跳到正文

X

关注 AI 研究者、开发者与机构的动态

当前显示全部 AI 相关新闻
按账号或来源筛选(535)
全部X新闻X:Rohan Paul1388 条X:Kim1201 条X:阿易 AI Notes894 条X:阿里云 / Alibaba Cloud451 条X:Testing Catalog397 条X:cb_doge349 条X:Elvis Saravia346 条X:Elon Musk327 条X:OpenRouter301 条X:Artificial Analysis284 条X:Ethan Mollick276 条X:PixVerse261 条X:Alexandr Wang(Scale AI 创始人/Meta 首席 AI 官)252 条X:ZHO229 条X:Replit223 条X:SemiAnalysis217 条X:OpenAI Developers207 条X:小北182 条X:swyx162 条X:MiniMax157 条X:Gemini156 条X:Dex Horthy(HumanLayer)139 条X:Tibo129 条X:Emad Mostaque127 条X:OpenAI120 条X:AI Safety Memes111 条X:X.PIN111 条X:Epoch AI108 条X:Google AI for Developers103 条X:蚂蚁百灵101 条X:Runway99 条X:Thomas Wolf(Hugging Face 联创/CSO)98 条X:Luma AI91 条X:面壁智能 OpenBMB89 条X:Aravind Srinivas(Perplexity CEO)87 条X:Claude Devs87 条X:马东锡 NLP86 条X:Jason Liu85 条X:Frank Wang 玉伯83 条X:Sam Altman81 条X:洪明79 条X:Gabriel77 条X:fofr75 条X:阑夕69 条X:赵纯想69 条X:Perplexity69 条X:Yuchen Jin69 条X:Nathan Lambert68 条X:Francois Chollet66 条X:Cohere63 条X:opencode62 条X:Greg Brockman61 条X:Tencent WorkBuddy61 条X:Eric Zakariasson59 条X:Microsoft Research54 条X:Peter Steinberger52 条X:腾讯混元51 条X:Claude51 条X:Krea AI51 条X:Suno50 条X:Clément Delangue(Hugging Face CEO)46 条X:Anthropic44 条X:OpenClaw43 条X:Thariq43 条X:商汤 SenseTime (@SenseTime_AI)42 条X:Charlie Holtz41 条X:karminski41 条X:Google DeepMind40 条X:通义千问 / Qwen39 条X:Google AI38 条X:AK34 条X:Boris Cherny32 条X:可灵 Kling AI31 条X:Peter McCrory(Anthropic 首席经济学家)31 条X:Deedy Das30 条X:百度 Baidu29 条X:AI at Meta28 条X:Aidan Gomez(Cohere CEO)27 条X:Josh Woodward26 条X:Mustafa Suleyman(Microsoft AI CEO)26 条X:Viggle AI26 条X:Logan Kilpatrick25 条X:李继刚20 条X:Noam Brown20 条X:Odyssey20 条X:Andrew Milich19 条X:硅基流动 SiliconFlow18 条X:华为云18 条X:SpaceXAI17 条X:Tianyi Cui17 条X:DeepSeek16 条X:Sundar Pichai14 条X:PixVerse (@PixVerse)13 条X:智谱 Z.ai12 条X:Demis Hassabis12 条X:Mark Zuckerberg12 条X:Mistral AI12 条X:唐杰10 条X:Ammaar Reshi10 条X:Andrew Ng(DeepLearning.AI 创始人)10 条X:Arena (@arena)10 条X:Barret 李靖10 条X:DAIR.AI (@dair_ai)10 条X:Eric Mitchell10 条X:fal (@fal)10 条X:Karina Nguyen10 条X:Lee Robinson10 条X:Noah Zweben10 条X:ARC Prize (@arcprize)9 条X:Arthur Mensch(Mistral CEO) (@arthurmensch)9 条X:ElevenLabs (@elevenlabs)9 条X:Fei-Fei Li9 条X:Jensen Huang9 条X:Kimi.ai9 条Tripo(官方 X)8 条X:卡兹克 (@Khazix0918)8 条X:Cognition (@cognition)8 条X:Cursor (@cursor_ai)8 条X:Figure AI (@Figure_robot)8 条X:Gemini Notebook (@Gemini_Notebook)8 条X:Georgi Gerganov(llama.cpp) (@ggerganov)8 条X:Hao AI Lab8 条X:Higgsfield AI (@higgsfield)8 条X:Jeff Dean8 条X:Manus (@ManusAI)8 条X:Meshy (@MeshyAI)8 条X:MiniMax Design (H3) (@Hailuo_AI)8 条X:Philipp Schmid(Google DeepMind 开发者体验) (@_philschmid)8 条X:谢赛宁7 条X:Jim Fan7 条X:Michael Truell7 条X:張小珺 Xiaojùn6 条X:Lisa Su(AMD CEO) (@LisaSu)6 条X:NotebookLM0 条@berryxia · 历史来源430 条@vista8 · 历史来源262 条@op7418 · 历史来源231 条@google · 历史来源30 条@getsuperintel · 历史来源9 条@latentspacepod · 历史来源9 条@android · 历史来源8 条@dreamlabla · 历史来源8 条@mannybernabe · 历史来源8 条@karpathy · 历史来源7 条@alexatallah · 历史来源6 条@ryanleeminimax · 历史来源5 条@theo · 历史来源5 条@aidotengineer · 历史来源4 条@dkundel · 历史来源4 条@reach_vb · 历史来源4 条@dotey · 历史来源3 条@eliebakouch · 历史来源3 条@googlechrome · 历史来源3 条@kilocode · 历史来源3 条@maxforai · 历史来源3 条@newsfromgoogle · 历史来源3 条@richardssutton · 历史来源3 条@skylermiao7 · 历史来源3 条@victorsuortiz · 历史来源3 条@ajambrosino · 历史来源2 条@akashi203 · 历史来源2 条@anatolikopadze · 历史来源2 条@andrewcurran_ · 历史来源2 条@antirez · 历史来源2 条@barrnanas · 历史来源2 条@coreyching · 历史来源2 条@deanwball · 历史来源2 条@designarena · 历史来源2 条@fellmentke · 历史来源2 条@gergelyorosz · 历史来源2 条@gmi_cloud · 历史来源2 条@gravicle · 历史来源2 条@hxiao · 历史来源2 条@id_aa_carmack · 历史来源2 条@jackminong · 历史来源2 条@lennysan · 历史来源2 条@mada299 · 历史来源2 条@microsoft · 历史来源2 条@mikastars39 · 历史来源2 条@mitchellh · 历史来源2 条@nabeelqu · 历史来源2 条@rudrank · 历史来源2 条@sebastienbubeck · 历史来源2 条@zan2434 · 历史来源2 条@___harald___ · 历史来源1 条@_boraturan · 历史来源1 条@0xjaniak · 历史来源1 条@0xkato · 历史来源1 条@47fucb4r8c69323 · 历史来源1 条@559hkdt · 历史来源1 条@aaliya_va · 历史来源1 条@abhikatte42 · 历史来源1 条@abhishekpatiil · 历史来源1 条@aboutberlin · 历史来源1 条@addyosmani · 历史来源1 条@agi2asi · 历史来源1 条@aiaicreate · 历史来源1 条@aimlapi · 历史来源1 条@aisaonehq · 历史来源1 条@aisystemprompt · 历史来源1 条@alemtuzlak · 历史来源1 条@alexxubyte · 历史来源1 条@alupsasca · 历史来源1 条@amasad · 历史来源1 条@ampcode · 历史来源1 条@anas_build_ · 历史来源1 条@aniketmaurya · 历史来源1 条@anitakirkovska · 历史来源1 条@anneliesgamble · 历史来源1 条@antigravity · 历史来源1 条@arafatkatze · 历史来源1 条@argofowl · 历史来源1 条@ashiknewazaj · 历史来源1 条@atabarrok · 历史来源1 条@atomic_chat_hq · 历史来源1 条@awe_automation · 历史来源1 条@awesomekling · 历史来源1 条@awscloud · 历史来源1 条@ayushagarwal · 历史来源1 条@baaadas · 历史来源1 条@bai_agi · 历史来源1 条@bbuddha_xyz · 历史来源1 条@bclavie · 历史来源1 条@beccalytics · 历史来源1 条@benfleming__ · 历史来源1 条@benhylak · 历史来源1 条@benjamineyliu · 历史来源1 条@bfl_ml · 历史来源1 条@bleysg · 历史来源1 条@bolna_dev · 历史来源1 条@bosmeny · 历史来源1 条@boxmining · 历史来源1 条@bozhou_ai · 历史来源1 条@brexhq · 历史来源1 条@brian_armstrong · 历史来源1 条@brianchew · 历史来源1 条@bridgemindai · 历史来源1 条@budgetpixel · 历史来源1 条@cahidarda · 历史来源1 条@calmpromptshq · 历史来源1 条@ce_zhang · 历史来源1 条@cedric_chee · 历史来源1 条@chaitralikakde · 历史来源1 条@chatgpt · 历史来源1 条@chatgptapp · 历史来源1 条@christinetyip · 历史来源1 条@christofsalis · 历史来源1 条@clark__labs · 历史来源1 条@cloudflaredev · 历史来源1 条@cnorth_13 · 历史来源1 条@cnzoecomeback · 历史来源1 条@cocohearts · 历史来源1 条@code_star · 历史来源1 条@codebyaurelia · 历史来源1 条@commandcodeai · 历史来源1 条@consensusnlp · 历史来源1 条@contralabs_ai · 历史来源1 条@cozyblaze265065 · 历史来源1 条@crimedecoder · 历史来源1 条@crtr0 · 历史来源1 条@damnventures · 历史来源1 条@daniellockyer · 历史来源1 条@darioamodei · 历史来源1 条@davidmaliglowka · 历史来源1 条@davidondrej1 · 历史来源1 条@davidsacks · 历史来源1 条@dbirker78883 · 历史来源1 条@deryatr_ · 历史来源1 条@devfun · 历史来源1 条@diegocabezas01 · 历史来源1 条@digitalocean · 历史来源1 条@dimillian · 历史来源1 条@dimitrispapail · 历史来源1 条@discussingfilm · 历史来源1 条@dkthomp · 历史来源1 条@dmitryrybin1 · 历史来源1 条@dmsobol · 历史来源1 条@douglasyaody · 历史来源1 条@duckduckgo · 历史来源1 条@easyrouterio · 历史来源1 条@edgardobriban · 历史来源1 条@eisokant · 历史来源1 条@elliotarledge · 历史来源1 条@encrypted · 历史来源1 条@endpointarena · 历史来源1 条@envato · 历史来源1 条@escanorreloaded · 历史来源1 条@esrtweet · 历史来源1 条@ethanhe_42 · 历史来源1 条@eu_commission · 历史来源1 条@fba · 历史来源1 条@fdavidsont · 历史来源1 条@figmaweave · 历史来源1 条@finn_meeks · 历史来源1 条@first_tree_ai · 历史来源1 条@flavioad · 历史来源1 条@flowith · 历史来源1 条@fminzhou · 历史来源1 条@freddie_spirit · 历史来源1 条@frydwia · 历史来源1 条@futurestacked · 历史来源1 条@garrettlord · 历史来源1 条@garrytan · 历史来源1 条@gavinsbaker · 历史来源1 条@GayaniFigma · 历史来源1 条@genspark_ai · 历史来源1 条@gitlawb · 历史来源1 条@gneubig · 历史来源1 条@gokulr · 历史来源1 条@goodfireai · 历史来源1 条@goodnesmbakara · 历史来源1 条@googleaistudio · 历史来源1 条@gordic_aleksa · 历史来源1 条@gro_tsen · 历史来源1 条@hangsiin · 历史来源1 条@happycapyai · 历史来源1 条@haydenbleasel · 历史来源1 条@helloiamleonie · 历史来源1 条@hey_asiif · 历史来源1 条@hilbertspaess · 历史来源1 条@howtoprompt__ · 历史来源1 条@hq4ai · 历史来源1 条@hypersoren · 历史来源1 条@ianbremmer · 历史来源1 条@interaction · 历史来源1 条@intology · 历史来源1 条@iron_redux · 历史来源1 条@ithilgore · 历史来源1 条@itsreallyvivek · 历史来源1 条@jamesjyu · 历史来源1 条@jameszmsun · 历史来源1 条@jason_young1231 · 历史来源1 条@jawad_rahman_ · 历史来源1 条@jaydendavisnc · 历史来源1 条@jeffbarg · 历史来源1 条@jenzhuscott · 历史来源1 条@jiayuan_jy · 历史来源1 条@jilles · 历史来源1 条@jimcramer · 历史来源1 条@jimsyoung_ · 历史来源1 条@jinjingliang · 历史来源1 条@jjacky · 历史来源1 条@jjackyliang · 历史来源1 条@joefioti · 历史来源1 条@joi___ai · 历史来源1 条@joinhandshake · 历史来源1 条@joinpursuit · 历史来源1 条@joulee · 历史来源1 条@jsconfasia · 历史来源1 条@jsrailton · 历史来源1 条@juminoz · 历史来源1 条@kaizero_ainta · 历史来源1 条@karanganesan · 历史来源1 条@kdaigle · 历史来源1 条@kentherogers · 历史来源1 条@kevinsays · 历史来源1 条@khudonogov · 历史来源1 条@koraykv · 历史来源1 条@kotekjedi_ml · 历史来源1 条@kuberwastaken · 历史来源1 条@kurz_gesagt · 历史来源1 条@kwindla · 历史来源1 条@lafalcemateo · 历史来源1 条@lakshyaaagrawal · 历史来源1 条@larrylv · 历史来源1 条@layoffai · 历史来源1 条@levinstanley · 历史来源1 条@lifeofjer · 历史来源1 条@livekit · 历史来源1 条@lostinlatencyx · 历史来源1 条@lotte_verheyden · 历史来源1 条@lqiao · 历史来源1 条@luciushq · 历史来源1 条@luckeyfaraday · 历史来源1 条@lukaspet · 历史来源1 条@madhavsinghal_ · 历史来源1 条@manassharmahere · 历史来源1 条@markiewagner · 历史来源1 条@marksaroufim · 历史来源1 条@marsxiang_ · 历史来源1 条@maseehg_ · 历史来源1 条@mattshumer_ · 历史来源1 条@mem0ai · 历史来源1 条@mengto · 历史来源1 条@merettm · 历史来源1 条@micahcarroll · 历史来源1 条@michael_chomsky · 历史来源1 条@michaelarnaldi · 历史来源1 条@microsoftai · 历史来源1 条@mike_acton · 历史来源1 条@mikeyyyzhao · 历史来源1 条@minchoi · 历史来源1 条@minimaxagent · 历史来源1 条@minu_who · 历史来源1 条@mkbhd · 历史来源1 条@modal · 历史来源1 条@moritzthuening · 历史来源1 条@moxie · 历史来源1 条@mstockton · 历史来源1 条@mtslive · 历史来源1 条@multimodalart · 历史来源1 条@neelnanda5 · 历史来源1 条@neilrahilly · 历史来源1 条@nickbaumann_ · 历史来源1 条@nirantk · 历史来源1 条@noemititarenco · 历史来源1 条@notjazii · 历史来源1 条@nousresearch · 历史来源1 条@oblomovius · 历史来源1 条@ollama · 历史来源1 条@onlyterp · 历史来源1 条@onlyzhynx · 历史来源1 条@organicgpt · 历史来源1 条@orgrem · 历史来源1 条@p0 · 历史来源1 条@palantirtech · 历史来源1 条@palmerluckey · 历史来源1 条@pandatalk8 · 历史来源1 条@parishilton · 历史来源1 条@patrickcarlyle · 历史来源1 条@patricktoulme · 历史来源1 条@paulg · 历史来源1 条@paulsolt · 历史来源1 条@pbdtokenrouter · 历史来源1 条@pererabinoy · 历史来源1 条@philhchen · 历史来源1 条@pirroh · 历史来源1 条@pjaccetturo · 历史来源1 条@postlive · 历史来源1 条@pranaveight · 历史来源1 条@prathamdby · 历史来源1 条@prince_canuma · 历史来源1 条@pumpkherm · 历史来源1 条@pvncher · 历史来源1 条@qiaoqiao2001 · 历史来源1 条@rajveerbach · 历史来源1 条@randyhaddad6 · 历史来源1 条@rauchg · 历史来源1 条@raveeshbhalla · 历史来源1 条@rayanpal_ · 历史来源1 条@rayfernando1337 · 历史来源1 条@redpoint · 历史来源1 条@ric_rtp · 历史来源1 条@richardsocher · 历史来源1 条@rileybrown · 历史来源1 条@robertvaradan · 历史来源1 条@ronshepherd · 历史来源1 条@rosmine · 历史来源1 条@rthiago · 历史来源1 条@ruben_kostard · 历史来源1 条@runware · 历史来源1 条@rvivek · 历史来源1 条@ryanjunejo · 历史来源1 条@safaricheung · 历史来源1 条@samuelstroschei · 历史来源1 条@sanmking · 历史来源1 条@saranormous · 历史来源1 条@savinovnikolay · 历史来源1 条@scale_ai · 历史来源1 条@scaling01 · 历史来源1 条@sdaily_ai · 历史来源1 条@secscottbessent · 历史来源1 条@seltaa_ · 历史来源1 条@sergiopaniego · 历史来源1 条@servasyy_ai · 历史来源1 条@sethltx · 历史来源1 条@shashankgoyal95 · 历史来源1 条@sherryyanjiang · 历史来源1 条@sherylhsu02 · 历史来源1 条@shl · 历史来源1 条@sighjith · 历史来源1 条@simistern · 历史来源1 条@southpkcommons · 历史来源1 条@sriramkri · 历史来源1 条@sshoaibali · 历史来源1 条@stalkermustang · 历史来源1 条@status_effects · 历史来源1 条@stevencheng · 历史来源1 条@stockanalystpro · 历史来源1 条@suekhim · 历史来源1 条@sultanalfardan · 历史来源1 条@suraj_sharma14 · 历史来源1 条@swisscheese4299 · 历史来源1 条@swmansion · 历史来源1 条@systematicls · 历史来源1 条@teksedge · 历史来源1 条@tftc21 · 历史来源1 条@theahmadosman · 历史来源1 条@themidasproj · 历史来源1 条@theonejvo · 历史来源1 条@therealadamg · 历史来源1 条@timsoulo · 历史来源1 条@tmuxvim · 历史来源1 条@tobi · 历史来源1 条@togethercompute · 历史来源1 条@trackernetwork · 历史来源1 条@trustkerneltech · 历史来源1 条@ttunguz · 历史来源1 条@tuhinchakr · 历史来源1 条@twistartups · 历史来源1 条@ubermenscchh · 历史来源1 条@udayan_w · 历史来源1 条@usefastlane · 历史来源1 条@uzyn · 历史来源1 条@valeriocapraro · 历史来源1 条@vasuman · 历史来源1 条@vdbergrianne · 历史来源1 条@vibeguessing · 历史来源1 条@victoriakimse · 历史来源1 条@victoriawu77 · 历史来源1 条@victortaelin · 历史来源1 条@vikaskansalhq · 历史来源1 条@volchika · 历史来源1 条@walden_yan · 历史来源1 条@warpdotdev · 历史来源1 条@waynesutton · 历史来源1 条@wesroth · 历史来源1 条@whosamberella · 历史来源1 条@xdinodeer · 历史来源1 条@xicilion · 历史来源1 条@xucian_ · 历史来源1 条@yacinemtb · 历史来源1 条@yaojingang · 历史来源1 条@yevr19 · 历史来源1 条@yoheinakajima · 历史来源1 条@yongquanyq · 历史来源1 条@youtubejocoding · 历史来源1 条@yusufg · 历史来源1 条@zachbussey · 历史来源1 条@zeddotdev · 历史来源1 条@zeroxkyle · 历史来源1 条@zhenthebuilder · 历史来源1 条@zicohacks · 历史来源1 条@zixuanli_ · 历史来源1 条@zymazza · 历史来源1 条
14,220 条AI 相关新闻 · 最新在前
6月1日周一
  1. @MiniMax_AI76

    MiniMax 宣布 M3 在 OrcaRouter 首日上线,首周使用可享 50% 折扣。引用信息显示,M3 支持最高 1M token 上下文(最低保证 512K),具备新一代稀疏注意力、更快推理和更强的智能体工作流,并称其为最受期待的开源模型发布之一。

    引用OrcaRouter 🐳 (@OrcaRouter)@OrcaRouter

    🚀 @MiniMax_AI M3 is now available on OrcaRouter. One of the most anticipated open model releases, bringing next-gen sparse attention, ultra-long context handling (up to 1M tokens of context with a guaranteed minimum of 512K), faster inference, and stronger agentic workflows. Try it out here: orcarouter.ai/models/minimax…

    推荐理由:MiniMax M3 首日上线 OrcaRouter,读者可据此了解其长上下文与智能体工作流的能力定位。

  2. @op741870

    MiniMax 发布大版本模型升级 MiniMax M3,标配 1M 超长上下文,采用新的 MSA(MoE with Segment-wise Attention)稀疏注意力架构,并从训练起融合文本、图片、视频和桌面操作的原生多模态能力。

    引用MiniMax (official) (@MiniMax_AI)@MiniMax_AI

    Introducing MiniMax M3: The First Open-Weights Model to Combine Three Frontier Capabilities - Coding & Agentic Frontier: 59.0% SWE-Bench Pro, 66.0% Terminal Bench 2.1, 34.8% SWE-fficiency, 28.8% KernelBench Hard, 74.2% MCP Atlas - MiniMax Sparse Attention scales context to 1M - Natively Multimodal from Step Zero API: platform.minimax.io Token Plan: platform.minimax.io/subscrib… 🚀New! MiniMax Code: code.minimax.io Weights & Tech Report in ~10 Days

    推荐理由:MiniMax M3 标配 1M 上下文并采用新的稀疏注意力架构,读者可据此了解长上下文模型的算力成本变化。

  3. @AYi_AInotes30

    在校大学生用 .edu 邮箱通过 SheerID 验证,可免费获得 12 个月 Cursor Pro,与 $20/月的付费版功能一致,含 Claude / GPT / Gemini 全模型、Agent 多文件编辑,每月另送 $20 模型额度。无需信用卡,验证通过即可开通,该福利截至 2026.6 仍有效。

    引用AYi (@AYi_AInotes)@AYi_AInotes

    免费领6个月ChatGPT Pro, 价值$ 1200🤩 这可能是今年对开发者最实在的福利了, 没有硬性Star数要求, 有项目链接基本都能过, 只要你是任何一个公开开源项目的维护者,哪怕只有你一个人在维护, 都可以去申请试试: openai.com/form/codex-for-os…

  4. @berryxia54

    作者用两周时间,基于 Three.js 和 Agora ConvoAI 实时语音 Agent 做出一个可在线漫游、能与李白杜甫等 NPC 语音对话的盛唐长安 3D 项目,并已开源到 GitHub。项目用 WASD 让玩家真正走进长安城,前端 Three.js 与后端 FastAPI 分离,接入飞花令、对对联、猜谜等唐风小游戏以及珍宝馆、AI 展馆,在线体验和代码均可直接访问。

    引用Berryxia.AI (@berryxia)@berryxia

    x.com/i/article/206037512582…

  5. @MikaStars3964

    MiniMax 在 M3 博客中披露,模型约 24 小时内自主完成 CUDA FP8 GEMM 优化,期间提交 147 次基准测试、执行 1,959 次工具调用,把 Hopper FP8 峰值利用率从 7.6% 提升到 71.3%,实现 9.4 倍加速。

    引用MiniMax (official) (@MiniMax_AI)@MiniMax_AI

    Introducing MiniMax M3: The First Open-Weights Model to Combine Three Frontier Capabilities - Coding & Agentic Frontier: 59.0% SWE-Bench Pro, 66.0% Terminal Bench 2.1, 34.8% SWE-fficiency, 28.8% KernelBench Hard, 74.2% MCP Atlas - MiniMax Sparse Attention scales context to 1M - Natively Multimodal from Step Zero API: platform.minimax.io Token Plan: platform.minimax.io/subscrib… 🚀New! MiniMax Code: code.minimax.io Weights & Tech Report in ~10 Days

  6. @MikaStars3960

    MiniMax M3 自主运行近 12 小时,复现了 ICLR 2025 杰出论文奖作品《Learning Dynamics of LLM Finetuning》,期间自行产出 18 次提交和 23 张实验图。它复现出 SFT 阶段预测的概率趋势,观察到 DPO 实验核心的 squeezing 效应,并验证了原论文提出的 Extend 缓解方法。

    引用MiniMax (official) (@MiniMax_AI)@MiniMax_AI

    Introducing MiniMax M3: The First Open-Weights Model to Combine Three Frontier Capabilities - Coding & Agentic Frontier: 59.0% SWE-Bench Pro, 66.0% Terminal Bench 2.1, 34.8% SWE-fficiency, 28.8% KernelBench Hard, 74.2% MCP Atlas - MiniMax Sparse Attention scales context to 1M - Natively Multimodal from Step Zero API: platform.minimax.io Token Plan: platform.minimax.io/subscrib… 🚀New! MiniMax Code: code.minimax.io Weights & Tech Report in ~10 Days

  7. @MiniMax_AI69

    MiniMax 发布 M3,引用内容描述其为开放权重的前沿级模型,具备 1M 上下文窗口和图像、视频原生多模态能力。MiniMax 官方账号表示 M3 可与 visionagents_ai 结合用于实时语音与视频。

    引用Vision Agents (@visionagents_ai)@visionagents_ai

    Congrats to the @MiniMax_AI team on the release of M3! 👉 A frontier-class open-weight model 👉 1M context window 👉 Native multimodality (image & video)

    推荐理由:MiniMax M3 以开放权重、1M 上下文和原生多模态发布,读者可据此了解实时语音与视频的集成方向。

  8. @MiniMax_AI75

    MiniMax-M3 已在 Venice(@AskVenice)上线,作者称其开放权重,具备前沿编码与智能体能力,支持 1M 上下文和原生多模态,首日即可用并支持匿名访问。引用文案称其为首个兼具前沿编码与智能体性能并原生支持多模态的开放权重模型,面向长周期复杂工作流。

    引用Venice (@AskVenice)@AskVenice

    MiniMax-M3 by @MiniMax_AI is now live on Venice. The first open-weight model to deliver frontier coding and agentic performance with native multimodality. Built for long-horizon, complex workflows. Available anonymously.

    推荐理由:MiniMax-M3 以开放权重同时具备前沿编码与智能体能力,支持 1M 上下文和原生多模态,面向长周期复杂工作流。

  9. @SkylerMiao763

    MiniMax 发布开源权重模型 M3,称其为首个同时具备编码与智能体能力、1M 上下文和原生多模态输入的开源权重模型。官方给出的成绩包括 SWE-Bench Pro 59.0%、Terminal Bench 2.1 66.0%、SWE-fficiency 34.8%、KernelBench Hard 28.8% 和 MCP Atlas 74.2%,并称 MiniMax Sparse Attention 可将上下文扩展到 1M。权重与技术报告约 10 天后发布,同时上线 MiniMax Code(code.minimax.io),API 入口为 platform.minimax.io。

    引用MiniMax (official) (@MiniMax_AI)@MiniMax_AI

    Introducing MiniMax M3: The First Open-Weights Model to Combine Three Frontier Capabilities - Coding & Agentic Frontier: 59.0% SWE-Bench Pro, 66.0% Terminal Bench 2.1, 34.8% SWE-fficiency, 28.8% KernelBench Hard, 74.2% MCP Atlas - MiniMax Sparse Attention scales context to 1M - Natively Multimodal from Step Zero API: platform.minimax.io Token Plan: platform.minimax.io/subscrib… 🚀New! MiniMax Code: code.minimax.io Weights & Tech Report in ~10 Days

  10. @arafatkatze64

    MiniMax 发布 MiniMax M3,称其为首个结合三项前沿能力的开源权重模型。官方给出的编码与智能体成绩包括 59.0% SWE-Bench Pro、66.0% Terminal Bench 2.1 和 74.2% MCP Atlas。模型用 MiniMax Sparse Attention 将上下文扩展至 1M,并原生支持多模态,权重与技术报告约 10 天后发布。

    引用MiniMax (official) (@MiniMax_AI)@MiniMax_AI

    Introducing MiniMax M3: The First Open-Weights Model to Combine Three Frontier Capabilities - Coding & Agentic Frontier: 59.0% SWE-Bench Pro, 66.0% Terminal Bench 2.1, 34.8% SWE-fficiency, 28.8% KernelBench Hard, 74.2% MCP Atlas - MiniMax Sparse Attention scales context to 1M - Natively Multimodal from Step Zero API: platform.minimax.io Token Plan: platform.minimax.io/subscrib… 🚀New! MiniMax Code: code.minimax.io Weights & Tech Report in ~10 Days

  11. @MiniMax_AI71

    MiniMax 发布 M3 模型,并在发布当天同步上线 OpenRouter。该模型具备 1M token 上下文窗口、前沿编码与智能体能力,以及原生多模态,首周提供 50% 折扣。OpenRouter 称其为前沿级开源权重模型,原生多模态覆盖图像与视频。

    引用OpenRouter (@OpenRouter)@OpenRouter

    MiniMax-M3 is live on OpenRouter! A frontier-class open-weight model that combines a 1M-token context window, frontier coding and agentic performance, and native multimodality (image & video) in one model.

    推荐理由:MiniMax-M3 上线 OpenRouter 并给出首周折扣,可了解其 1M 上下文与多模态能力的组合方式。

  12. @PixVerse_25

    @CharaspowerAI 拍得漂亮!他懂。 来自一位真正理解真实 VFX 控制该是什么感觉的人的好文。 这种级别的控制正是 PixVerse C1 带来的变革! 引用推文核心:很少有人谈论 Pixverse C1 在 text-to-VFX 上有多强大。控制力和电影级画质完全处于另一个层次。作者用一段高难度提示词测试——FPV 镜头穿越雷暴下喷发的火山,穿越火山灰云,熔岩弹爆炸,闪电照亮熔岩与黑烟汇聚成“WRATH”后喷发向外扩散。镜头动态、粒子、光照……这是真正的专业 VFX。你在测试 Pixverse C1 吗?

    引用Pierrick Chevallier | IA (@CharaspowerAI)@CharaspowerAI

    It’s actually crazy how few people are talking about how powerful Pixverse C1 is for text-to-VFX.We’re on a completely different level of control and cinematic quality. Here’s a prompt I pushed hard: "FPV shot: Diving through a volcano erupting beneath a thunderstorm. The camera spirals through ash clouds as lava bombs explode around it. Lightning illuminates molten rock and black smoke merging into "WRATH" before the eruption detonates outward. Elemental violence, god-tier VFX." Watch this The camera dynamics, particles, lighting… this is real pro VFX. Are you testing Pixverse C1 right now? Video

  13. @MiniMax_AI62

    MiniMax 宣布明天联合 Together AI 在 X Spaces 直播,详解 M3 的稀疏注意力、1M 上下文等内容,由 @zpysky1125 主讲。引用内容显示 M3 已上线,并由 Together AI 提供推理支持。

    引用Together AI (@togethercompute)@togethercompute

    MiniMax M3 is live and Together AI is powering its inference 🚀 Tomorrow at 6pm PT we're going live on X Spaces with the teams behind the model and the infrastructure to give you a deep dive. nitter.net/i/spaces/1nxeLLDDBEaJX

  14. @OpenRouter63

    MiniMax 发布 M3,称其为首个同时具备三项前沿能力的开放权重模型。编码与智能体成绩包括 59.0% SWE-Bench Pro、66.0% Terminal Bench 2.1、74.2% MCP Atlas,MiniMax Sparse Attention 将上下文扩展到 1M,且从 Step Zero 起即为原生多模态。API 已在 platform.minimax.io 开放,权重与技术报告约 10 天后发布。

    引用MiniMax (official) (@MiniMax_AI)@MiniMax_AI

    Introducing MiniMax M3: The First Open-Weights Model to Combine Three Frontier Capabilities - Coding & Agentic Frontier: 59.0% SWE-Bench Pro, 66.0% Terminal Bench 2.1, 34.8% SWE-fficiency, 28.8% KernelBench Hard, 74.2% MCP Atlas - MiniMax Sparse Attention scales context to 1M - Natively Multimodal from Step Zero API: platform.minimax.io Token Plan: platform.minimax.io/subscrib… 🚀New! MiniMax Code: code.minimax.io Weights & Tech Report in ~10 Days

  15. @yacineMTB61

    yacineMTB 转发 MiniMax M3 发布并评论称,智能达到对人有用的饱和点后,开源将追平闭源前沿,届时竞争将转移到服务成本等其他地方。被引用的 MiniMax M3 被称为首个结合三项前沿能力的开放权重模型,编码与智能体方向 SWE-Bench Pro 59.0%、Terminal Bench 2.1 66.0%,以 MiniMax Sparse Attention 将上下文扩展至 1M,且原生多模态,权重与技术报告约 10 天后发布。

    引用MiniMax (official) (@MiniMax_AI)@MiniMax_AI

    Introducing MiniMax M3: The First Open-Weights Model to Combine Three Frontier Capabilities - Coding & Agentic Frontier: 59.0% SWE-Bench Pro, 66.0% Terminal Bench 2.1, 34.8% SWE-fficiency, 28.8% KernelBench Hard, 74.2% MCP Atlas - MiniMax Sparse Attention scales context to 1M - Natively Multimodal from Step Zero API: platform.minimax.io Token Plan: platform.minimax.io/subscrib… 🚀New! MiniMax Code: code.minimax.io Weights & Tech Report in ~10 Days

  16. @jiayuan_jy61

    MiniMax 发布 M3 开源权重模型,称其融合编码与智能体、1M 上下文、原生多模态三项能力,SWE-Bench Pro 59.0%、Terminal Bench 2.1 66.0%,并开放 API 与 MiniMax Code,权重与技术报告约 10 天后发布。

    引用MiniMax (official) (@MiniMax_AI)@MiniMax_AI

    Introducing MiniMax M3: The First Open-Weights Model to Combine Three Frontier Capabilities - Coding & Agentic Frontier: 59.0% SWE-Bench Pro, 66.0% Terminal Bench 2.1, 34.8% SWE-fficiency, 28.8% KernelBench Hard, 74.2% MCP Atlas - MiniMax Sparse Attention scales context to 1M - Natively Multimodal from Step Zero API: platform.minimax.io Token Plan: platform.minimax.io/subscrib… 🚀New! MiniMax Code: code.minimax.io Weights & Tech Report in ~10 Days

  17. @ollama67

    MiniMax M3 上线 Ollama Cloud,双方合作下该模型部署在美国并采用零数据保留。用户可通过 Claude Code 与 Codex 调用,命令如 ollama launch claude --model minimax-m3:cloud 和 ollama launch codex --model minimax-m3:cloud。据转发的 MiniMax 介绍,M3 是首个融合三项前沿能力的开放权重模型,MiniMax Sparse Attention 将上下文扩展至 1M,权重与技术报告约 10 天后发布。

    引用MiniMax (official) (@MiniMax_AI)@MiniMax_AI

    Introducing MiniMax M3: The First Open-Weights Model to Combine Three Frontier Capabilities - Coding & Agentic Frontier: 59.0% SWE-Bench Pro, 66.0% Terminal Bench 2.1, 34.8% SWE-fficiency, 28.8% KernelBench Hard, 74.2% MCP Atlas - MiniMax Sparse Attention scales context to 1M - Natively Multimodal from Step Zero API: platform.minimax.io Token Plan: platform.minimax.io/subscrib… 🚀New! MiniMax Code: code.minimax.io Weights & Tech Report in ~10 Days

    推荐理由:材料给出 M3 在 Ollama Cloud 的调用命令与零数据保留说明,可据此直接上手编码与智能体任务。

  18. @MiniMax_AI66

    MiniMax 发布 MiniMax M3,称其为首个同时结合编码与 Agent、长上下文、原生多模态三项前沿能力的开源权重模型。编码与 Agentic 基准成绩为 SWE-Bench Pro 59.0%、Terminal Bench 2.1 66.0%、SWE-fficiency 34.8%、KernelBench Hard 28.8%、MCP Atlas 74.2%;MiniMax Sparse Attention 将上下文扩展至 1M,模型从 Step Zero 起原生多模态。API 已在 platform.minimax.io 上线,同时推出 MiniMax Code,权重与技术报告约 10 天后发布。

    推荐理由:MiniMax M3 放出编码、1M 上下文与多模态的基准成绩,可供开源权重模型选型时对照参考。

  19. @alibaba_cloud39

    HappyHorse 现已在 @cfabricacom Studio AI 上线!🚀 体验阿里云视频生成能力,即刻将你的创意变为 1080p 电影级现实!

    引用Creative Fabrica (@cfabricacom)@cfabricacom

    Your ideas, modeled into cinematic reality 🎬 Meet HappyHorse, powered by @AlibabaGroup, now in Studio AI! Turn text, images, and audio into stunning 1080p short films with physics-aware motion and native sound. Create your first masterpiece: studio.creativefabrica.com/v… Video

  20. @berryxia47

    国内前5家纯LLM公司总估值已达2260亿美元,约为Anthropic最新一轮估值的1/4,但收入运行率仅为Anthropic的1/40。智谱在数据上遥遥领先DeepSeek。推文借此追问:当模型能力被快速商品化、价格被大幅拉低,市场究竟在为AI的什么部分支付溢价,低价+开放权重的打法是否会成为全球AI竞争主流。

    引用Kevin Simback 🍷 (@KSimback)@KSimback

    The Chinese LLM companies are raising at eye popping numbers Total valuation of the top 5 pure plays is $226B - about 1/4 Anthropic’s latest round But with a revenue run rate of about 1/40 of Anthropic

  21. @berryxia43

    中国前5家纯LLM公司总估值达2260亿美元,约为Anthropic最新一轮估值的1/4,但收入运行率仅为Anthropic的1/40。推文指出,国内开放权重模型一边拿大量VC资金一边产生真实收入,与西方闭源高定价模式路径完全不同。估值与收入的巨大差距引出核心问题:模型能力快速商品化、价格被大幅拉低后,估值逻辑该如何变化。

    引用Kevin Simback 🍷 (@KSimback)@KSimback

    The Chinese LLM companies are raising at eye popping numbers Total valuation of the top 5 pure plays is $226B - about 1/4 Anthropic’s latest round But with a revenue run rate of about 1/40 of Anthropic