2026年2月18日,Zyphra 发布首个基于脑数据训练的基础模型 ZUNA。据 Zyphra Research 介绍,ZUNA 是一个 380M 参数的扩散自编码器,可从有噪声或不完整的头皮 EEG 数据中重建高保真脑信号,并能从稀疏输入和电极坐标预测缺失通道,适配从消费级头戴设备到 256 电极研究系统的多种布局。该模型在更高缩放因子下持续优于 MNE 中实现的球面样条插值这一行业标准方法;在通道丢失超过 75% 时于所有数据集上超越 MNE 默认的球面样条插值,优势随数据退化程度增加而扩大。ZUNA 面向研究人员、临床医生和 BCI 开发者,可恢复部分损坏的 EEG 会话并让低通道设备映射到更高分辨率信号空间。模型以 Apache 2.0 许可开源,权重发布于 Hugging Face,推理与预处理代码发布于 GitHub,并提供 pip install zuna 安装包。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8月27日,Zyphra发布1.2B小语言模型Zamba2-mini,并以Apache 2.0协议开源模型权重。据Zyphra Research介绍,该模型称达到Llama2 7B级别性能,4bit量化下内存占用不足700MB;采用Mamba2与共享注意力层交替的混合架构,相比Phi1.5-1.3B首token时间快1.67倍、内存开销降低23.3%。模型在约3T token的Zyda及公开数据集上预训练,并在100B高质量token上退火,已提供Hugging Face集成与纯PyTorch实现。目前尚无后续有证据的发展。
匹配字段摘要
2024年4月16日,Zyphra发布7B参数基础模型Zamba。该模型采用Mamba块与每6层一个全局共享注意力层结合的混合架构,训练和推理比标准Transformer更省算力。模型分两阶段训练,先用约1万亿token开放网页数据,再用约500亿token高质量数据退火,在多项基准上超过LLaMA-2 7B和OLMo-7B,且训练数据用量不到后者一半。全部检查点以Apache 2.0协议开源,由7人团队在128张H100上耗时30天完成。Hugging Face集成和完整技术报告将随后发布。目前尚无后续发展事实。
匹配字段摘要
2026年1月20日,Liquid AI发布端侧推理模型LFM2.5-1.2B-Thinking,该模型完全在设备端运行,在手机上内存占用低于900 MB,并已在Hugging Face、LEAP和Playground上线。模型为1.2B参数,相比LFM2.5-1.2B-Instruct,在MATH-500上从63提升到88,Multi-IF从61提升到69,BFCLv3从49提升到57,并在多数推理基准上匹配或超过参数量多40%的Qwen3-1.7B。训练采用课程式RL与模型合并,通过偏好对齐和n-gram重复惩罚把doom loop比例从15.74%降到0.36%,并获Qualcomm、Ollama、FastFlowLM、Cactus Compute等新发布伙伴支持。
匹配字段摘要
2026年1月5日,Liquid AI发布LFM2.5-1.2B模型家族,预训练规模从10T扩展至28T token,并扩大强化学习后训练流程。该家族包含Base、Instruct、日语、视觉语言和音频语言模型。其中LFM2.5-Audio-1.5B采用新的LFM音频解分词器,在移动CPU上比LFM2的Mimi解分词器快8倍,并以INT4量化感知训练。所有模型均为开放权重,已在Hugging Face和LEAP上线,并获llama.cpp、MLX、vLLM、ONNX首日支持,AMD与Nexa AI提供NPU优化版本。
匹配字段摘要
2025年12月3日,Mistral AI发布Mistral 3模型家族,包括3B、8B和14B的Ministral 3,以及采用稀疏MoE架构、含41B激活参数和675B总参数的Mistral Large 3,均以Apache 2.0许可证发布。Ministral 3提供base、instruct和reasoning版本,Mistral Large 3提供base与instruct版本并将推出reasoning版本;该系列现已登陆Mistral AI Studio、Amazon Bedrock、Azure Foundry、Hugging Face等平台。此前,Modal于2025年12月2日宣布为Mistral 3提供Day 0支持,开发者可在其无服务器基础设施上部署并自动扩缩容这些模型;Modal的GPU内存快照功能在Ministral 3 3B上把中位冷启动时间从约118秒降到约12秒,接近10倍提升。
匹配字段摘要
2025年10月7日,Liquid AI发布其首个端侧MoE模型LFM2-8B-A1B的早期检查点。该模型总参数8.3B,每token激活1.5B,质量接近3-4B稠密模型,速度超过Qwen3-1.7B。架构上共18个门控短卷积块和6个GQA块,除前两层外每层含MoE块,每块32个专家、每token激活top-4。基础版预训练约12T token,语料约55%英文、25%多语言、20%代码,MMLU-Pro比LFM2-2.6B提升11.46分。模型已上线Hugging Face,兼容llama.cpp、ExecuTorch和vLLM。
匹配字段摘要
2025年9月25日,Liquid AI发布Liquid Nanos系列任务专用端侧基础模型,参数规模从350M到2.6B,占用内存100MB至2GB,可在手机、笔记本和嵌入式设备上本地运行。首批实验性模型包括LFM2-Extract、LFM2-350M-ENJP-MT、LFM2-1.2B-RAG、LFM2-1.2B-Tool、LFM2-350M-Math,以及社区开发的Luth-LFM2法语微调系列。官方称LFM2-1.2B-Extract在结构化抽取上优于参数量22.5倍的Gemma 3 27B,LFM2-350M-ENJP-MT的英日互译质量超过参数量10倍的通用模型。模型已在LEAP平台和Hugging Face上线,采用开放许可。
匹配字段摘要
2025年9月23日,Liquid AI发布LFM2系列目前最大的模型LFM2-2.6B,参数规模2.6B,基于10万亿token训练。官方称其在GSM8K上达到82.41%、IFEval上达到79.56%,表现超过Llama 3.2-3B-Instruct、Gemma-3-4b-it和SmolLM3-3B等3B+级别模型。该模型主要针对英语和日语调优,同时保持法语、西班牙语、德语、意大利语、葡萄牙语、阿拉伯语、中文和韩语的性能。其混合架构交替使用Grouped Query Attention(GQA)与短卷积层,官方称可带来更快的推理速度和更低的KV cache占用。模型已在Hugging Face上以LFM Open License开放。
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7月10日,Liquid AI发布LFM2系列端侧基础模型,开源0.35B、0.7B、1.2B三个稠密权重,可在Liquid Playground、Hugging Face和OpenRouter试用。官方称该系列采用乘法门控与短卷积的混合架构,共16个模块,CPU上decode与prefill速度最高为Qwen3的2倍,训练效率较上一代提升3倍。模型在10T token上预训练,以LFM1-7B做知识蒸馏,上下文长度扩展至32k,并支持CPU、GPU和NPU部署。
匹配字段摘要
2025年4月15日,Prime Intellect发布INTELLECT-2,称其为首个32B参数全球去中心化强化学习训练,任何人都可无许可贡献异构算力。该训练以QwQ-32B为基座模型,沿用DeepSeek-R1的GRPO与可验证奖励方法,并配套开源prime-RL异步分布式RL库、Shardcast权重分发库和TOPLOC可验证推理方案。推理节点可用消费级GPU,例如4×RTX 3090即可参与训练,训练数据已发布在Hugging Face。
匹配字段摘要
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%。
te code=True 加载。语音克隆需要干净的参考音频及其精确转写文本。GitHub 仓库增加了 CLI、批处理和监督微调脚本。 对于 GPU 服务，SGLang Omni 适配器提供分页注意力、动态批处理和兼容 OpenAI 的 /v1/audio/speech API。Edge0 指出吞吐量和流式传输未进行基准测试。免费的 Playground 在 Hugging Face ZeroGPU 上运行。 关键要点 601M 参数，23 种语言，Apache 2.0 权重。 一个学习到的真实感评判器驱动最终的 GRPO 阶段。 4.86% 的 CV3 错误率优于 Qwen3-TTS-1.7B 和 VoxCPM2。 4B 级 Higgs TTS 3 在 CV3 和 MiniMax 上仍然领先。 低资源语言仍然表现较弱，泰语 WER 接近 49%。 Asif Razzaq网站 | + 文章数简介 ⮌ Asif RazzaqBaseten 发布 joey-1，一个每 100 万 Token 收费 0.01 美元的 2B 决策模型 Asif RazzaqPrime Intellect 发布
匹配字段正文
面壁智能发布 MiniCPM-OCR 1.0，这是一个 1B 规模的 OCR 模型，在 Real5-OmniDocBench 上取得 93.68、在 OCRBench v2 上取得 54.7。同时发布 2B 的决策模型 MiniCPM-OCR Jev，用于比对解析结果与原图并给出 0–1 正确性评分，在 JevOCRBench 上接近 Qwen3.5-397B-A17B。两个模型均开放权重，支持 llama.cpp、vLLM、SGLang、Ollama 部署，并提供开源微调代码。
📄 MiniCPM-OCR 1.0——1B 规模下达到 SOTA 级 OCR 性能与速度。 它在 Real5-OmniDocBench 上取得 93.68，在 OCRBench v2 上取得 54.7，将精准的文档解析与高效推理相结合。 🛡️ MiniCPM-OCR Jev——一个用于校验 OCR 准确性的 2B 决策模型。 它在 JevOCRBench 上接近 Qwen3.5-397B-A17B，并可处理来自不同 OCR 解析器的输出。 看它将解析出的文本、公式和表格与原图进行比对，并给出 0–1 的正确性评分——帮助你挑选更优结果，并识别哪些内容需要人工复核。 🔓 开放权重。按你的方式部署。 可使用 llama.cpp、vLLM、SGLang 或 Ollama 运行。借助开源微调代码进行定制。 观看实测演示。👇 🔗 GitHub：https://t.co/2SlATAJk08 🤗 Hugging Face：https://t.co/Ttq31GL8eJ 👉 试用 Demo：https://t.co/QsFAJT3AFy 使用 API：https://t.co/dP01jBS2j2
匹配字段正文
北京大模型创企超衍智能发布并开源首款大模型Apex-35B-V1.0，总参数量350亿，每Token激活约30亿参数，支持26.2万Token上下文窗口，以Qwen3.6-35B-A3B为基础经中训练和后训练优化。该模型在论文复现测试PaperBench和科研难题测试FrontierScience中分别取得60.9分和40.0分，高于GLM-5.3的42.5分和30.7分；工具调用测试BFCL V4取得84.0分，高于DeepSeek-V4.1-Flash-1017的75.0分。模型已采用Apache 2.0许可证开放权重，官方提供约72GB的BF16权重和不同精度的GGUF量化版本。
篇超过3.0分；3篇评分不低于3.5分，其中2篇达到3.67分（图源：超衍智能） 截至今年9月，该公司已累计融资近4亿元，IDG资本、星连资本、中关村科学城基金、深创投、上海未来产业基金均是其投资人。 目前，Apex-35B-V1.0已采用Apache 2.0许可证开放模型权重，官方提供约72GB的BF16权重和不同精度的GGUF量化版本。 模型开源地址： Hugging Face： GitHub： ▲Apex-35B-V1.0开源主页（图源：Hugging Face） Apex-35B-V1.0基于Qwen3.6-35B-A3B开发，通过中训练和后训练优化，并融入超衍智能自有的研究轨迹数据。这款模型总参数量为350亿，每个Token激活约30亿参数，支持26.2万Token上下文窗口。 AI能在多大程度上帮助模型研发？超衍智能此次公布了两项AI4AI-Bench基准测试结果，展示Apex-35B-V1.0优化语言模型和图像生成模型训练方案的能力。 先来看语言模型的训练效果。在AI4AI-Bench的推箱子任务中，Apex-35B-V1.0为30亿参数的Qwen2.5-3B-Instr
匹配字段正文
Mistral 发布万亿参数开源权重模型 Le Chonk 的正式版本，称其是自动化编码和网络安全领域全球最好的开源权重模型，可免费获取。Mistral 科学副总裁 Pierre Stock 表示，该模型通过不断加难的网络安全与编码问题训练，得以追平或超过 DeepSeek、Z.ai 等中国实验室的模型。Stock 同时强调西方需要自己的先进开源权重模型，因为闭源模型可被远程关停，而开源权重一旦发布便无法切断访问。
串与AI相关的网络安全事件之后，Mistral声称，西方拥有自己的先进开放权重模型很重要。“你无法保证（中国模型）不会恶意行事。它们可能成为威胁载体，”Stock说。 最引人注目的事件发生在今年夏天，OpenAI的一个模型脱离了测试沙箱，并入侵了多家公司。这引发了人们的恐慌，担心AI可能逃脱人类监督，并被威胁行为者滥用来发动复杂的网络攻击。（受影响的公司之一Hugging Face使用了一个来自中国的开放权重模型来评估和防御此次攻击。） 此后，AI也在无处不在的软件中发现了安全漏洞。10月，在一款AI工具发现一项基础网络技术中的严重缺陷后，大量网站下线。 Mistral将其像Le Chonk这样的开放权重模型宣传为解决方案的一部分。其论点是，如果AI注定要成为网络攻防的核心特征，那么企业和政府将需要配备可免费获取且无法被远程关停的模型，而不像OpenAI、Anthropic和Google等公司的专有模型那样。 “AI将像电力一样。你不会想生活在一个邻居随时可以切断你电力的世界里，”Stock说。“一旦你将权重开源，它们就会传遍互联网。不可能切断访问。” 然而，代价是，可免费获取的模型也
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。
动多个模型、框架和机器。单个 MCP 服务器通过互联网控制整个集群，而非通过计算机使用（@theo，MCP 演示）。 框架开销：30 个开源编程框架的默认系统提示从 goose 的 235 token 到 Gemini CLI 的 11,974 token 不等，这还不包括任何工具定义（@nathanhabib1011）。 智能体训练与能力： 后期训练课程：Hugging Face 发布了一套五步智能体后期训练课程，从 SFT 到 RL 均在真实框架内进行（@SergioPaniego）。 Opus 5.5 游戏：Simon Willison 称十月是一个拐点，因为 Opus 5.5 构建的游戏确实好玩（@simonw）。 Lor：Lor 的智能体编写代码并运行多日实验，一次数百个；该产品处于内测阶段（@mirendil）。 研究：架构、训练与理论 H-Net v2（Cartesia）：H-Net 从原始字节端到端学习分词（@ albertgu）。 结果：受控扩展实验显示效率提升 3–5 倍。在更大规模下，该模型用约少 10 倍的数据和算力，就能匹配一个在 11T token 上训练的
匹配字段正文
Mistral 发布 Mistral Large 4（Le Chonk）的开放权重，这是一个 1 万亿参数的原生多模态模型，在预览版基础上继续强化学习，编码与防御性网络安全能力提升。它在 FrontierCode 2.0 上得分 19.7%，在 Artificial Analysis Coding Agent Index 上得 48%，与 GLM-5.3 基本持平，但每任务平均少用 47% token；Terminal-Bench 4.0 提升 13 个百分点至 41%。模型支持三种推理模式，采用修改版 MIT 的 Mistral Ecosystem Open-Weight 许可，API 定价为每百万输入 token $0.70、缓存输入 $0.07、输出 $2.10。
具——从图像到技术文档。 Giuseppe Borghi，ESA Φ-lab 负责人 AI主权不在于选择调用哪个API，而在于拥有按自己的方式运行、定制和构建AI的自由。Mistral Large 4将编码、多模态AI和网络安全方面的强大能力开放出来，为开发者、企业和国家提供了一个出色的开放基础，用以构建自己的AI并抵御网络威胁。 Jeff Boudier，Hugging Face 产品副总裁 强大的模型只是等式的一部分。开发者还需要自由决定它在哪里运行、如何优化，以及如何融入他们的系统。我们对 Mistral Large 4 感到兴奋，因为开放权重让构建者对这些决策拥有更多控制权，而不是让他们依赖单一托管服务。在 ZML，我们认为这种自由对于将 AI 的进步转化为有用、可部署的软件至关重要。 ZML 首席执行官 Steeve Morin 主权并不总是要求自托管；有时它只需要满足你控制要求的部署方式。对于偏好托管服务的组织，Mistral Large 4 可通过 Microsoft Foundry 获取，并为 Azure 开发者提供私有部署选项。 Microsoft 与 Mistral
匹配字段正文
NVIDIA 发布 Nemotron 3.5 Transcribe，这是一个开源权重的语音大模型，支持 40 种语言、单次最长 1 小时音频，可通过文本指令选择逐字、书面、说话人标注、上下文和翻译等输出形式。模型总参数约 34B、激活参数约 4.3B，采用混合 Mamba-Transformer MoE 架构，BF16 可在单张 H100 80GB 上运行，NVFP4 版本约 21GB 可在 RTX 5090 上运行。NVIDIA 自报其在 9 个公开英文 Open ASR 测试集上平均 WER 为 4.71%，为开源权重模型最好成绩，但商业 API 仍领先；短板是仅支持离线，中文远场会议 cpCER 为 34.95%。
榜集）未报告5.76%5.63%7.44% 多语言 Open ASR，7 种语言（平均 WER）4.62%6.49% 不适用（仅英文）7.94% 参考硬件1 张 H100 80 GB（BF16）未披露在 A6000、A100、RTX 5090 上测试未披露 当前 9 个测试集排行榜上的竞品分数来自 NVIDIA 的报告，其引用的是 2026 年 10 月的 Hugging Face 排行榜结果。由于排行榜测试集在竞品发布各自模型卡之后发生了变化，因此这两行 WER 数据不可互换。 要点 一个开源模型即可处理 40 种语言的转写、说话人、时间戳和翻译。 4.71% 的英文 WER 是开源权重模型的最佳成绩；商业 API 仍然领先。 约 4.3B 激活参数；BF16 可装入 1 张 H100，NVFP4 可装入 RTX 5090。 实体列表可将命名实体 WER 从 12.21% 降至 2.20%。 仅支持离线；普通话会议和语码转换仍是薄弱环节。 Asif Razzaq网站 | + 文章作者简介 ⮌ Asif RazzaqBaseten 发布 joey-1：一个 2B 决策模型，每 100
匹配字段正文