Orca
PulseAugur coverage of Orca — every cluster mentioning Orca across labs, papers, and developer communities, ranked by signal.
- 2026-08-24 product_launch Skala, a machine-learned functional from Microsoft Research, is being integrated into the ORCA computational chemistry software. 来源
- 2026-07-11 research_milestone Researchers in Beijing developed the Orca model, which learns physics and motion from extensive video data. 来源
- 2026-06-09 research_milestone A transformer-based deep learning model named ORCA was introduced to correct numerical weather prediction errors for marine winds. 来源
- 2026-03-27 product_launch Orca, an open-source AI coding orchestrator, has been released.
8 天有情绪数据
-
微软的 Skala 函数集成到 ORCA 软件中
Skala 是由微软研究院开发的机器学习交换关联函数，目前正被集成到 ORCA 计算化学软件中。此次集成将包含在 ORCA 的下一个版本中，这得益于微软团队的密切支持。Skala 旨在加速预测性密度泛函理论 (DFT) 计算。
-
Microsoft Research 增强了Skala深度学习DFT，提高了准确性并拓宽了访问权限
Microsoft Research 发布了Skala 1.1，这是其深度学习密度泛函理论（DFT）方法的更新版本。新版本训练数据量是前代的2.5倍，在分子模拟的热化学、反应动力学和结构预测方面精度显著提高。为了提高可访问性，Skala现已集成到CP2K、Psi4、FHI-aims、ORCA和VASP等几种广泛使用的计算化学代码中。Microsoft Research 还推出了一个动态基准测试，以跟踪未来Skala版本的性能并加速预测…
-
LLM服务调度器扩展以支持多层SLA
研究人员扩展了Llumnix LLM服务调度器，使其支持两个以上的优先级层，从而能够更好地管理异构的服务等级目标（SLO）。通过Vidur模拟器对增强型调度器进行了评估，结果表明在多个优先级层面上，成本效益和延迟降低方面都有显著提高。实验表明，四个优先级层提供了最佳的权衡，与INFaaS、vLLM、Orca和Sarathi-Serve等基线系统相比，实现了显著的加速和每延迟成本的改进。
-
新的ORCA框架增强了对撞机物理学中可解释异常检测的能力
研究人员开发了一个名为ORCA的新框架，用于对撞机物理学实验中的异常检测，该框架专为高亮度大型强子对撞机设计。这种两阶段方法使用监督对比学习来创建一个可解释的嵌入空间，然后将其输入到自动编码器中进行异常评分。ORCA旨在通过提供对新物理信号更灵敏的检测，并允许通过将事件归因于已知物理过程来解释异常分数，从而克服现有方法的局限性。
-
新的ORCA框架可适应可穿戴传感器数据的异常检测
研究人员开发了ORCA，一种用于多模态可穿戴时间序列数据异常检测的新型智能体框架。ORCA在推理过程中动态调整其时间感受野，无需对固定时间上下文进行数据集特定的调整。该方法在MIMIC-IV等分布外基准测试上实现了与强固定上下文基线相当的性能，并展示了强大的泛化能力，使其适用于资源受限的环境。
-
新的ORCA方法为AI模型压缩3D CT视觉令牌
研究人员开发了ORCA（ORgan-Centroid Aggregation），一种用于压缩3D CT扫描视觉令牌的新颖方法。这种无需训练的方法通过器官引导合并相邻令牌，并结合质心空间编码以保留解剖信息。在相似的令牌预算下，ORCA的性能始终优于现有的压缩方法，显著减小了下游视觉语言模型的KV缓存大小和处理时间。ORCA的代码已在Hugging Face上发布。
-
AI 将遗留 TTS 引擎移植到 Linux 以增强可访问性
一位 AI 爱好者使用 GPT 5.6 Sol 将多个文本转语音 (TTS) 引擎移植到 Linux，从而增强了盲人社区的可访问性。该过程涉及将 NVDA TTS 插件改编为与 Linux 的 Speech Dispatcher 和 Orca 屏幕阅读器一起使用。由此产生的“Retro TTS Pack”成功集成了 Amiga Narrator 等引擎，改进了 Linux 上可用的 TTS 选项。
-
Orca框架使用神经算子进行连续时间因果推理
研究人员推出Orca，一个利用神经算子学习进行连续时间因果推理的新框架。与专注于静态变量的传统结构因果模型不同，Orca旨在处理具有反馈循环的动态系统，例如患者健康、气候或经济。该框架将因果图中的每个节点建模为时间的函数，并通过函数空间之间的学习映射来表示因果机制。Orca可以推断潜在的外生噪声，并用于这些复杂、随时间演变场景中的反事实推理。
-
开源AI项目OrcaHello利用AI保护鲸鱼
OrcaHello项目利用开源AI协助鲸鱼保护工作。该倡议由RESET - Digital for Good推广，运用AI来更好地理解和保护鲸鱼种群。该项目旨在展示AI在积极环境影响方面的实际应用。
-
报告发现，99.9%的AI软件包漏洞补丁仍未得到处理
Orca Security 在2026年第二季度对1200多家组织的数据进行分析后，于2026年7月发布的一份报告显示，99.9%的带有可用补丁的AI软件包漏洞仍未得到处理。研究发现，81%使用AI软件包的组织至少存在一个已知漏洞，平均CVSS得分为8.79，表明其关键性很高。这种情况归因于担心更新会破坏AI代理功能、对修补传递性依赖关系责任不明确以及文化上侧重于AI的创造力而非必要的安全维护。
-
微软的Orca模型模仿推理以改进AI学习
微软推出了Orca，一个旨在通过模仿大型模型的推理过程来改进AI学习的世界模型。这种方法使小型模型能够通过学习大型模型的输出来达到与GPT-4等大型模型相当的性能。Orca模型在复杂的推理任务中展示了能力，其表现优于其他同等规模的模型，甚至在某些基准测试中可以与大型模型相媲美。
-
北京研究人员发布 Orca 模型，通过视频学习物理知识
北京的研究人员开发了一个名为 Orca 的模型，该模型通过分析 125,000 小时的视频素材来学习物理和运动。该模型的独特架构使机器能够在没有事先进行运动数据训练的情况下执行复杂的手动任务。
-
中国Orca模型在无动作标签的情况下，从视频预测世界状态
中国研究人员开发了Orca，这是一种新颖的世界模型，能够从视频数据中预测抽象的世界状态。与传统模型不同，Orca在12.5万小时的视频上进行了训练，但没有任何动作标签。这种方法使Orca在五个不同的任务上取得了与专业机器人系统相当的性能，有可能解决该领域严重的数据稀缺问题。
-
智谱AI的Orca模型学习世界状态以实现更深层次的AI理解 · 跟踪到1个来源
智谱AI研究院的研究人员开发了一个名为Orca的新模型，该模型专注于预测世界的下一个状态，而不仅仅是下一个token、帧或动作。这种方法旨在通过从连续视频中进行无意识学习以及从语言和事件中进行有意识学习，来教会AI模型更深入地理解世界如何变化。该模型利用了包含125,000小时视频和1.6亿个事件标注的海量数据集，并在理解状态转换、事件演变和动态运动方面表现出改进的性能，甚至在没有明确动作预训练的情况下也显示出在机器人控制方面的潜力。
-
新的ORCA系统可准确评估音频LLM响应
研究人员开发了ORCA，一种用于评估大型音频语言模型（LALM）开放式响应正确性的新型基于模型的方法。该系统采用了一个三阶段的标注流程，包括人工判断、结构化反馈和人机协同纠错，生成了超过9600个标注的数据集。ORCA模型表现强劲，在已知基准测试上与人类正确性评分的Spearman相关性达到0.91，并在新基准测试上泛化能力得分为0.85，优于Gemini 2.5 Flash等模型。
-
Orca 基础模型通过 Next-State-Prediction 学习统一的世界潜在空间 · 跟踪 3 个来源
研究人员推出了 Orca，一个旨在从多模态数据中学习统一潜在空间的新型通用世界基础模型。与专注于单一模态预测的模型不同，Orca 采用 Next-State-Prediction 方法来理解和预测世界动态。它利用来自连续视频的无意识学习以及来自语言描述事件和 VQA 监督的有意识学习，并在包含 125K 小时视频和 1.6 亿事件标注的大型数据集上进行训练。该模型在文本生成、图像预测和具身动作生成等下游任务上表现出色，优于专业基线。
-
开源ORCA堆栈简化灵巧机器人学习研究
研究人员推出了ORCA学习堆栈，这是一个旨在简化灵巧机器人操作研究的开源平台。该堆栈统一了控制、模拟和远程操作接口，并与LeRobot等现有机器人学习框架集成。目标是为需要精细运动技能的任务（例如手部物体重定向）的策略开发和评估提供一个可复现的基础。
-
新的ORCA方法在黑盒环境中适应时间序列模型
研究人员开发了ORCA（在线残差上下文适应）方法，这是一种用于在黑盒环境中适应时间序列基础模型（TSFM）的新颖方法。该方法侧重于从基础模型的预测误差中学习，认识到这些误差取决于模型的输入和输出。该方法通过在五个最先进的TSFM和八个数据集上进行的大量实验得到了验证，证明了它在无需白盒访问的情况下提高了适应性能的有效性。
-
AI模型ORCA将海洋风预报改进45%
研究人员开发了ORCA，一个基于Transformer的深度学习模型，用于修正数值天气预报中海洋风的误差。通过同化实测观测数据，ORCA能够调整全球预报系统（GFS）的输出，在提前48小时内显著减少误差。该模型在沿海地区和航运航线上尤其有效，因为这些区域的观测数据更为丰富，为提高预报准确性提供了一个实用的后处理解决方案。
-
ORCA copilot simplifies complex causal analysis for domain experts
研究人员推出 ORCA，这是一款交互式副驾驶，旨在使复杂的因果分析方法更容易被领域专家使用。ORCA 指导用户完成各种因果分析工作流程，从全自动到高度手动，包括因果发现、效应估计和根本原因分析。该系统旨在通过生成见解和结构化报告来弥合先进因果技术与实际应用之间的差距。