Nvidia在GTC大会上宣布成立Nemotron联盟，旨在共享AI实验室的专业知识和数据，构建基础模型。该联盟的首个项目是Nemotron 4系列基础模型，成员包括Black Forest Labs和LangChain等。Nvidia提供计算资源，参与者可根据需求调整模型。此外，Nvidia还推出了Nemotron 3 Ultra和Nemotron 3 Super模型，后者在性能基准测试中表现优异。

GLM-5是智谱AI与清华大学联合推出的基础模型，拥有7440亿参数，采用异步强化学习，支持多种思维模式，适配中国芯片生态，基准测试表现优异，标志着AI领域的重大突破。

基础模型需要基础工具。大型语言模型（LLMs）虽然强大，但缺乏深度计算和精确知识。Wolfram Language结合计算与知识，通过计算增强生成（CAG）实时提升LLMs功能。现推出三种方法，便于LLMs访问Wolfram基础工具。

基础模型不仅限于ChatGPT，预训练模型在计算机视觉和自然语言处理领域已有应用。现在，这种方法正在重塑时间序列预测，通过在大规模时间数据上预训练，提供强大的零-shot预测能力。文章介绍了五种时间序列基础模型，包括Chronos-2、TiRex、TimesFM、IBM Granite TTM R2和Toto Open Base 1，强调它们在多变量预测中的优势和应用场景。

基础模型改变了时间序列预测方式，提供预训练解决方案，减少模型调整时间。五个关键模型包括：Amazon Chronos-2（成熟选项）、Salesforce MOIRAI-2（通用预测器）、Lag-Llama（开源基础）、Time-LLM（LLM适配器）和Google TimesFM（企业级标准），各具特色，提升预测效率与准确性。

本文讨论了三种大型语言模型（LLM）：基础模型、指令模型和思维模型。基础模型用于模式匹配，指令模型适合执行任务和对话，思维模型用于复杂推理。选择模型时，基础模型适合特定语言，指令模型适合大多数应用，而思维模型适合复杂问题。

Qwen3-VL是阿里推出的多模态基础模型，支持文本、图像和视频等多种数据类型，具备256K上下文处理能力。其核心技术包括频率交错、视觉特征注入和文本时间戳，训练体系完善，表现优异，适用于企业智能应用。

Grab的基础模型通过整合表格数据和时间序列数据，提高了用户行为理解的准确性。该模型基于变换器架构，支持广告优化和欺诈检测等应用。未来，Grab计划推出集中化的嵌入服务，以增强个性化体验。

在过去一年，基础模型的创新迅速发展。Databricks将OpenAI的GPT-5、Google的Gemini等顶尖模型整合到其数据智能平台中，企业可以结合自身数据构建智能代理。AI Gateway简化了多模型管理，提供统一的治理和监控，帮助企业控制成本并提升决策速度。通过Agent Bricks，模型与企业数据紧密结合，提升了智能代理的性能和响应能力。

基础模型(FMs)已演变为AI Agent，具备推理、规划和学习能力，减少人工干预。本文探讨Agent开发的核心模块，包括推理引擎、记忆系统、编排模块和工具接口，强调安全性和可观测性，以支持高效的Agent应用构建。

今天发布了jina-code-embeddings，包含0.5B和1.5B两种参数的代码嵌入模型，支持15种编程语言。0.5B模型在25个代码检索基准中平均表现为78.41%，1.5B为79.04%。这些模型通过对比学习和合成数据训练，展示了在小规模下的优异性能，验证了基础模型的重要性。

根据Berg Insight的研究，2024年生成式人工智能市场将显著增长，基础模型市场价值达41亿美元，开发平台170亿美元，GPU硬件收入1323亿美元。自ChatGPT推出以来，GenAI技术迅速发展，吸引了各行业的投资，主要由大型科技公司主导。

基础模型（FM）支持新型AI代理，实现推理、规划和学习。Amazon Bedrock AgentCore发布，提供安全、快速部署AI代理的服务，包含会话管理、记忆和身份控制等功能，简化开发流程，助力企业自动化复杂任务。

可穿戴设备记录生理和行为信号，有助于改善健康预测。我们利用超过25亿小时的可穿戴数据，开发了行为信号基础模型，该模型在57个健康相关任务中表现优异，尤其在睡眠预测等行为驱动任务中，结合原始传感器数据后效果更佳。这表明基础模型设计需针对可穿戴设备，以推动新健康应用的发展。

苹果WWDC25盛会展示了液态玻璃界面，成为最大亮点。尽管AI未达到预期，开发者们在加州享受阳光，苹果生态系统进入新阶段，基础模型框架降低了开发门槛。

本文探讨了生成性人工智能的十个关键概念，如基础模型、大型语言模型和扩散模型。这些概念有助于工程师和用户理解生成性AI的应用与发展。

大型语言模型（LLMs）在人工智能领域取得了显著进展，但在特定任务上可能表现不佳。通过微调技术，可以将预训练的LLM适应特定数据集，从而提升性能。微调流程包括选择基础模型、数据准备、微调、评估和部署。微调的优势在于领域专业化、任务特定性能、降低延迟和成本，以及提高一致性。成功的关键在于选择合适的基础模型和高质量数据。

穆罕默德·本·扎耶德人工智能大学成立基础模型研究所，设立硅谷、巴黎和阿布扎比实验室，推动阿联酋经济多元化。核心项目PAN为无限模拟世界模型，IFM还推进K2和JAIS系统，后者为先进阿拉伯语语言模型。