15亿参数挑战机器人控制，MiniCPM-RobotManip正式开源；覆盖文本/图/视频/动作序列，英伟达发布全模态模型Cosmos3-Edge

在具身智能领域，让机器人具备感知、理解与行动能力，是推动智能体进入真实世界的关键。MiniCPM 推出的 MiniCPM-Robot 系列模型，围绕机器人操作与目标跟踪两大核心任务展开探索。其中，MiniCPM-RobotManip 是一个仅 15 亿参数的视觉语言动作模型，基于 MiniCPM-V 4.6 视觉语言骨干，并结合扩散动作头，实现从视觉观察和语言指令到机器人动作的端到端映射；MiniCPM-RobotTrack 则聚焦实体目标跟踪，以 0.9B 参数实现端侧实时视觉跟踪能力。通过轻量化架构、流式上下文记忆和高效视觉压缩技术，MiniCPM-Robot 系列展现了小规模模型在真实机器人场景中的高效推理潜力。

目前，HyperAI超神经官网已上线了「MiniCPM-Robot：面向真实世界的具身智能模型」，快来试试吧~

在线使用：https://go.hyper.ai/0VsYI

1. MiniCPM-Robot：面向真实世界的具身智能模型

MiniCPM-Robot 是 OpenBMB 面向真实世界感知、决策与动作的具身智能模型族，首发包含两款模型：面向机器人操作的通用 VLA 模型 MiniCPM-RobotManip，以及面向具身目标跟踪的端侧模型 MiniCPM-RobotTrack。

在线运行：https://go.hyper.ai/0VsYI

Demo 页面

2. Diamond-1.0：自回归语音修复模型

Diamond 是由 nineninesix.ai 于 2026 年 7 月开发的语音修复模型，采用自回归 seq2seq 架构，将退化音频（低码率编码、背景噪声、削波、窄带）还原为 44.1 kHz 近录音室品质语音。

在线运行：https://go.hyper.ai/OHZ6o

Demo 页面

3. Nanbeige4.2-3B：紧凑型智能体模型

Nanbeige4.2-3B 是由南北阁于 2026 年 7 月开发的紧凑型智能体模型，基于 Nanbeige4.2-3B-Base 构建。该模型采用 Looped Transformer（循环 Transformer） 架构，通过复用 Transformer 层来在不增加参数量的前提下提升模型容量——仅用 3B 非嵌入参数（总计 4B），即可在智能体基准测试中超越 Qwen3.5-9B、Gemma4-12B 等更大模型。

在线运行：https://go.hyper.ai/KI1QR

Demo 页面

4. Fara1.5-27B：多模态计算机使用智能体

Fara1.5-27B 是由 Microsoft Research AI Frontiers 于 2026 年 5 月发布的多模态计算机使用智能体。核心创新为仅视觉感知架构：通过截图观察浏览器，以结构化工具调用（点击、输入、滚动、网页搜索等）完成端到端任务，无需访问 DOM。该模型基于 Qwen3.5-27B 进行监督微调，训练数据由 FaraGen1.5 多智能体流程生成。

在线运行：https://go.hyper.ai/9AwuJ

Demo 页面

5. NVIDIA Cosmos3-Edge：全模态推理模型

Cosmos3-Edge 是由 NVIDIA 团队于 2026 年 7 月发布的 4B 参数全模态世界基础模型，核心创新与特点为采用混合 Transformer（MoT）架构，在一个统一框架内融合自回归 Transformer 和扩散 Transformer，分别处理文本生成和图像/视频/动作等多模态生成。

在线运行：https://go.hyper.ai/yB4bz

Demo 页面

6. Mage-Flow：高效原生分辨率图像生成与编辑基础模型

Mage-Flow 是由 Microsoft 于 2026 年 7 月发布的紧凑型 4B 图像生成与编辑基础模型。它通过精心设计的 tokenizer-backbone-system 协同优化，在 4B 参数规模下达到了与更大模型（Qwen-Image 20B、FLUX.2 32B）相媲美的质量，同时保持更快的推理速度和更低的内存占用。

在线运行：https://go.hyper.ai/3cw36

Demo 页面

7. LingBot-World-V2：无限世界与多样化交互的图像到视频生成

LingBot-World-V2 是由 Robbyant 团队于 2026 年 7 月发布的图像到视频生成模型。该模型通过因果预训练实现无限时长交互，并保持稳定输出质量；同时支持 720p 60fps 实时视频生成，具备攻击、射箭、施法等多样化交互能力。此外，LingBot-World-V2 首次将智能体框架引入世界模型，通过行为规划智能体和环境合成智能体，实现更智能的场景理解与交互生成。

在线运行：https://go.hyper.ai/wecWC

Demo 页面

8. MOSS-Transcribe-Diarize：端到端多说话人音频转录与说话人分离

MOSS-Transcribe-Diarize 是由 MOSI.AI (OpenMOSS) 团队于 2026 年 7 月发布的端到端多说话人音频理解模型。只需一次推理，模型即可同时完成语音转写和说话人分离，输出带有时间戳和匿名说话人标签（如 [S01]、[S02]）的结构化文本。

在线运行：https://go.hyper.ai/TElI9

Demo 页面

1. 人机回圈 HITL

2. 自动语音识别 ASR

3. 光学字符识别 OCR

4. 世界动作模型 WAM

5. 思维引导的强化学习框架 GTR

这里汇编了数百条 AI 相关词条，让你在这里读懂「人工智能」：

https://go.hyper.ai/wiki

* 截稿时间为 AoE 时间

一站式追踪人工智能学术顶会：https://go.hyper.ai/event