NVIDIA 开源多模态模型 Nemotron 3.5 Super VL 已在 Baseten 上线，这是一个 120B-A12B 的 MoE 模型，面向文本、图像和视频的智能体工作流。它基于 Nemotron 3 Super 架构加入视觉编码器，采用混合 Mamba-Transformer 架构与多 token 预测（MTP），并支持 NVFP4 KV cache 量化以降低长上下文推理显存。NVIDIA 报告称其在 GDPval 上 Elo 为 1190（Nemotron 3 Super 为 493），SciCode 与 GPQA-diamond 也更高；Baseten Loops 在发布当天提供监督微调和强化学习训练支持。
#产品更新#多模态#Agent
Meta 发布 Muse Spark Open 的模型权重，这是一个 816B 参数、推理时激活 42.7B 的开源权重全模态 MoE 模型，与 Muse Code 联合训练，面向编码智能体工作流，支持 1M token 上下文和文本、图像、视频、音频输入。它采用压缩 MoE 块和全局/局部混合注意力，在 128K 上下文下把 KV cache 内存降低约 3.7 倍。Baseten 已在其 Model APIs 和 Dedicated Inference 上以 NVFP4 提供该模型，权重体积从约 1.6 TB 降至 540 GB，可运行在单台 4×GB300 节点上。
#模型发布#开源生态#Agent
Nvidia 发布 Nemotron 3.5 Super VL，这是一个 1200 亿参数的开源多模态模型，面向持续在后台运行的企业智能体，处理文本、图像、文档和视频。该模型采用 MoE 架构，每个 token 仅激活 120 亿参数，由 Nvidia 与包含 Mistral AI、Thinking Machines Lab、Perplexity 和 Black Forest Labs 的 Nemotron Coalition 共同开发。同时推出两款面向本地硬件的模型：Nemotron 3.5 Bolt 74B-A9B 24GB 可在本地机器运行智能体任务，更小的 Bolt E4B 4GB 面向语音助手，将于本月晚些时候发布。Nvidia 称 Super VL 从 Nemotron 3 Ultra 蒸馏而来，在智能体指令遵循、工具调用、多步业务流程和图像分析任务上以约五分之一参数达到 Ultra 的准确率，在 Hermes 和 LangChain 的智能体测试中得分高于 Ultra，并在 SWE-bench 和 Terminal-Bench 上超过前代 Nemotron 3 Super。权重以 base、post-trained 和 4-bit 压缩三个版本发布，同时公开数据集、训练配方和强化学习环境，预训练与持续预训练使用超过 25 万亿 token。
#模型发布#多模态#端侧
Google 发布 Gemini 4 Argon，定位为覆盖机器人控制、仿真构建与训练数据评估的通用模型，并称其迈向物理 AGI。演示中它从一张照片生成 77 项任务和 4500 多个训练回合，使真实机器人成功率从 56% 升至 75%，执行时间从 35 秒降至 24 秒。在 Google 的 ERQA 基准上 Argon 得 87%，领先 Claude Opus 5.5 的 82.3%；但在 Artificial Analysis 的 AA-Robotics 基准上以 55 分位列第三，落后 GPT-6 Astra 的 69 分。原文指出其演示提示词包含大量人工约束，且未公布各演示的失败率。
#行业动态#具身智能#多模态
Black Forest Labs 发布 FLUX 3 Image Klein，这是一个 5.6B 参数的开源权重模型，支持文生图、图像编辑以及最多十张参考图生成，原生支持 4K 输出和像素级编辑。官方称其内部测试 Elo 评分在所有开源模型中最高，超过 Ideogram V4.5 和自家 FLUX.2 [pro]，比 9B 的 FLUX.2 [klein] 提升 91 Elo 且参数少 38%。INT8 版本可在仅 8 GB 显存的 NVIDIA GPU 上运行，RTX 4070 上生成一张图不到 9 秒；权重采用 FLUX Kommunity License，年营收低于 500 万美元的公司可免费商用，同时通过 BFL API、Playground、Hugging Face Spaces 以及 ComfyUI 和 Diffusers 本地使用。
#模型发布#图像生成#开源生态
Meta 发布开源权重模型 Muse Spark Open，称其为美国最强的开源权重模型，面向编码与智能体任务，拥有 8160 亿参数（激活 420 亿）、最高 100 万 token 上下文，支持文本、图像、视频和音频。Meta 称其在 JobBench、MCP-Atlas、HLE-Diamond、ZeroBench 等基准上多个类别领先 Qwen 3.8、GLM 5.3 和 Kimi K3，但仍明显落后于 Meta 付费的 Muse Wonder Full 模型。该模型针对 Apple M5 Ultra 优化，可在两台各配 512 GB 统一内存的 Mac Studio 上本地运行，权重已发布在 Hugging Face；许可免费使用但需标注 Built with Muse Spark Open，年收入超过 2000 万美元且想以 API 形式提供该模型的服务商需与 Meta 另行签约。
#模型发布#开源生态#Agent
NVIDIA 发布 Nemotron 3.5 Super VL，这是一个 120B 参数的开放模型，面向常驻智能体任务，官方称其在同类开放模型中吞吐最高，比次优模型快 5 倍，准确率接近 NVIDIA 最大推理模型而参数量约为其五分之一。同时推出两款端侧模型 Nemotron 3.5 Bolt 74B-A9B 24GB 和 Bolt E4B 4GB，前者用原生 2-bit 量化塞进 24GB 显存，可在 RTX/DGX Spark 本地运行智能体任务，后者面向 GeForce RTX、Jetson 上的语音与对话智能体。Super VL 与 Bolt 74B-A9B 已上线 Hugging Face，Bolt E4B 将于 10 月 23 日发布；Super VL 还提供开放权重、开放数据集和训练配方，支持企业用自有数据后训练。
#模型发布#多模态#端侧
Meta 发布编码优化的 816B MoE 模型 Muse Spark Open，每 token 激活 42B 参数，通过 256 个专家中 top-8 路由，支持 1M token 上下文窗口。该模型在 NVIDIA GB300 NVL72 Blackwell Ultra 上训练，面向智能体编码工作流，具备工具调用、子智能体协调与计算机使用能力，并通过 1.8B 感知编码器原生处理交错的文本、图像、视频帧和音频。Meta 生成的 NVFP4 检查点已针对 Blackwell Ultra 优化，权重可从 Hugging Face 下载，NVIDIA 同时提供 NIM 部署方案。
#模型发布#Agent#编码
NVIDIA 发布 Nemotron 3.5 Super VL，这是一个开放可定制的多模态模型，采用 120B 参数 MoE 架构，每个 token 激活 12B 参数，面向智能体工作流。该模型在单 GPU 上处理智能体任务的吞吐量最高可达同尺寸其他开放模型的 5 倍，并统一支持推理、指令遵循、工具调用以及文本、图像、文档和视频理解。Scale AI、Ramp、AI21 等机构已对其做后训练，实现最高 40 倍推理成本下降、10 倍延迟下降和 40% 准确率提升，开发者可用 NVIDIA NeMo 进行 SFT、LoRA 和强化学习定制。
#模型发布#多模态#Agent
NVIDIA 发布 Nemotron 3.5 Super VL 与 Nemotron 3.5 Bolt 74B-A9B 两款开源权重模型，前者在 Artificial Analysis 智能指数上得分 26，成为得分最高的美国开源权重模型，超过 Thinking Machines 的 Inkling Small（25.7）、NVIDIA Nemotron 3 Ultra（23）和 Meta Muse Glimmer（17）。Super VL 支持 1M token 上下文与视觉文本输入，参数量 120B/12B，每任务输出约 46k token，比前代 Nemotron 3 Super 少约 60%，在 NVFP4 权重下与 BF16 得分相差 0.1 分以内。Bolt 是新 Bolt 系列首款模型，74B/9B 参数、256k 上下文，智能指数 21.4，在 100B 以下模型中排第 4、美国同级别中排第 1。
#模型发布#开源生态#推理
Meta 发布开源权重模型 Muse Spark Open，称其为美国最强开源权重模型，采用 8160 亿参数和 100 万 token 上下文窗口，原生多模态，面向复杂编码任务和智能体工作。该模型可本地运行在 Apple 电脑上，但至少需要 1TB 内存，在搭载 M5 Ultra 芯片的 Mac Studio 上运行效果最佳。Meta 将其与 AI 编码终端 Muse Code 配合，用于 Mastodon 客户端的 bug 修复、新功能和完整构建，以及 DaVinci Resolve 的视频素材审阅与裁剪，目前该模型已通过多个 API 平台开放。
#模型发布#开源生态#多模态
Meta 发布开放权重大模型 Muse Spark Open，采用混合专家架构，总参数量 8160 亿、活跃参数 420 亿，上下文窗口达 100 万词元，专为编码与智能体任务设计。该模型与苹果合作，基于 MLX 针对 M5 Ultra 的 Mac Studio 优化，连接两台机器即可运行整个模型，同时兼容英伟达、AMD 和英特尔芯片及多种主流推理引擎。Meta 公布的六项对比测试中该模型排名第一，但在软件开发等部分任务上 Kimi、千问、智谱等中国开源模型仍占优势。
#模型发布#开源生态#多模态
微软发布自研预训练基础模型 MAI-Base-2，采用 MoE 架构，总参数量 2.8 万亿、激活参数量 800 亿。微软 AI 主管苏莱曼在员工大会上称，该模型性能超过目前驱动 GPT-5.6 Sol 的模型，训练算力仅为 OpenAI 的四分之一；微软博客称其训练方法在四项评估中计算效率比 DeepSeek-V4-Pro-Base 高出 4.2 到 12.3 倍。微软私下还将该模型与 OpenAI 代号 Spud 的模型对比，称在衡量 AI 理解和预测信息模式的测试中表现更好，比较基于微软掌握的相关技术信息。
#行业动态#模型发布#Microsoft
Meta 发布 Muse Spark Open 开源模型，称其为迄今能力最强的美国开放权重模型，总参数量 8160 亿，原生多模态，擅长长周期任务、复杂软件工程和多步推理。Meta 与 Apple 合作，使该模型可在两台搭载最新 MLX 框架的 Apple M5 Ultra Mac Studio 上本地运行，Apple 同时发布技术文章介绍 MLX 及该模型。Meta CEO Mark Zuckerberg 与 Apple CEO John Ternus 在 X 上互相致意，Meta 首席 AI 官 Alexandr Wang 称两家公司已合作数月。
#模型发布#开源生态#端侧
Liquid AI 发布多模态决策模型 d1-ultra，可同时读取文本和图像，一次前向传播直接输出概率而不生成 token，支持 noul、Choice、Score 三类问题。该模型已在 Liquid API 上线，输入 token 定价为每百万 $0.042，仅按输入计费，图像按 1.5 token 每 32×32 像素块折算，1024×1024 图像计 1,536 token。官方称其在 112 项评测中优于前代 d1 和 Jev 1.14，并在 Artificial Analysis Decision Index 上领先其他决策模型至少 8 分，后续将登陆 Vercel 和 OpenRouter。
#模型发布#多模态#推理
NVIDIA 发布开源多模态模型 Nemotron 3.5 Super VL，支持文本、图像、文档和视频输入并输出文本，采用 120B 总参数、每 token 激活 12B 的 MoE 架构。SGLang 提供 Day-0 支持，通过连续批处理、前缀缓存和投机解码部署，在单张 RTX 6000 PRO 上借助 MTP 达到 243.9 tok/s。模型权重已在 Hugging Face 提供 BF16 和 NVFP4 两个版本。
#产品更新#多模态#部署/工程
Meta 发布 Muse Spark Open 的开放权重，采用 Muse Model License 在 Hugging Face 上线，为 816B 总参数、42B 激活参数、1M token 上下文窗口的模型，原生多模态并面向编码与智能体任务。该版本在 Muse Spark 基础上增加安全后训练，可在 SGLang 和 vLLM 上运行，并针对 NVIDIA、AMD、Intel 优化。PyTorch 侧集成 Helion 内核，在 NVIDIA GB300 上相比 CUDA、CuTe DSL 自定义内核取得 1.03–3.95x 加速，AMD Mi350 端到端吞吐提升 3%；TorchTitan 已支持其 SFT、LoRA 与 TitanRL 微调。
#模型发布#开源生态#多模态
Swiss AI 发布 Apertus 1.5，在 1.0 基础上加入原生图像与音频理解、思考模式和 262,144 tokens 上下文窗口，较 1.0 扩大 4 倍。模型以早期融合方式把图像和音频转成离散 token 与文本同序列输入，架构不变，只理解多模态、仅输出文本。官方称 8B 版本在指令遵循和多语言任务上优于同规模开源模型，多模态表现接近 Gemma 4 12B，并同步公开训练数据混合、偏好数据和各阶段中间检查点。
#模型发布#多模态#开源生态
蚂蚁百灵正式开源 Ling-3.1-flash，总参数约 560B、每 Token 激活约 25B，最高支持 1M 上下文，权重可在 Hugging Face 或 ModelScope 获取。团队对 routed experts 采用 MXFP4 量化、dense 层保持 block-FP8，权重占用从约 534GB 降至 292GB，在 Hopper GPU 测试配置中服务部署由 8 卡降至 4 卡。Artificial Analysis 公开评测中其智能指数为 41、输出速度约每秒 210 Token，混合调用价格约每百万 Token 0.19 美元。
#模型发布#开源生态#端侧
SpaceXAI’s Grok Voice 3.0 is the new leading Speech to Speech model, debuting at #1 on the Artificial Analysis Speech to Speech Index at 86.9, while also being competitive on latency Grok Voice 3.0 is @spacexai 's successor to Grok Voice 2.0, a Speech to Speech model available through the SpaceXAI Realtime API at $0.08 per minute. We evaluated Grok Voice 3.0 with the Rex voice through the SpaceXAI Realtime API. Key takeaways: ➤ Speech to Speech Index: Grok Voice 3.0 debuts at #1 at 86.9, ahead of GPT-Live-1 (Astra, medium) at 83.2, Gemini 3.8 Live Extended Thinking (High) at 82.6 and GPT-Live-1 (Sol, low) at 80.1. It is up on Grok Voice 2.0 at 81.3 (+5.6 points) and Grok Voice 1.0 at 73.7 (+13.2 points), released just under six months ago. The Index averages Speech Reasoning (Big Bench Audio), Agentic Performance (Tau Voice), Arena Preference, and Task Success Rate ➤ Speech Agent Arena: Grok Voice 3.0 ranks #3 in preference at Elo 1070, behind Gemini 3.1 Flash Live Minimal (1100) and Gemini 3.8 Live (1088) and ahead of GPT-Live-1 (Sol, low) at 1057, and #1 on Task Success Rate at 94.8%, highest on the board, just ahead of Grok Voice 2.0 at 94.6%. Grok Voice 2.0 trails at Elo 1011 ➤ Tau Voice: Grok Voice 3.0 takes the #2 spot on our Tau Voice benchmark implementation at 71.6%, behind GPT-Live-1 (Astra, medium) at 74.5% and ahead of Gemini 3.8 Live Extended Thinking (High) at 68.6% and GPT-Live-1 (Sol, low) at 59.3% - up from 56.5% for Grok Voice 2.0 ➤ Big Bench Audio: Grok Voice 3.0 scores 98.5% on audio reasoning, ahead of Gemini 3.8 Live Extended Thinking (High) at 97.7% and Grok Voice 2.0 at 97.2% ➤ Speed: Average Time to First Audio on Big Bench Audio is 0.81 seconds for Grok Voice 3.0, well ahead of GPT-Live-1 (Sol, low) at 1.24s, GPT-Live-1 (Astra, medium) at 1.34s and Gemini 3.8 Live Extended Thinking (High) at 1.35s, though slower than Grok Voice 2.0 at 0.70s ➤ Cost: Grok Voice 3.0 costs $4.80 per hour of input audio, the same as Grok Voice 2.0. That is above GPT-Live-1 (Sol, low) at $4.47 and Gemini 3.8 Live Extended Thinking (High) at $3.50, cheaper than GPT-Live-1 (Astra, medium) at $5.83, and ~2.2x cheaper than GPT-Realtime-2.1 High at $10.75 Congrats to @elonmusk and the @spacexai team 🚀 See below for more detail ⬇️
#模型发布#语音#评测/基准