第八屆北京智源大會開幕：智源發佈“悟界”系列大模型與FlagOS 2.1
重點摘要
2026年6月12日，第八屆“北京智源大會”在中關村國際創新中心開幕。本屆大會匯聚了圖靈獎得主Whitfield Diffie與Andrew Barto、200餘位頂尖學者及40餘位AI企業領軍者，圍繞世界模型、具身智能、AI安全等前沿方向展開深度交流。開幕式由智源研究院理事長黃鐵軍主持，智源研究院院長王仲遠發佈了智源在基座大模型、智能體及基礎軟硬件生態的最新進展。
### 第八屆北京智源大會開幕：智源發表「悟界」系列大模型與FlagOS 2.1，推動AI生態新布局
2026年6月12日，第八屆「北京智源大會」於中關村國際創新中心正式揭幕。這場年度AI盛會邀請了圖靈獎得主Whitfield Diffie與Andrew Barto，以及超過兩百位頂尖學者與四十餘位AI企業領袖，共同聚焦世界模型、具身智能、AI安全等前沿議題。開幕式由智源研究院理事長黃鐵軍主持，院長王仲遠則在會中發表智源在基座大模型、智能體及基礎軟硬體生態的最新進展，其中「悟界」系列大模型與FlagOS 2.1成為本屆大會最受關注的亮點。
### 「悟界」系列大模型：探索世界模型與多模態融合
「悟界」系列大模型是智源研究院繼「悟道」系列之後，針對世界模型與多模態理解所推出的新一代基座模型。不同於過往以語言或視覺為核心的單一模態架構，「悟界」系列強調對物理世界運作規則的建模，試圖在感知、推理與行動之間建立更緊密的連結。據了解，該系列模型在具身智能場景中具備更強的環境適應能力，能夠透過視覺、語言與觸覺等多種輸入，產生符合現實邏輯的決策。這項發展呼應了大會針對「世界模型」的核心討論——如何讓AI系統不僅理解靜態資料，更掌握動態變化的因果關係。
### FlagOS 2.1：強化智能體與基礎軟硬體生態
除了模型層級的突破，智源也同步發表了FlagOS 2.1版本。作為智源打造的開放式AI基礎軟硬體生態系統，FlagOS 2.1進一步整合了模型訓練、部署與智能體管理的關鍵環節。新版系統強化了對異構計算資源的支援，並加入更完善的智能體協作框架，使開發者能夠更有效率地將「悟界」系列模型應用於機器人、自動駕駛、工業製造等領域。這項升級不僅降低了AI應用的門檻，也為學術研究與產業落地提供了統一的技術底座，有助於打破當前AI開發碎片化的困境。
### 背景脈絡：從基座模型到AI安全的前沿探討
智源研究院自成立以來，一直是中國AI基礎研究的重要推手。從「悟道」系列到如今的「悟界」，其技術路線逐漸從大語言模型擴展至世界模型與具身智能，反映出AI領域對「通用智能」的追求已從純粹的語言理解，轉向對物理世界的全面建模。與此同時，大會特別邀請圖靈獎得主探討AI安全，也凸顯了當前學術界與產業界對可控、可解釋AI的重視。在生成式AI快速迭代的背景下，如何確保模型行為符合人類價值觀、避免災難性風險，已成為智源等研究機構的核心課題之一。
### 可能影響：加速產業智慧化與自主技術鏈建構
「悟界」系列與FlagOS 2.1的發表，預料將對AI產業鏈產生多重影響。首先，在具身智能領域，企業得以利用更貼近物理世界的模型，開發能適應複雜環境的機器人與自動化系統，從而推動製造、物流、醫療等行業的智慧化轉型。其次，FlagOS 2.1提供的開源生態與跨平台支援，有助於降低對國外商業框架的依賴，對中國AI自主技術鏈的建構具有戰略意義。不過，這些技術的實際效能仍需經過大規模應用驗證，尤其在世界模型的推理準確度與即時性方面，仍存在顯著挑戰。
### 讀者可關注的後續重點
對於關注AI動態的讀者而言，以下幾個面向值得後續追蹤：第一，「悟界」系列模型的開源計畫與效能基準測試——智源是否會像「悟道」系列那樣公開模型權重與訓練細節，將影響學術社群與開發者的採用意願。第二，FlagOS 2.1的實際落地案例——特別是在機器人與自動駕駛領域的合作夥伴應用，能驗證其生態系統的成熟度。第三，大會中關於AI安全的討論成果——智源是否會提出具體的監
Related
相關文章
Liquid AI Introduces LFM2.5-Embedding-350M and LFM2.5-ColBERT-350M: Dense Bi-Encoder and Late-Interaction Models for Fast Multilingual Search Across 11 Languages
This week, Liquid AI released two new retrieval models. They are LFM2.5-ColBERT-350M and LFM2.5-Embedding-350M. Both hold 350M parameters. Both are the first bidirectional members of the LFM family. They build on LFM2.5-350M-Base, released in March. The pair targets fast multilingual and cross-lingual search across 11 languages. Their footprint is small enough to run almost anywhere. Both are available now on Hugging Face under the LFM Open License v1.0. LFM2.5 Retrievers The two models share one backbone but represent text differently. LFM2.5-Embedding-350M is a dense bi-encoder. It turns each document into a single vector. Pick it when you want the fastest search and the smallest, cheapest index. LFM2.5-ColBERT-350M is a late-interaction model. It converts each token into a vector rather
Perplexity Launches Brain, a Self-Improving Memory System That Builds a Context Graph of an Agent’s Work and Learns Overnight
Most AI memory remembers the user. It stores your preferences, your tastes, and your role. Perplexity is taking a different path. Today, Perplexity launched Brain, a self-improving memory system for its agent product, Computer. Brain does not focus on remembering you. It remembers what the agent did. That reframes what memory in AI is for. What is Perplexity‘s Brain Brain is a self-improving memory system. It builds a context graph of the work Computer performs. At set intervals, such as overnight, Brain reviews that graph. It then teaches itself how to do the work better. The idea is straightforward. The more work you do, the more efficient Brain makes your Computer. Brain is rolling out today to Perplexity Max and Enterprise Max subscribers in Research Preview. Two Axes of AI Memory Perp
智譜新高，MiniMax承壓，“大模型雙雄”命運殊途
這篇消息聚焦「智譜新高，MiniMax承壓，“大模型雙雄”命運殊途」。原始導語提到：大模型在被市場重新定價 從 AI 情報角度來看，這類內容值得關注其背後的技術進展、產品落地、產業競爭與後續市場影響。
華為昇騰 0 Day 支持智譜 GLM-5.2 模型，提供全面推理優化
華為昇騰 AI 宣佈在智譜開源 GLM-5.2 大模型當天即完成深度推理優化。通過 MOE 大融合算子、通信計算融合、高併發調度等七項關鍵技術，顯著提升編程和長程任務的處理效率，現已支持 A3 系列產品部署。#AI 大模型# #國產算力#
企業AI轉型再添利器：青雲科技算力雲接入 MiniMax-M3 模型
企業AI落地面臨高效低成本難題。青雲科技旗下基石智算平臺接入國產開源大模型MiniMax-M3，提供新算力支持。MiniMax-M3以卓越上下文處理能力等三大核心技術見長，依託自研架構，助企業便捷部署AI業務。
阿里開源統一科學大模型 LOGOS，僅用五十六分之一參數超越微軟
阿里 ATH-Token Foundry 聯閤中國人民大學高瓴人工智能學院開源科學基礎模型 LOGOS。該模型採用統一科學語法與純序列建模範式，在六大科學任務上匹配或超越傳統專用方法。其中 LOGOS-1B 僅 1B 參數，即展現出極高效率，性能超越參數量達 8×7B 的微軟模型。