Meta 发布开放权重多模态模型 Muse Spark Open，总参数 8160 亿、激活参数 420 亿，支持 100 万 Token 上下文，已发布在 Hugging Face 上。该模型利用苹果开源数组框架 MLX 对 Apple Silicon 统一内存架构做了优化，可运行在搭载 M5 Ultra 芯片的 Mac Studio 上；M5 Ultra 最大支持 512GB 内存，两台最高配置的 Mac Studio 即可容纳整个模型。
匹配字段标题、摘要、正文
电子科技大学汪忠来教授团队在《Microsystems & Nanoengineering》发表研究，提出“功能递归”策略，用单一H型结构与形状记忆合金人工肌肉实现多模态运动。在140mg、35mm平台上，机器人实现空中姿态调控、地面爬行0.46 BL/s、水面滑行6.3 mm/s及水面-水下受控潜入，界面承载达自重1.7倍。
匹配字段标题、摘要、正文
Meta 发布开源权重多模态模型 Muse Spark Open，参数量 816B，面向编码与智能体任务，并与 Apple 合作通过更新后的 MLX 工具包在两台 M5 Ultra Mac Studio（合计 1TB 内存）上本地运行。Meta 称该模型在无云环境下完成 iOS 应用修复和在 DaVinci Resolve 中剪辑视频。在 Artificial Analysis 的 Intelligence Index 上它得分 39，高于西方开源模型，但低于 GLM 5.3 的 45、Kimi K3 的 44 和 Qwen3.8 的 40，中国模型在编码上仍领先。
匹配字段标题、摘要
Meta 发布开源模型 Muse Spark Open，权重当天放出。Muse-Spark-Open-816B-A42B 支持文本、图像、视频和音频输入，上下文窗口为 1M。Unsloth 提供了 Dynamic 2-bit GGUF 量化版本，可在 Mac Studio 上运行，并附有 GGUF 下载地址和使用指南。
匹配字段标题
Voxel51 于 10 月 15 日推出 Voxel51 3.0，将搜索、数据整理、标注与评估整合为面向物理 AI 的端到端多模态数据平台，并可在 app.voxel51.com 免费试用。新平台包含基于 LanceDB 的持久混合搜索索引、支持时序多模态数据，以及由 45+ MCP 工具、80+ operators 和 18 个开源技能驱动的 Voxel51 Agent 与 Agentic Labeling。企业产品 FiftyOne Enterprise 更名为 Voxel51，开源项目仍称 FiftyOne。
匹配字段标题、摘要
Meta 于 10 月 15 日公开 Muse Spark Open 权重，这是一个原生多模态开源模型，总参数 816B、激活参数 42B，上下文窗口 1M token，面向编码与长程智能体任务。模型采用 MoE Transformer 加 Perception Encoder 架构，可通过 Baseten、Fireworks AI、Groq 等 API 平台调用，权重在 Hugging Face、Amazon SageMaker AI、Google Cloud Model Garden 等处下载，本地运行 NVFP4 版本需至少 700GB 显存。Meta 称其为首个能在桌面端运行的同级模型，用两台搭载 M5 Ultra 的 Mac Studio 配合 MLX 框架即可承载；模型卡显示其 Artificial Analysis 智能指数为 39，低于表中 GLM 5.3 的 45 和 Kimi K3 的 44。
匹配字段标题、摘要
NVIDIA 发布 Nemotron 3.5 Super VL，这是一个 120B 参数、每 token 激活 12B 的 MoE 开源视觉语言模型，支持文本、图像、文档和视频输入，上下文最高 1M tokens，权重以 OpenMDW-1.1 许可发布。NVIDIA 报告其在 GPQA-Diamond 得 89.90、SWE-bench Verified 得 71.07，但在 tau3-bench banking 仅 17.78。模型可在 1x DGX Spark、1x H200、2x H100 或 1x GB200 上运行 NVFP4 检查点，并已上线 Hugging Face、OpenRouter、ModelScope 和 NVIDIA NIM，同时发布面向本地智能体的 Nemotron 3.5 Bolt 74B-A9B。
匹配字段标题
英伟达推出开放多模态模型 Nemotron 3.5 Super VL，采用 MoE 架构，总参数 1200 亿、激活参数 120 亿，面向持续运行的多步骤智能体任务。英伟达称其在单张 GPU 上执行智能体任务的吞吐量最高可达同规模其他开放模型的 5 倍，并将推理、指令遵循、工具调用与文本、图像、文档、视频理解整合在同一模型中。同期发布的还有 Nemotron 3.5 Bolt 74B-A9B 24GB 端侧模型，通过原生 2 位量化压缩至 24GB，支持 llama.cpp、vLLM、Ollama 等；Bolt E4B 4GB 计划于 10 月 23 日推出。
匹配字段标题、摘要、正文
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。
匹配字段标题、摘要
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。
匹配字段标题、摘要
Apple 提出 Selection-based Structured Reasoning（SSR），将推理从开放式生成改为从预设可复用自然语言候选中选择，无需辅助任务头，并借助共享上下文 KV cache 并行打分。在 2B 和 4B 模型、七个多模态搜索基准上，SSR 平均成功率与同规模领先搜索智能体相当，单轮推理延迟降低超 90%，每题模型总推理延迟降低 28–54%。
匹配字段标题、摘要
NAVER Cloud 在 2025 NAACL 论文中提出 KoNET 基准，将韩国小学至高中 GED（KoEGED、KoMGED、KoHGED）与高考 KoCSAT 题目转为图像，评测纯文本与多模态 LLM。GPT-4o、Claude 3.5 Sonnet 等商业 API 模型平均分超 80%，EXAONE-3.0-7.8B 超过同参数量全球模型并追平 Qwen2-72B；开源多模态模型在韩语 OCR 上明显偏弱。
匹配字段标题、摘要
Jev 1.14 已在 OpenRouter 上线。据 @typesafeai 介绍，该版本整体小幅改进，多语言是最大升级，新增实验性图像识别能力，价格保持不变，输入 $0.042/M，输出免费。TypeSafe 的完整发布说明见 https://t.co/wxTQJIBsKS。
匹配字段标题
Meta 发布开源权重前沿多模态 MoE 模型 Muse Spark Open，总参数 816B，每个 token 激活约 42B 参数，面向编码与智能体任务，支持文本、图像、视频和音频输入，上下文窗口 1M token。模型提供 BF16 与 NVFP4 两种 checkpoint，NVFP4 面向 NVIDIA Blackwell GPU，并已集成 transformers、llama.cpp、vLLM、SGLang 和 MLX，官方还给出在 64 张 H100 上用 TRL 训练 LoRA 适配器的微调配方。
匹配字段标题、摘要
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。
匹配字段标题、摘要
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。
匹配字段标题、摘要、正文
OpenRouter 宣布 Decisions 功能支持音频与视频输入：把图片、音频、视频按 Chat Completions 的方式传入（image_url、input_audio、video_url），提出选择题即可返回概率而非 token。示例中给 Clef Omni 一张照片、3 秒滋滋声、2 秒热狗摊片段和“lunch?”，模型给出 hot dog 96.5%。该请求共 801 个输入 token，花费 $0.00012；定价为 $0.15/M 输入，输出免费。
匹配字段标题
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。
匹配字段标题、正文
OpenBMB 发布 MiniCPM-V 4.7，这是可在手机本地运行的开源 MoE 多模态模型，35B-A3B 参数，在 iPhone 17 Pro Max 上仅占 3 GB 内存，解码速度 13+ tokens/s。其 LES（前瞻专家调度）通过跨层路由预测提前加载专家权重，配合量化与存储布局优化，在真实设备上取得约 5 倍加速。面向开发者的 SRFT（自回放微调）在微调窄任务前用模型自生成标签做回放，以 Task:Replay = 4:1 混入任务数据，跨四个模型验证遗忘降低 80%–99%，任务性能基本无损。
匹配字段标题、摘要、正文
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。
匹配字段标题、摘要