💡 一句话总结：MiniMax H3 是个 33B 的全模态视频生成模型（不是语言模型），7 月底预告、8 月初开放了 H3-Base 权重；但「开源」指的是基础权重，2K 超分和多模态上下文编排这两个亮点能力还在闭源 API 后面，协议也是 MiniMax 自有的——想本地玩、想商用、想看跑分，各有各的注意点。 \最近 AI 视频生成这条赛道卷得厉害——OpenAI 的 Sora、快手的可灵
lucas
0
0
0
0
Qwen3.6-Fable-Fusion-711：209万下载是真的，「首个开源破700」得另说
💡 一句话总结：下载量、热度、模型本身能跑——这些都真实成立。但「首个开源模型突破 700 ARC-C」这个最抓眼的卖点，目前只有作者一个人说了算：所有媒体报道都转自同一个导流站，连评测用什么框架都没交代，唯一相对独立的行业媒体直接标了「unverified」。把它当「一个热门的去审查开源模型」看，成立；当「开源已经追上闭源」看，还早。 \最近 HuggingFace 的 trending 和
0
0
0
0
Skill-α：教 Agent 学会自己'改说明书'
💡 一句话带走：Skill-α 把 agent skill 的生成变成"一步步改"，用 rollback reward（编辑前后在同一任务上跑一遍对比）给每次编辑打分，绕开了"skill 没有天然监督信号"这个本质难题。如果你在做 agent、正头疼 skill 怎么积累而不是手写，这篇值得读。 \先问一个可能戳到你的问题：你给 agent 配的那份 skill（或者叫工具说明、操作手册、SO
1
0
0
0
SwanTale：字节把声音克隆和「自然语言导演」塞进了同一个模型
💡 一句话带走：字节 2026 年 8 月的技术报告 SwanTale 用一套统一框架（SwanVAE 连续 latent + Flow-matching Transformer + Unified MoE + GRPO 后训练）同时做好了两件原本要分开做的事——用自然语言 caption 当「导演」指挥生成（instruct TTS）和用参考音频克隆音色（zero-shot TTS），还能在一
4
1
0
0
为什么调一个文档抽取 pipeline 要花几周？IDP AutoOpt 让 agent 来替你
💡 一句话带走：AWS 的 IDP AutoOpt 派一个跑在闭环里的 LLM agent（评分 → 逐字段诊断错误 → 改配置 → 重评），把一整条文档处理流水线的配置（prompt、模型、OCR、schema、结构）自动调到人类专家水平，号称 2 小时干完几周的活、还更省钱。做 RAG / 多 agent / 文档抽取的人，哪怕不碰 IDP，也该带走它那三条反直觉的工程经验。先问一个可能戳到
4
1
0
0
做文档解析的人该看看 Infinity-Parser2：一个模型把版面、表格、公式、图表全端了
💡 一句话带走：Infinity-Parser2 把"可控数据合成 + 多任务联合强化学习"拧成一个端到端文档解析大模型，开源 500 万双语数据和两个模型，给"用一个模型替掉整条解析流水线"提供了很强的公开基线——做 RAG / 文档智能的人值得在自己数据上跑一遍。做 RAG 或文档智能的人，多半都和 PDF 解析较过劲。你拿一份双栏论文、一张密密麻麻的财务表、一段手写公式塞给解析工具，结果版
3
0
0
0
阅读笔记：ExtractBench: A Benchmark for Schema-Guided Enterprise Document Extraction
资源论文：https://arxiv.org/abs/2607.29677代码：https://github.com/run-llama/ExtractBench数据集：https://huggingface.co/datasets/llamaindex/ExtractBench项目主页：n/a这篇论文用 一个五轴挑战标注的 benchmark（370 篇真实/合成企业文档、4869 页、8 领域
1
0
0
0
阅读笔记：DocOCR-Eval
这篇论文用 "MLLM 当 corrector、衡量 OCR 原始输出与校正后输出的差异" 的思路，提出一个无需人工标注的 OCR 引擎选择框架 DocOCR-Eval：对每个候选引擎的输出依次跑三阶段错误诊断（字符噪声 $D_c$ / 分词错误 $D_t$ / 语义一致性 $D_s$）并条件触发两个 MLLM 校正器（纯文本 $C_t$ / 带视觉裁剪重识别 $C_v$），再用校正后 ANLS
1
0
0
0