพื้นฐาน
ทำไมเรื่องนี้สำคัญ: เซิร์ฟเวอร์ Spindle โอเพนซอร์สของ Modal มอบทางเลือกที่เข้ากันได้กับ Tinker ให้ทีมต่างๆ โดยแลกการคิดราคาต่อโทเคนเป็นการจ่ายตามเวลา GPU พร้อมรายงานว่าการแชร์ multi-LoRA ช่วยลดต้นทุนได้สูงสุดถึง 80%
Ai2 เปิดตัว OlmoEarth v1.3 โมเดล embedding ดาวเทียมที่เปลี่ยนข้อมูลอนุกรมเวลาจาก Sentinel-1, Sentinel-2 และ Landsat ตลอดหนึ่งปีให้เป็นเวกเตอร์ 128 มิติหนึ่งตัวต่อพิกเซลขนาด 10 เมตร โดย 64 มิติแรกสามารถใช้เป็น embedding ขนาดเล็กกว่าได้ Ai2 คำนวณ embedding รายปีล่วงหน้าสำหรับทั้งโลกและเผยแพร่บน Source Cooperative และ embedding 128 มิติของมันได้คะแนนสูงสุดในการประเมิน 20 จาก 27 รายการเมื่อเทียบกับ AlphaEarth Foundations และ Tessera v2 รวมถึงเกณฑ์มาตรฐานพืชเขตร้อนใหม่ชื่อ PLANTEUR การเปิดตัวยังรวมถึง OlmoEarth Embeddings Explorer เครื่องมือเบราว์เซอร์ที่ไม่ต้องลงชื่อเข้าใช้สำหรับเปรียบเทียบปี ค้นหาสถานที่ที่คล้ายกัน และฝึกตัวจำแนกขนาดเล็กได้ทันที โดยมีข้อมูลทั่วโลกปี 2025, 2024 และ 2023 และปี 2017 ถึง 2022 ครอบคลุมบางประเทศ น้ำหนัก ข้อมูลพรีเทรน และโค้ดเป็นโอเพนซอร์ส
inclusionAI เปิดตัว Ling-3.0-flash-Sante โมเดลเฉพาะทางด้านการแพทย์ที่สร้างบน Ling-3.0-flash มีพารามิเตอร์รวม 124B และพารามิเตอร์ที่ใช้งานต่อโทเคน 5.1B โดยเผยแพร่ weights บน Hugging Face และ ModelScope ใช้สถาปัตยกรรม hybrid-linear MoE ที่ผสม Kimi Delta Attention, gated MLA และ sparse MoE layers ฝึกถึง 256K โทเคน และเปิดโหมด thinking เป็นค่าเริ่มต้นพร้อมรองรับ tool calling ผ่านเฟรมเวิร์ก serving ที่เข้ากันได้ บริษัทระบุว่าเป็นโมเดลเพื่อการวิจัย ไม่ใช่อุปกรณ์ทางการแพทย์ และผลลัพธ์ต้องไม่ใช้แทนคำแนะนำ การวินิจฉัย หรือการรักษาทางการแพทย์จากผู้เชี่ยวชาญ
MiniMax เปิดตัว Mini App ในแอปเดสก์ท็อป MiniMax Code ซึ่งเป็นแอปพลิเคชันรูปแบบปลั๊กอินที่มีฟรอนต์เอนด์และแบ็กเอนด์ Node.js ที่เก็บงานของ Agent ไว้บนหน้าที่คงอยู่แทนที่จะกระจัดกระจายไปตามบทสนทนา การเปิดตัวนี้รวมถึง runtime ที่มีไดเรกทอรีข้อมูลแบบถาวร, hosted MCP, Agent API, Host Connectors และการอนุมัติเครื่องมือภายในหน้า พร้อมด้วย /miniapp-creator สำหรับเปลี่ยนคำขอหนึ่งประโยคให้เป็นหน้าที่ใช้งานได้ และ Mini Apps อย่างเป็นทางการในตลาดปลั๊กอิน MiniMax Bot เองก็เป็น Mini App และซอร์สโค้ดของมันพร้อมกับ Mini Apps ที่สร้างโดยชุมชน kini อยู่ใน open-source repository ชื่อ MiniMax-Code-MiniApps; Mini Apps ใช้งานได้ในเซสชันโลคัลบน macOS และ Windows
ทำไมเรื่องนี้สำคัญ: MiniMax Code ย้ายงานของ Agent จากสตรีมบทสนทนาไปสู่หน้าที่คงอยู่ และเปิดเผย runtime ของ Mini App พร้อม open-source repository ซึ่งมอบสถาปัตยกรรมที่อ้างอิงได้รูปแบบหนึ่งสำหรับรูปแบบเครื่องมือของ Agent
Modal เปิดตัว Modal Dojo ไลบรารีสำหรับการฝึกที่มาพร้อมบล็อกการสร้าง สูตรสำเร็จรูปที่ปรับแต่งแล้ว และแดชบอร์ดสำหรับการสังเกตการณ์ สำหรับการฝึกหลังการฝึก (post-training) LLM ระดับโปรดักชัน โดยต่อยอดจากเฟรมเวิร์กโอเพนซอร์ส Miles และ Slime รองรับโมเดลตั้งแต่ครึ่งพันล้านถึงหลายล้านล้านพารามิเตอร์ และมี API และ CLI ที่เอเจนต์สามารถสั่งการเพื่อเริ่มและดีบักการรันได้ Modal ระบุว่า Axiom Bio ใช้มันเพื่อขยายไปสู่การรัน DeepSeek V4.1 Flash ที่บริบท 64k บน B300 จำนวน 64 ตัว และ Afterquery ฝึก Kimi และ DeepSeek ที่ความยาวบริบท 256k
Zyphra เปิดตัวเวฟที่สองของ Zyphra Optimization Engine (ZOE) สำหรับ GPU AMD Instinct MI355X โดยเพิ่มเคอร์เนล HIP แบบกำหนดเองสี่ตัวสำหรับ MoE และ sparse attention เข้าใน production forks ของ vLLM และ SGLang 40x) เช็กพอยต์ 3 ยังคงอยู่ในระยะ 3 คะแนนจาก FP8 บนเกณฑ์มาตรฐานการให้เหตุผลสี่รายการ แต่ถอดรหัสได้เร็วกว่าเฉพาะที่การทำงานพร้อมกันสูง