基础模型

推荐理由：World Labs新出的Atlas能用5张手机照片教会机器人适应新环境，比传统方法快多了。

推荐理由：World Labs新出的Atlas模型能感知、生成、推理，还能和物理世界互动，几周后就能体验。

推荐理由：Google开源了TimesFM-3，单次前向就能做多变量时间序列预测，比其他模型表现好多了。

推荐理由：这个新方法能让视觉定位标注快1.6倍，特别适合需要大量标注数据的团队。

推荐理由：Google新出的TimesFM-3能一次性预测多个时间序列，不用专门微调，在多个基准测试中排名第一。

推荐理由：了解基础模型商品化趋势，洞察企业选择模型的新标准。

推荐理由：论文用5,760张地图测了21个模型，发现配色顺序和对比度比色调更影响AI读图。做地图可视化或调模型时值得看一眼。

推荐理由：流式细胞数据太杂不好统一？CytoBERT在5000万细胞上预训练，换数据集微调即用，避免从头训练。

推荐理由：Pika 突然出了音频模型，4 个基础模型，还比市面便宜 20 倍，做视频的可以顺便看看。

推荐理由：这篇论文用32个模型实测告诉你，LoRA不是万能药，人脸防伪跨数据集还是得看预训练底子和数据。

推荐理由：这篇论文解释了为什么 AI 智能体比经典博弈论预测的更合作，提出了一套新理论框架，搞 AI 安全和多智能体系统的人值得看看。

推荐理由：这篇arxiv论文把扩散模型和大语言模型在医学影像里的应用讲得挺清楚，还介绍了基础模型怎么建，适合想了解医疗AI技术路线的人。

推荐理由：亚马逊砍掉了好几个Nova模型，集中精力搞新Frontier团队了，秋季re:Invent上会有新模型亮相。投资方向变了。

推荐理由：LunarFM把三个月球任务的六种仪器数据整合成一个模型，能直接做资源识别和地质分类，开源数据集和代码。

推荐理由：这篇论文给BCI个性化提供了一个通用API，不用每个模型另起炉灶，在5种骨干和4个数据集上都跑通了，效率还比微调高。

推荐理由：Google要砸2050亿美元推Gemini 4，Pichai说模型规模是关键，看看他们怎么规划下一步。

推荐理由：这篇论文用大量数据和对照实验拆解了医学基础模型表征收敛的真正原因，发现关键不是临床标签而是自监督目标，对训练和评估模型很有启发。

推荐理由：YC说物理世界数据太少，用便宜传感器和好基础模型能解锁能源、农业这些领域的新数据，挺有启发的。

推荐理由：看看这个新思路：用表格基础模型做电力系统安全评估，每个故障只需要120个样本就能达到九成准确率，比传统方法省了两个数量级的标注数据。

推荐理由：这篇论文把仿人机器人控制的缩放问题拆解清楚了：Humanoid Transformer配合特定训练范式，让MPKPE直接降了82%，比现有控制器强一大截。

推荐理由：想了解智能体怎么自己变强？这篇综述把自我改进拆解成模型和脚手架两个维度，框架清晰，适合入门和参考。

推荐理由：MetaPerch通过引入元数据作为辅助信号，让生物声学模型学会了更多环境关联信息，在多个数据集上比现有模型更强。

推荐理由：Google用500万用户上万亿分钟数据训练SensorFM，在34/35项健康任务上超越现有模型，可能成为未来健康教练的核心。

推荐理由：PHANES AI 的 TouchWorld 让机器人真正有了触觉，能在你不知道怎么用力的时候自己调整，完成精细活儿。

推荐理由：谷歌用海量传感器数据训了个健康大模型 SensorFM，在 35 项任务里赢了 34 个，比传统方法靠谱多了，做可穿戴健康的朋友可以看看。

推荐理由：这家初创公司想用游戏数据训练机器人，让它们学得更快更省钱，思路挺有意思，可能改变整个行业。

推荐理由：Canopy把基因、蛋白质、代谢物等生物数据全揉进一个图模型，预测发酵产量比传统方法准了将近一倍，搞合成生物学的可以看看。

推荐理由：这篇论文用97个机械设计问题系统测试了7个模型，LLMForge的两种批评机制各有优劣，VLM批评做到100%水密网格但旋转体仍有缺陷。

推荐理由：如果你厌倦了 XGBoost 调参，TabFM 不用训练直接预测，省时省力，适合表格数据任务。

推荐理由：Grok 4.5 用了 1.5 万亿参数和 Cursor 数据，内部测试已接近 Opus，想了解马斯克最新大模型进展可以看这篇。

推荐理由：OpenAI突然发了三款GPT-5.6，直接干翻了Fable5的最强基模地位，想看看新王有多猛？

推荐理由：基础模型强不等于产品强，别只盯着模型，多想想怎么让用户用得爽。

推荐理由：阿里云一口气发了三个机器人基础模型：导航、操作、世界模型，每个都能单独用，还能组合。Qwen-RobotManip在3.8万小时数据上预训练，挺实在的。