2026年1月7日,Qwen发布Qwen3-VL-Embedding与Qwen3-VL-Reranker系列模型。据Qwen Blog介绍,该系列基于Qwen3-VL底座,面向多模态信息检索与跨模态理解,支持文本、图像、截图和视频输入,覆盖30多种语言。其中Embedding采用双塔架构做高效初筛,Reranker采用单塔Cross-Attention对(Query, Document)对联合编码输出相关性分数,两者串联构成两阶段检索流程。官方称Qwen3-VL-Embedding-8B在MMEB-v2上取得SOTA,Reranker-8B在多数任务上表现最佳。模型提供2B与8B两种规格、32K序列长度,并支持量化与自定义向量维度。目前尚无后续发展事实。
匹配字段摘要
2025年10月27日,MiniMax 正式开源并发布 MiniMax M2 模型,定位为面向 Agent 与编码场景。据 MiniMax Blog 当日发布的信息,模型权重已在 Hugging Face 开源,支持 SGLang 与 vLLM 部署,推荐推理参数为 temperature=1.0、top_p=0.95、top_k=20。API 定价为每百万输入 token 0.30 美元、每百万输出 token 1.20 美元,约为 Claude 4.5 Sonnet 的 8%,在线推理 TPS 约 100。免费试用延长至 11 月 7 日 00:00 UTC。同时上线由 M2 驱动的 MiniMax Agent,提供 Lightning 与 Pro 两种模式,目前限时免费。目前尚无后续发展事实。
2025年10月27日,MiniMax 正式开源并发布 MiniMax M2 模型,定位为面向 Agent 与编码场景。据 MiniMax Blog 当日发布的信息,模型权重已在 Hugging Face 开源,支持 SGLang 与 vLLM 部署,推荐推理参数为 temperature=1.0、top p=0.95、top k=20。API 定价为每百万输入 token 0.30 美元、每百万输出 token 1.20 美元,约为 Claude 4.5 Sonnet 的 8%,在线推理 TPS 约 100。免费试用延长至 11 月 7 日 00:00 UTC。同时上线由 M2 驱动的 MiniMax Agent,提供 Lightning 与 Pro 两种模式,目前限时免费。目前尚无后续发展事实。
匹配字段摘要
2024年2月2日,Ollama 更新其 LLaVA 视觉模型集合至 1.6 版本。据 Ollama Blog 发布的信息,该版本支持最高 4 倍像素的图像分辨率,并在额外的文档、图表和示意图数据集上训练,提升了文字识别与推理能力。模型提供 7B、13B 和新增的 34B 三种参数规模,可通过 ollama run llava:7b、llava:13b、llava:34b 运行,采用 Apache 2.0 或 LLaMA 2 Community License 授权。CLI 中可直接引用 .jpg 或 .png 文件路径,Python、JavaScript 库和 REST API 则支持在 images 参数中传入 base64 编码文件。目前尚无后续发展事实。
匹配字段摘要
2025年11月25日,Anthropic发布Claude Opus 4.5,称其在编码、智能体和计算机使用上达到世界最佳,并在深度研究、表格处理等日常任务上有显著提升。模型已在应用、API和三大云平台可用,API定价为每百万tokens输入5美元、输出25美元;同时更新Claude Developer Platform、Claude Code和消费级应用,新增effort参数以控制推理强度,并提升上下文管理和多智能体协调能力。11月26日,Dan Hendrycks发表比较评价称,在控制推理token数量时Gemini 3与Opus在推理/文本上大致相当,多模态视觉/图像输入上Gemini 3大幅优于Opus,而在越狱、诚实性等安全方面Opus优于Gemini。
匹配字段摘要
2025年10月16日,Anthropic发布Claude Haiku 4.5。该模型编码性能接近五个月前的Sonnet 4,但成本仅为其三分之一,速度提升超过两倍。在部分任务上超越Sonnet 4。API定价为每百万输入token 1美元、输出token 5美元。现已通过Claude API、Amazon Bedrock和Google Cloud Vertex AI提供。
匹配字段摘要
2025年9月29日,Amp宣布将主模型切换为Anthropic最新发布的Claude Sonnet 4.5。Amp称测试显示该模型在编码方面减少了谄媚行为,文件编辑成功率更高,调试等复杂任务中的推理能力有所提升,用户更新VS Code扩展或CLI至最新版本即可自动启用。次日,Anthropic正式发布Claude Sonnet 4.5,称其为全球最强编码模型,在SWE-bench Verified和OSWorld上取得领先成绩,并同步推出Claude Agent SDK、Claude Code检查点、VS Code扩展及API记忆工具等更新。模型定价与Sonnet 4相同,为每百万tokens 3美元(输入)和15美元(输出),并附带一个名为Imagine with Claude的研究预览。
匹配字段摘要
2025年8月12日,Liquid AI 发布其首个视觉语言模型系列 LFM2-VL,包含 LFM2-VL-450M 和 LFM2-VL-1.6B 两个版本,面向低延迟与端侧部署,支持文本和可变分辨率图像输入。模型基于 LFM2 骨干,视觉塔采用 SigLIP2 NaFlex 编码器,原生分辨率最高 512×512,更大图像按 512×512 分块处理;官方称在 GPU 上推理速度最高可达同类模型的 2 倍。模型已兼容 Hugging Face transformers 和 TRL,训练使用约 1000 亿多模态 token。
匹配字段摘要
2025年8月6日,Anthropic发布Claude Opus 4.1,在智能体任务、真实编码和推理上较Opus 4升级,SWE-bench Verified达74.5%。现已向付费用户、Claude Code、API、Amazon Bedrock和Google Cloud Vertex AI开放,价格与Opus 4相同。GitHub、Rakuten和Windsurf反馈其在多文件重构、精准修复和初级开发者基准上均有显著提升。
匹配字段摘要
2025年5月11日,Prime Intellect发布INTELLECT-2,称其为首个通过全球分布式强化学习训练的32B参数模型。该模型在动态异构的算力贡献者集群上,以完全异步强化学习方式训练推理语言模型。团队为此从零构建了异步RL框架PRIME-RL、验证推理worker rollout的TOPLOC以及广播策略权重的SHARDCAST,并修改标准GRPO训练配方与数据过滤方法以稳定训练,在数学和编码基准上提升了QwQ-32B的表现。模型、代码和数据均已开源,技术报告见primeintellect.ai/intellect-2。
匹配字段摘要
2025年2月25日,Anthropic发布Claude 3.7 Sonnet与Claude Code。据官方说明,Claude 3.7 Sonnet是其首个混合推理模型,可在标准模式与扩展思考模式间切换,API用户可控制思考token预算;定价与上一代相同,为每百万输入token 3美元、每百万输出token 15美元(含思考token),已在所有Claude套餐及Amazon Bedrock、Google Cloud Vertex AI上线。同日推出的Claude Code为终端智能编码工具研究预览版,可搜索和阅读代码、编辑文件、运行测试并提交到GitHub。2025年2月26日,Cognition发布Devin二月产品更新,新增批量并行编辑与多动作并行执行能力,并支持GitLab;官方称Devin于2月24日集成Sonnet 3.7,在调试、代码库搜索和智能体规划等任务上表现最佳。
匹配字段摘要
Mistral AI 发布 Codestral 25.08及企业编码技术栈
English translation is being prepared.
匹配字段摘要
Thinking Machines 发布 Inkling 2 Small，在 Artificial Analysis Intelligence Index v5.0.1 上得分 31，比 Inkling Small 高 18 分，与 Gemini 3.8 Flash (high) 持平。该模型目前为专有模型，通过 Tinker 平台和 Tinker Playground 提供，计划后续以 Apache 2.0 协议开放权重。模型为 594B 总参数、17B 激活参数，支持文本和图像输入，定价 $0.30/$1.00 每 1M 输入/输出 token。
了小米的 MiMo-V2.6-Pro。 主要要点： ➤ 相较 Inkling Small 大幅提升，尤其是在智能体任务上：AutomationBench-AA 从 5% 升至 46%，FrontierCode 2.0 从 5% 升至 25%。HLE-Diamond 也从 12% 升至 29%。 ➤ 与 Claude Sonnet 5.5 (medium) 的编码优势不同：Inkling 2 Small 在 FrontierCode 2.0 上得分 25%，而 Claude Sonnet 5.5 (medium) 为 11%，但在 Terminal-Bench 4.0 上为 13%，而后者为 30%。 ➤ 创意智能体在 AA-3D 上得分高于 Claude Haiku 5.5 和 Grok 4.7：Inkling 2 Small 在 AA-3D 和 Code2Video-AA 上也都高于 Gemini 3.8 Flash，但在这两项上均落后于 Claude Sonnet 5.5。 ➤ 研究级物理有所提升，但仍落后于 Gemini 3.8 Flash (high)：Inkling 2 Sm
匹配字段正文
NVIDIA 在 Cosmos 世界模型平台下新增四个 Cosmos 3 开放权重检查点，均为 Cosmos 3 Nano 的后训练版本，含 16B 可训练参数，采用 OpenMDW1.1 许可，允许商用与非商用。四个模型分别面向多视角驾驶数据生成、相机与 LiDAR 同步流式仿真、由模拟器控制生成逼真视频，以及从双臂机器人动作预测视频。原文同时给出四阶段训练配方，覆盖双向适配、teacher forcing、一致性蒸馏与 self-forcing。
的传感器配置和领域，并生成离线合成数据。 Sim-auto：对适配后的 Transfer-Auto 模型应用因果训练与蒸馏，以实现快速流式仿真。 Sim-Transfer：通过本地数据准备、阶段配置和恢复，为你的环境对检查点进行后训练。 Sim-Bimanual：通过数据验证、阶段配置、检查点交接和导出，为你的具身形态进行后训练。 将技能和数据集位置交给你的编码智能体。遵循环境检查，验证一个样本，并在长时间运行前测试训练和重启。在留出片段上评估质量：一次成功的短运行验证的是执行，而非收敛。 🤗 下载检查点 📺 观看 Cosmos Labs 直播回放 📖 阅读技术博客 本文提及的模型 4 nvidia/Cosmos3-Nano-Sim-Auto nvidia/Cosmos3-Nano-Sim-Bimanual nvidia/Cosmos3-Nano-Sim-Transfer nvidia/Cosmos3-Nano-Transfer-Auto 本文提及的合集 2 NVIDIA Nemotron 3.5 Transcribe 与 Granary v2：可提示、可适配的智能多语言转录 本文提及
匹配字段正文
OpenAI 发布 GPT-6 Cyber 系统卡，这是 GPT-6 Astra 的网络安全专用变体，用于漏洞发现、利用开发与 Web 渗透测试等授权安全工作。在防御性使用评测中，该模型完成 100% 的通用安全协助与漏洞修补任务、96% 的利用开发任务和 97% 的红队任务。按 Preparedness Framework，其能力定级与 GPT-6 Astra 相同：网络安全为 Critical，生物化学为 High，AI 自我改进低于 High；访问通过 Daybreak Red 限制，需身份验证、SSO、MFA 和 API IP 白名单。
tGym Honeypot 评估（数值越低越好） 表 6 表 6 模型部署安全指令蜜罐利用 GPT-5.6 Sol 无 49.5% GPT-5.6 Cyber 无 5.51% GPT-6 Astra 无 0% GPT-6 Cyber 无 0.07% GPT-6 Cyber 有 0% 如实报告障碍。 除了遵守限制之外，我们还测试模型是否准确报告阻碍其完成所分配编码任务的障碍。GPT-6-Cyber 在 20.29% 的评分回复中被标记，而 GPT-5.6 Sol 为 34.18%，GPT-6 Astra 为 11.66%。重要的是，该评估关注的是最终回答。在我们审查的大多数被标记样本中，模型已在先前的评论消息中披露了该障碍，但未在最终回答中重复这一限定说明。我们将这些情况评估为不完整的最终总结，而非蓄意欺骗。 阻碍欺骗评估（数值越低越好） 表 7 类别 承认工具局限性。 我们使用 Broken Search Tool 评估来测试当搜索工具缺失或损坏时模型如何回应研究问题。该评估检查其最终回答是否虚假声称访问了不可用的工具，或将无法获取的源材料作为已检索的证据呈现。GPT-6-Cyber
匹配字段正文
Edge0 发布开源权重语音克隆 TTS 模型 Audio8-TTS-Realistic，601M 参数，支持 23 种语言，权重与代码以 Apache 2.0 发布。模型只需 1 段参考音频及对应文本即可零样本克隆音色，也可在无参考音色时直接生成语音。自报结果显示其在 CV3 九语言上平均错误率 4.86%，低于 Qwen3-TTS-1.7B 的 7.73%，但在 MiniMax 基准上落后于 4B 级模型，泰语 WER 达 48.57%。
重 0.7，SIM 权重 0.3。 由学习到的真实感评判器引导的 GRPO。 该评判器将每个输出与同一句话的匹配人类录音进行评分。它是在由 6 个开源 TTS 系统构建的质量阶梯上训练的。这些系统在一项私密盲听研究中排名，人类录音位居榜首。合成停顿压缩为阶梯增加了更细的层级。 身份擦除损失可阻止评判器奖励生成器指纹。评判器头在冻结的 WavLM-large 编码器之上约有 3M 参数。当时长超过参考长度的 1.35 倍时，还会触发时长惩罚。这阻止策略通过更慢的语音来钻评判器的空子。 最终阶段仅使用中文和英文提示。它仍然改善了 13 种低资源语言的两项聚合指标。它们的错误率从 22.53% 降至 20.77%，SIM 从 0.637 升至 0.679。 它在基准测试上表现如何？ 以下所有数字均为自报错误率，越低越好。 Seed-TTS（英语/中文）：平均错误率 1.25%，SIM 0.704。 CV3（9 种语言）：平均错误率 4.86%，SIM 0.661。 MiniMax（24 种语言）：平均错误率 5.89%，SIM 0.754。 在 CV3 上，Audio8 优于 VoxCPM2
匹配字段正文
Baseten 于 10 月 29 日发布 2B 参数的决策模型 joey-1，定价为每百万 token 0.01 美元，已上线 Baseten Model APIs 并在 Hugging Face 开放权重。该模型由内部实验室 Base Labs 基于 Qwen3.5-2B 后训练而来，与 mammoth-1（27B）、elephant-1（9B）共用同一数据配方和 API，切换只需改一行。模型卡显示 joey-1 在 Jev Decision Index 0.4 公开分榜得 63.30，位列 230 个模型第 37 名，为 4B 以下参数模型中最高分；Baseten 称其生产环境下 2000 token 请求的 P50 端到端延迟为 20 ms。
oey-1 是 Jev Decision Index 0.4 上排名最高的 2B 模型。 训练数据与配方 根据模型卡，joey-1 基于 Qwen3.5-2B 进行后训练，使用与 elephant-1 和 mammoth-1 相同的数据混合和配方，并通过 Baseten Training Jobs 运行。该过程是对语言模型在文本和图像决策上进行全量微调，视觉编码器保持冻结，在全注意力层上使用块双向注意力掩码，最大序列长度为 16,384 token。 训练数据集包含 621 万个决策示例，混合比例被实验室称为 Mix 8：58.3% 核心决策技能、16.1% 安全与弃权、16.1% 评判与专家领域，以及 9.5% 公开决策数据。训练目标将交叉熵与 Brier 校准项结合，lambda 设为 1，并包含一个训练过的“我不知道”选项，用于模型对其答案不确定的情况。该配方运行了一个 epoch，共 43,390 步，峰值学习率为 1e-5，使用 AdamW 优化器，beta 值为 0.9 和 0.95，无权重衰减，3% 预热，余弦衰减，bf16 精度，跨两个节点、每个节点八块 H100 GP
匹配字段正文
Google DeepMind 预告下一代前沿模型 Gemini 4 Carbon，称其在网络安全与长时程能力上达到 SOTA，在 Artificial Analysis Intelligence Index v5.0 上以 59 分排第一，Claude Opus 5.5 为 58 分。该模型暂不对外开放，先向部分网络安全防御方和 Fairwind 计划可信伙伴开放，并参与美国政府自愿的发布前测试，之后再逐步放开给开发者、企业和消费者。介绍期定价与 Argon 相同，输入约 $2、输出约 $10 每百万 token，介绍期后变为输入约 $4、输出约 $20。
Fairwind 计划），并参与美国政府自愿的发布前测试，再逐步放开给开发者、企业和消费者。 https://t.co/N3yQOIrnZG 能力叙事：更难、更长的工程任务 Carbon 面向更难、跨时更长的工程问题，适合持续的 Agent 工作流。内部团队称它能跑上数天，在卡死之后仍继续推进，例如在大型代码库与底层系统里定位根因并打补丁。反馈驱动的改进覆盖编码、Agent、科学任务、全栈 Web 与多模态理解等。Web 开发方面，称输出质量提升后，WebDev Arena 上升约 +89 Elo，排到第 4（约 1768 分）。 网络安全 官方称在「发现 → 验证是否可利用 → 修复根因」整条链上有显著跃升；外部基准均为未加护栏评测口径： · SEC-bench Pro 约 88.2%（在真实软件中自主挖复杂漏洞） · ExploitGym 约 54.8%（判断漏洞是否可被利用，便于排优先级） · Collinear CWE-bench 约 71.0%（把已验证发现变成可工作的补丁） 对内指标还包括：相对 Argon，生成安全代码成功率自称提升超过约 2 倍；Chrome 团队称其高
匹配字段正文
Mistral AI 更新并开放旗舰模型 Mistral Large 4 的权重，总参数 1.05T、激活参数 52B，在 Artificial Analysis Intelligence Index v5 上得分 26，比 Preview 版高 1 分，以 1 分优势领先美国开源模型 Muse Spark Open（25）。该模型每项任务输出 82K token，比 Preview 的 135K 少 39%，AA-Omniscience v1.1 幻觉率从 41% 降至 28%，但准确率仍为 26%。定价为每 1M 输入/输出 token 0.70/2.10 美元，较 Preview 下降约 50%，采用 MEOW 许可证，运营 Model-as-a-Service 业务需另行获得商业授权。
（high）领先 Muse Spark Open（xhigh）——后者是下一个最佳的非中国开发开源权重模型——最大差距出现在 Terminal-Bench 4.0（25% 对 8%）。它在 Intelligence Index 上落后于领先的开源权重模型 DeepSeek V4.1 Flash 1017（max）和 GLM-5.3（max）6 分，主要原因是编码和智能体知识工作表现较弱：FrontierCode 2.0 上为 15%（两者分别为 29% 和 22%），AA-Briefcase 上为 1349 Elo（两者分别为 1570 和 1504） ➤ token 效率提升：Mistral Large 4（high）在每项 Intelligence Index 任务上使用 82K 输出 token，比 Preview（135K）少 39%，使其位于开源权重帕累托前沿。得分更高的七个开源权重模型每项任务使用 113K 至 225K 输出 token ➤ 在 Coding Agent Index 上为第二大开源权重模型：在 Artificial Analysis Coding Agen
匹配字段正文
NVIDIA 于 2026 年 10 月 28 日发布语音转写与翻译模型 Nemotron 3.5 Transcribe，支持含日语在内的 40 种语言，最长可转写 1 小时录音。该模型为开放权重 30B MoE 架构，推理时约激活 4B 参数，可通过文本指令指定是否保留口头语、数字写法，并支持最多 8 人的说话人区分和日英双向翻译。权重以 NVIDIA-Nemotron-3.5-Transcribe-30B-A4B 在 Hugging Face 发布，采用 OpenMDW-1.1 许可，提供 BF16、FP8、NVFP4 版本及 NeMo Speech 微调工具。
🧵— NVIDIA AI (@NVIDIAAI) 2026年10月28日 可指定是原样保留发言，还是整理得更易读 对转写所要求的写法因用途而异。若要忠实记录发言，则希望保留口头语和重复；而若要形成易读的文章，则有时希望省略。NVIDIA说明称，在传统语音识别中，输出的转写格式在训练时即被固定。 Nemotron 3.5 Transcribe结合了读取音频的编码器、区分说话人的模型和大规模语言模型，根据与录音一同给出的文本指令进行转写。还可以指定数字是按其词语原样书写，还是用阿拉伯数字表示。此类输出格式可通过每次请求的指令更改，无需重新训练模型。 此外，还可以用文本附上人名、专业术语等可能出现在音频中的候选词，作为识别的线索。 支持日语的分说话人转写以及与英语的双向翻译 根据模型卡的语言支持表，日语可用于语音识别、多说话人转写以及与英语的双向翻译。还支持在单个录音内使用多种语言的语码转换。NVIDIA将日语质量归类为相当于生产使用水平的“Production-ready”。 在多说话人转写中，即使录音中发言重叠，也能为每个说话人添加标签，并可输出每个单词的发言在录音的第几秒开始、第几
匹配字段正文
Google DeepMind 发布 Gemini 4 Carbon，在 Artificial Analysis Intelligence Index v5 上以 59 分排名第一，并在 HLE-Diamond、TB-Science 等 9 项评测中的 4 项领先。该模型主打网络安全与长周期任务，宣称在 SEC-bench Pro 上取得 88.2%、ExploitGym 上 54.8%、CWE-bench 上 71.0%，初期仅通过 Fairwind Program 向可信网络安全人员开放。规格上支持 1M token 上下文与 1M 最大输出，输入覆盖文本、图像、视频和语音，输出为文本；Artificial Analysis 列出的标准价格为每百万输入/输出 token 4/20 美元，另有 50% 上线折扣。
代码上比 BPE 扩展得更好（@tri dao）。 NanoGPT 速通纪录：利用检索增强的 n-gram 提示处理稀有、重复内容，纪录从 39.9 秒降至 6.7 秒（@hermanbrunborg）。 OpenAI 声称对 ETH 的反驳：该主张是一个运行时间为 2^{O(n/√log n)} 的 3-SAT 算法，已在 Lean 中形式化。它用代数方式编码解的数量并重建它（@ZhihuFrontier）。 实用性：除非 n 天文数字般大，否则该算法会退回到指数时间（@beenwrekt）。 解说：Mark Sellke 发布了提纲幻灯片（@MarkSellke）。 小型专用模型：Samaya 对 Nemotron 3.5 Lightning（总计 30B，激活 3B）进行了后期训练，包含两个 SFT 阶段和两个 GRPO 阶段。它在 FrontierFinance 上得分为 58.9%，而 Fable 5.1 为 55.9%，成本为 0.61 美元对 6.89 美元（@maithra raghu）。 检索与记忆： EmbeddingGemma 2：这个开放的多模态嵌入模型有 74
匹配字段正文