微软 AI 宣布完成新一代基础模型 MAI-Base-2 的预训练，这是一个 80B 激活参数、2.8T 总参数的 MoE 模型，在内部留出评测上优于其测试的所有开放权重模型。微软称其预训练 FLOPs 效率比最强的开放基础模型 DeepSeek-V4-Pro-Base 高 4-12 倍，训练使用 16k 块 GB200 GPU、历时 38 天，平均 MFU 21%、goodput 89%。该模型基于有机数据训练、不涉及其他模型蒸馏，目前正进行后训练，微软计划通过 Foundry 向可信伙伴授权模型权重。
#模型发布#数据/训练#Microsoft
Fish Audio 本周发布 Drama 3，一个 35B 参数的混合专家（MoE）文本转语音模型，每 token 约 3B 参数激活，权重已上传 Hugging Face 并同步上线 Fish Audio API。模型支持 83 种语言，可用方括号内的自然语言表演指令控制语气，单次请求最多支持 16 个说话人。在 Artificial Analysis 发音鲁棒性评测中整体得分 93.2%，其中品牌、地名与技术术语 95.9%，代码、路径、邮箱等精确序列为 86.3%；自托管需至少 48 GB 显存的 NVIDIA GPU 并以 FP8 运行，API 标价每 100 万字符 50 美元，11 月 12 日前为 10 美元。
#模型发布#语音#开源生态
SpaceXAI 发布语音到语音模型 Grok Voice 3.0，在 Artificial Analysis Speech-to-Speech Index 上以 86.9 分排名第一，高于 GPT-Live-1（Astra, medium）的 83.2 分和 Gemini 3.8 Live Extended Thinking 的 82.6 分。该模型通过 /v1/realtime WebSocket 端点以 grok-voice-3.0 提供，仅托管 API、无开放权重，价格维持 $0.08/分钟，首音频延迟 0.81 秒。其 τ-Voice 得分 71.6%，仍低于 GPT-Live-1 的 74.5%。
#模型发布#语音#Agent
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。
#模型发布#多模态#Agent
阶跃星辰宣布开放 Step 5 Preview 模型权重，包含 BF16 与 FP8 两个版本，在 AI 编程、软件工程、专业知识工作、金融等任务上达到前沿水平。权重已上线 Hugging Face 和 ModelScope，开发者可通过 vLLM 或 SGLang 部署兼容 OpenAI 接口的 API 服务，也可用 Transformers 离线推理。华为、壁仞科技、沐曦股份、摩尔线程随后宣布提供 0Day 支持，其中昇腾基于 vLLM 推理引擎实现 0Day 支持，首套 1024 卡 Atlas 950 SuperPoD 液冷超节点同步上线点亮。
#开源/仓库#部署/工程#Hugging Face
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。
#模型发布#多模态#Agent
蚂蚁百灵开源 Ling-3.1-flash 模型，总参数约 560B，每个 Token 激活约 25B，最高支持 1M 上下文。在 Artificial Analysis 公开评测中，其智能指数为 41，输出速度约每秒 210 Token。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，Hopper GPU 测试配置下服务部署由 8 卡降至 4 卡。模型还提供长上下文并行推理方案（PCP / DCP），并加强对 JSON Schema 的工具调用支持。
#开源/仓库#数据/训练#部署/工程
Meta 于当地时间 10 月 15 日发布开放权重 AI 模型 Muse Spark Open，官方宣称其为迄今能力最强的美国开放权重模型。该模型采用原生多模态架构，总参数量 816B（激活参数 42B），支持 1M token 上下文窗口，专为代码构建与智能体协作设计。模型权重已上线 Hugging Face、Amazon SageMaker AI、Google Cloud Model Garden 与 Microsoft Foundry Models，并适配 SGLang、vLLM、TensorRT-LLM 等推理引擎。
#模型发布#多模态#开源生态
快手可灵 AI 宣布 Kling 4.0 正式全量上线 klingai.com，单次生成视频最长可达 30 秒，并支持多次续拍延展至 2 分钟。新版本支持单次输入最多 10 张图片、5 段视频及 7 个主体组合使用，输入长度提升至 8000 tokens，同时升级了镜头运动、音频与口型匹配等能力。Kling 4.0 能力已接入 MCP / CLI，面向企业客户与开发者的 API 服务将于近期开放。
#产品更新#视频#多模态
Black Forest Labs 的 FLUX 3 Image Klein 已在 ComfyUI 原生支持，该模型为 FLUX 3 家族中紧凑的开源权重版本，参数量 5.6B，提供 base 与蒸馏（-sd）两种权重。它保留大尺寸 FLUX 3 Image 的边界框控制，支持多参考生成与编辑、文本渲染与编辑、参考图风格迁移，并原生生成 4K 图像。官方称在内部评测中其文生图与多参考生成得分高于 Qwen-Image 2.1；配合 INT8 ConvRot 量化与步数蒸馏，1024×1024 文生图比 BF16 50 步基线快 4.3 至 9.3 倍，RTX 5070 上单图从 71 秒降至 8 秒以内。
#产品更新#图像生成#开源生态
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