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。
推荐理由：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 表示，Gemini 4 Argon 在 Wide-And-Deep-Research（WANDR）基准测试中创下新的 SoTA，目前已向所有 Perplexity 用户开放，可用于快速搜索和 Computer（智能体）模式。https://t.co/0U671BhbMj 被引用的 @perplexity_ai 公告称，该功能面向 Pro 和 Max 订阅用户开放。https://t.co/n1TyI9RhBX
推荐理由：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。
推荐理由：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。
Reflection 发布了 Beam，这是一款拥有 501B 参数的 MoE 模型，权重依据 Apache 2.0 许可证开放，并有 40 多家生态合作伙伴。 NVIDIA AI 表示，该模型使用 NVIDIA GB300 NVL72 训练，在 Blackwell Ultra 上开箱即用，第 0 天即可达到每 GPU 每秒超过 70K 个 token。 Reflection 引述的公告包含 BF16、FP8 和 NVFP4 权重、DFlash2 drafter 以及 Mirror CLI；Beam 1.0 NVFP4 检查点可在 https://huggingface.co/reflection/Beam-1.0-501B-A23B-NVFP4 获取。
推荐理由：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。
Meta 发布了 Muse Spark Open，这是一个 816B（42B 激活参数）的开放权重模型。Artificial Analysis 报告称，该模型在其 Intelligence Index 上得分为 39，使其成为美国排名第一的开放权重模型。 Muse Spark Open（xhigh）的得分比 Muse Glimmer（high，17 分）高 22 分。Muse Glimmer 是 Meta 的 30B 稠密开放权重模型。https://t.co/jf31mQNINe
推荐理由：这一比较显示，Muse Spark Open 在同一智能指数上的得分比 Muse Glimmer 高 22 分，为 Meta 开放权重模型之间所报告的能力差距提供了具体参照。
IBM 发布了 Granite-Switch-4.1-8B 和 -30B，通过一个托管端点整合了聊天、通用决策 aLoRA、专用 Guardian aLoRA，以及 Granite-Speech-5.0-Turbo-CTC 转录功能。IBM 表示，组合模型使用的 GPU VRAM 与基础模型大致相同，因为适配器会复用基础模型的 KV 缓存。用户还可以使用 Granite Libraries 适配器组合自定义 Switch 模型；IBM 计划推出用于在 Mellea 中训练适配器的 Adapter SDK。
推荐理由：共享 KV 缓存和模块化适配器提供了一种切实可行的方法，可将通用决策、专用决策与转录功能结合起来，同时让 GPU 内存用量接近基础模型。
Meta 宣布推出 Muse Spark Open，称其为迄今能力最强的美国开放权重模型，专为编码、智能体工作和多步推理打造。 NVIDIA AI 表示，这款 816B 模型基于 NVIDIA GB300 NVL72 训练，上下文窗口为 1M token，可用于处理大型代码库。Meta 还推出了针对 Blackwell Ultra 优化的 NVFP4 检查点。 https://t.co/yAtoxNeYJm https://t.co/HJUKdC1n3D
推荐理由：1M token 的上下文窗口为处理大型代码库的编码智能体提供了一个具体的比较指标，同时该模型也宣称专注于长周期软件工程任务。
我们现已拥有 3T 参数级的最先进预训练基础模型，完全由 MAI 内部构建。 后训练结果即将公布，敬请期待！ 技术博客文章中有大量详细信息。 https://microsoft.ai/news/frontier-pre-training-at-microsoft-ai/
推荐理由：这项公告将 MAI 所报告的进展定位于预训练阶段，并表示后训练结果尚待公布，为理解其关于最先进基础模型的说法提供了背景。
Microsoft Research 推出 Magnetar，这是一种零知识虚拟机，使用仅基于标准哈希函数的安全机制来证明 RISC-V 程序的执行。它支持用 Rust、Go 或 C 编写的程序，无需开发者将其改写为密码学电路。Microsoft 报告称，在 15 个基准测试程序中，Magnetar 在同一台机器上的平均速度比现有最快的可比 zkVM 快 10 至 39 倍，证明验证时间约为 12 毫秒。
推荐理由：基准测试对比将证明速度与通用执行和标准哈希函数联系起来，阐明了限制可验证计算更广泛采用的权衡。
Mistral AI 发布了四种规格的 Timestral，参数量从 5M 到 209M，支持使用仅包含过去数据的协变量和已知未来协变量进行概率性多变量预测。Mistral 表示，在 GIFT-Eval、TIME 和 fev-bench 的五项指标上，其 209M 模型在预训练零样本模型中排名第一，且使用单个检查点、不进行集成。所有规格均支持 CPU 推理。Mistral 发布了一个 GitHub 仓库，供用户在自己的数据上运行 Timestral；用户还可通过 Mistral Forge 进行领域适配和微调。
推荐理由：不同模型规格之间的比较以及 CPU 推理延迟，为评估生产部署中预测准确度与计算需求之间的关系提供了具体依据。
认识 NVIDIA Nemotron 3.5 Super VL。 NVIDIA 推出的这款新型开放模型将推理和工具使用与文本、图像、文档及视频理解能力结合起来，适用于长时运行的 AI 智能体。 总参数量为 120B，其中激活参数量为 12B。
推荐理由：该模型将推理和工具使用与对文本、图像、文档及视频的理解能力相结合，因此对于评估面向长时运行 AI 智能体的开放模型的读者而言，这次发布值得关注。
GPT-6-Astra 在 OpenAI 的 Codex 环境中运行，未获得人类提示，解决了 TheoPhysEval 涵盖十一个理论物理子领域的 50 道题中的 49 道，总花费略低于 116 美元。Anthropic 的 Opus 5.5 得分为 92%，而两款模型在无法访问互联网时都达到了 92%。研究人员强调，该基准测试的是运用已知方法进行计算的能力；而选择有前景的研究问题，对当前的智能体来说仍是另一项挑战。
推荐理由：该基准区分了完成具体物理计算的熟练程度与选择有价值研究问题的能力，厘清了高分实际衡量的是科学工作中的哪些部分。
NVIDIA AI 祝贺 StepFun 发布 Step 5 Preview，称这是 StepFun 迄今规模最大的开放权重发布。 NVIDIA 表示，这款 600B MoE 模型支持持续长达 24 小时的智能体任务，并在 NVIDIA GB300 上使用 NVFP4 时达到近 8K tokens/sec/GPU 的运行速度。 StepFun 发布公告的引述内容列出了每个 token 激活 27B 参数、1M-token 上下文窗口、原生文本和视觉输入，以及 Hugging Face 和 ModelScope 上的 BF16 和 FP8 权重。 NVP4 检查点：https://t.co/lSECChAwlW 使用以下链接部署：https://t.co/GO1wqTSBOk https://t.co/28TBzUo6ZU
推荐理由：报告的吞吐量将 Step 5 Preview 与特定 GPU 和精度格式联系起来，为读者了解其长时间运行的智能体工作负载提供了具体的部署背景。
Project Apertus 发布了 8B 和 70B 两种规模的 Apertus 1.5，新增图像和音频理解、可选思考模式、262,144-token 上下文窗口，并改进了指令遵循和工具使用能力。模型权重于 2026 年 7 月 24 日在 Hugging Face 上以 Apache 2.0 许可证发布；模型仅生成文本，语音语言处理仍处于实验阶段。团队还公布了训练数据、训练方案、中间检查点和可复现的评估记录。
推荐理由：公布的中间检查点、训练数据混合方案和评估设置，为研究各个训练阶段如何改变模型行为以及复现所报告的结果提供了具体依据。
徐迪生团队在一项人机协作中使用了上海人工智能实验室的书生-S2 模型，证明了三维 Ghys 猜想，相关预印本已发布在 arXiv 上。研究人员指导了七轮递归探索，问题图的节点数从 15 个扩展到 389 个。北京大学团队使用其 SHEAF 框架，将全部四个主要定理形式化，在约五天内生成约 55 万行 Lean 代码，并通过了 Lean 检查。
推荐理由：这种工作流程为研究数学提供了一种可迁移的方法：将专家指导与模型递归探索结合起来，并围绕由可检查证明任务构成的依赖图组织形式化验证。
Google Research 已公开发布 Deep Review，这是一种用于对研究论文及其他复杂文档（包括法律和金融材料）进行技术核验和反馈的智能体 AI 系统。它从 Paper Assistant Tool 演进而来；该工具曾为超过 16,000 份手稿提供可选反馈。Deep Review 结合了文档分段、自适应计算预算、并行核验和全局综合。全球用户每天可免费获得两次评审；使用 Gemini API 密钥可获得更高额度并接入 API。上传的文档绝不会用于训练、微调或改进 Google 模型。
推荐理由：该评审流程通过结合针对各章节的计算预算、全文上下文以及跨章节的最终一致性检查，为核查长文档提供了一种可迁移的方法。
Artificial Analysis 报告称，Gemini 4 Argon 现已达到 GA，在其智能指数上的表现追平 GPT-6 Astra；截至 11 月 30 日，在折扣定价下，每项任务的成本为后者的 60%。 Argon 每项任务收费 $1.99，每 100 万输入/输出 token 分别收费 $2/$10；11 月 30 日后，价格将升至 $4/$20，缓存读取可享 95% 折扣。 Artificial Analysis 还报告称，Argon 在智能体评测中的表现大幅提升，并在 AA-Omniscience 上的幻觉率为 15%；在其智能指数得分达到 45+ 的模型中，这一比率最低。
推荐理由：该比较将智能得分与任务成本分开呈现，说明 Argon 的临时定价如何使其在智能水平相近时，相较 GPT-6 Astra 具备成本优势。
Liquid AI 发布了 LFM2.5-24B-A2B，这是一款开放权重推理模型，总参数量为 24B，激活参数量为 2B，面向能够进行推理并调用工具的设备端智能体。其上下文窗口从 32K 扩展至 131K 个 token，推理版和 Base 版均已在 Hugging Face 上提供。Liquid AI 报告称，该模型在 Apple M5 Max 上的速度为 184 tokens/s，工具使用表现具有竞争力，同时也承认，在知识密集型和代码基准测试中，更大的模型仍有优势。
推荐理由：基准测试对比有助于区分适合本地部署的工作负载：该模型在工具使用和指令遵循方面表现出色，但在知识和代码方面不及某些更大的模型。
据 Baoyu 报道，Google 于 10 月 13 日发布 Gemini 4 Argon，用于处理复杂的多步骤任务，并援引了 Sundar Pichai 关于全球付费可用性的公告。访问方式包括付费的 Gemini API 和平台、Google Antigravity 中的 Ultra 订阅，以及 Gemini 应用和搜索中的 Pro 或 Ultra 订阅。入门 API 定价为每百万输入令牌 2 美元、每百万输出令牌 10 美元（包括思考令牌），有效期至 11 月 30 日；12 月 1 日起价格翻倍。输入、思考和输出共用 1,048,576 个令牌的限额。
推荐理由：输入、思考和输出共用预算，因此长任务中的上下文分配至关重要；而重复计算输入用量这一做法仍留下一个具体的计费细节尚未明确。
Google DeepMind 已通过其 API 和部分 Google 产品在全球推出 Gemini 4 Argon，具体访问权限取决于订阅或服务等级。入门价格为每百万输入 token 2 美元、每百万输出 token 10 美元；缓存输入 token 可享受 95% 的折扣，通过 Gemini API 的统一输入输出 token 上限为 1M。Google 表示，该模型在编程、专业工作流程、科学研究和机器人领域均有提升，同时增强了智能体防护措施和抵御提示注入的能力。
推荐理由：Google 报告的代码提交量提升和回滚次数减少，将 Argon 的工程能力与内部工作流程中的交付速度和代码稳定性联系起来。
