搜索
今天，Thinking Machines正式发布第二款重磅模型——Inkling-Small。276B总参数、12B激活参数，原生多模态，100万token上下文。半个月前，首个开源975B Inkling登场，曾在AI圈掀起了巨浪。
今天，我们正式发布 MiniMax H3。这是一款通用的全模态生成模型，支持对文本、图像、视频、声音组成的多模态上下文的统一理解能力、能够输出具备原生双声道的音视频，最高可支持 15s 2K 分辨率。
最近，月之暗面 kimi 正式开源 Kimi K3 完整模型权重，Kimi K3 是一款总参数量达 2.8 万亿、上下文窗口达 100 万 token 的 MoE 大模型，更是全球首个落地的近 3 万亿参数级开源大模型，引起业界热议。
终于！Agent赛道，不再是自回归（AR）模型一家独大。
问小白 5 Pro 呈现出一种很接近真实项目成员的工作方式：先确认 Brief，主动拆解任务，持续汇报进度，在文档中留下修改痕迹，最终完成交付。不同路线决定了不同能力上限：对话路线的上限是上下文窗口，资料路线的上限是权限管理粒度，研究流程路线的上限是自动化程度，而项目工作台路线的上限是系统架构的复杂度
Acrab的Agent Box在这个背景下出现。它没有停在“把模型装进桌面设备”这一步，而是把模型、个人数据、Runtime、工具链和Agent编排放进同一套系统，让Agent能够保存上下文、调用工具，并在不同应用之间连续完成任务。
交互式视频世界模型正在从「一次性生成短片」走向「像游戏一样边操作边生成」。但长轨迹交互会迅速放大上下文、显存和多步去噪开销。Light Interaction不改模型参数、不重新训练，只在推理阶段把相机轨迹变成调度信号，动态选择历史上下文、在回访状态复用去噪输出，并用面向自回归生成的3D稀疏注意力降低计算。
最近手头在测一个新模型，叫 Macaron-V1。说实话一开始没抱太大期待，打着「个人智能体」旗号的产品这两年太多了，大多数打开之后还是那套老配方：一个聊天机器人，外面挂几个插件。但测了三四天下来，发现这个模型的思路跟我预想的不太一样，值得认真写一篇。
让大模型 "读得更长" 一直是 Agent、深度推理和海量资料整合等场景的刚需，但标准全注意力机制的计算量随序列长度呈平方级增长，始终是横亘在长上下文建模面前的三座大山。
市面上已有几十种Agent记忆方案，有的基于向量检索，有的基于知识图谱，有的靠定期总结“压缩”对话，有的则完全依赖模型自身的上下文窗口。它们各有各的说法，但在系统层面，到底哪种方案靠得住？哪种方案在你的工作负载下既不贵又准？