售價2681元，抱抱臉開源機器人來了
機器人前瞻（公眾號：robot_pro） 作者 | 周加琦 編輯 | 漠影 機器人前瞻8月28日報道，昨天，Hugging Face發佈了一款鴨形開源機器人Microduck，售價399美元（約2681.28元），目前預購已開啟。Hugging Face聯合創始人兼CEO Clem Delangue在X上稱，歡迎來到開源且平價的機器人時代，物理智能與世界模型技術將實現全民普惠！▲（圖源：X） 這是Hugging Face推出的第二款機器人。去年，該公司收購了法國初創公司Pollen Robotics，並與其推出了首款桌面型機器人Reachy Mini，官方數據顯示該機型累計銷量約一萬臺。
Microduck設計四種配色，外形像鴨子，帶有雙足，並且可切換成輪式形態。該產品還帶有可張合的鴨嘴，可以用來拾取輕便物品，不過Microduck僅搭載單目攝像頭，只有一隻眼。▲Microduck（圖源：Hugging Face） 該產品機身高約25cm，體重約770g，包含腿部、頭部、頸部共15個自由度。據官方視頻顯示，Microduck能夠完成自主站立、步行、踢球、輪滑等一系列動作。除此之外，它還可以與多臺同型號的機器人合唱。
▲站立（圖源：Hugging Face） ▲踢球（圖源：Hugging Face） ▲輪滑（圖源：Hugging Face） 根據官方給的參數資料，Microduck小小的機身裡配備了攝像頭、麥克風、揚聲器等多種零部件，並支持外接配件交互。其中在算力上，Microduck搭載Rockchip RK3566芯片，配備1GB運行內存與32GB存儲；視覺採用前置攝像頭，機身和頭部各佈置一組IMU用於運動感知。
音頻方面集成麥克風與揚聲器，每臺機器人可生成專屬語音；機器人頭部與鴨嘴部設有兩組NFC天線，支持Wi‑Fi、藍牙通信；電池採用可拆卸的2600mAh NP‑F550，續航約1小時，實際時長視使用工況浮動。Microduck出廠自帶自主行為能力，無需編寫代碼即可操控。軟件上，Hugging Face還配套開源SDK，包含虛擬訓練環境、強化學習RL訓練腳本與開發工具，提供經過驗證的仿真遷移實機工作流。▲技術參數（圖源：Hugging Face） 無論是入門開發者，還是技術人員，都可以藉助其教會Microduck掌握不同動作。
同時，通過Python、JavaScript等編程語言，也可編寫自定義行為邏輯。Hugging Face聯合創始人Thomas Wolf稱，“我們正在開闢一類全新消費機器人品類，由原生AI驅動，兼顧趣味性，同時也是教育工具。”“我們也正和用戶一起摸索最優交互方式，覆蓋從零基礎入門到深度高階開發的全層級需求。” 此外，Thomas Wolf在彭博社採訪中透露，Microduck自開啟預購以來收穫大量關注，平均每4秒就售出一臺，銷售額已達約50萬美元（約336萬元）。該公司表示，目標銷量是超過2萬臺，首批產品預計在聖誕節前發貨。目前，該產品由深圳開源硬件企業矽遞科技負責在中國生產製造。
此前，多家媒體報道英偉達正以接近130億美元（約8736億元）收購Hugging Face。
Related
相關文章
Mistral AI Releases Timestral: A 209M Forecasting Model Family That Outperforms Google’s TimesFM-3
Mistral AI has released Timestral, its first family of time series foundation models. Timestral is a set of 4 zero-shot forecasting models from Mistral AI, sized from 5M to 209M parameters.
Google 開源 Harness²：遞迴代理程式框架，無需新模型也能提升效能
Google Cloud AI Research 開源了 Harness²，這是一個遞迴代理程式框架，透過改良凍結模型周圍的程式碼與檔案來增強效能。對開發者而言，重點很簡單：你的代理程式無需更強大的模型也能進步。重點摘要：規模為框架而非模型，訓練參數為0，包含8個可編輯的框架元件，版本0.1.0。執行環境為Linux、Python 3.12或3.13搭配uv，模型呼叫則透過Vertex AI。GPU需求未公開。效能方面：一次改良步驟即可在3個基準測試中，提升所有4個模型與框架組合的表現。最佳成果：GLM-5搭配OpenCode在WorkBuddy-Bench上從64.2提升至75.7（+11.5點）；最差表現：GLM-5搭配Codex在JobBench上僅提升1.2點（23.6至24.8）。什麼是Harness²？它是Google研究推出的即插即用框架。
如何利用NVIDIA結構化資料模型進行零訓練表格預測
In this tutorial, we implement Structured Data Models, NVIDIA’s new library that puts several pretrained foundation models for tables behind one PyTorch interface, and use it to make predictions without training.
認識 Kyutai REKI：2.4B VLA 模型為機器人操控帶來高效記憶
Kyutai 與 Inria 及 École des Ponts 合作，推出了 REKI——一個用於機器人操控的 2.4B 參數視覺-語言-動作模型（VLA）。該模型僅使用公開數據進行預訓練，並配備了輕量級的近期記憶功能。在三個分佈外基準測試中，僅有規模約為其兩倍的模型能超越它。所有模型權重已於今日在 Hugging Face 上公開。核心資訊：規模：2.4B 參數（2.2B Qwen3.5-2B VLM + 0.2B 流匹配動作專家）。記憶涵蓋最近 3 幀，間隔 1 秒。運行環境：在 1 張 NVIDIA H100 上進行基準測試。從兩個 256×256 攝像頭輸入，編譯後每個動作區塊耗時 21.8 毫秒。權重以 BF16 格式提供，暫無量化版本。性能：在 LIBERO-Plus 和 RoboTwin Clean2Rand 基準測試中，為公開數據預訓練的 VLA 模型中最優；在 LIBERO-Plus 上達到 90.4% 的最高分。
DeepSeek 發布 V4.1-Flash-1017，DeepSWE 得分 77.0，並開放搜尋 API
DeepSeek 剛發布 DeepSeek-V4.1-Flash-1017，這是其 V4.1-Flash 模型的新檢查點，現已在 DeepSeek 網站、應用程式及 API 上線。DeepSeek 宣稱該版本在性能、任務完成速度與輸出簡潔度上均優於 9 月發布的 V4.1-Flash，並稱之為性能與成本的帕累託改進。同時，DeepSeek 也向所有開發者開放了搜尋與擷取 API。對代理建構者而言，這意味著更便宜的編碼模型加上單一 API 金鑰即可使用的第一方網路層。重點摘要：骨架參數 552B，另加 196B 的 Engram 參數；預填充階段每 token 啟用 8B 參數，解碼階段啟用 16B 參數；上下文長度達 1M tokens，最大輸出 384K tokens。運行於 DeepSeek API 的 deepseek-flash 模型。9 月版的 V4.1-Flash 權重（763B 參數，FP8）採 MIT 授權。
2026年20款Jev替代方案：挑戰TypeSafe的決策模型
TypeSafe於2026年9月15日推出Jev，這是一款決策模型而非聊天機器人。使用者可定義允許的答案，Jev將回傳標籤、分數或是否的機率。約4週內，至少20款Jev替代方案相繼問世，來自Cloudflare、OpenAI、Perplexity、Liquid AI、AWS的Strands Labs及獨立開發者。本指南比較各方案在規模、授權、硬體、價格、Jev API相容性及已發布基準測試的表現。重點摘要：規模範圍從287M（GLiNER2.5-multi-Decide）到35B-A3B（Mapika Decider），Jev規模未公開。執行環境：Von和Laya等編碼器可在CPU上運行，4B適配器適用24 GB GPU或32 GB Mac。效能：多數開源模型在困難推理上落後Jev，但在狹窄分類任務上數款與之匹敵或超越。最佳表現：Cloudflare Clef在BANKING7取得94.20分。