新模型、模型版本、权重开放、模型能力与价格变化的发布与评测结果
Recursive发布了Flint，这是一款开放权重的MoE语言模型，面向本地智能体编程，由其Eureka Machine AI研究系统在四个月内开发完成。Flint总参数量为400亿，每个词元激活25亿个参数，权重以Apache 2.0许可在Hugging Face上提供。Recursive表示，该系统参与了架构设计、训练、量化和推理调优；其基准测试说法尚未经过独立验证，Flint也尚未展示递归式自我改进能力。
Flint提供了一个自动化模型研究的具体案例，涵盖架构设计、量化和推理调优；与此同时，文章将这些贡献与研究系统本身得到改进的证据区分开来。
NVIDIA 推出了 Kumo Relational，这是一款预训练基础模型，可直接从关系数据库进行预测，并将最多 10,000 个历史样例用作上下文，无需针对特定任务训练或进行特征工程。NVIDIA 报告称，在 15 个数据库上的 41 项任务中，该模型的表现优于监督学习方法；在 SAP SALT 上，其 MRR 比 AutoGluon 集成模型高出 8%。用户可通过开源的 structured-data-models 库或 NVIDIA NIM 使用该模型，也可选择进行微调。
这些基准测试对比为评估关系型上下文学习何时能够取代经过工程设计的预测流程提供了具体依据，而任务规模和关系结构界定了实际应用的限制。
ollama@ollama精选69Introducing Flint, @Recursive_SI’s first model: a fast local coding model built with our automated research system, the Eureka Machine. • Best-in-class fast local coding • Up to 2x faster than comparable models: 125+ tokens/sec on a MacBook Pro, 150+ on RTX Spark • Built from https://t.co/ufg2xScSGw
报告的吞吐量数据同时注明了硬件和短上下文条件，为考虑将 Flint 用于本地智能体编程工作流的读者提供了具体参考。
IBM 推出了 granite-speech-5.0-2b，并更新了 granite-speech-5.0-470m-turboctc 和 granite-speech-4.1-2b-plus，三者均采用 Apache 2.0 许可证并原生支持 Transformers。新的 2B 模型借助最多包含 2,000 个词条的关键词列表提升了转录和翻译效果；Turbo CTC 新增多语言转录功能，达到 19,870 RTFx，速度约为发布时的 1.6 倍，准确度保持在同一水平。更新后的 Plus 模型提升了说话人归属和时间戳表现，长篇内容的 WER 降低了 24%。
这项比较将准确度、吞吐量和说话人归属方面的改进对应到不同的录音工作流程，为用户依据三款模型公布的能力和评测结果进行选择提供了实用依据。
NVIDIA 正在扩展其开放模型组合，涵盖语言、机器人、生物学和量子计算，使组织能够利用本地数据定制模型，并将其部署在自己掌控的基础设施上。此次发布包括 Nemotron 3.5 Super VL、面向结构化业务数据的 Kumo 模型、Cosmos 3.5 世界模型，以及用于蛋白质设计的 BioNeMo RFD4-Proteina。Nemotron 3.5 Bolt E4B 4GB 预计将于周五（10 月 23 日）发布，Alpamayo 2 Edge 计划于本月晚些时候开放下载。
该模型组合为组织提供了一种共同的方法，使其能够利用本地数据调整模型，并将模型部署在自己掌控的基础设施上，以适应多个不同的行业工作负载。
雷锋网测试了 MiniMax M3.1 Flash 和 DeepSeek V4.1 Flash，任务是根据手绘平面图和建筑尺寸搭建一个可交互的 3D 校园。两套方案都满足了主要要求，但 MiniMax Code 搭配 M3.1 Flash 用时 55.4 分钟，而 OpenCode 搭配 DeepSeek V4.1 Flash 用时约 121 分钟；按测试所用的定价，两者的模型费用均约为 6.5 元。已发布的基准测试显示，M3.1 Flash 在复杂智能体任务上领先，DeepSeek 则在软件工程方面领先。
这项校园测试具体对比了两套编码方案的耗时和模型费用，说明了为什么评估智能体工作流时应衡量整个任务的成本。
vLLM@vllm_project精选67Spark-X2.6-4B is here! Stronger coding, agents & long-context skills through improved post-training. Thinking: none / low / high. @huggingface @ModelScope2022 @ollama @vllm_project @sgl_project https://huggingface.co/XHToken/Spark-X2.6-4B
1M token 上下文、40 亿参数和可选思考等级的组合，为读者评估模型规模和推理选项提供了一个具体的比较基准。
NVIDIA 推出 Cosmos3-H-Dreams，这是一种手术模拟模型，使用临床胆囊切除术视频以及来自 CMR Surgical Versius 平台的机器人运动学数据训练。该模型由 Cosmos 3 驱动，并通过 FlashDreams 加速，可在单块 NVIDIA RTX PRO 6000 GPU 上实时控制手术器械；分别训练的四步和两步检查点在视觉质量与推理速度之间实现平衡。它是一款研究模拟器，并非经过验证、可用于患者护理的系统。
分别训练的两步和四步检查点，为研究人员提供了一个具体的权衡方案：在根据自身数据调整交互式手术模拟时，如何平衡推理速度与视觉质量。
Arthur Mensch@arthurmensch精选66我们刚刚发布了一套全面的先进语音模型 https://t.co/Ue1S72c9HW。语音将成为与 AI 系统交互最重要的界面，我们将语音模型部署在物理位置上靠近推理模型的地方
部署方面的细节将语音模型的发布与作者对语音作为 AI 界面的看法联系起来，并强调语音模型与推理模型在物理位置上的接近。
Mistral AI 已发布 Voxtral 3，这是一个面向实时语音智能体的模型系列，融合了 Voxtral Small Transcribe 3、Voxtral Mini TTS 3 和基于 LiveKit 的语音智能体 SDK。转录支持 50 多种语言；语音生成支持 35 多种语言和 50 种方言，并能进行情感适配。Mistral 表示，该系统支持在对话过程中调用工具，也支持部署在用户自己的基础设施上，或通过托管于欧盟的 API 使用；转录价格起步为每分钟 $0.0035。
将转录、语音生成和实时工具调用整合到同一条流式处理管线中，有助于了解构建对话智能体时各个独立组件如何协同工作。
据 QbitAI 报道，MiniMax 发布了 M3.1 Flash，该模型此前曾以 Space Bunny 为匿名名称在 OpenRouter 上接受测试。报道列出的成绩包括 Agents’ Last Exam 上的 29.6%、DeepSWE v1.1 上的 73.7%，以及最高达到 200+ TPS 的输出速度。每百万个 token 的价格为：输入 1 元、输出 4 元、缓存读取 0.1 元；据报道，整体使用成本比 M3 低 70%。
报道中的价格和吞吐量为比较智能体工作流的运营成本提供了具体依据，这类工作流涉及反复调用工具以及多个智能体之间的通信。
智谱发布了 GLM-Legal，这是一款开源法律模型。据称，它在 Harvey LAB 和 LegalBench 上领先开源权重模型，任务通过率分别为 19.2%，准确率为 86.23%。该模型基于 GLM-5.3-Flash 构建，结合了法律领域的中期训练，以及在数万个法律任务环境中进行的强化学习。官方演示涵盖合同审查、证据分析和跨境隐私合规；智谱邀请法律专业人士申请参与 Beta 测试，并计划将相关能力集成到 AutoClaw 中。
Harvey LAB 要求满足所有评分条件，这有助于理解 GLM-Legal 据称领先的背景，因为其 19.2% 的通过率也表明，大多数任务未能满足全部要求。
DeepSeek已在其网站、应用和API上发布DeepSeek-V4.1-Flash-1017，据称该模型在编程和智能体基准测试中有所提升，同时任务运行时间更短、输出更精简。据报道，训练中特别针对DeepSeek Harness对模型进行了优化，要充分使用这些改进，需要使用0.2.1-rc.1或更高版本。DeepSeek还开放了Search和Fetch API，用于查找网页并以Markdown格式获取网页内容；价格为每1,000次成功请求5元，暂时免费至11月1日。
据称任务运行时间和输出长度有所减少，同时基准测试结果有所提升，这为开发者评估智能体运行成本提供了与上一版本进行具体比较的依据。
Deepseek 通过其网站、应用和 API 发布了 Deepseek-V4.1-Flash-1017，并在 Hugging Face 和 ModelScope 上提供开源权重。在 Deepseek 自行公布的 DeepSWE 测试结果中，该模型得分为 77.0%，每项任务成本略低于 0.20 美元；其前代模型得分为 74.2%，每项任务成本约为 0.50 美元。目前尚无独立基准测试结果。Deepseek 还向开发者开放了其内部开发的搜索引擎，提供 Search & Fetch API，每个接口的定价为每 1,000 次调用 0.75 美元。
Deepseek 报告的任务成本与基准测试得分并列呈现，为比较编程效率提供了具体依据，同时文章清楚区分了公司公布的结果和独立评估。
DeepSeek@deepseek_ai精选69与上一版本的对比将基准测试的提升与任务完成时间和输出长度联系起来，为此次发布所称的性能和成本改进提供了背景。
The Verge 的三位评测人员花了一周测试五款 Nvidia RTX Spark 笔记本电脑，发现它们图形性能出色，Windows on Arm 应用总体上也能正常使用，但价格高昂，CPU 性能弱于 Apple 的竞品，而且运行本地 AI 工作负载要求很高。Sean Hollister 的 Asus ProArt P16 在日常工作中续航约 5 小时至 5 小时 40 分钟。他们进行本地 AI 实验时遇到了明显的电量消耗、发热、响应缓慢和结果不稳定等问题，尽管这些配置提供了最高 128GB 的统一内存。
这些实测对比展示了大容量统一内存和出色图形性能在本地 AI 工作负载、电池续航和软件兼容性方面带来的日常取舍。
Google DeepMind 的 Gemini 4 Argon 使用 Provider Adapter Harness 得分 97.5%，完成 ARC-AGI-3 测试，成本为 4,800 美元，低于 GPT-6 Astra 的 99.9%。在 Standard Harness 的低推理设置下，其得分降至 49.8%；由于 API 问题，测试未能完成所有游戏。Epoch AI 给 Argon 评定了 165 个 ECI 积分，与 Opus 5.5 和 GPT-6 Astra 相近，不过早期估算将其列为数学能力第八、软件工程能力第六。
这一比较显示，测试环境会如何改变基准排名，有助于理解 Argon 与领先模型的接近程度，同时也能看到它在数学和软件工程方面较弱的表现。
Aravind Srinivas@AravSrinivas精选70Gemini 4 Argon sets a new record on WANDR. It is now available in Perplexity for Pro and Max subscribers. https://t.co/n1TyI9RhBX
该帖称快速搜索和 Computer 模式均可使用，但其更广泛的开放范围说法，与被引用公告中仅限 Pro 和 Max 订阅用户的说法不同。
Reflection在Hugging Face上发布了Beam。这是一款501B的MoE模型，每个token激活23B参数，支持100万token的上下文窗口，并采用Apache 2.0许可证。这款纯文本模型面向编程和智能体工作，提供BF16、FP8和NVFP4检查点，并在发布首日支持transformers、vLLM和SGLang。Hugging Face还提供部署和后训练方案，以及自有的任务评测和演示。
部署指南区分了活跃计算量与权重总内存用量，帮助团队评估运行和适配一款具有长上下文窗口的稀疏模型所需的硬件配置。
NVIDIA AI@NVIDIAAI精选77Beam is now available across platforms, with open weights under the Apache 2.0 license - in collaboration with an ecosystem of 40+ partners. We're releasing: - Weights, tokenizer, and reference implementation - BF16, FP8 and NVFP4 weights and a DFlash2 drafter - The open source harness we built and trained Beam on: Mirror CLI Weights and model card on Hugging Face: https://huggingface.co/reflection
Apache 2.0 许可证、多种权重格式以及已发布的训练工具包，为开发者评估 Beam 是否适合其部署工作流提供了具体信息。
