NVIDIA 发布 JetPack 7.2 与 NemoClaw 智能体框架,将 Agentic AI 带入物理世界
NVIDIA 在 COMPUTEX 上正式发布 JetPack 7.2 和 NemoClaw 智能体框架,支持 NVIDIA Jetson Orin、Thor 等端侧硬件。
推荐理由:JetPack 7.2 与 NemoClaw 将智能体框架落地至 Jetson 端侧,提供 Yocto 定制、CUDA 13 及 MIG 支持,显著降低边缘部署成本并加速工业场景落地。
NVIDIA 在 COMPUTEX 上正式发布 JetPack 7.2 和 NemoClaw 智能体框架,支持 NVIDIA Jetson Orin、Thor 等端侧硬件。
推荐理由:JetPack 7.2 与 NemoClaw 将智能体框架落地至 Jetson 端侧,提供 Yocto 定制、CUDA 13 及 MIG 支持,显著降低边缘部署成本并加速工业场景落地。
NVIDIA 在 GTC Taipei 和 COMPUTEX 上发布了开源世界基础模型 Cosmos 3,该模型整合视觉推理、多模态生成及动作预测能力,旨在帮助机器人、自动驾驶车辆等物理 AI 系统理解场景因果并预测未来状态。
推荐理由:NVIDIA Cosmos 3 作为开源世界基础模型,整合视觉推理与多模态生成能力,支持机器人及自动驾驶场景的因果预测与动作规划。
Torc Robotics 正式发布 AV 3.0 框架及 TorcDrive 物理 AI 虚拟驾驶员软件,专为长距重卡运输设计。该系统采用模块化可验证架构,融合确定性护栏与端到端训练,通过大规模生成式仿真环境进行沉浸式训练与验证。
推荐理由:Torc 推出 AV 3.0 框架与 TorcDrive,采用模块化可验证架构结合确定性护栏,旨在解决端到端黑盒系统在重卡长距运输中的安全与调试难题。
NVIDIA Research 在 ICRA 会议上展示了八篇论文,推动机器人从受控演示向真实世界通用自主性转变。
推荐理由:NVIDIA Research 在 ICRA 展示多项 sim-to-real 技术,涵盖多臂协同、灵巧操作与视觉语言动作模型,提供 GitHub 代码与 Isaac Lab 等工具链入口。
Boston Dynamics 发布了专为高强度物理工作设计的 Atlas 人形机器人,展示了其通过强化学习在仿真中练习数百万小时以掌握搬运迷你冰箱等复杂任务的能力。
推荐理由:Boston Dynamics 展示 Atlas 通过强化学习与高保真仿真训练,实现搬运重物等工业级任务,并开放相关技术细节。
Google DeepMind 发布 Project Genie 新功能,将其通用世界模型能力与 Google Street View 实景影像结合,允许用户在选定美国地点后生成基于真实地理锚点的想象世界。该功能支持“海洋世界”等风格化场景,目前作为实验原型向全球 Google AI Ultra 订阅者开放,旨在为 AI 智能体提供在现实复杂环境中导航和交互的虚拟环境。
DeepMind 推出 Gemini Omni Flash,该模型能结合图像、音频、视频和文本等多模态输入,基于真实世界知识生成高质量视频并通过对话进行编辑。首发面向全球 Google AI Plus/Pro/Ultra 订阅者及 YouTube Shorts 用户开放,后续将支持 API 与企业客户接入。
Google DeepMind 推出 Gemini for Science 系列实验工具,通过多智能体协作与并行代码生成显著缩短科研周期。其中 ERA 与 Co-Scientist 相关论文今日发表于 Nature,Science Skills 已整合 UniProt 等超 30 个生命科学数据库以加速基因组分析。
Google DeepMind 发布 AI 天气模型 WeatherNext,该模型在 2025 年飓风梅利莎案例中首次实现从一级风速到五级强度的快速增强预测。
推荐理由:DeepMind 发布的 WeatherNext 模型在飓风梅利莎案例中首次实现从一级到五级强度的快速增强预测,为加勒比地区提供五天提前预警。
Google DeepMind 发布 Gemini 3.5 Flash 模型,该模型在终端基准、代码生成及多模态理解任务上表现优异,推理速度达到其他前沿模型的 4 倍。作为首个面向公众的 3.5 版本,它默认用于全球用户的 Gemini App 和搜索 AI 模式,并驱动了个人智能体 Spark 等功能的上线。DeepMind 同时表示正在内部使用 Gemini 3.5 Pro,计划于下月推出。
推荐理由:DeepMind 发布 Gemini 3.5 Flash,在保持高推理速度的同时提升多模态理解与长程任务执行能力,并默认用于个人智能体 Spark。
Google DeepMind 发布名为 Co-Scientist 的多智能体 AI 系统,基于 Gemini 模型构建,旨在作为科研人员的协作伙伴以加速科学发现。
推荐理由:DeepMind 推出基于 Gemini 的多智能体系统 Co-Scientist,通过模拟科学辩论与迭代验证辅助生成假设。
2026 年 5 月 8 日,上汽奥迪首款纯电旗舰 SUV E7X 开启预售,首发搭载由上汽奥迪与 Momenta 联合开发的 Panoramic Assisted Driving System。
推荐理由:奥迪 E7X 首发搭载 Momenta L3 智驾能力与 R7 世界模型,结合 100 亿公里量产数据构建虚拟训练场,并具备全场景泊车等核心功能。
Figure 展示了 Helix-02 双机器人无中央协调器、仅凭视觉语言动作策略协同整理卧室的演示,验证了单一神经网络处理多智能体协作与变形物体操作的可行性。
推荐理由:Figure 展示了 Helix-02 双机器人无中央协调器、仅凭视觉语言动作策略协同整理卧室的演示,验证了单一神经网络处理多智能体协作与变形物体操作的可行性。
Google DeepMind 展示其 Gemini 驱动的 AlphaEvolve 代码智能体,已在基因组学、电网优化及地球科学等领域加速科研突破。该系统将 DNA 测序错误检测误差降低 30%,使量子电路错误率降至基线的 1/10,并将旅行商问题等经典数学挑战的求解效率提升超 4 倍。
NVIDIA 发布 SimReady 内容标准以规范物理 AI 所需的 3D 资产格式,确保其在渲染、仿真与 AI 训练中可靠流转。同时,NVIDIA Omniverse 库提供高保真物理模拟层用于模型训练验证。
推荐理由:NVIDIA 推出 SimReady 内容标准与 Cosmos Reason 等工具,旨在解决工业资产跨平台流转难题并提升仿真训练精度。
Momenta 在北京车展上宣布其 R7 世界模型首次进入大规模量产阶段,标志着智能驾驶从“感知”迈向“理解”。该模型采用预训练、仿真与强化学习三层架构,旨在通过虚拟环境中的千万次推演掌握物理规律,从而在十万分之一概率的极端场景中提供安全保护。目前搭载该系统的大规模量产车辆数量已超 80 万辆,全球交付速度显著提升,并在包括英国、挪威在内的多个地区部署了 Robotaxi 生态。
推荐理由:Momenta 宣布 R7 世界模型进入量产,通过三层架构实现从模仿到想象的进化,旨在解决长尾极端场景下的安全决策问题。
Momenta 宣布其 R7 世界模型将通过 OTA 更新正式搭载于 MG 07 量产车型,标志着物理 AI 时代的到来。该模型基于超过 100 亿公里的真实驾驶里程提炼数据,旨在超越单纯感知,具备理解物体属性、运动因果及交互可能性的能力,从而实现更真实的物理世界预测与规划,支持从车位到车位的无缝行驶及复杂场景下的敏捷导航。
推荐理由:Momenta R7 世界模型正式落地 MG 07,开启物理 AI 时代,具备理解物体属性与因果关系的预测规划能力。
Google DeepMind 发布 Decoupled DiLoCo(Distributed Low-Communication)架构,旨在解决未来超大规模模型训练中维持数千芯片同步的物流挑战。
推荐理由:DeepMind 推出 Decoupled DiLoCo 架构,支持在低带宽和异构硬件下训练大模型,显著提升分布式训练的容错性与效率。
2026 年 4 月 16 日,广汽埃安正式开启 Aion N60 预售,该车由文远知行与广汽埃安联合开发,全系标配文远知行 WRD 3.0 端到端智驾方案。这是 WRD 3.0 首次实现量产部署于高通骁龙 SA8650 平台,使文远知行成为首个在 NVIDIA Drive 和高通骁龙两大主流车载计算平台上均完成端到端技术量产落地的自动驾驶解决方案提供商。
推荐理由:文远知行宣布其端到端智驾方案 WRD 3.0 首次量产部署于高通平台,并依托自研世界模型 GENESIS 实现复杂场景仿真训练。
DeepMind 正式发布 Gemini Robotics-ER 1.6 模型,该版本在空间推理、多视角理解及仪表读数能力上显著优于前代。新增的仪表读数功能允许机器人自主解读压力计和液位计等复杂工业设备,结合波士顿动力 Spot 机器人的实地需求开发。
推荐理由:DeepMind 发布 Gemini Robotics-ER 1.6,新增仪表读数能力并强化空间推理与多视角理解,开发者可通过 API 和 Colab 立即试用。
Generalist 正式发布 GEN-1,将其定义为首个实现物理任务“精通”(mastery)的通用多模态机器人基础模型。该模型在仅需约 1 小时机器人数据的情况下,将多项简单任务的平均成功率从之前的 64% 提升至 99%,完成任务速度约为现有最先进水平的 3 倍。
推荐理由:Generalist 发布 GEN-1 多模态机器人基础模型,宣称在仅需 1 小时机器人数据下将简单任务成功率提升至 99% 并提速 3 倍。
Figure 发布了 Helix 02 模型在客厅整理任务的演示,该系统无需新算法或特殊工程,仅凭新增数据便掌握了使用喷雾瓶清洁、处理柔性毛巾、双手协同操作、动态投掷枕头及狭窄空间导航等复杂技能。材料展示了单一通用架构如何通过数据扩展实现全身端到端自主控制,迈向具备广泛家庭与工作场所能力的未来。
推荐理由:Figure 展示了 Helix 02 在客厅整理任务中的全身端到端自主能力,验证了单一架构通过数据扩展即可掌握复杂移动与操作技能。
Google DeepMind 发布 Gemini 3 Deep Think 重大升级版本,该专用推理模式在数学、编程竞赛及国际物理与化学奥赛基准上达到金牌水平,并能将草图转化为可 3D 打印的物理对象。此次更新不仅面向 Google AI Ultra 订阅者开放应用内使用,首次也通过 Gemini API 向研究人员和企业合作伙伴提供早期访问权限。
推荐理由:Deep Think 模式升级,新增通过 Gemini API 的早期访问权限,支持从草图生成 3D 打印文件及复杂科学推理。
Google DeepMind 面向美国 Google AI Ultra 订阅者(18+)推出 Project Genie,这是 Genie 3 世界模型的实验性网页原型应用。
推荐理由:DeepMind 面向美国 AI Ultra 用户推出 Project Genie,作为 Genie 3 的交互式原型支持实时生成与探索动态世界。
Figure 发布 Helix 02 模型,将单神经网络对类人机器人的控制从上半身扩展至全身,支持行走、操作与平衡的连续系统。该模型由 System 0(基于超千小时人类运动数据的全身控制器)、System 1(连接所有传感器与执行器的视觉运动策略)和 System 2(场景理解与语言层)组成。
推荐理由:Figure 推出 Helix 02,实现全身像素到扭矩的连续自主控制,完成长达四分钟的洗碗机装卸任务。
World Labs 正式发布 World API,这是一个面向公众的接口,允许开发者通过文本、单图、多图集合、全景或视频等多模态输入,直接生成可导航的 3D 世界。
推荐理由:World Labs 正式推出 World API,允许开发者通过文本、图像或视频生成可导航的 3D 世界并集成到现有工作流中。
Google DeepMind 推出 D4RT(Dynamic 4D Reconstruction and Tracking),这是一个统一的编码器 - 解码器 Transformer 架构,通过查询机制从 2D 视频中恢复 3D 动态世界。
推荐理由:DeepMind 推出 D4RT 统一模型,以查询机制实现 300 倍加速的 4D 场景重建与追踪,支持机器人导航、AR 及世界模型构建。
Skild AI 发布 Omni-bodied Learning 能力,旨在解决具身智能领域的数据瓶颈问题。该方案利用 abundant 的人类视频数据(如 YouTube 教程),通过模型桥接“具身差距”,仅需少量机器人实测数据(<1 小时)即可从视频中学习新技能并微调模型,无需大规模遥操作数据。
推荐理由:Skild AI 提出通过观看人类视频进行学习的 Omni-bodied Learning 方案,仅需少量机器人数据即可微调出新技能。
Google DeepMind 回顾 2025 年进展,推出 Gemini 3 Pro 和 Gemini 3 Flash 模型。Gemini 3 Pro 在 Humanity's Last Exam 基准测试中表现优异,数学任务 MathArena Apex 达到 23.4% 准确率;Gemini 3 Flash 则以更低延迟和成本提供类 Pro 级能力。
Google DeepMind 今日发布 Gemini 3 Flash,该模型将 Gemini 3 Pro 级的推理能力与 Flash 系列的低延迟、高效率相结合,旨在让每个人都能更快地进行学习、构建和规划。
Google DeepMind 宣布即日起向全部 17 个 DOE 国家实验室提供加速访问权限,部署基于 Gemini 的"AI co-scientist"多智能体虚拟协作系统。
Figure 宣布 Figure 02 机器人在宝马斯巴坦堡工厂完成部署,在 10 个月内实现全天候运行并贡献了超过 3 万辆 X3 车辆的生产。该机器人完成了包括钣金装载在内的关键任务,累计运行超 1250 小时、执行超 120 万步动作。
推荐理由:Figure 02 在宝马工厂完成量产部署并贡献了 3 万辆 X3 生产数据,其硬件可靠性与机械臂设计经验已直接应用于 Figure 03 的架构重构。
Google DeepMind 推出 Gemini 3 Pro,凭借顶尖推理能力在多项基准测试中超越前代版本。该模型在 Terminal-Bench 2.0 工具使用任务得分 54.2%,WebDev Arena 排行榜得分为 1487 Elo,支持通过 Google Antigravity 平台进行自主开发工作流。
Google 正式发布 Gemini 3 系列,宣布其为目前最智能的模型,具备最先进的推理、多模态理解及代理编码能力。Gemini 3 Pro 在多项基准测试中超越前代,支持 100 万 token 上下文窗口;新增 Deep Think 模式以进一步提升复杂问题解决能力。
推荐理由:原文宣布 Gemini 3 系列发布,提供最新推理与多模态能力,并开放 Google Antigravity 代理开发平台及 Deep Think 模式。
Google DeepMind 推出 WeatherNext 2,这是其最先进的天气预测模型,能将预报生成速度提升 8 倍且分辨率达到 1 小时。该模型基于功能生成网络(FGN)架构,能从单一输入预测数百种可能的气象结果,在 99.9% 的变量和 0-15 天的时效上超越上一代 WeatherNext 模型。
推荐理由:DeepMind 推出 WeatherNext 2,生成速度提升 8 倍且分辨率达小时级,支持数百种场景预测并已在 Earth Engine 开放数据。
DeepMind 发布 SIMA 2,这是继去年版本后的重大升级,通过嵌入 Gemini 模型赋予其推理与对话能力,使其从指令跟随者转变为可协作的虚拟游戏伙伴。
推荐理由:DeepMind 推出 SIMA 2,通过集成 Gemini 推理能力实现目标规划与自我改进,并在 Genie 3 生成的虚拟世界中验证了泛化性。
World Labs 正式发布多模态生成式世界模型 Marble,使其从早期测试转向通用可用。该模型支持通过文本、图像、视频或粗略 3D 布局创建 3D 世界,并允许交互式编辑、扩展和组合场景。
推荐理由:World Labs 正式发布多模态生成式世界模型 Marble,支持从文本、图像及视频构建 3D 场景,并新增编辑、扩展与导出功能。
Google DeepMind 发布了用于预测森林砍伐风险的基准数据集,该模型基于纯卫星输入和视觉 Transformer 架构,分辨率达 30 米。同时推出了新的 AI 驱动方法以生成地球物种分布图,并更新了生物声学分类器 Perch 2.0 作为基础模型供生态学家适配使用。
Generalist 发布了 GEN-0,这是一类专为高保真原始物理交互设计的具身基础模型。该模型在超过 27 万小时的真实世界操作数据上预训练,观察到当参数量达到 7B 时出现智能相变,小模型发生僵化而大模型持续改进。GEN-0 具备和谐推理、跨载体适配及不再受限于数据的特性,其缩放定律表明更多预训练数据和算力可一致地提升下游任务性能。
推荐理由:原文报告了 GEN-0 在真实物理交互数据上的规模效应与相变现象,为机器人基础模型的训练架构提供了新范式。
World Labs 发布了名为 RTFM(Real-Time Frame Model)的实时生成式世界模型研究预览版。该模型能在单张 H100 GPU 上以交互帧率运行,支持对生成的 3D 场景和真实地点进行持久化探索。
推荐理由:World Labs 发布实时生成式世界模型 RTFM,单卡 H100 即可实现持久化交互与复杂光影渲染。