美国当地时间10月13日，谷歌 Gemini 4 Argon 面向全球开发者和企业开放，可通过 Gemini API、Google AI Studio、Google Antigravity 等平台调用，Gemini Pro 和 Ultra 订阅用户也能在 Gemini 应用及搜索的 AI 模式中体验。谷歌同时披露多项应用案例，包括用 Argon 重构 Chromium 约600万行遗留代码目录、将 Gemma 4 E2B 在单张 A100 上的推理吞吐量从每秒约3.79万 token 提升到超过10.8万，以及根据真实机器人遥操作视频构建 Real2Sim 仿真环境。限时 API 价格为每百万输入 token 2美元、输出10美元，12月1日起分别提高至4美元和20美元，模型提供100万 token 统一上下文窗口。
匹配字段摘要、正文
谷歌发布新一代旗舰模型 Gemini 4 Argon，重点加强编程、专业知识工作与长流程任务执行能力，并进一步推进视觉理解、空间推理和工具调用。在 Artificial Analysis 智能指数中，Argon High 与 GPT-6 Astra Max、Claude Fable5.1 Max 并列 53 分，平均每任务成本 1.99 美元，比 Astra 低约 39%。API 首发价为每百万输入 token 2 美元、输出 10 美元，优惠截至 11 月 30 日，12 月 1 日起恢复至 4 美元和 20 美元。
匹配字段摘要、正文
Meta 于 2026 年 10 月 12 日发布面向 AI 智能体的模型 Muse Wonder 和 Muse Wonder Full，支持编码与专业文档理解，当日即可在 Meta Model API 和 Muse Code 中使用，Full 仅限 Power Usage 或 Maximum Usage 套餐用户。两款模型支持文本、图像、视频、音频输入并输出文本，推理时上下文长度达 100 万 token，具备跨对话提取信息的 Active Memory 和持续尝试的 Active Focus 能力。在 Meta 内部 MemoryBench 评测中，Muse Wonder 得 85.6、Full 得 85.5，高于 GPT-6 Astra 的 81.4、Claude Fable 5.1 的 79.0 和 Claude Opus 5.5 的 81.5；编码评测中两者在 DeepSWE 与 SWE-Marathon 上领先，但 Terminal-Bench 上 Full 低于 GPT-6 Astra 和 Claude Opus 5.5。
匹配字段摘要
Google 正式向开发者及企业开放 Gemini 4 Argon 模型，并公布其在空间重建、物理环境理解及机器人控制方面的技术演示。该模型可基于真实机器人摄像头视频、第一人称人类操作视频及手绘草图，结合 MuJoCo 物理引擎重建带几何形状、碰撞结构、质量与摩擦力等属性的 3D 仿真环境。在机器人训练案例中，利用真实场景照片构建仿真环境并生成超过 4500 段训练数据，使真实机器人任务成功率由 56% 提升至 75%，平均任务完成时间由 35 秒缩短至 24 秒；模型在具身推理基准 ERQA 中取得 87% 的成绩。
匹配字段摘要、正文
Liquid AI 发布开源权重模型 LFM2.5-24B-A2B，总参数 24B、每 token 激活 2B，上下文扩展至 131K tokens，词表 128K，预训练 33T tokens，并称其为推理模型。官方表示该模型在智能体与工具调用任务上可与总参数和激活参数均多约 50% 的 Qwen3.6-35B-A3B 竞争，面向笔记本和 PC 本地运行，基础与后训练权重已在 Hugging Face 开放。
匹配字段摘要
Gemini 4 Argon 开始向 Gemini 应用、Google Antigravity 等产品推送，Google 称其在复杂工作流中具备前沿推理与更好表现，回答更直接、更少重复，并更可靠地遵循风格指令。macOS 版 Gemini 应用支持在聊天与编码之间切换，可直接使用 Antigravity 的智能体编码界面；Antigravity 桌面端、CLI 以及 AI Studio、Android Studio（Canary）中使用该模型需 AI Ultra。Gemini API 上 Argon 在 2026 年 11 月 30 日前为每百万输入 token 2 美元、每百万输出 token 10 美元，之后涨至 4 美元和 20 美元。
匹配字段摘要
面壁智能发布 MiniCPM-V 4.7，这是一个 35B-A3B 的 MoE 多模态模型，可在手机上以仅 3GB 内存运行，能识别现实路牌、按约束做规划、解析复杂文档并对视觉数据推理。模型由 LES（Lookahead Expert Scheduling）支持，将高效 MoE 推理带到移动设备，同时提供轻量 1B 版本用于资源受限硬件；开发者还可用 Self-Replay Fine-Tuning（SRFT）为新任务定制模型并保持通用性能，覆盖 iOS 与 Android。
匹配字段摘要
Google DeepMind 发布前沿模型 Gemini 4 Argon，向开发者、企业和消费者开放，在 Vals Index 上排名第一，覆盖编码、金融、法律和网络安全等领域。该模型通过 Gemini API 提供 1M 统一输入输出 token 上限，并公布多项实测结果，包括 Antigravity 中智能体代码提交量提升超 35%、回滚减少近三分之一，以及将 Gemma 4 E2B 在 A100 上通过 vLLM 实现 2.85 倍端到端推理加速。安全方面，Argon 在 Gray Swan 间接提示注入基准上将 15 次自适应攻击的成功率降至 0.7%，并推出面向 1 万名科学家的 Antigravity 最高使用档位 6 个月免费计划。
匹配字段摘要
Google DeepMind 发布面向机器人的 Gemini 4 Argon，官方称其在 Embodied Reasoning（ERQA）基准上以纯推理取得 87%，超过其他前沿模型。该模型覆盖机器人控制、Real2Sim、物理理解与研究自改进四类场景，示例包括用 MuJoCo 数字孪生练习踩垃圾桶踏板、从手绘草图生成 mujoco_warp 场景，以及通过仿真合成 4500+ 域随机化 episode 将真机成功率从 56% 提升到 75%、完成时间从 35s 降至 24s。开发者即日起可在 Google 开发者平台使用 Gemini 4 Argon。
Google DeepMind 发布面向机器人的 Gemini 4 Argon，官方称其在 Embodied Reasoning（ERQA）基准上以纯推理取得 87%，超过其他前沿模型。该模型覆盖机器人控制、Real2Sim、物理理解与研究自改进四类场景，示例包括用 MuJoCo 数字孪生练习踩垃圾桶踏板、从手绘草图生成 mujoco warp 场景，以及通过仿真合成 4500+ 域随机化 episode 将真机成功率从 56% 提升到 75%、完成时间从 35s 降至 24s。开发者即日起可在 Google 开发者平台使用 Gemini 4 Argon。
匹配字段摘要
Google 宣布开发者即日起可用 Gemini 4 Argon 构建应用，该前沿模型面向真实软件工程、企业知识工作和网络安全防御等复杂工作流。它针对需要深度推理与结构精度的长周期任务设计，包括代码迁移和前沿研究，官方同时给出 Gemini API 开发者指南、Google Antigravity 与 Android Studio 的使用入口。
匹配字段摘要
Gemini 4 Argon 已在 Gemini 应用中上线，主打前沿推理和复杂任务性能提升，回答更直接、少重复、少套话，长任务中会更频繁地同步进度。编码能力也有明显改进，Google Antigravity 的智能体编码界面已直接进入 Gemini macOS 应用，主聊天窗口新增 chat 到 tasks 的切换开关，任务模式下 Gemini 可在用户离开电脑时继续工作。Gemini 目前接入超过 40 个应用，包括 Instacart、OpenTable、Adobe 和 Shopify。
匹配字段摘要
Liquid AI 发布 LFM2.5-24B-A2B，总参数 24B、每 token 仅激活 2B，是 LFM2.5 家族中最大也是最后一款模型，基础版与后训练版均已在 Hugging Face 和 Playground 开放权重。该模型在八项智能体与工具调用基准中的五项领先或持平 Qwen3.6-35B-A3B，AutomationBench 得分为 27.69 对 8.72，LiveClaw 为 48.09 对 38.19。它采用显式思维链的纯推理模式，上下文窗口从 32,768 扩展到 131,072 tokens，词表从 65K 扩至 128K，预训练数据从 17T 扩至 33T tokens，在 Apple M5 Max 上解码 184 tokens/s，单张 NVIDIA B300 GPU 高并发下输出超过 21K tokens/s。
匹配字段摘要
Meta 正在 Meta Model API 平台上线 Muse Wonder 和 Muse Wonder Full 两款模型。Muse Wonder 主打真实场景编码，面向长时间运行的任务，能规划工作、并行调用工具、把部分任务交给子智能体并从错误中恢复；Muse Wonder Full 是 Meta 能力最强的模型，以最大推理量运行，面向最难、耗时最长的工作，仅向 Muse Code 订阅用户开放，不在 API 上提供。
匹配字段摘要
nature will 发布首个面向物理世界的通用基础模型 Natura-1，这是一个 500 亿参数的 MoE 模型，在 100 万小时第一人称人类经验数据上预训练，再用有限的机器人数据做后训练以适配灵巧操作。该模型可零样本跟随自然语言指令，推理空间约束、多物体关系和否定条件，并能自主执行长时程连续流程。Rohan Paul 指出，它同时处理了机器人常难以兼顾的三件事：抓取后的双手精细控制、无需额外训练的新任务，以及需要记住早期步骤并从错误中恢复的长序列。
匹配字段摘要
Meta 发布 Muse Wonder 和 Muse Wonder Full，在 Artificial Analysis Intelligence Index v4.3 最高推理强度下分别得分 52 和 56，高于 6 周前发布的 Muse Spark 1.3（max）的 48。Muse Wonder Full（max）在十项评测中全面超过 Muse Spark 1.3（max），智能体类提升最明显，Terminal-Bench 4.0 从 33% 升至 57%，GDPval-AA v2.1 从 1681 升至 1857 Elo。两款模型每次评测任务约消耗 54k 输出 token，比 Muse Spark 1.3（max）的 60k 低约 10%；Muse Wonder 已在 Meta 一方 API 和 Muse Code 上线，Muse Wonder Full 仅面向 Muse Code 用户。
匹配字段摘要
4 月 23 日，腾讯混元发布并开源 Hy3 preview 语言模型，这是一个快慢思考融合的混合专家模型，总参数 295B，激活参数 21B，最大支持 256K 上下文长度。官方称其为重建后训练的第一个模型，在复杂推理、指令遵循、上下文学习、代码和智能体等方向有大幅提升，并已在元宝、CodeBuddy、WorkBuddy、QQ、ima、QQ浏览器、腾讯文档、腾讯乐享上线，同时支持 OpenClaw、OpenCode、KiloCode 等开源智能体产品。模型已在 GitHub、Hugging Face、ModelScope 开源，腾讯云推出 API 价格和 Token Plan，个人版最低 28 元/月；官方也提到工具调用错误恢复能力不足、对推理超参数敏感等已知问题。
匹配字段摘要、正文
腾讯混元正式发布 Hy3，基于 4 月底的 Hy3 preview 迭代，提升后训练数据质量与规模并扩大 RL 算力，在推理、智能体、长上下文任务上比肩参数规模为其 2～5 倍的更大尺寸旗舰模型。内部 270 位专家真实工作盲测中 Hy3 均分 2.67/4，高于 GLM5.1 的 2.51/4；幻觉率从 12.5% 降至 5.4%，多轮问题率从 17.4% 降至 7.9%，MRCR 从 42.9% 升至 75.1%。模型已在腾讯云、GitHub、HuggingFace 和 ModelScope 开放，API 价格为每百万 Tokens 输入 1 元、输出 4 元、命中缓存输入 0.25 元。
匹配字段摘要、正文
腾讯混元发布 Hy-MT2 多语言翻译模型族，包含 Hy-MT2-1.8B、Hy-MT2-7B 和 Hy-MT2-30B-A3B，支持 33 种语言互译并遵循多语言翻译指令。在 FLORES-200 的 XX⇔XX 设置下，三款模型分别达到 79.77、86.89 和 87.47，相当于 Gemini 3.1 Pro 思考模式的 89.9%、97.9% 和 98.6%。模型提供 1.25-bit、2-bit、4-bit、8-bit 和 FP16 多种精度，其中 1.25-bit 版本基于自研 AngelSlim 技术，仅需约 440MB 存储，在苹果 A15 上推理速度相比 Hy-MT1.5 的 4-bit 版本提升 1.5 倍。
匹配字段摘要、正文
InternLM 发布 Intern-S2-Mobius，一个基于 Mobius-v0 架构、由 Xtuner 和 LMDeploy 实现的 35B 基础模型。它把知识存储与推理计算解耦，用全局共享 Memory 替代逐层绑定的 FFN 知识存储，让多个 Reasoner 迭代查询和精炼隐状态，具备 Backward Residual Connection 和 Dynamic Latent Reasoning 两项能力。模型由 Qwen3.5-35B 继续预训练并经 SFT 和 RL 后训练，技术报告称端到端推理效率提升近 4 倍，在推理基准上得分与 Qwen3.5-35B 相当或更强，同时推理链更短、请求吞吐更高，并在 Biology-Instructions、Mol-Instructions、MolecularIQ 等科学任务上有较大提升。模型以 bfloat16 权重格式发布，支持 LMDeploy、Transformers、vLLM、SGLang 部署，推荐使用 MTP 投机解码。
匹配字段摘要
InternLM 发布 Intern-S2-397B 及其预览版 Intern-S2-Preview-397B、Intern-S2-Preview-35B 等科学多模态基础模型，覆盖预训练、强化学习任务与长程智能体三个方向。其中 Intern-S2-Preview-35B 基于 Qwen3.5 继续预训练，仅用 35B 参数在多个核心专业科学任务上达到万亿级 Intern-S1-Pro 的相当水平，并采用共享权重 MTP 与 CoT 压缩提升推理效率。系列模型支持 LMDeploy、vLLM、SGLang 部署，以 Apache 2.0 许可发布。
匹配字段摘要