MiniMax M2.7 正式开源权重。这是MiniMax M2 系列在 M2.5 之后的新一代旗舰！这一次的突破不只是跑分数字的提升，而是一个真正意义上参与迭代自身的模型的诞生。

资源链接：

• ModelScope：https://www.modelscope.cn/models/MiniMax/MiniMax-M2.7

• MiniMax Agent: https://agent.minimax.io/

• MiniMax API: https://platform.minimax.io/

• Token Plan: https://platform.minimax.io/subscribe/token-plan

如果用一句话概括 M2.7：它不只是一个更强的模型，而是一个开始"进化自己"的模型。

M2 系列在 108 天内完成了 M2 → M2.1 → M2.5 的三连更，而 M2.7 带来了新的范式转变：MiniMax 在研发过程中，直接让 M2.7 参与构建强化学习 Harness 中的数十个复杂 Skills，更新自己的 memory，驱动自身的 RL 训练循环，并基于结果持续优化 Harness 架构——模型开始成为迭代自己的工具。

三大核心能力：

软件工程： SWE-Pro 达到 56.22%，追平 GPT-5.3-Codex，VIBE-Pro 55.6% 接近 Opus 4.6 水平，Terminal Bench 2 达到 57.0%，覆盖日志分析、Bug 定位、代码安全、机器学习、安卓开发等真实工程场景。

专业办公： GDPval-AA 的 ELO 得分 1495，开源模型最高。Excel/PPT/Word 复杂编辑能力显著提升，支持多轮修改和高保真编辑。Toolathon 正确率 46.3% 达全球第一梯队，40 个复杂 skills（>2000 Token）场景下仍保持 97% 遵循率。

互动娱乐： 极大加强人设保持和对话能力，并发布开源项目 OpenRoom，探索 AI 驱动的全新人机互动方式。

M2.7 最核心的技术突破是让模型真正参与驱动自身的迭代循环，这是此前所有版本都未曾实现的范式。

MiniMax 构建了一个研究型 Agent Harness，覆盖数据流水线、训练环境、评测基础设施和持久化记忆。以一个 RL 实验场景为例：

研究员从一个实验想法出发，与 Agent 展开讨论 → Agent 协助文献调研 → 持续跟踪实验规格 → 完成数据流水线对接并启动实验 → 实验运行期间自动监控日志、排查问题、分析指标、修复代码、提 MR、做冒烟测试——过去需要跨团队多人协作的工作，研究员只需在关键决策节点介入。

在 MLE Bench Lite 的 22 个机器学习任务测试中，M2.7 三次测试平均得牌率 66.6%，与 Gemini-3.1 持平，仅次于 Opus-4.6（75.7%）和 GPT-5.4（71.2%）。最好的一次取得 9 枚金牌、5 枚银牌、1 枚铜牌。

下载模型

modelscope download --model MiniMax/MiniMax-M2.7 

SGLang推理

环境安装

uv venv
source .venv/bin/activate
uv pip install sglang

4-GPU部署命令

python -m sglang.launch_server \
    --model-path MiniMaxAI/MiniMax-M2.7 \
    --tp-size 4 \
    --tool-call-parser minimax-m2 \
    --reasoning-parser minimax-append-think \
    --host 0.0.0.0 \
    --trust-remote-code \
    --port 8000 \
    --mem-fraction-static 0.85

SGLang推理指南：https://www.modelscope.cn/models/MiniMax/MiniMax-M2.7/file/view/master/docs%2Fsglang_deploy_guide.md?status=1

vLLM推理

环境安装

uv venv
source .venv/bin/activate
uv pip install vllm --torch-backend=auto

4-GPU推理命令

SAFETENSORS_FAST_GPU=1 vllm serve \
    MiniMaxAI/MiniMax-M2.7 --trust-remote-code \
    --tensor-parallel-size 4 \
    --enable-auto-tool-choice --tool-call-parser minimax_m2 \
    --reasoning-parser minimax_m2_append_think

vLLM推理指南：https://www.modelscope.cn/models/MiniMax/MiniMax-M2.7/file/view/master/docs%2Fvllm_deploy_guide.md?status=1

Transformers推理

环境安装：

uv pip install transformers==4.57.1 torch accelerate --torch-backend=auto

推理脚本

from transformers import AutoModelForCausalLM, AutoTokenizer, GenerationConfig
import torch
MODEL_PATH = "MiniMaxAI/MiniMax-M2.7"
model = AutoModelForCausalLM.from_pretrained(
    MODEL_PATH,
    device_map="auto",
    trust_remote_code=True,
)
tokenizer = AutoTokenizer.from_pretrained(MODEL_PATH)
messages = [
    {"role": "user", "content": [{"type": "text", "text": "What is your favourite condiment?"}]},
    {"role": "assistant", "content": [{"type": "text", "text": "Well, I'm quite partial to a good squeeze of fresh lemon juice. It adds just the right amount of zesty flavour to whatever I'm cooking up in the kitchen!"}]},
    {"role": "user", "content": [{"type": "text", "text": "Do you have mayonnaise recipes?"}]}
]
model_inputs = tokenizer.apply_chat_template(messages, return_tensors="pt", add_generation_prompt=True).to("cuda")
generated_ids = model.generate(model_inputs, max_new_tokens=100, generation_config=model.generation_config)
response = tokenizer.batch_decode(generated_ids)[0]
print(response)

Transformers推理指南：https://www.modelscope.cn/models/MiniMax/MiniMax-M2.7/file/view/master/docs%2Ftransformers_deploy_guide.md?status=1

👇点击关注ModelScope公众号获取
更多技术信息~

作为多学科、系统化的AI4S工程实战宝典，《AI4S实战派》栏目立足开放生态、持续演进，致力于"手把手"带你率先跑通科学大模型，将复杂、多学科的AI模型转化为能跑、能用、能创新的生产力工具，帮助科研人员和开发者零门槛上手，加速科学新发现。

01
密度估计：生成式AI十年进化的主线

02
AI4S 的三维视角：你的视角，决定了AI的力量边界

03
科学的多模态：如何在隐空间里“跨界翻译”？

04
多智能体狂飙：从"加速科研"到"自主科研"的距离

05
冷静思考：狂欢背后的技术卡点

06
🌌 结语与致谢：Hello Universe！科学发现的十字路口

07
🚀 下期预告：深入“物质”的微观腹地

👇点击关注ModelScope公众号获取
更多技术信息~

让大模型真正走进现实世界，是当下最迫切的需求之一。但美好的愿景，在真实的物理环境面前却屡屡碰壁。那些在文本世界里对答如流的通用视觉语言模型（VLM），一旦装进机器人脑子里，常常显得笨手笨脚。

原因很简单——物理世界容不得半点含糊。通用模型平时看图“大差不差”就行，但具身智能需要的是极度精细的三维空间感知，以及涉及到真实物理交互的预测和规划。拿着“做题家”的脑子去干真实的体力活，自然水土不服。

面对这个行业痛点，腾讯混元团队联合腾讯Robotics X实验室开发的HY-Embodied-0.5 系列基础模型交出了一份相当硬核的答卷。这并非是一次在通用大模型上的简单“微调”，而是一场从底层架构到训练范式，完全为“具身智能”量身定制的重构。

这一次，HY-Embodied团队推出了两款主力模型：

• MoT-2B（总参数4B，仅激活2B），采用创新的混合 Transformer（MoT）架构，主打端侧部署和实时响应。

• MoE-32B（总参数407B，激活32B），追求复杂推理与极致性能。

为了让 AI 真正“看懂”物理空间并做出准确反应，团队在架构、数据组织和训练流程上做出了大量创新。

他们不仅采用了原生分辨率的视觉编码器，还针对性地采用了 Mixture-of-Transformers (MoT) 架构，并引入视觉潜在Token机制，进一步强化了视觉与语言空间的对齐。

在训练端，模型先由超过100M的高质量具身专属数据打底，并引入迭代式后训练范式，应用了拒绝采样微调、强化学习、在线蒸馏等方案，驱动模型思维链自主进化，并将大模型的能力高保真地“压缩”传授给仅有 2B 激活参数的轻量级变体。

HY-Embodied系列模型不仅在开源Benchmark上达成了断层式的领先，更在物理实操中证明了自己绝非纸上谈兵：通过将VLM底座应用在VLA（视觉-语言-动作）模型，直接让其接管现实世界中的机器人控制。

在涵盖感知、推理、规划的22项权威评测榜单中，HY-Embodied-0.5 展现了极其恐怖的战斗力。小身板的 MoT-2B 模型共取得16项最佳，超越参数更大的通用底座 Qwen3-VL-4B 和具身专属模型 RoboBrain2.5、MiMo-Embodied等。

HY-Embodied-0.5 2B参数量评测结果

而完全体的 MoE-A32B在具身测评标准下的综合成绩与目前的行业标杆 Gemini 3.0 Pro等抗衡。

HY-Embodied-0.5 旗舰模型评测结果

除了领先的评测性能，2B小模型也有不错的使用体验。在视觉感知和具身任务上，不仅有准确的结果，还有清晰合理的推理过程。

将更强的VLM基座应用到机器人实机任务上也能取得更好的效果。预训练的HY-Embodied-0.5基座（右图）相比基线模型（左图）在下游机器人控制任务上更加稳定可靠。

使用相同动作训练数据，在打包、堆叠、悬挂三个实机任务上 ，HY-Embodied基座相比与pi0和pi0.5初始化的模型能取得更好的效果。

多模态训练中，由于视觉信号信息量极大，模型在拼命“看懂”图像时，往往会挤占原本属于语言的参数空间，导致“看图厉害了，说话变笨了”的灾难性遗忘，这在2B规模的端侧模型上尤为明显。

HY-Embodied-0.5在架构上致力于实现模态自适应与无损感知。也就是说，端侧模型不仅要在不丢失信息的前提下看清输入，还要让视觉和语言“各司其职”，在互不干扰中实现性能翻倍。

HY-Embodied-0.5 MoT-2B 架构图

为了打破端侧小模型的性能瓶颈，HY-Embodied 在基础 VLM 架构上进行了深度重构，其核心包含三个关键部分：

HY-ViT 2.0（原生分辨率视觉编码器）：

HY-ViT 2.0 不仅原生支持任意分辨率输入，还针对端侧专门打造了 400M 参数的高效版本。它通过从更强大的内部大模型进行知识蒸馏，并引入视觉重建监督和微型 LLM 的语言监督，确保喂给大语言模型的视觉信号做到信息损失最小化。

MoT 计算与双向注意力（混合 Transformer 架构）：

为了让视觉和语言不打架，模型引入了 MoT 机制，为视觉分支赋予了非共享参数。具体而言，它复制了语言模型的 FFN 和 QKV 参数并用预训练权重初始化，专门交由视觉 Token 计算。这使得模型参数量翻倍但推理效率几乎不受影响。同时，由于图像不具备语言那种单向序列的特性，模型专门为视觉 Token 解锁了独立的全向（双向）注意力机制，并引入视觉 Next-code 预测任务（利用将每个 8x8 图像块压缩为单一代码的 2k 离散词表作为监督），提供更强的视觉监督信号。

Visual Latent Tokens（视觉潜在视语桥梁）：

受潜在思维机制的启发，HY-Embodied-0.5在每一个视觉输入序列（如图片或视频帧）的末尾，都追加了一个专属的“视觉潜在 Token”。在预训练阶段，这些 Token 会直接接受来自超大 ViT 全局特征的监督。它们就像是连接视觉与文本内容的桥梁，极大地拉升了端侧小模型的整体感知容量和细粒度理解能力。

HY-Embodied-0.5 团队希望模型能够像真实的物理智能体（Agent）一样，建立从“立体空间感知”到“逻辑规划执行”的完整认知链路。为了给模型注入真实的物理直觉，HY-Embodied-0.5 摒弃了零碎的数据堆砌，将海量基础视觉数据与高度专业的具身、空间认知数据进行了深度整合：

视觉感知：

视觉感知数据系统性地为模型构筑了全方位、多维度的“底层视觉理解”能力。从宏观的二维与三维全维检测、感知物理环境的深度估计，到微观的高分辨率语义分割，乃至极具挑战的密集目标指向与精确计数。这些数据让模型不仅建立起了对复杂场景像素级的精准把控，更为后续精细化的具身物理操作奠定了坚实可靠的视觉锚定基础。

空间感知：

空间感知数据系统性地注入了专为三维环境打造的“空间感”。从几何深度、空间拓扑，到跨视角的物理对应，乃至严苛的绝对物理度量。这些数据让模型彻底打破了二维像素的局限，建立起了真实的立体几何直觉。

具身感知：

HY-Embodied-0.5 将真实世界的物理操作数据拆解为严密的三个层级：感知、语义理解与高级规划。它涵盖了从基础的视觉锚定、可供性预测，到提取自真实机械臂第一视角的长视野动作推理与轨迹预测。通过这些数据，模型不仅学会了评估当前的任务状态，还能在包含视觉谜题和直觉物理规律的复杂场景中，精确生成下一步的动作序列。

HY-Embodied-0.5训练数据组成

HY-Embodied-0.5 在训练范式上致力于实现“从基础感知到深度思考，再到端侧部署”的完美闭环。也就是说，模型不仅要在海量数据中打好视觉和语言的地基，还要通过自我演化真正掌握长链条逻辑推理能力。

HY-Embodied-0.5训练流程

为了培养出既懂常识又具备强悍具身推理能力的模型，HY-Embodied 设计了一套多阶段、渐进式的深度训练配方。

首先，模型在海量多模态语料，以及空间和具身数据中提升自身感知能力，按照数据质量和规模分为预训练（Pre-train，超过600B token）和中程训练（Mid-train，超过30M条数据）两部分，打好模型的认知地基。紧接着的监督微调（SFT）更在高质量的推理数据中激发模型的推理能力。

强化学习与自我演化

为了让模型在复杂的具身任务中找到最优行动策略，HY-Embodied-0.5引入了基于 GRPO的强化学习。通过设计与具身任务紧密相关的奖励，配合不对称裁剪等控制手段，鼓励模型自由探索出更好的行为模式。

为了让模型在复杂的具身任务中找到最优行动策略、获得自我进化的推理能力，HY-Embodied-0.5引入了一系列专为具身任务优化的后训练流程。在训练过程中，先利用强化学习鼓励模型自由探索出更好的行为模式，而后引入迭代式的自我演化范式。模型通过拒绝采样微调（RFT），将模型评判出的高质量推理过程保留下来，巩固了模型的思维模式，将偶然的成功转化为可靠的能力。更进一步，HY-Embodied-0.5通过引入在线蒸馏策略，让端侧小模型自己先尝试输出，大模型则直接针对小模型“犯错的节骨眼”进行实时指导，将大模型的能力转移给更紧凑的端侧模型。

基座模型是通向真实世界Agent的重要基础。LLM Agent在解决复杂抽象问题上已经展现出了惊人的推演能力与想象力，但我们更迫切地希望，模型能在更广阔的物理现实中大展拳脚。正如HY-Embodied系列模型所探索的那样，大模型的认知链路正在被成功延伸至物理实操与机器人控制中。期待在未来，随着具身智能基座的不断演进，AI能够真正跨越虚实边界，在真实世界中落地更广泛、更深远的应用。

点击阅读原文，即可跳转模型链接~

👇点击关注ModelScope公众号获取
更多技术信息~

4月6日，随着训练营结业仪式圆满结束，为期三天的“中国云谷”高校训练营暨ROS春季学校在云谷中心正式落下帷幕。本次活动由机器人操作系统（ROS）教育基金会主办，萝卜园具身智能生态社区、云谷中心、魔搭社区承办，汇聚云深处科技、智元机器人、智谷未来等企业力量，聚焦具身智能主题，为来自全国的100名高校学子打造了一场集“工业级平台+真实场景+系统级工程”于一体的沉浸式学习体验。本次训练营见证了学生们对具身智能的学习热情，也感受到“从课堂到产业”这条人才培养新路径正在一步步走深走实。

亲手“操练”机器狗与人形机器人，告别具身智能“纸上谈兵”

此次训练营引入云深处科技的四足机器人（机器狗）和智元机器人的灵犀X2双足机器人（人形机器人）等平台，让平时难以接触高端实体机器人的高校学生，亲手体验操作、调试设备的感受。在课程设计上，训练营设置了“四足机器人系统实训”与“人形机器人系统实训”两大模块。从传统运动控制到强化学习实操，从ROS2系统搭建到二次开发实践，全部基于行业真实工程任务。学员们在导师指导下，完成了现场导师设置的各项场景化考核，真正实现了从“算法设计”到“实体机器人运行”的全流程跨越。

云深处科技、智元机器人、智谷未来等企业专家授课，3天掌握具身智能实战技能

本次训练营采用“小班制+导师制”，由云深处科技、智元机器人、智谷未来等企业的技术专家全程授课。在四足机器人课程中，学员们从基础操作入手，逐步掌握二次开发接口使用，强化学习模型部署、感知系统调试等核心技能；在双足机器人课程中，学员们从机器人操作系统（ROS）入手，重点学习了机器人操作系统的结构与运作逻辑，并且结合大模型进行基于仿真系统的实践；随后，学员们围绕灵犀X2的架构解析、二次开发接口使用、运动控制与感知决策协同等内容展开实践，最终通过小组协作完成复杂任务。

这种“动手+实用”的实战模式，让学员们在短短三天内，不仅掌握了ROS2系统开发的核心技能，更建立了团队协作与工程思维。

结业不落幕，“中国云谷”高校训练营将继续交出科产教融合新答卷

训练营结业仪式上，杭州紫金港科技城管理委员会党工委副书记、主任徐东旭和机器人操作系统（ROS）教育基金会主席张新宇教授为本次训练营的学生授予结业证书。西湖大学赵世钰教授、杭州云深处科技教育行业副总监徐刘玉、智元机器人技术生态专家韩俊带来的行业前沿报告，让学员们真切感受到了产业发展的强劲脉搏。

这不仅是一次技能集训，更是一次技术、产业与人才的深度对接，从课堂到产业，从技术到生态——“中国云谷”高校训练营，正在为AI未来蓄力。期待更多AI新生力量的加入，共筑AI产业生态。

“中国云谷”高校训练营是云谷中心和紫金港科技城共同打造的 AI 科产教融合发展标杆项目，链接高校学生、产业生态、政策扶持，构建“技术学习—场景认知—产业对接”的产业联动机制，推进人才链、产业链、创新链深度融合，为 AI 生态引育未来力量。

今年云谷中心和魔搭社区将继续推进“中国云谷”高校训练营，持续推出更多AI专题课程，魔搭社区作为全国最大的开源模型平台，将为训练营提供丰富的前沿大模型资源、低代码开发工具及算力支持，助力学员降低 AI 开发门槛，实现从理论到应用的快速转化，打造开放协同的 AI 创新实践基地。欢迎高校学生、AI爱好者、AI教育企业持续关注，一起加入这场从课堂到产业的实战之旅。

👇点击关注ModelScope公众号获取
更多技术信息~

当 Chinese FineWeb 系列数据集在通用中文 AI 领域持续发光发热时，OpenCSG 悄然完成了一次战略转身——从通用语料走向垂直行业，从语言模型基座延伸到产业智能底座。

2026 年 3 月，OpenCSG 正式开源 CIMD（Cross-Source Industry Corpus for Iron Ore, Mining, Metallurgy, Policy, and Market Intelligence），一个面向铁矿石及矿冶产业链的跨来源文本数据集。这不仅是 OpenCSG 数据战略的重要升级，更是行业 AI 从“能说话”到“真懂行”的关键一步。

为什么是铁矿石？垂直行业 AI 的破局之道

在大模型热潮席卷全球的今天，一个残酷的现实正在浮现：通用大模型虽然能够流畅对话，但面对专业行业问题时往往“隔靴搔痒”。

以铁矿石产业为例，一个看似简单的问题“某地区铁矿石开采是否符合环保政策”，实际上需要同时调用法律法规层面的国家环保法律、地方政策文件和行业管理办法，技术标准层面的采选工艺标准、排放标准和安全生产规范，学术研究层面的矿石品位分析、选矿技术论文和环境影响评估，市场信息层面的产能产量数据、价格走势和企业经营状况，以及舆情观点层面的行业协会报告、券商研究和公众舆情。

传统的单一来源数据库只能回答局部问题——政策库侧重制度依据，论文库侧重技术原理，市场库侧重价格信号。而行业实际问题往往同时依赖法规边界、工艺机理、企业行为和市场环境，需要跨来源的连续证据链。

这正是 CIMD 的核心价值所在：将制度文本、技术文本、研究文本、经营文本和市场文本放入同一数据体系，让 AI 能够像行业专家一样进行“制度依据 + 技术材料 + 市场证据”的联合推理。

CIMD 核心特性：不只是数据堆砌，而是行业知识体系

跨来源整合：打破数据孤岛

CIMD 最大的创新在于跨来源整合。在制度层面，数据集包含 99,496 条法律法规记录，覆盖行业规章与管理办法、政策文件与行业指导。在学术层面，汇集了 28,266 条中文期刊论文、58,221 条国内会议论文、37,961 条博士学位论文，以及来自 International Journal of Mining Science and Technology 和 International Journal of Minerals, Metallurgy and Materials 的 32,215 条国际期刊文献。在产业层面，整合了科研院所报告 5,143 条、行业协会报告 4,664 条、券商与投行研究 2,343 条、企业经营信息 11,656 条、产能产量数据 6,282 条和市场交易数据 1,405 条。此外还纳入了 31,178 条社会公众与自媒体舆情。

这种跨来源结构使得同一主题可以在多种来源之间形成连续证据链，减少跨库拼接带来的语义割裂和上下文缺口。

权威来源支撑：质量与可信度的双重保障

CIMD 汇集的不是随意爬取的网络文本，而是具有代表性的权威文本。来源主体包括国家法律法规、行业标准、学术期刊、科研院所、行业协会和券商机构，专业深度覆盖铁矿石资源、采选加工、烧结球团、炼铁生产等完整产业链。每条记录都保留 source_details 字段，可以回溯到原始来源。这种权威性使得基于 CIMD 训练的模型在专业深度、行业可信度和实际应用价值上具备更高上限。

完整数据体系：不是文件汇总，而是知识图谱

CIMD 的数据组织不是简单的文件堆积，而是围绕铁矿石及矿冶产业链建立的完整行业数据体系。整个体系包含 9 个一级分类、42 个二级分类和 335 个三级/四级来源节点，覆盖法律文件与法规依据、行业规章与管理办法、政策文件与行业指导、行业标准、专利与知识产权、学术与培训资料、互联网舆情与观点分析、企业经营与运营信息、行业研究与市场报告等核心门类。这种体系化组织为专题扩展、增量采集、行业补数、基准任务设计和数据资产编目提供了结构框架。

元数据完整：从“能用”到“好用”的关键

CIMD 在每条记录中保留了丰富的元数据字段，包括 file_id、data_id、title、source_type、author、original_time、content_time、language、keywords、license_type 和 source_details。使用者可以按来源筛选只使用法律法规或只使用学术论文，按时间过滤获取特定时间段的政策变化，按语言分类进行中英文分离或混合使用，还可以将检索到的文本片段回溯到原始文件。对于长文档检索、来源归因、审计留痕、授权控制、质量抽检和数据资产管理，这类记录级元数据比单纯正文更有操作价值。

数据规模：38 万+记录，覆盖完整产业链

当前公开版本统计：

项目	数值
有效 JSONL 记录	382,425 条
去重文件数	57,622 个
子集数量	11 个
来源类型	52 种
数据体系层级	9 个一级分类，42 个二级分类，335 个三级/四级节点

从语言分布来看，中文记录占 60.7%（232,169 条），英文记录占 30.1%（115,113 条），其他语言占 9.2%（35,143 条）。从来源类型来看，期刊论文最多达 116,926 条，其次是国家法律法规 95,394 条、学术出版物 57,492 条、学位论文 38,075 条、社会公众与自媒体舆情 31,178 条、企业基本信息 11,656 条、产能与产量数据 6,282 条、科研院所报告 5,143 条、行业协会报告 4,664 条和国内产业政策 2,393 条。

技术亮点：对标国家数据标准，面向可信流通

CIMD 的数据组织方式与国家数据局和全国数据标准化技术委员会发布的《高质量数据集 建设指南》《高质量数据集 格式要求》《高质量数据集 分类指南》《高质量数据集 质量评测规范》以及《国家数据基础设施建设指引》等系列标准保持同向。数据集将标识、来源、分类、时间、授权和来源说明直接放在记录体内，而不是外部台账，使得同一份快照可以直接进入数据目录编制、质量抽检、授权审计、责任追踪和可信流通流程，不需要在语料之外再补一套独立的元数据体系。这种设计使得 CIMD 不仅是一个研究数据集，更是一个符合国家数据基础设施建设方向的行业数据资产。

应用场景：从检索到 Agent 的全链路支撑

CIMD 的设计目标是直接可用于模型与应用，当前公开版本以统一 JSONL 格式发布，可直接进入：

场景一：垂直领域 RAG 系统

以铁矿石产业智能问答助手为例，当用户询问“2024 年铁矿石进口政策有哪些变化”时，系统可以沿着法律法规库、政策文件库、行业研究库到市场数据库的检索路径，基于跨来源证据链生成完整答案并标注来源。统一的 JSONL 格式可以直接接入向量数据库，完整的元数据支持精确过滤和来源归因，跨来源结构天然适配多跳推理。

场景二：行业 Agent 工作流

在矿企合规审查 Agent 的应用中，系统需要评估某矿企的环保合规性。完整的工作流包括检索相关法律法规和政策文件、查询企业经营信息和产能数据、对比行业标准和技术规范、分析舆情和行业研究报告，最终生成合规评估报告。完整的数据体系可以支撑这种复杂推理链，权威来源保证结论可信度，元数据则支持审计和责任追溯。

场景三：领域继续预训练与 SFT

在构建铁矿石产业垂直大模型时，预训练阶段可以使用全量 38 万+记录进行领域知识注入，SFT 阶段基于法规问答、技术问答、市场分析等构建指令数据，评测阶段则使用 CIMD 构建行业基准测试集。中英文混合语料提升多语言能力，跨来源结构增强知识融合能力，完整元数据支持数据筛选和质量控制。

场景四：文档智能与知识抽取

在产业知识图谱构建中，CIMD 可以支持矿企名称、矿区地点、技术术语等实体识别，企业-产能、政策-影响、技术-应用等关系抽取，以及政策发布、产能变化、市场波动等事件抽取。52 种来源类型覆盖完整产业链，丰富的关键词字段辅助标注，时间字段则支持时序分析。

从 Chinese FineWeb 到 CIMD: OpenCSG 的数据战略演进

如果我们回顾 OpenCSG 的数据开源历程，会发现一条清晰的战略演进路径：

第一阶段：通用中文语料（Chinese FineWeb 系列）

这一阶段的目标是为中文大模型提供高质量预训练语料。Chinese FineWeb 被清华大学论文选为 L1 层基础数据，支撑了 CMU H-Net、MiniCPM4 等多个前沿模型，成为中文 AI 研发的必备资源。这一阶段的特点是通用、大规模、高质量。

第二阶段：垂直行业语料（CIMD）

这一阶段的目标是为行业 AI 提供专业知识底座。CIMD 实现了从通用走向垂直、从单一来源走向跨来源整合、从语料库走向知识体系、从研究数据集走向数据资产的创新。这一阶段的特点是专业、权威、体系化、可信。

这种演进反映了 OpenCSG 对 AI 发展趋势的深刻洞察：通用大模型是基础，垂直行业 AI 是未来。

开源承诺：商业友好，推动产业智能化

CIMD 采用 OpenCSG 数据集许可协议（OpenCSG Dataset License Agreement）。在 Hugging Face 和 OpenCSG 平台的仓库 metadata 中，license 字段标注为 other，表示本数据集采用平台预设列表之外的自定义许可协议；数据集的实际许可条款以 OpenCSG 数据集许可协议为准。

该协议明确支持商业用途。使用者可以将数据集用于研究、评测、验证、内部开发、模型训练、模型微调、检索增强、质量分析和合规审查等场景。如果计划将本数据集、基于本数据集训练或增强的模型、系统、Agent、API 服务或商业产品用于商业场景，需要遵循该协议的相关条款。OpenCSG 的开源核心理念：既要保护数据来源方的合法权益和知识产权，又要为行业 AI 发展提供必要的数据支撑。通过清晰的授权边界、完善的合规要求和灵活的商业许可机制，CIMD 为企业合规使用行业数据、构建垂直 AI 能力提供了可信路径。

数据获取与使用指南

通过 Git 获取（推荐）

git lfs install
git clone https://opencsg.com/datasets/OpenCSG/CIMD.git
cd CIMD
git lfs pull

使用 ModelScope datasets

frommodelscope.msdatasetsimport MsDataset
dataset = MsDataset.load(
    dataset_name="CIMD",
    namespace="opencsg",
    subset_name="state_laws",
    split="train",
)

11 个子集说明

子集名称	记录数	文件数	内容
state_laws	99,496	7,300	法律法规、规章制度、政策文本
domestic_conference_papers	58,221	18,826	国内会议论文与会议资料
doctoral_dissertations	37,961	804	博士学位论文
public_opinion	30,705	9,427	舆情与观点资料
chinese_journals	28,266	6,412	中文期刊论文
international_journal_of_mining_science_and_technology	16,824	2,435	英文学术期刊
international_journal_of_minerals_metallurgy_and_materials	15,391	2,461	英文学术期刊
industry_research_reports	14,319	1,182	行业研究、券商、企业与产能相关材料
sintering_and_pelletizing	9,558	3,783	烧结球团专题资料
ironmaking	8,002	3,871	炼铁与生产专题资料
books	63,682	1,121	图书资料

使用注意事项

当前统计为解析记录数，不等同于去重后的原始文档数。子集通过 Git LFS 管理，clone 后需执行 git lfs pull。不同来源之间可能存在重复、近重复或解析噪声。时间字段可能表示发布时间、内容时间或抽取时间，需结合具体记录判断。用于训练、分发或商用前，需结合来源信息核验实际授权范围。

展望：从铁矿石到更多行业

CIMD 的发布只是 OpenCSG 垂直行业数据战略的第一步。从数据体系的设计来看，这套方法论具有很强的可复制性和可扩展性。它可以复制到能源行业（石油、天然气、新能源）、化工行业（石化、精细化工）、金融行业（银行、证券、保险）、医疗行业（临床、药品、器械）等领域。同时，这套体系还可以在时间维度上持续更新构建时序数据集，在深度维度上增加更多细分领域和专题，在广度维度上扩展到上下游产业链，在质量维度上引入更精细的质量分层。

OpenCSG 正在探索的，是一条从通用 AI 到行业 AI、从语料库到知识体系、从研究数据集到数据资产的完整路径。

结语：行业 AI 的基础设施，从数据开始

当我们谈论 AI 在产业中的落地时，往往聚焦于模型架构、算法优化、算力投入，却容易忽视一个更基础的问题：行业 AI 需要什么样的数据？

CIMD 给出了一个清晰的答案：行业 AI 需要的不是简单的网络爬虫数据，而是权威来源的专业语料；不是单一类型的文本堆积，而是跨来源整合的知识体系；不是只有正文的纯文本，而是带有完整元数据的数据资产；不是封闭的研究数据集，而是商业友好的开源资源。

OpenCSG 通过 CIMD 的开源，正在做一件具有战略意义的事情：为行业 AI 构建数据基础设施。

这不是终点，而是起点。当越来越多的垂直行业拥有像 CIMD 这样的高质量数据集，当数据的组织方式从“文件堆积”升级为“知识体系”，当数据资产的流通从“封闭私有”转向“可信开放”，我们才能真正实现 AI 技术从实验室到产业的跨越。

CIMD 的开源，是行业 AI 从“能说话”到“真懂行”的关键一步。

引用格式：

@dataset{opencsg_cimd_2026,
  title        = {CIMD: A Cross-Source Industry Corpus for Iron Ore, Mining, Metallurgy, Policy, and Market Intelligence},
  author       = {OpenCSG},
  year         = {2026},
  url          = {https://opencsg.com/datasets/OpenCSG/CIMD},
  note         = {OpenCSG dataset repository}
}

社区地址

OpenCSG社区：https://opencsg.com/datasets/OpenCSG/CIMD

魔搭社区：https://modelscope.cn/datasets/opencsg/CIMD

Hugging Face：https://huggingface.co/datasets/opencsg/CIMD

点击 阅读原文，直达数据集详情~

👇点击关注ModelScope公众号获取
更多技术信息~

3月21日-22日，由魔搭社区ModelScope主办，南京市人民政府、江苏省人工智能学会支持，阿里云承办的 “智汇金陵 · AI开源人才峰会暨魔搭开发者大会” 在南京建邺 · 国际青年文化中心 隆重举行。

其实早在19、20号，不少南京的小伙伴就已经提前感受到了活动的浓度，在国金中心、QQ桥、河西金地广场、地铁站......里撞见了大会的身影——感谢南京给搭友们的排面！

正式开启的两天里，AI Hackathon Tour 高校联赛 2026 总决赛、江岛派对·搭友之夜、峰会主论坛、九场平行论坛、150+展项展区依次铺开——一场关于AI开源生态、开发者和未来人才的全景式聚会，就此展开。

AI开源人才峰会 · 主论坛：

从政策、生态到愿景，打开AI开源的新坐标

3月22日上午召开的 AI开源人才峰会 主论坛是整场大会最集中的思想表达场。江苏省副省长沈剑荣、南京市市长李忠军分别致辞，从区域战略、产业布局和人才政策等多个层面，释放出江苏、南京面向AI时代的清晰信号；南京市最新AI产业与人才政策也通过视频形式正式发布，以更有力度的支持体系回应创新与创业需求。

主旨演讲与重磅发布把现场气氛推向高潮。阿里巴巴合伙人、魔搭社区发起人周靖人系统回顾了魔搭社区三年来的成长：开发者突破2500万，托管17万个高质量模型，MCP广场汇聚9200个Server、累计调用16亿次，创空间沉淀上万个AI创新应用。与此同时，Skills中心、OpenAPI、“模型宇宙”和“AI开源人才全息画像”等新能力也在现场集中亮相，进一步把模型、工具、开发者与人才评价体系连接起来。

魔搭社区发起人周靖人发表

 “魔搭社区：开源开放，共创共赢” 主旨演讲

大会现场，正式成立魔搭社区开源发展委员会，为社区长期、中立、可持续发展提供支撑。

魔搭社区开源发展委员会发布仪式、首批委员代表合影留念

后半程，周志华院士围绕AI时代OPC发展给出深度剖析。他指出，根据机器学习“没有免费午餐定理”，通用大模型无法包打天下，特定应用场景加定制化算法模型正是OPC的黄金赛道。周院士总结OPC成功两要素：发现痛点明显的特定场景、从开源社区获取定制化能力。

周志华院士发表 “关于人工智能OPC的思考” 主旨演讲

王怀民院士主持的高峰对话，围绕"中国AI开源生态的底气和愿景"，与 浙江大学吴飞教授、北京智源人工智能研究院 林咏华副院长、清华大学 翟季冬教授、北京大学 刘譞哲 教授、智元机器人合伙人 姚卯青 五位嘉宾展开深度讨论。底气来自硬核数据：中国开源模型Token调用占全球61%，开放大模型权重使用量从1.3%跃升至30%；优势浓缩为五个关键词：制造业、场景、人才、产业、协同；而关于未来，王怀民院士给出一个标志性观点——中国将从Open Source走向Open Resource，开放那些真正能激发群体创新的资源。

完整对谈实录详见：《中国人工智能开源的底气和愿景》对谈实录

圆桌对谈 “中国AI开源生态的底气和愿景” 

除了观点分享，主论坛现场还集中呈现了多项重磅发布与阶段性成果，使整场活动既有思想高度，也有落地成果的鲜明展示。

AI Hackathon Tour 高校联赛 2026 颁奖 环节，中国科学院院士 王怀民、周志华，阿里巴巴合伙人、魔搭社区发起人 周靖人老师为金奖团队颁奖。江苏省省长刘小涛、南京市委书记周红波、与三位颁奖嘉宾、获奖选手共同点亮"AI能量魔方"，象征AI创新力量在南京汇聚迸发。

AI Hackathon Tour 高校联赛 2026 金奖颁奖仪式

大会重磅发布《EAI-100中国具身智能2025年度百项代表性成果与人物榜单》，8大维度、100项硬核成果记录中国具身智能从数字世界走向物理世界的里程碑。"先锋人物"榜单致敬在理论、技术与产业无人区刻下中国坐标的开路者；"学术新锐"聚焦平均年龄不到28岁、已在国际顶会崭露头角的年轻力量；六大项目类榜单涵盖算法、数据集、机器人系统等60项落地成果。南京市市长李忠军为先锋人物颁奖；南京市副市长许峰、阿里云公共事务总裁陶雪飞、阿里云市场营销总裁刘湘雯 为学术新锐代表颁奖。

EAI-100榜单发布详见：见证物理世界的觉醒：《EAI-100 具身智能领域2025年度百项代表性成果与人物》重磅发布

AI Hackathon Tour 2026总决赛：

年轻人的创意，真正站上了舞台中央

如果主论坛是在回答“AI开源生态走向哪里”，那么在3月21日先行的 AI Hackathon Tour 2026 总决赛回答的，则是“这股力量由谁来推动”。

这场横跨全国、历时100余天的挑战，由魔搭社区与Datawhale联合发起，覆盖11所顶尖高校，吸引5600+开发者参与，最终232位选手、57支队伍进入全国总决赛，410份创空间Demo从众多作品中脱颖而出。

决赛现场最打动人的，不只是项目的数量，更是作品背后对真实问题的关注与回应。无论是面向穿戴设备的「WearVision-穿上想象力」，聚焦情感陪伴场景的「心迹 Whisper」，还是为阿尔茨海默症患者提供 AI 电话预警服务的「勿忘我」，都展现出年轻开发者在技术落地、社会价值与产品想象力之间的综合思考。

这场比赛的意义，还在于它并没有停留在“比赛”本身。决赛优胜队伍的项目被选送至央视“赢在AI+”栏目获得更多曝光与关注，南京城投对行业与生产力变革赛道金奖项目给予了投资支持，意味着优秀创意有机会进一步走向产品化和产业化。对很多年轻开发者来说，这不只是一次比赛收官，更是一次从作品到机会的起点。

更多AI Hackathon Tour 2026 决赛精彩记录详见：

燃爆！AI Hackathon Tour决赛收官：院士加冕、获百万投资，57支战队巅峰对决

平行论坛：九大主题并行展开，把技术讨论推向更深处

在3月22日下午进行的平行论坛延续了主论坛的热度，也把讨论进一步切分到更具体、更专业的技术现场。九场论坛围绕 LLM基础模型、AIGC多模态、Agent及工具链生态、Agent应用、科学智能、具身智能、硬件智能、AI原生时代的人才发展、AI PC论坛方向展开，让不同领域的开发者都能找到自己的关注点。

从“LLM基础模型：基座之上，智能涌现”，到“AIGC多模态模型：万物可生成，创意无边界”，再到“Agent及工具链生态：OpenClaw冰山之下”、“Agent应用：OpenClaw龙虾家长会”、“科学智能：回归基础，探究前沿”、“具身智能：走进物理世界”......这些主题本身就说明了一件事：AI技术的重点，正在从单点突破转向系统协同，从模型能力转向应用、工具、硬件和人才共同构成的生态能力。平行论坛的价值，也正是在这里——把抽象的趋势，拆解成具体的经验、方法和路径。

LLM基础模型：基座之上，智能涌现

• 回放合集：https://space.bilibili.com/1069874770/lists/7755929

• 精彩剪影：

<<  滑动查看下一张图片  >>

展区：148个展项，把“能看见的AI”摆到了现场

论坛讲的是“观点”，那展区讲的就是“落地”。本次大会共呈现148个展项，其中包括74个技术/企业项目展项、9个政策展项、60个黑客松项目等，集中展示了平台能力、工具链整合与生态成果，也让开发者和企业对“可即用、可共建”的AI基础设施有了更直观的理解。

本次展区设计最鲜明的特点，是没有只把AI放在“模型”一层，而是延展到了更完整的生态链条。大模型、具身智能、AI+硬件、Agent/MCP/Skills、科学智能等多方向同时铺开，观众可以在现场看到从底层能力到实际应用、从科研工具到产业产品的完整路径。尤其在具身智能展项，覆盖了灵巧手、力控关节、整机演示和教学体验，让“走向物理世界”不再只是一个概念。

<<  滑动查看下一张图片  >>

搭友之夜：把“见面”变成“连接”，把“交流”变成“同类相遇”

两天大会中最令人难忘的，或许是落在江心洲"人才岛"灯塔咖啡的搭友之夜。邀约制入场，氛围纯粹，也更容易聊到真正关心的事。

没有开场致辞，没有PPT，节奏交给碰面本身。江风、灯塔、咖啡香，加上轻松的互动游戏，让人不必围绕名片寒暄，而是在更自然的状态下完成认识和连接。更有神秘嘉宾到场颁奖，又让现场多了一层被看见的温度。

搭友之夜的主题说"开发者是岛屿，开源连接成海"——这晚它做到了。不是一场派对，而是一次让同类找到同类的连接器。

结语：看到的是热度，也是生态的轮廓

智汇金陵，不止于两天的狂欢。这场大会让“AI开源人才峰会”不再只是一个标题，而成为一套可以被看见、被感知、也被继续延展的生态现场。

开源的力量在于每一个“你”的加入。魔搭社区将持续夯实大模型基础设施，激发人才活力，共建AI开源的繁荣生态。

我们下一站再见 👋

👇点击关注ModelScope公众号获取
更多技术信息~

目前，OpAgent 已登陆魔搭社区（ModelScope）创空间，并同步开源了 OpAgent-32B-INT4 量化模型，显著降低了推理门槛。

魔搭 OpAgent 在线体验空间：

https://modelscope.cn/studios/codefuse-ai/OpAgent-32B-Q4-Demo

HuggingFace Demo：

https://huggingface.co/spaces/exias/OpAgent

开源地址：

ModelScope：

https://modelscope.cn/models/codefuse-ai/OpAgent-32B

HuggingFace：

https://huggingface.co/codefuse-ai/OpAgent-32B

GitHub：

https://github.com/codefuse-ai/OpAgent

Technical Report: 

https://arxiv.org/pdf/2602.13559

OpAgent 在权威 Web 智能体评测基准 WebArena 上以 71.6% 的任务成功率位列榜首。其核心竞争力源于一套系统性的技术路线：

• 视觉驱动的理解能力：模型不再过度依赖 HTML，而是通过网页截图直接理解 UI 元素的布局、空间关系及交互属性。

• 在线强化学习（Online RL）：通过在真实网页环境中的持续交互与试错，模型能够自主掌握动态环境下的稳定操作策略。

• 模块化协作架构：将复杂任务拆解为规划、执行、反思、总结四个维度，通过多角色协同显著提升了任务处理的鲁棒性。

1. 基础能力构建（Multitask Pre-training）

团队将 Web Agent 的能力拆成三类核心原语，直接从网页截图中理解页面布局、交互元素和空间关系。

• Planning：理解当前页面该做什么，以及某个操作可能带来什么页面变化；

• Acting：决定当前应该执行点击、输入、滚动等哪类动作；

• Grounding：精确找到动作应该落在哪个 UI 元素上。

围绕这三类能力，OpAgent 整合了 Mind2Web、Aguvis、UGround 等数据集，并设计了基于有效样本数的任务加权策略，解决不同任务数据规模不平衡的问题，避免模型被“大数据集任务”主导。

OpAgent 基础训练阶段

2. 在线强化学习（Online Interaction）

OpAgent 在线 RL 训练流程

3. 模块化 Agent 协同

OpAgent 最终采用了一套模块化 Agent 架构，把任务拆成四个角色来协作完成。

• Planner：负责宏观任务拆解。

• Grounder：负责具体动作执行。

• Reflector：实时反思执行效果，若发现错误则立即纠偏。

• Summarizer：收束执行过程并输出最终结果。

通过反思与验证机制，OpAgent 能够在执行过程中及时纠偏，从而显著提升复杂任务的鲁棒性。

Planner、Grounder、Reflector 和 Summarizer 协同工作

而集成模块化架构后的完整版 OpAgent 最终以 71.6% 的成绩刷新了 SOTA 纪录。

OpAgent 的开源为多模态智能体在真实环境中的自主交互提供了新的基准。研究团队表示，尽管目前已取得显著进展，但系统对复杂 Prompt 工程仍有一定的依赖。未来的研究将聚焦于提升单体模型的内在探索与自主学习能力，进一步降低系统复杂度，推动通用网页智能体（General Web Agent）的落地应用。

点击阅读原文，即可跳转模型链接~

👇点击关注ModelScope公众号获取
更多技术信息~

站在2026年的技术浪潮之巅，大模型已如水电般渗透进千行百业。然而，幻觉频发、越狱攻击、价值观偏移……“安全”仍是悬在大模型头顶的达摩克利斯之剑。如何为狂奔的智能体套上可靠且灵活的“护栏”？

继开源 XGuard安全护栏模型后，阿里安全再次重磅开放亿级Token高质语料。这次不设边界，全员可玩。无论你身处校园还是职场，无论深耕技术还是钻研哲学，只要你对大模型感兴趣，就请尽情的去二创、去衍生、去重构！

我们为萌新和大神准备了不同的玩法，已备好100,000元奖金、50,000元硬核装备与充足GPU算力，只为寻找敢于破局的大模型安全“先行者”！

🔹 亮点一：开放全场景细粒度训练语料，国内首个安全护栏训练集

首次公开多风险维度、多语种、多任务的亿级Token高质语料。作为国内首个专注安全护栏的训练集，提供从通用安全到复杂对抗的细粒度标注，为模型训练提供燃料，大幅降低研发门槛。

🔹 亮点二：解锁护栏前沿创新玩法，沉浸式挑战「归因驱动」与「动态策略」

告别传统黑盒静态分类拦截，本次大赛引入行业前沿的归因驱动与动态策略机制。选手将在真实防护场景中，体验如何让护栏“知其然更知其所以然”，实现从被动防御到主动自适应的智能跃迁。

🔹 亮点三：身份转换！开启自己的产品经理之旅

赛事鼓励选手跳出纯算法视角，以AI安全产品经理的思维重新定义护栏：从需求洞察、场景落地、用户体验到商业化衍生，全方位锻炼“技术+业务”双核能力，让你的作品真正走向产业应用。

💰真金白银，拒绝画饼

50,000元二创奖 + 50,000元破圈奖+50,000豪礼！不设门槛，只看作品，让你的创意直接折现。

🎁周周有惊喜，好运不断电

MAC MINI、千问眼镜、MacBook Neo... 总价值5万的装备库随时掉落！参与每周活动就能抽奖

💻算力自由，从参赛开始

参赛即送20小时GPU算力，更有100小时算力盲盒随机空投！TOP 20选手直接必得100小时。跑模型不卡顿，灵感才能跑得更快。

🚀官方证书，认可度拉满

TOP 20专属阿里巴巴认证的荣誉证书，不仅是荣誉，更是你技术履历上的高光时刻。

🧑‍🎓学生专属激励

简历诊断、招聘直通、职位详情，请进赛事群获取相关咨询！（钉钉群号： 168975002855）

难度系数：⭐⭐⭐⭐⭐

适合人群： 算法高手、模型训练专家、想挑战技术高度的极客

玩法： 选手需基于XGuard开源数据集（允许扩充新数据），结合XGuard模型或其他开源模型（10B 及以下），训练并提交专属的安全护栏模型。

奖励：TOP 10直接瓜分50,000元现金大奖！

难度系数：⭐⭐

适合人群： 技术博主、创意开发者、自媒体达人、对AI安全感兴趣均可玩

上手容易，获奖率高！ 本赛道分两条支线——

📣 支线A：我是布道师

撰写深度评测报告，并发布在各大平台（小红书、B站、知乎、公众号、CSDN等）

基于 XGuard护栏模型或数据集进行二次开发、优化或衍生！

大模型的时代，已经悄然来临。当技术狂奔向前，我们更需要一道坚实的安全防线。而AAIG“安全海洋”的开源之路，正待你我同行。

现在，阿里把模型开源了，把训练数据给出来了，把奖金摆在桌上了——

就差你了💪