蛋白質設計模型交出穩定結構，未必代表 motif 在運動中仍然可靠。BILBY-MD 以分子動力學補上這一步。
蛋白質是由一串氨基酸摺疊而成的微型機器。其中真正負責「幹活」（比如咬住病毒、催化化學反應）的關鍵核心區域，叫做「基序」
過去 AI 的兩大痛點，題目又少又偏心：以前大家都只拿少數幾題、人工精心挑選過的基序來考 AI，根本看不出 AI 的真實全面實力。為了徹底解決上面兩個盲點，作者直接推出了兩套工具：
BILBY-PRO（超大規模的標準試卷庫）：
不再人工挑偏門題目，直接從權威資料庫（PROSITE）系統性撈出 174 類、共 220 道真實有功能的結構基序大考題，全面普查各家 AI。結果令 RFDiffusion 和 Proteina 變成「答題王」：能解開的題目最多、覆蓋率最高。
BILBY-MD（動態全原子模擬裁判）：
這就是前面提到的 BILBY-MD！它是一套「全原子分子動力學（MD）模擬考評框架」。
它不再只看靜態模型，而是把 AI 設計出來的蛋白質直接丟進模擬水溶液中「實測運轉一陣子」，看它在分子震盪動態下，那個關鍵基序是不是還能穩穩固定、結構會不會垮掉，用最嚴苛的動態標準給 AI 打分數。
從日常物件到航拍景觀，SplatAnything 嘗試用同一模型重建不同尺度的場景，並以 Gaussian 間距正規化改善尺度變化帶來的監督歧義。
由細小物件轉到街景或航拍畫面，場景尺度和相機位置一變，3D Gaussian Splatting（3DGS）的高斯大小就較難用一致方式預測。SplatAnything 是 InfiniSplat 系列第三版的前饋式 3D Gaussian 重建模型，目標是讓單一模型處理不同類型與尺度的場景，面向自動駕駛、機械人導航、AR/VR 及遊戲開發等用途。
它的關鍵改動，是不再只按高斯到參考相機的平均徑向距離設定尺度基準，而是把場景轉換到以高斯間距正規化的空間。這讓不同場景中相似影像區域的尺度目標較一致，減少監督訊號含糊造成的覆蓋不足或高斯過度重疊。對需要跨場景重建的團隊而言，這比逐個場景調整尺度更有機會帶來穩定結果；但提供的資料未列出量化比較數字，改善幅度仍難以判斷。
模型接收多張輸入影像，亦可選擇提供相機參數；接著由凍結的幾何基礎模型估算多視角幾何，再轉換正規化空間，最後透過 Gaussian backbone 和輕量 GShead 預測每個像素的高斯屬性。這套流程結合預訓練幾何能力與專門的尺度處理，適合研究跨場景重建的人員，以及自動駕駛、導航或沉浸式內容團隊評估。
想先檢視重建效果，可以使用 Hugging Face 示範或在項目網站瀏覽互動場景；網站亦提供下載場景 HTML 檢視器的方式。若要在本機執行推理，雖然模型權重已公開，現有文件內容不足以確認完整安裝流程、硬件需求及推理指令，宜先核對項目文件再安排測試。
Video-Coder 先用 Blender Python 建立具結構與動態的 Draft Video，再交給影片生成器完成畫面，改善物理合理性與控制能力。
影片生成遇到物件互動、鏡頭運動或物理效果時，單靠文字直接生成往往難以穩定控制。Video-Coder 以 coding agent 身份編寫並執行 Blender Python，建立 3D 場景及 Draft Video，再把物件位置、動作和鏡頭資訊交給下游影片生成器；項目屬於影片生成代理項目，處理的是生成結果缺乏明確結構與物理約束的問題。
核心流程放在 Video-Coder Harness：代理會寫程式、執行、檢查結果，再按回饋修改程式。模型先以 supervised fine-tuning（SFT）訓練，之後接受 harness-native agentic reinforcement learning（RL）；執行獎勵會逐步轉向影片獎勵，令程式能夠產生可用的場景草稿。Video-Coder-9B 建基於 Qwen3.5-9B，並可配合不同 Video generators。
評測結果顯示，Video-Coder-9B + MiniMax-H3 在 PhyGenBench 平均取得 0.67，高於 MiniMax-H3 的 0.61；VBench-2.0 平均為 78.19%，較單獨使用 MiniMax-H3 的 54.58% 高 23.61 個百分點。Mechanics 分數達 88.67%，但這些結果依賴特定模型組合，未必能直接代表所有影片生成器的效果。
項目提供 Video-Coder-9B、Video-Coder-SFT-9B 模型及 Video-Coder-train-data，並列出 SFT 和 RL 的 Python 3.12 環境設定方向；提供的資料未包含完整推理流程，訓練指令亦在輸入內容中截斷。研究團隊、影片模型開發者及需要精確控制物件互動的創作者，較容易從這套程式驅動流程受益，但使用者需要準備 Blender、模型推理及訓練所需的運算資源。
開源串流 ASR 模型以 160 毫秒更新文字，並把未確認部分留在內部，減少字幕閃動與後續重寫。
即時字幕最惱人的問題，不只是慢，而是文字一邊出、一邊改。Confucius4-R2T2 針對這個矛盾，採用只追加、不回頭修訂的穩定前綴（Stable Prefix）串流設計，已確認的文字永久提交，未確認內容則留在模型內部，適合直播字幕、即時傳譯及接入 Large Language Model（LLM）的語音流程。
這是一個開源的低延遲自動語音辨識（Automatic Speech Recognition，ASR）模型，源自 Qwen3-ASR-1.7B，透過 Longest Stable Prefix（LSP）學習及 1,500 小時中英文音訊訓練。解碼區塊可設為 80 毫秒至 2 秒，權重優先與延遲優先模式均只輸出已提交內容，並可加入主題及詞彙提示。
它並非把所有即時輸出都交給下游處理，而是以 Longest Stable Prefix（LSP）學習配合 Wait 動作，訓練模型分辨哪些內容可以提交、何時需要更多音訊。訓練分為 SFT 與 GRPO 兩階段，只更新語言解碼器，音訊編碼器及 projector 保持凍結，亦沒有改變原有架構。
取捨主要落在準確度與輸出延遲之間：調整解碼區塊和暫存 token 預算即可改變兩者關係，毋須重新訓練。專注即時字幕、會議紀錄、同聲傳譯或需要即時觸發動作的 LLM Agent 團隊會較容易受惠；代價是已提交文字不能修訂，而且所報延遲未包括服務及網絡時間。
EvoWorld 將 VLM 推理與視覺渲染結合，處理影片中離開視野的物件如何繼續變化，並在鏡頭返回時保留合理反應。
鏡頭轉開後，世界唔應該停唔轉。EvoWorld 是一套生成式影片系統，專門處理「Out-of-Sight World Evolution」（鏡頭外世界演化）：物件離開畫面後仍會參與事件，等鏡頭再次回到同一人物或場景，變化亦要延續落去。
LTX-2.5 負責輸出影片：EvoWorld 作為 visual renderer，將條件轉成 896 × 512、24 fps 影片。
EvoWorld 負責「鏡頭外發生咗乜」：透過視覺語言模型做推理，再配合影片生成器，令鏡頭移開後嘅事件仍然可以發展；鏡頭返轉頭時，呈現合理嘅事件結果，而唔係只還原之前見到嘅畫面。
單張 RTX 4090 生成 5 秒角色影片只需約 72 秒，VSA 以稀疏注意力和四步取樣降低等待與記憶體需求。
角色一致性影片往往要等上一分鐘以上，迭代鏡頭時尤其影響節奏。ComfyUI-Ref2VA-VSA 是一組針對 MiniMax H3 Reference-to-Video（Ref2VA / R2VA）的 ComfyUI 自訂節點與推理優化，讓單張消費級 NVIDIA GPU 也能處理參考角色影片。
核心改動是 Video Sparse Attention（VSA）：把影片注意力限制在 75% 的 top-k 稀疏範圍，配合 4 步 euler/simple 取樣。測試使用 RTX 4090 24GB，在 1344×768、24 fps、124 帧及 5.16 秒條件下，首次生成約 95 秒，預熱後約 72 秒，峰值記憶體約 13.5GB。
同一提示詞、角色參考圖、seed 與輸出規格下，VSA 比 Video Delta Net（VDN-H3）的 8 步流程快 2.24 倍，後者預熱後需約 135 秒。項目亦報告 VSA 比原生 MiniMax H3 快 9 倍，優點主要來自更少取樣步數與稀疏 Video Sparse Attention，而非單純換用另一個模型。
要開始使用，需要支援原生 MiniMax H3 的新版 ComfyUI、已安裝 comfy-kitchen 並啟用 CUDA sol attn，以及至少 24GB VRAM 的 NVIDIA GPU，例如 RTX 3090、RTX 4090、A5000 或 L40S。項目文件未列出完整安裝與操作步驟、下載連結或工作流程設定。
把人物與部位參考圖直接交給 MiniMax H3，生成頭部、全身、衣物及手腳等多視角設定表。
角色設定表要保持正面、側面、全身、衣物與手腳一致，最容易卡在「同一張參考圖重畫多次」這個步驟。H3 Character Sheet Designer 是一個 ComfyUI 節點包，利用 MiniMax H3 的原生圖像參考功能，接收一張人物圖及最多三張部位參考圖，再生成最多 13 個視角。
v1.3.0 加入 MOSS 風格排列與「7 views · hands and feet」預設，並保留 v1.2.2 節點，方便比較改版前後效果。ON 與 OFF 現在共用同一版面配置，Use Layout Image 只決定是否把輔助版面圖傳給 H3，關閉時仍會輸出 None。
安裝節點包後，需要重新啟動 ComfyUI、重新載入瀏覽器，再開啟 v1.3 workflow。每個 Load Image 節點都要選擇已安裝模型及有效圖片，未使用的可選輸入則應中斷連接；模型與圖片不會隨項目提供。測試比較時宜固定 seed，先關閉 Use Layout Image，再按需要切換視角、部位角色與衣物形狀。
這套流程重點是讓參考圖像直接參與 H3 conditioning。代價是 Auto 全尺寸模式可能增加輸出寬度、像素量、處理時間及 VRAM 用量；Manual 則保留指定畫布大小。
適合需要反覆整理角色視覺設定的美術、遊戲角色策劃與 3D 製作團隊。項目文件同時提醒，衣物及 13 視角結果未證明有全面提升，人物殘留、視角缺失或重複，以及衣物與全身混淆仍可能出現；正式採用前應以固定 seed 逐項核對。
HyperFlow H3 Flash 把影片和同步立體聲音效一併生成，並以較少採樣步數及量化版本，讓消費級 RTX 顯示卡也能執行短片生成。
由文字提示生成影片時，HyperFlow H3 Flash 可同時產生同步的 32 kHz 立體聲音效；輸出長度為 5.2 至 15 秒，預設解像度 1344×768、每秒 24 格。它是 Video Rebirth 將 MiniMax-H3 壓縮並改為少步採樣的影片生成模型，適合快速製作帶聲短片。
模型支援三類任務：t2va 由文字生成影片；fl2va 可配合首格，或首尾兩格畫面生成；ref2va 則可參考最多 12 個素材。ref2va 在 GGUF 版本只支援圖片，Python INT8 convrot 版本則支援圖片、影片和音訊，兩種執行方式的素材範圍並不相同。
系統記憶體不多於 64 GB 的個人電腦適合使用 GGUF，並可透過 ComfyUI、Unsloth Studio 或 stable-diffusion.cpp 執行；資料中心 GPU，或配備至少 69 GiB 系統記憶體的 24 GB 以上 RTX 顯示卡，則可選 Python INT8 convrot。項目亦提供 ComfyUI 範本及 GGUF 設定指南。
模型有 4、6 或 8 步採樣，預設 6 步，而且不使用 classifier-free guidance（CFG）。在生成 5.2 秒影片的測試中，4 張 B200 用時 8.7 秒，單張 H200 用時 36 秒，單張 RTX 5090 用時 92 秒；NVIDIA SOL-H3 則支援在 4 張 B 系列 GPU 上即時執行。
模型約有 13.7B 至 13.9B 參數，不到 MiniMax-H3 約 31B 參數的一半；GGUF 的 Q4_K_M 約佔 9.1 GB，可在 24 GB 或 32 GB GPU、搭配 16 GB 系統記憶體的電腦執行，但尚未測試 16 GB GPU。使用時可按任務選擇文字、首尾畫面或參考素材，再依記憶體和 GPU 選 GGUF 或 INT8；追求較快生成則需考慮多卡配置。
ref2va 素材類型，但記憶體需求較高。Google Research 探索從穿戴式裝置的感測數據辨識高血壓跡象，讓日常健康監測有機會補足傳統量度以外的資訊。
由 Google Research 團隊推動的 Health AI 研究，聚焦利用穿戴式感測器捕捉與高血壓相關的身體訊號，處理日常監測不容易持續進行的問題。穿戴式裝置能長時間收集數據，研究方向因此不只依賴單次量度，而是嘗試從連續訊號中尋找風險線索。
這類方法的應用價值，在於把健康觀察融入日常生活。使用者毋須頻繁停下來進行檢查，裝置便可在佩戴期間累積資料，再由模型分析可能與血壓異常有關的模式；不過，辨識跡象不等同於確診，結果仍需要配合正式醫療檢查及專業判斷。
項目內容反映出穿戴式感測器在醫療 AI 中的另一種用途：由被動記錄活動，進一步支援早期風險提示。對研究健康監測、穿戴式裝置或多模態生理訊號分析的人，這個方向可作為了解 Health AI 如何連接消費電子與臨床需求的例子。
模型怎樣回答政治問題，也可以透過訓練改變。Nous Research 嘗試強化西方價值觀，但未證明偏差已消除。
Nous Research (Hermes Agent 開發團隊) 針對模型回答政治敏感問題時的拒答、迴避與敘事立場，推出 Arete-27B。這個模型以阿里巴巴的 Qwen3.8-27B 為基礎，透過後訓練強化團隊所稱的「西方價值觀」。
團隊表示，曾觀察到原模型以中國共產黨（Chinese Communist Party，CCP）的框架作答。其做法是調整模型權重中的行為，而非只在對話中加入提示詞；這代表改變價值取向，不等於令模型變得中立。
「中國開源模型的意識形態偏見層，其實非常薄，而且是在最後階段才被強行貼上去的（The bias layer is shallow. It is applied late, it is applied thin）。」
只要 5,000 萬 tokens 的精準數據，就能把原廠花大代價做的政治對齊剝離得一乾二淨。
這對整個開源世界來說是個極具象徵意義的信號：只要權重是開源的（Open-weight），價值觀的主導權就永遠在使用者手裡。