田渊栋创立的 Recursive 开源首个模型 Flint，主打本地 Agent 编程，总参数 400 亿、每 token 激活 25 亿，支持 512k token 上下文窗口。官方称搭配自研推理引擎 rec，Flint 在 MacBook Pro 上可达至少 125 tokens/s，RTX Spark 上超过 150 tokens/s，相比 llama.cpp 吞吐提升约 1.4～2.6 倍。Flint 在 SWE-bench Verified 得分 74.2%，SWE-bench Pro v2 为 89.7%，Terminal-Bench 2.1 为 54.9%；rec 目前支持 M4 Pro、M5 Pro 和 M5 Max，要求至少 48GB 统一内存和约 30GB 空闲磁盘空间。
#模型发布#开源生态#Agent
科大讯飞在2026全球1024开发者节主论坛发布讯飞星火X2.6，基于全栈国产自主技术路线，以云+端协同让端侧设备处理部分任务、复杂问题交由云端，以降低Token成本并保护敏感数据。星火X2.6首次基于全国产算力实现代码和智能体能力突破，端侧星火X2.6-4B智能体任务覆盖度达41.9%。科大讯飞称长程任务动态并行训练使超长上下文训练效率提升约4倍，国产集群推理效率提升4.5倍，并已在教育、医疗、法律等领域落地。
#模型发布#端侧#Agent
10月22日科大讯飞在1024开发者节发布端云一体讯飞星火X2.6，并同步推出端侧模型星火X2.6-4B，系统按任务路由到纯端侧、纯云侧或端云协同执行。星火X2.6采用293B总参数、30B激活参数的MoE架构，上下文窗口扩展至100万Tokens，官网显示X2.6限时6折，输入、输出价格分别为每百万Tokens 0.9元和3.6元。刘庆峰预计未来约60%场景可在端侧完成、30%端云协同、10%需云端大模型，公司称端侧可独立完成的任务占比已从12.8%提升至40%以上。
#模型发布#Agent#编码
Hugging Face 周四发布开源 DNA 理解模型 Carbon-X，可在笔记本本地运行，用户能用自然语言询问 DNA 变化对基因活性和健康的影响。该模型与中关村学院和那不勒斯费德里科二世大学的研究者合作开发，基于已有语言模型扩展词表以六字母为单位读取 DNA，并在 3000 亿 token 的 DNA 序列、英文文本和 DNA 与生物描述对应样本上继续训练。模型为 14B 参数，单次可处理约 5 万碱基对的序列，不能上传完整人类基因组；开发者也说明尚未通过湿实验验证预测准确度。
#模型发布#开源生态#Hugging Face
Hugging Face 发布开源模型 Carbon-X，将 DNA 分析与生成和自然语言结合，让研究者能直接提问并得到预测和解释。该模型基于 Qwen3-14B，用人类、其他哺乳动物、植物和真菌的基因组序列与自然语言训练，训练数据明确排除病毒。研究者可在本地运行，避免向外部 AI 公司共享敏感患者数据，也可生成新的 DNA 序列以辅助基因疗法研究。
#模型发布#开源生态#数据/训练
蚂蚁数科发布决策模型 LingDT-Decision-1.0，专为快速产业决策打造，提供 4B 和 27B 两个版本，已在蚂蚁数科 DTMaaS 平台上线并限时免费体验。该模型支持原生多选与按序决策（DAG），在 23 项开源评测基准中性能超过 Microsoft-Decision-1、Jev 1.13 等决策模型，27B 版本在同参数模型中准确率最高。蚂蚁数科在客服、风控、金融等场景测试显示，处理同样任务时相比大语言模型可将 Token 消耗降低超 90%，响应时效提升 10 倍。
#模型发布#推理#部署/工程
卧槽兄弟们，这个真的牛逼，感觉大模型诞生至今最憋屈的七年失忆史可能要翻篇了！！ 甚至我想说个暴论，这大概是今年大模型架构演进里最性感、但也最击中行业要害的一次底层突围。 刚刚开源的 MemT-1.0 第一次在 Transformer 底层焊入了一颗真正的生物级海马体， 让 AI 从聊完即忘的失忆金鱼，真正进化成了能把经验沉淀进血液里的生命体。 靠暴力堆显卡、拿几个 G 的 KV Cache 硬撑长文本的旧石器时代，今天被这个开源原生记忆大模型正式砸穿了。 他们放出的 66 页技术报告和最高 288B 的开源权重直接甩出了一组降维打击的工程账单： 把记忆变成前向计算流的原生状态后，256K 超长历史下的显存开销从 5.06 个 G 暴降到恒定的 40 兆， 直接把 KV 缓存砍掉了整整一百二十倍以上，而且首字延迟更是不管历史拉得多长，始终稳稳压在一百毫秒出头。 最先击穿传统路径的，是它彻底重构了模型的前向计算流。 以前大家为了让 AI 记住上下文，只能硬着头皮堆长文本或者外挂向量库，代价就是显存撑爆且丢失多步推理因果，它在标准网络旁并联了一套原生记忆模块，在输入进入的瞬间，擦除门、写入门和遗忘门就像生物海马体一样自动运转，不再保留所有的死文字，而是把信息实时消化成动态的内部记忆矩阵。 更绝的是它在真实智能体场景下带来的降维打击，团队把历史纠错中沉淀的一千多条代码经验，直接写入内部的原生记忆状态，完全不占用任何系统提示词的 Token 额度， 结果在标准代码测试集上，连续三次均通过的硬核指标直接提升了百分之八，稳定性甚至反超了直接塞明文提示词的做法。 这意味着经验不再是一段需要模型每次重新阅读理解的生硬规则，而是直接内化成了它的本能直觉，真是牛逼! 我觉得这才是通往真正的递归自我改进最底层的物理逻辑啊, 参数只定义了模型的出厂下限，但唯有持久内化的原生记忆，才能为智能打开复利增长的空间。 以前我们买的模型是聊完即焚的一次性计算工具，从今天起模型正在变成越用越懂业务、越用越值钱的自进化资产。 大家在做智能体或者长对话应用时，最头疼的是长上下文带来的昂贵显存和卡顿延迟，还是模型转头就忘业务规范的失忆症？ 对我来说，光是把 256K 显存压缩一百二十倍且延迟恒定这一项，就已经能让无数原本算不过账的长程业务直接原地复活了hh~
#模型发布#开源生态#Agent
中国电信人工智能科技有限公司星辰通用人工智能实验室发布并开源意图理解专用模型 Xing4.0-29B-Intent，同步开放 275.3 万条训练语料、模型权重与推理镜像。模型基于 Xing4.0-29B-A4B 微调，采用统一模式驱动语义解析框架，同时支持意图识别与参数抽取，输出受字段约束的 JSON，平均输出几十个 token，完整结果响应时延可达百毫秒级。该模型已在电信万号客服的对话意图识别与工单智能路由、智能家居音箱的口语指令解析中应用，代码以 Apache 2.0 许可开放，数据集与权重将在 Hugging Face 同步开放。
#模型发布#开源生态#推理
IBM 发布开源语音语言模型 Granite Speech 5.0 2B，采用 Apache 2.0 许可，支持 6 种语言的语音转文字，并具备语音翻译能力。该模型在 Open ASR Leaderboard 上以 5.68% 平均英文 WER 位列开源权重模型第二，仅次于 Qwen3-ASR-1.7B 的 5.40%。相比 4.1 2B，新增语言 ID 提示、最多 2000 个词的关键词偏置和按需标点大小写，可在 Transformers、vLLM、llama.cpp 和 mlx-audio 上运行。
#模型发布#语音#开源生态
科大讯飞在 1024 开发者节发布讯飞星火 X2.6 端云一体大模型，宣称首次基于全国产算力实现代码和智能体能力突破。该模型采用 293B-A30B 参数的 MoE 架构，上下文长度拓展至 1M，并支持按任务场景自定义安全策略。同时发布的星火 X2.6-4B 开源端侧大模型在代码、智能体、长文本及多语言能力上提升，新增三档推理模式，推理限时免费；X2.6 系列已在讯飞星火官网开放试用。
#模型发布#Agent#编码
科大讯飞在 1024 开发者节上宣布首发星火语音基座大模型 SparkAudio 1.0，集成机器翻译、语音识别、语义理解等能力，宣称在实时说话人分离、环境理解、音频理解、情绪识别方面表现卓越。该模型已在讯飞输入法 16.0、讯飞听见、讯飞办公本、讯飞翻译机全面上线，支持中英文任意切换和说话人实时识别。科大讯飞同期发布讯飞 AI 录音环，搭载 4 + 1 环麦阵列和 Wi-Fi 6 传输，宣称综合识别准确率超 96%，2 小时录音转写仅需 2 分钟。
#模型发布#语音#多模态
#模型发布#Agent#编码
ElevenLabs 于 10 月 20 日发布实时语音系列模型 Eleven Realtime，包括面向自然交流的 v1 Mini 和面向客服、多步骤任务的 v1 Max，均支持超过 90 种语言和 1.7 万种音色。据 Artificial Analysis 测试，Max 在 Big Bench Audio 语音推理评测中正确率 98.8%、位列第三，平均首次音频响应时间 0.57 秒，Mini 正确率 75.9%、响应 0.62 秒。两款模型可通过 ElevenAgents 平台或兼容 OpenAI Realtime 规范的 Realtime API 使用，目前仅支持 WebSocket 连接；作者实测 Architect 搭建助手时中文口音明显、回复偏长且延迟较高。
#模型发布#语音#Agent
Kakao 将自研图像识别模型 Kanana-2-vision-encoder 的两个版本开源，中等版 4.26 亿参数、微型版 9800 万参数，均已上线 Hugging Face。Kakao 称两款模型在覆盖通用视觉问答、英韩 OCR、文档理解和目标定位等九大类共 42 项基准上，对比 Google SigLIP 2、Meta Perception Encoder、Apple AIMv2 和阿里 Qwen3.5-ViT 均取得最高性能，微型版在部分基准上超过参数量 4 亿以上的竞品，韩文识别、文档理解和目标定位差距尤为明显。训练中使用自研 Kanana-2 语言模型使训练效率提升约 4 倍，高分辨率图像处理架构改进使延迟降低 60% 以上；模型以 Kanana Open License 发布，允许研究、开发和商用。
#模型发布#开源生态#多模态
Introducing Flint, @Recursive_SI’s first model: a fast local coding model built with our automated research system, the Eureka Machine. • Best-in-class fast local coding • Up to 2x faster than comparable models: 125+ tokens/sec on a MacBook Pro, 150+ on RTX Spark • Built from scratch in under 4 months Private, unmetered intelligence on your own machine. Open weights available now on @huggingface, run it locally on your favorite framework or try it for free on @opencode or @pidotdev.
#模型发布#开源生态#编码
Today we release mammoth-1 and elephant-1! We post-trained mammoth-1, the #1 ranked best decision model in the world, and elephant-1, which is the best model under 15B (and beats Jev). We're open-sourcing all model weights and provide a technical report detailing all our training and data methods.
#模型发布#开源生态
Introducing Flint, @Recursive_SI’s first model: a fast local coding model built with our automated research system, the Eureka Machine. • Best-in-class fast local coding • Up to 2x faster than comparable models: 125+ tokens/sec on a MacBook Pro, 150+ on RTX Spark • Built from scratch in under 4 months Private, unmetered intelligence on your own machine. Open weights available now on @huggingface, run it locally on your favorite framework or try it for free on @opencode or @pidotdev.
#模型发布#开源生态#Agent
Introducing Flint, @Recursive_SI’s first model: a fast local coding model built with our automated research system, the Eureka Machine. • Best-in-class fast local coding • Up to 2x faster than comparable models: 125+ tokens/sec on a MacBook Pro, 150+ on RTX Spark • Built from scratch in under 4 months Private, unmetered intelligence on your own machine. Open weights available now on @huggingface, run it locally on your favorite framework or try it for free on @opencode or @pidotdev.
#产品更新#开源生态#Agent
Introducing Flint, @Recursive_SI’s first model: a fast local coding model built with our automated research system, the Eureka Machine. • Best-in-class fast local coding • Up to 2x faster than comparable models: 125+ tokens/sec on a MacBook Pro, 150+ on RTX Spark • Built from scratch in under 4 months Private, unmetered intelligence on your own machine. Open weights available now on @huggingface, run it locally on your favorite framework or try it for free on @opencode or @pidotdev.
#模型发布#编码#端侧
#模型发布#开源生态#Agent