Dyna Robotics 联合创始人 Jason Ma 谈 Dyna-2 世界动作模型与机器人长时程自主
Dyna Robotics 联合创始人兼首席科学家 Jason Ma 在 Latent Space 播客中介绍了 Dyna-2 世界动作模型，该模型在超过一百万小时人类视频上预训练，可预测未来视频并据此生成机器人动作。
推荐理由：Dyna Robotics 联合创始人复盘世界动作模型与真实部署，读者可了解机器人数据瓶颈和长时程自主的工程取舍。
技术方向
开源生态 最新动态
开源模型、框架与仓库动态：权重开放、社区项目爆火、开源与闭源的力量消长。
9 条精选近 30 天 8 条共收录 28 条
更新
开源生态的精选
Latent Space精选AI 评分7878 Hugging Face Blog精选AI 评分7676 Liquid AI 发布 LFM2.5-24B-A2B 端侧推理智能体模型
Liquid AI 发布 LFM2.5-24B-A2B，这是一个 24B 参数、每 token 仅 2B 激活参数的推理模型，面向端侧快速私有智能体，会先思考再作答并调用工具。
推荐理由：LFM2.5-24B-A2B 以 2B 激活参数对标更大 MoE，并给出端侧与 GPU 推理速度数据，可据此判断本地智能体的可行性。
NVIDIA Blog精选AI 评分6262 NVIDIA 在 OCP 全球峰会开放 Vera Rubin 架构并发布 DSX AI Factory 开源组件
NVIDIA 在 OCP Global Summit 上通过开放 MGX 架构向 OCP 贡献 Vera Rubin 机架与计算托盘设计，为系统厂商提供下一代 AI 工厂基础设施的共同基础。
推荐理由：NVIDIA 在 OCP 上把 Vera Rubin 机架与计算托盘设计开放给 MGX 架构，读者可了解 AI 工厂基础设施的开放标准走向。
Microsoft Research精选AI 评分7171 微软研究院开源 Agent Lightning v1.0：约 3500 行的轻量智能体 RL 框架
微软研究院亚洲团队开源 Agent Lightning v1.0，一个约 3500 行代码的轻量智能体强化学习框架，提出 Harnessed Agentic RL 范式，让部署时使用的同一套 agent harness 直接参与训练，无需在训练框架内重新实现智能体。
推荐理由：微软研究院开源 Agent Lightning v1.0，用约 3500 行代码把真实 harness 直接接入 RL 训练，并给出可复现的编码智能体训练结果。
Hugging Face Blog精选AI 评分6262 Nemotron 微调后在 IOI 2026 与 IMO 2026 均达金牌水平
英伟达团队从 Nemotron 3 出发，用 SFT、RL 和生成-验证-改进的推理循环做出两个专精系统，在 IOI 2026 与 IMO 2026 均达到金牌线。
推荐理由：原文公开了从 Nemotron 3 微调到 IOI、IMO 金牌级成绩的完整配方与数据集，可看到领域专精与推理循环如何配合。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 EmbeddingGemma 2 端侧多模态嵌入模型
Google DeepMind 发布 EmbeddingGemma 2，一个基于 Gemma 4 架构、Apache 2.0 许可的端侧多模态嵌入模型，参数量 740M，原生将文本、图像、音频、视频映射到统一嵌入空间。
推荐理由：官方给出参数量、量化内存与基准提升，可据此判断端侧多模态检索的落地门槛。
Google DeepMind精选AI 评分6262 Google DeepMind 推出 SynthID Bio，为 AI 生成蛋白质嵌入水印
Google DeepMind 推出 SynthID Bio，把水印技术带入合成生物学，将不可感知的签名嵌入生物代码，使水印既能在数字模型上验证，也能在合成出的实体蛋白质上验证，同时实验室测试显示其生物功能未受影响。
推荐理由：SynthID 水印从图像延伸到合成生物，读者可了解 AI 生成蛋白质如何在保留功能的前提下被标记与验证。
Microsoft Research精选AI 评分6666 微软研究院：把物理 AI 推理卸载出机器人可提升任务成功率与续航
微软研究院对移动机器人操作负载做了系统性测量，发现把物理 AI 推理从机器人端侧 GPU 卸载到边缘或云端 GPU，可提升任务成功率、支持更大模型并延长续航。
推荐理由：微软研究院系统测量了机器人端侧推理与卸载推理的差异，并给出可复用的 Kubernetes 卸载工具链。
Berkeley AI Research精选AI 评分6262 从 CUDA 到 MLX：K-Search 如何把内核优化经验带到 Apple Silicon
Berkeley Sky Lab 与 IBM Research 将演化式内核搜索框架 K-Search 扩展到 MLX，通过结构化的 CUDA 到 MLX 翻译层，让已有 CUDA 内核经验迁移到 Apple Silicon。
推荐理由：原文给出跨平台内核迁移的具体方法与实测数字，可了解 CUDA 经验迁移到 Apple Silicon 的可行路径。