英伟达发布包含 300 万条高质量样本的视觉语言模型训练数据集

都能被有效捕捉。 训练数据 我们相信通过使用多样且高质量的数据来训练我们的模型。这包括我们从出版商处获得许可的数据、从公开可用或开源数据集精心整理的数据，以及由我们的网络爬虫Applebot爬取的公开信息。我们在

英伟达发布了一款名为 Llama-3.1-Nemotron-Nano-VL-8B-V1 的视觉语言模型（VLM）。该模型拥有80亿参数，专注于文档智能，能够查询和总结来自物理世界或虚拟世界的图像和视频内容。该模型基于 Llama 3.1 构建。 据介绍，该模型的开发

提供可靠的基础框架与预训练能力，而 EVAC 生成的多样化高质量数据又能反哺 EnerVerse 模型的持续优化，二者形成 “训练 - 验证” 技术闭环，不断推动模型性能突破。通过 EWMBench 提供的精细化、多维度量化分析，研发团队可以

文“LLaSM: Large Language and Speech Model”与最近正式在 arXiv 上发布。论文的署名组织包括：LinkSoul.AI、北京大学和 01.ai (零一万物)，其中共同一作 Yu Shu 和 Siwei Dong 均来自 LinkSoul.AI。 LinkSoul.AI 是一家 AI 初创公司，曾推出过首个开源 L

英伟达发布了 Audio Flamingo 3 (AF3)，一个完全开源的大型音频-语言模型 (LALM)，在超过 20 个音频理解和推理基准测试中达到最新最优性能。 该模型旨在推动音频、语音和音乐领域的 AI 研究，但仅限用于非商业研究目的，并依据&n

据英伟达官方消息，英伟达在技术领域再推新进展。其推出的 NVIDIA Cosmos 平台，整合前沿生成式世界基础模型（WFM）、先进分词器、护栏以及高效数据处理和管理工作流，旨在加速物理 AI 开发。该平台的世界基础模型经 2000 万

5 亿和 5000 万事件量级，满足多样化研发需求。 Yandex 发布了 Yambda（Yandex Music Billion-Interactions Dataset，即 Yandex Music 十亿级交互数据集），这是全球最大的推荐系统开放数据集，包含近 50 亿条来自其音乐流媒体平台 Yandex Music 的

院宣布已发布大型开源文本数据集CCI 4.0，兼顾多样性与高质量，从单一语言数据集扩展为多语种数据集。 根据介绍，本次发布包括了中、英语两种语言，并将在随后的发布中，开源更多语言的版本。此外，CCI 4.0首次采用CoT方

英伟达开源了 NVIDIA Llama Nemotron 中最大尺寸的推理模型 Llama-3.1-Nemotron-Ultra-253B-v1，可用于聊天机器人开发、AI Agent 工作流、检索增强生成（RAG）和代码生成等场景。 根据英伟达开放模型许可证及 Llama 3.1 社区许可协议，

英伟达发布了 Cosmos-Reason1 系列模型，这是一组专注于物理常识理解和具身推理的 Physical AI 模型。 该系列模型基于 Qwen2.5-VL-7B-Instruct 进行后训练，结合了监督微调和强化学习方法，旨在理解空间、时间及基础物理学，并能作为

国务院新闻办公室举行“高质量完成‘十四五’规划”系列主题新闻发布会。国家数据局局长刘烈宏在新闻发布会上表示，当前我国网民数量达到11.23亿人，互联网普及率达到79.7%。 刘烈宏表示，我国数据产业处于快速发展阶

。接着，系统通过基于 sigmoid 的函数采样文档，优先考虑高质量样本，并通过参数化控制确保领域平衡。 为了优化模型，QuaDMix 在不同参数设置下训练了数千个代理模型。通过这些代理实验训练的回归模型可以预测性能结果，

EasyNLP 的中文 CLUE/FewCLUE 等的 Benchmark 知识预训练技术: 发布一系列知识预训练模型，致力于提升预训练模型的常识性和知识性 中文预训练模型：发布针对中文的 SOTA 的预训练模型，降低中文预训练技术门槛 多模态预训练：

字节跳动 Seed 团队发布并开源了多模态基础模型BAGEL，该模型拥有70亿个活跃参数，总参数量达140亿。 BAGEL集视觉理解、文生图、图像编辑于一体，在标准多模态理解基准测试中表现出色，优于现有顶级开源视觉语言模型如Qwen2