Runway开源机器人模型，DeepMind发布气象数据集

Runway 开源 Praxis-1：单卡跑通机器人控制

Runway 这次的动作挺实在。他们宣布 Praxis-1 模型正式支持 SO-101 机器人，并且把模型权重和配置都开放了。对于搞具身智能或者机器人控制的开发者来说，这意味着门槛又低了一截。

Praxis-1 是个 270 亿参数的混合专家（MoE）扩散 Transformer 模型。它不仅能生成视频，还能联合预测动作。这次适配的 SO-101 机器人，可以通过 LeRobot 社区的数据进行训练和控制。更关键的是硬件要求：官方说在单张 RTX 5090 显卡上，用 NVFP4 精度就能运行。这在以前是不可想象的，毕竟机器人控制模型通常对算力要求极高，现在能塞进消费级旗舰卡里，本地调试和实验的成本大幅降低。

这个模型的核心思路是把视频预训练的知识迁移到真实机器人操作上。简单说，就是让模型先“看”懂世界是怎么运动的，再学会怎么动手。这种从视觉到动作的迁移，一直是机器人学习里的难点。Runway 选择开源，可能是想借助社区力量快速迭代，毕竟机器人场景太碎片化，单打独斗很难覆盖所有长尾情况。

Google DeepMind 的气象数据野心

Google DeepMind 发布了 WeatherNext 3 气象模型的基础数据集：PARDIG 和 SatWeave。这不是直接给终端用户用的天气预报 App 更新，而是给研究者和开发者准备的“原材料”。

PARDIG 专注于降雨估算，每 15 分钟更新一次全球数据。官方声称它的降水检测能力提升了超过 30%。这对洪水预警、农业灌溉规划这类对降雨敏感的场景很有价值。以前的卫星降雨数据往往延迟高、分辨率粗，PARDIG 试图解决的就是实时性和精度的问题。

SatWeave 则是另一条腿走路。它每小时融合多颗静止气象卫星的观测数据。静止卫星的好处是盯着同一个地方看，能捕捉到云层的细微变化。这套数据可以用来追踪野火烟雾、监测极端天气系统的发展。DeepMind 把这些数据托管在 Google Cloud 上，目的是让研究人员能更方便地调用，不用自己再去清洗和对齐不同来源的卫星数据。

这两套数据集其实是 WeatherNext 3 模型的基石。没有高质量的观测数据，再强的 AI 模型也是空中楼阁。DeepMind 这一步棋，是在巩固自己在地球科学 AI 领域的基础设施地位。

llama.cpp v1.0.0：本地推理的里程碑

llama.cpp 发布了 v1.0.0 稳定版。这个项目在 AI 圈子里的地位不用多说，它是让大模型能在普通电脑、甚至手机上跑起来的关键工具。从早期的实验性代码到现在成为事实上的标准，llama.cpp 走了很长一段路。

v1.0.0 的意义在于“稳定”。以前开发者用 llama.cpp，可能今天更新个版本，明天的接口就变了，或者某个硬件后端突然不兼容。现在有了明确的版本号和兼容性承诺，企业级应用或者长期维护的项目敢用它做底层依赖了。这对于本地推理生态是个大利好。越来越多的应用开始强调“数据不出域”，llama.cpp 的稳定意味着本地部署不再是极客的玩具，而成了可行的生产方案。

Devin Apps：云端编程代理的新场景

Cognition 公司推出了 Devin Apps。之前的 Devin 主要是个能写代码的 AI 代理，现在它能把自己写的代码变成真正的 Web 应用，并且直接运行在 Devin 的云端环境里。

这个功能瞄准的是内部工具和快速原型开发。比如，你想做个简单的数据看板，或者一个团队内部用的审批小工具，以前得找前端后端搭架子、买服务器、配域名。现在用 Devin Apps，几句话描述需求，它生成代码并直接部署好，给你一个可分享的链接。虽然目前看来还比较初级，不适合复杂的生产系统，但对于“最后一公里”的内部需求，这种模式效率极高。

这也反映了 AI 代理的一个趋势：从“生成代码”走向“交付应用”。代码只是中间产物，能跑起来的服务才是最终价值。

其他开源模型动态

除了上面几个大头，还有两个开源模型值得关注。

Thinking Machines 开源了 Inkling 2 Small。这个模型在 Code Arena 的 WebDev 榜单上拿到了 1647 分，登顶了美国开源模型排名。Apache 2.0 许可让它商业使用也很友好。对于需要做代码辅助或者 Web 开发自动化的团队来说，这是个新的可选基座。

无界前沿发布了 Fx-Bio-1031，一个生物科学领域的开源模型。它主打本地部署和数据隐私，宣称在高难度盲测中表现不错。生物医药行业对数据敏感度高，这种“数据不出域”的设计正好切中痛点。不过，生物领域的基准测试往往比较复杂，独立验证还需要时间，但方向是对的。

硬件层面的新玩家

Axelera 公布了他们的数据中心推理芯片 Titania 架构。这颗芯片针对稀疏 MoE 模型做了优化，采用双 D-IMC 计算芯粒设计。官方给出的数据是 2.5 PFLOPS FP8 算力，配备 128GB LPDDR6 内存，计划 2027 年第三季度投产。

现在的 AI 芯片市场，英伟达一家独大，但需求太旺盛，大家都在找替代品。Axelera 选择切入推理侧，特别是针对 MoE 这种越来越流行的架构做优化，是个聪明的差异化策略。MoE 模型的特点是激活参数少，但总参数量大，对内存带宽和稀疏计算能力要求高。Titania 如果能在这个细分领域做出性价比优势，应该能分到一杯羹。不过，2027 年才投产，时间窗口有点远，到时候市场格局会不会变数很大，还得看软件生态跟不跟得上。

小结

这一周的动态，整体感觉是“落地”和“开放”。Runway 开源机器人模型，llama.cpp 稳定化，DeepMind 开放气象数据，都在降低技术使用的门槛。AI 正在从单纯的模型竞赛，转向基础设施、数据生态和应用场景的全面比拼。对于开发者而言，现在是尝试本地部署、利用开源数据构建垂直应用的好时机。