Hugging Face 发布 riidolaya difficulty 实验性 MPS 试点 v0.2
Hugging Face 上线 riidolaya difficulty 实验性 MPS 试点 v0.2，在完全冻结的 Laya 编码器上训练了一个 5,123 参数的 LayerNorm/Linear 固定档位分类器，输出 fast、standard、strong 三档，仅以任务文本为输入。
#端侧
#端侧
今日 3 条HF blogAI 评分1313 HF blogAI 评分4242 Hugging Face 上线 StartLux-Decision-4B 决策模型，含 0.8B 至 35B-A3B 六个规格
StartLux-Decision-4B 在 Hugging Face 发布，可对状态回答选择题、是/否题和评分题，每个选项返回概率，请求响应沿用 TypeSafe /v1/systemone 格式。
HF blogAI 评分3030 Hugging Face 上线 StartLux-Decision-27B：面向状态问答的决策模型
Hugging Face 发布 StartLux-Decision 系列决策模型，覆盖 0.8B 至 35B-A3B 六种规模，对状态类问题输出各选项概率，沿用 TypeSafe /v1/systemone 格式。
HF blogAI 评分2020 bartowski 发布 OmniJev OneJev-9B GGUF 量化版本
bartowski 基于 llama.cpp b11259 为 OmniJev 的 OneJev-9B 模型发布 GGUF 量化版本，覆盖 bf16 到 IQ2_M 共 22 个文件，默认推荐 Q4_K_M（5.84GB）。该模型支持文本与图像输入，仓库同时提供 mmproj 多模态投影文件，可搭配任意量化版本使用。
HF blogAI 评分3636 Hugging Face 发布 jevhome-E-int8：48M 参数 int8 类型化决策模型
Hugging Face 上线 jevhome-E-int8，一个约 48M 参数的双编码器 int8 类型化决策模型，接收状态后对是/否、单选或评分问题在一次前向传播中返回校准概率，可在普通 CPU 上运行。
HF blogAI 评分2222 Hugging Face 发布 jevhome-L-int8：约 396M 参数 int8 决策模型
Hugging Face 上线 jevhome-L-int8，这是 jevhome-L 的动态 int8 量化版本，约 396M 参数，可在普通 CPU 上单次前向返回校准概率，速度更快且体积约为原来的 1/4。
HF blogAI 评分2222 Hugging Face 发布 jevhome-ettin-1b-int8：约 1B 参数的 int8 类型化决策模型
Hugging Face 上线 jevhome-ettin-1b-int8，这是 jevhome-ettin-1b 的动态 int8 量化版本，采用 ONNX Runtime quantize_dynamic 与 int8 token 嵌入表，体积约为原版四分之一，可在普通 CPU 上单次前向返回校准概率。
HF blogAI 评分3131 Hugging Face 发布 jevhome-B-int8：CPU 上运行的 int8 决策模型
Hugging Face 上线 jevhome-B-int8，这是 jevhome-B 的动态 int8 量化版本，采用 ONNX Runtime quantize_dynamic 与 int8 token 嵌入表，体积约为原版四分之一，可在普通 CPU 上单次前向返回校准概率。
HF blogAI 评分2222 Hugging Face 发布 jevhome-E：48M 参数 CPU 决策模型
Hugging Face 上线 jevhome-E，一个约 48M 参数的双编码器类型化决策模型，输入状态与是/否、单选或评分问题，一次前向传播即可在普通 CPU 上返回校准概率，接口与 Jev、PostHog Jeeves 一致（POST /v1/systemone）。
HF blogAI 评分2222 Hugging Face 发布 jevhome-B：约 150M 参数的类型化决策模型，CPU 单次前向返回校准概率
Hugging Face 发布 jevhome-B，一个约 150M 参数、fp32 的类型化决策交叉编码器，接收状态与是/否、单选或评分问题，在普通 CPU 上单次前向返回校准概率。
HF blogAI 评分2222 Hugging Face 发布 jevhome-L：396M 参数 CPU 端类型化决策模型
Hugging Face 上线 jevhome-L，一个约 396M 参数的交叉编码器类型化决策模型，接收状态与是/否、单选或评分问题，一次前向传播即返回校准概率，可在普通 CPU 上运行。
HF blogAI 评分3030 Hugging Face 发布 jevhome-ettin-1b：约 10 亿参数的类型化决策模型
Hugging Face 上线 jevhome-ettin-1b，一个约 1.0B 参数、fp32 的类型化决策模型，可对状态给出是/否、单选或分级问题，并在一次前向传播中返回校准概率，纯 CPU 即可运行。
HF blogAI 评分1010 mradermacher 发布 SEAD-SAGE-4B 的 GGUF 静态量化版本
mradermacher 为 SEAD-SAGE-4B 发布了 GGUF 静态量化版本，暂未提供 weighted/imatrix 量化。已提供从 Q2_K（1.9 GB）到 f16（8.9 GB）的多档量化，其中 Q4_K_S 与 Q4_K_M 标注为快速、推荐，Q6_K 为质量很好，Q8_0 为快速且最佳质量。
HF blog精选AI 评分6262 JapaneseTinyAgentLM-Action-3M 发布：3.1M 参数模型在 ESP32-S3 上把日语指令转为机器人动作 JSON
ayousanz 发布 JapaneseTinyAgentLM-Action-3M，一个 3,148,608 参数的 decoder-only Transformer，把日语短指令转成 look、set_expression、nod 三类动作的 JSON 数组，非指令或无法执行的请求返回空数组。
推荐理由：3.1M 参数模型在 ESP32-S3 上本地把日语指令转成动作 JSON，附完整评测与误差区间，可看端侧具身控制的可行边界。
NVIDIA dev blog robotics精选AI 评分6060 NVIDIA 发布 Cosmos 3 Edge，面向端侧机器人控制的后训练世界模型
NVIDIA 发布 Cosmos 3 Edge，这是 Cosmos 3 系列中的 4B 全模态模型，并配有基于 Nemotron 的 2B 推理器。原文指出机器人需要能适应自身传感器、环境和任务、同时运行在机载计算硬件上的策略，而世界模型虽然为学习物理交互提供了基础，但其体积会让端侧部署变得困难，Cosmos 3 Edge 正是针对这一问题。
推荐理由：NVIDIA 公布 Cosmos 3 Edge 的 4B 参数与 2B 推理器配置，读者可了解世界模型在机载硬件上部署的取舍。
qbitaiAI 评分7171 Noiz AI 发布实时可交互音视频世界模型 HelixWorld 1.0，24FPS 画面配 48kHz 立体声
Noiz AI 联合香港科技大学、清华大学、CMU、Google DeepMind 等机构研究员发布实时可交互音视频世界模型 HelixWorld 1.0，支持 24 FPS 实时生成画面并同时输出 48kHz 双声道音频，画面与声音由原生 Transformer 架构统一生成。
qbitaiAI 评分6262 Om AI联汇开源端侧原生模型VLX-Seek 1.5，3B版本多项评测对标英伟达LocateAnything
Om AI联汇于8月6日宣布开源端侧原生多模态模型VLX-Seek 1.5，含3B与10B两个版本，同日该公司完成数亿元融资，前海母基金领投。公开评测中，VLX-Seek 1.5-3B在LVIS Mean达57.5，高于LocateAnything-3B的50.7；RefDrone测试F1为73.2，对比后者52.3，目标幻觉指标FP/GT为18，后者为71.3。
qbitaiAI 评分3838 清华现场演示一念Unisonmind：机器狗无脚本走迷宫、指挥人称重
搭载一念Unisonmind端侧大脑的机器狗“哮天”在清华大学现场演示中，无预设脚本完成看图走三维迷宫、指挥人类用天平称重、估算观众矿泉水瓶剩余水量等随机任务。该大脑以“统一世界Token空间”架构实现全模态输入输出、理解与生成统一，18毫秒对齐一次状态，并已跨本体运行于另一只机器狗、人形机器人和电动轮椅。
qbitaiAI 评分6666 魔芯科技联合浙大、华为发布实时交互世界模型 MoWorld，国产 NPU 上推理超 50FPS
魔芯科技联合浙江大学潘云鹤院士、华为等发布实时交互世界模型 MoWorld，全栈基于国产 NPU，14B 参数 MoE 模型实现最高 50FPS 推理，推理成本为同规模 GPU 方案的 30%。
qbitaiAI 评分6060 Om AI联汇发布VLX端侧流式多模态模型系列
Om AI联汇发布面向物理世界的端侧流式多模态模型系列VLX，提出流式多模态架构，以流式编码与缓存增量推理实现毫秒级实时感知。VLX由三款模型构成，VLX-Flow负责持续感知，VLX-Seek将坐标生成转化为区域检索实现定位，VLX-Go将视觉理解转化为机器人可执行的短时航点与运动轨迹。该系列覆盖0.6B至10B规格，单路延迟最低0.06秒，在端侧打通持续感知、精准定位到行动决策的闭环。
NVIDIA dev blog roboticsAI 评分4242 NVIDIA Alpamayo：用推理式 VLA 模型构建自动驾驶
NVIDIA 发布 Alpamayo，面向自动驾驶的推理式视觉语言动作（VLA）模型，可将决策过程展开为逐步推理轨迹。该模型被视为在语义空间中运行的隐式世界模型，用于处理复杂驾驶问题。