单一来源
当前只有一个可用来源，尚未完成多源交叉核验Day-0 支持：摩尔线程完成 MiniMax H3-Image 图像生成模型适配
IT之家 11 月 11 日消息，摩尔线程今天宣布，公司旗下 AI 训推一体智算卡 MTT S5000 及 MUSA 软件栈，已在昨天（开源当日）适配 MiniMax 图像生成模型 H3-Image。
▲ MiniMax H3-Image 在单张 MTT S5000 上的生成效果IT之家了解到，MiniMax H3-Image 是一款衍生自 H3 的图像生成模型，具备文本生成图像、图像参考和图像编辑能力。
它可在 10 秒内生成一张 4096 × 4096 像素、约 16MP（4K）的高分辨率图像，速度可达市面主流水平的 5 倍，同时呈现丰富、真实的细节，并具备优秀的指令遵循和多参考图理解能力。
针对 MiniMax H3-Image 的核心能力特征，摩尔线程基于 MTT S5000 进行全链路适配和深度优化：扩散类生图与编辑模型注意力机制开销较大，Attention 占比高，尤其在多参考图输入的场景下 Key / Value 膨胀明显，参考图越多开销上升越快。
MTT S5000 凭借高算力密度，可从容承接此类模型在理解与高分辨率生成过程中的高计算负载，充分释放 MiniMax H3-Image 的效能。摩尔线程此前已在 MiniMax H3 模型上，完成了 Attention、GEMM 等核心算子，以及通信与运行时等底层基础设施建设。
此次面对 MiniMax H3-Image，团队结合视觉生成模型优化经验，复用 SGLang、MATE、MCCL 等成熟组件能力完成适配，同时也为后续更多生图、生视频模型的 Day-0 适配奠定了基础。
Evidence
来源与证据
当前仅有一个可用来源，尚未完成多源交叉核验。
- 发布时间
- 内容处理
- AI 翻译 / 摘要，需结合原文核对
相关资讯
三位顶尖物理学家接连在论文中致谢 AI 理论物理研究或迎变革
顶尖理论物理学家爱德华・威滕在其最新关于手征费米子规范理论晶格定义的预印本论文中，公开致谢 Anthropic 旗下的 Claude Opus 5.5 为其提供关键数学构造方案、协助处理诸多研究细节，这并非他首次借助 AI 开展研究，今年 6 月他的另一篇全息理论相关论文就曾披露 Claude 帮助他将特殊场景的计算推广到一般情形。在同一道困扰物理学界数十年的费米子倍增相关难题上，短短一个月内还有另外两位理论物理学家也发布了借助大模型完成的相关预印本成果：Nathaniel Craig 的研究中 GPT-6 Astra 参与了大范围数学推导，还借助 Lean 完成形式化验证，对成果至关重要。S
谷歌最强 VLA 机器人模型：Gemini Robotics 2.5 登场，会系蝴蝶结、已在奔驰生产线上岗
IT之家 11 月 10 日消息，谷歌推出迄今为止能力最强的视觉-语言-动作（VLA）机器人模型 Gemini Robotics 2.5，大幅提升机器人可学习的技能广度与学习速度。该模型增强了机器人的灵巧度、可靠性与安全性，助力机器人走出实验室，进入更非结构化的真实环境，协助人类完成更多类型的任务。谷歌今年早些时候已为包括人形机器人在内的多种机器人引入全身智能。此次进展很大程度上得益于 Gemini 4 Argon 加速机器人研发的能力，进一步拓展了物理智能的边界。谷歌在超过 200 项不同任务中测试了 Gemini Robotics 2.5 的任务广度、性能与复杂度。Gemini Robot
苹果子公司 Claris 正测试「Harbor」应用：将 Mac 变身本地 AI 服务器
首页 > 智能时代>人工智能 苹果子公司 Claris 正测试「Harbor」应用：将 Mac 变身本地 AI 服务器 2026/11/11 8:25:48 来源：IT之家 作者：潞源 IT之家 11 月 11 日消息，苹果全资子公司 Claris 正在测试 Harbor 应用程序。这款 App 可以将苹果芯片的 Mac 变身本地 AI 服务器。 据介绍，Harbor 可以运行在单台苹果芯片 Mac，也可以使用雷雳 5 接口连接多台 Mac，运行规模更大的 AI 模型。苹果已在 macOS Tahoe 26.2 系统中加入雷雳 5 RDMA（IT之家注：远程直接内存访问）支持，使多台设
不靠外部裁判，统一多模态模型学会自己「看图改图」：修复成功率提升到 3 倍，GenEval 0.72→0.84
南洋理工大学、上海交通大学、东京大学的研究者提出 UMM-Reflection 方法，在开源统一多模态模型 BAGEL 上通过「反思 SFT 冷启动 + 整轨迹强化学习」训练完整的多轮「反思 — 修改」轨迹，让同一模型自主完成看图、诊断、修改与停止决策，推理无需外部打分器。该方法将初始错误图像的修复成功率从 20.6% 提升至 64.9%，GenEval 指标从 0.72 升至 0.84，其中空间位置分项从 0.47 跃升至 0.89，在训练未见过的 WISE 等基准上也有明显提升，效果远优于直接对生成器做强化学习。研究证实模型本身本就具备判断图像对错的能力，强化学习的作用是教会模型筛选出真正
AI 翻译、摘要和解读仅用于辅助判断；涉及重要决策时，请回到上方来源核实。