中国电信开源Xing4.0-29B-Intent意图理解模型，MiniMax发布M3.1 Flash正式版

10 月 20 日，今天值得关注的项目覆盖意图理解、高速模型服务、视频理解、模型记忆与机器人训练：Xing4.0-29B-Intent 将多类信息抽取统一为结构化输出，MiniMax M3.1 Flash 与 Mercury 3 开放高速模型服务，Isaac Lab 3.0 则更新了机器人仿真的后端与任务接口。

★ Xing4.0-29B-Intent

将自然语言转换为带类别和参数的结构化结果，支持多意图与多轮理解。

中国电信星辰团队发布 Xing4.0-29B-Intent，将意图识别与参数抽取放进同一个模型。开发者先定义候选类别和字段，模型便能把“查询明天北京到上海的航班”解析成查询意图、出发地、目的地和日期，并以 category 与 args 组成的 JSON 返回。

模型基于 Xing4.0-29B-A4B 训练，覆盖意图与槽位、实体、关系和事件抽取，支持多意图、多轮对话及中英文输入。官方提供 BF16、FP8 和 GGUF 版本，权重、代码与配套数据采用 Apache 2.0 许可；SDK 可连接自行部署的模型服务，适合工单路由、设备指令解析和业务信息提取。

★ MiniMax M3.1 Flash

支持编程、电脑操作与 Agent 工具调用，以高速推理响应连续任务。

MiniMax 于 10 月 19 日发布 M3.1 Flash 正式版，并确认此前的 Space Bunny 是其早期版本。模型面向编程、电脑操作和连续工具调用，支持 100 万 token 上下文以及图像、视频输入。开发者可以调节思考深度，在任务质量与响应时间之间做选择。

正式版已通过 API、M Plan 和 MiniMax Code 开放，开发者可按自己的工作方式选择接入入口。API 每百万输入 token 为 0.15 美元，输出为 0.60 美元，缓存输入为 0.015 美元。模型权重计划稍后开放，目前可用的是服务接入路径，尚不能下载正式版权重自行部署。

★ Mercury 3

通过扩散方式生成文本，提供百万上下文与兼容 OpenAI 的 API。

Inception 于 10 月 19 日发布 Mercury 3，继续采用扩散式文本生成路线，并提供 100 万 token 上下文窗口。长上下文让一次请求能够容纳更多输入材料；官方测试报告了每秒 1068 token 的生成速度，但这是特定测试条件下的结果，不代表所有请求都能达到同一速度。

Mercury 3 已通过 Inception 平台及 OpenRouter 等渠道提供 API，兼容 OpenAI 接口，可接入已有的助手与 Agent 工作流。标准价格为每百万输入 token 0.20 美元、输出 0.70 美元。当前通过托管服务使用，适合对生成速度敏感、同时需要处理较长材料的应用。

★ VideoJev

直接为视频候选结果评分，完成时间片段定位与选择式问答。

南京大学 MCG 的 VideoJev 基于 Qwen 构建，把视频理解任务转为对候选结果直接评分，而不是先生成一段文字答案。在视频时间片段定位中，模型返回以秒表示的区间；在选择式问答中，则输出候选答案的概率，让结果形式直接对应任务所需。

项目已发布 4B 和 35B-A3B 两档模型权重及代码，采用 Apache 2.0 许可。两种输出适合需要定位片段或比较选项的流程，使用时也要按这种任务形式准备输入。部署除语言模型外还需加载视觉组件，长视频的帧数会影响显存占用，应结合输入长度控制采样规模，不能只按模型参数量估计资源需求。

★ MemT-1.0

把历史信息写入模型记忆状态，支持保存与恢复，减少反复读取历史文本。

MemTensor 的 MemT-1.0 结合动态本地记忆与可训练超记忆，让模型在推理时不必重新读取全部历史文本，并支持记忆状态的保存和恢复。项目提供 Nano 与 Flash 两个版本，分别基于 Qwen3.6-35B-A3B 和 DeepSeek V4 Flash，尝试将持续使用的历史信息纳入模型自身的记忆机制。

这种设计仍有边界：官方指出，精细证据检索仍落后于较强的文本记忆系统。许可需分开看：Nano 权重采用 Apache 2.0，Flash 权重采用 MIT，仓库集成代码则使用禁止商用的 PolyForm Noncommercial 许可。Nano 参考推理方案采用 SGLang 与双 GPU，Flash 需要更多资源，部署前需核对资源和代码使用范围。

★ NVIDIA Isaac Lab 3.0

以统一任务 API 接入多种物理与渲染后端，搭建机器人训练仿真流程。

NVIDIA 于 10 月 20 日发布 Isaac Lab 3.0 正式版。作为机器人训练仿真平台，新版通过统一任务 API 支持多种物理与渲染后端，并支持 Newton 及独立的 Omniverse 库。完整 Isaac Sim 成为可选组件，开发者可以围绕自己的机器人任务选择仿真后端，再组织训练流程。

新版也带来了需要实际处理的迁移变化。从 2.x 升级时，四元数顺序由 WXYZ 改为 XYZW，数据接口也有调整，已有任务不能默认原样兼容。对准备迁移的团队而言，除了安装环境，还应检查旧任务的姿态数据和接口用法。上手主要需要配置仿真后端与机器人任务，仿真训练本身并不要求先准备实体机器人。

★ LoopWAM

将成功、次优和失败的部署轨迹用于闭环机器人策略训练。

LoopWAM 已提供代码与模型检查点，其训练流程把机器人部署中的成功、次优和失败轨迹，与专家演示共同使用。这让训练数据不只来自理想操作，也包含策略执行过程中的不同结果。系统包含 Wan2.2 TI2V 5B 与 ActionDiT 等组件，用于构建闭环机器人策略。

项目方报告，LoopWAM 在 RoboTwin 2.0 的指定评测设置下取得 94.5% 的平均成功率，并提供多个仿真任务与机器人形态的检查点。运行时需组合模型、模拟器和环境资产，实机使用还需适配对应机器人。当前仓库未明确列出项目许可证，商业使用前需核对代码与权重的授权范围。

★ ROSS

筛选历史轨迹中有价值的 token，以离线训练复用已有交互数据。

AllSpark Research 的 ROSS 是一套训练方法与工具，可在强化学习或多教师在线蒸馏后继续利用历史 rollout。审查器先筛选有价值的 token，后续离线 masked SFT 仅在这些位置计算损失，同时保留完整上下文。它复用已有轨迹，无需为这一步训练新增环境交互，但仍需要执行模型训练。

项目以 Apache 2.0 许可提供代码和审查标注脚本，交付的是训练流程，并非可直接聊天的成品模型。使用者需要自行准备模型检查点与历史轨迹，并为标注流程接入审查模型；参考训练还涉及多 GPU 集群。它更适合已有训练产物、希望继续挖掘历史数据价值的团队，数据整理、审查和训练资源仍需纳入成本考虑。