FireRedTeam 开源 FireRedAudio，一个基于共享 9B 参数 LLM 的通用音频语言模型，采用解耦的连续表示，Audio Encoder 负责理解、RedAE 通路负责生成。单模型覆盖 ASR、音频理解、零样本 TTS、Instruct TTS、语义与声学语音编辑，并支持对最长约一小时录音做精确时间对齐。项目以 Apache-2.0 许可发布，需 Python 3.10 与 uv，默认面向 CUDA 12.8；除 ASR 外，语音生成与音频理解仅支持中英文。
#开源/仓库#语音#多模态
FireRedTeam 发布 FireRedTTS3，一个基于语义增强连续语音表征的统一语音生成与编辑系统，包含 Base 和 Instruct 两个版本。Base 支持 24 种语言和 21 种中文方言的零样本语音克隆，在 MiniMax-MLS-Test 上平均 WER/CER 为 3.754%、说话人相似度 84.8%；Instruct 支持自然语言语音设计和语义、声学语音编辑。模型已在 Hugging Face 和 ModelScope 开放下载，并发布 Gradio demo，采用 Apache-2.0 许可。
#开源/仓库#语音#多模态
面壁智能推出新一代端侧多模态大模型 MiniCPM-V 4.7，提供 35B-A3B 和 1B 两种规格，其中 35B-A3B 是 MiniCPM-V 系列首个 MoE 模型。官方称该版本基于 LES 前瞻专家调度推理加速技术，在 iPhone 17 Pro Max 上以仅 3GB 内存实现 13+ token/s 解码速度，并支持 iOS、安卓和鸿蒙，适配 Intel、AMD、Arm、瑞芯微、后摩等芯片平台。同步开源 Self-Replay Fine-Tuning (SRFT) 微调方案，官方称 35B-A3B 在 Instruct 模式下以更短推理时间取得比 Qwen3.6 35B-A3B 更高的综合得分。
#模型发布#多模态#端侧
Meta 发布 Muse Wonder 和 Muse Wonder Full 两款面向个人与专业智能体的 AI 模型，具备长期记忆、多步任务执行和编码能力，并在公司 gigawatt 级 Prometheus 数据中心完成训练。模型结合 Active Memory 与 Active Focus 两项能力，前者跨对话保留并检索相关信息，后者支持长时间朝目标推进、尝试替代方案并适应新信息。Meta 称其在个人与专业智能体、记忆和编码基准上取得 SOTA，评测涵盖 AutomationBench-AA、MemoryBench、SWE-Marathon 和 DeepSWE，并测试了法律、金融与健康等专业任务。
#模型发布#Agent#推理
微软发布 Decision-1，这是一款对预设答案返回校准概率的 AI 模型，让应用直接使用其输出，而无需处理大语言模型的自由文本回复。该模型基于 Qwen3.5-9B 后训练，支持是非判断、预设选项选择、评分以及基于评分标准的评估，可用于分类请求、事件优先级排序和校验 AI 生成内容，已通过 Microsoft Foundry 和 OpenRouter 提供。微软称其在覆盖近 15 万个问题的 36 项基准对比中准确率最高，速度约为第二名的 2.5 倍、GPT-6 Sol 的 35 倍，定价为每百万输入 token 4.2 美分且输出 token 不收费，但上述结果与成本计算尚未经独立验证。分析师提醒该模型不提供决策理由，企业应关注校准测试、问题措辞控制、审计日志和高影响决策的人工复核。
#模型发布#推理#部署/工程
Meta 发布前沿模型 Muse Wonder，包含 Muse Wonder Full 和 Muse Wonder 两个版本。Muse Wonder Full 在 Artificial Analysis Intelligence Index v4.3 上得 56 分，Muse Wonder 得 52 分，前代 Muse Spark 1.3 为 48 分。智能体评测提升明显，Terminal-Bench 4.0 从 33% 升至 57%；Muse Wonder Full 在 Coding Agents Index 得 68 分，与 Claude Code 的 Sonnet 5.5 持平。事实知识仍是弱项，AA-Omniscience 仅 30 分，但幻觉率从前代的 33% 降至 23%。成本上升明显，Muse Wonder 每任务 4.52 美元，接近前代 1.60 美元的三倍，输入 token 价格涨至每百万 4 美元。
#模型发布#Agent#编码
Meta Superintelligence Labs 发布第二代模型家族 Muse Wonder（代号 Watermelon），距实验室成立约 14 个月。Artificial Analysis 的 Intelligence Index v4.3 中 Wonder Full（max）得 56、Wonder（max）得 52，高于 Muse Spark 1.3 的 48，Opus 5.5 以 58 领先；提升最大的是智能体能力，Terminal-Bench 4.0 从 33% 升至 57%。规格为 1M 上下文，输入支持文本、图像、视频和音频，输出仅文本，定价为每百万 token 输入 4 美元、缓存输入 0.20 美元、输出 20 美元。
#模型发布#评测/基准#Agent
Meta 的 Superintelligence Lab 发布 Muse Wonder 和 Muse Wonder Full 两款模型，这是该公司首次推出前沿模型。两款模型规模大于此前的轻量模型 Muse Spark，Meta 称其在编码等复杂任务上基准成绩与 Fable 5.1、GPT-6 Astra 相当，并通过 Meta Model API 提供，定价为每百万输入 token 4 美元、每百万输出 token 20 美元。Meta 还强调模型保留和整合用户信息的“active memory”能力，称 Muse Wonder 在 MemoryBench 上的得分高于 Fable、Opus 和 Astra。
#模型发布#OpenAI#Anthropic
Meta Superintelligence Labs 发布 Muse Wonder（代号 Watermelon）和 Muse Wonder Full 两款模型，其中完整版在 Artificial Analysis 智能排名中位列第二，仅次于 Anthropic 的 Opus 5.5。报道称 Meta 由此进入此前由 OpenAI 和 Anthropic 主导的前沿模型竞争，其优势还包括数据中心、数十亿用户以及智能体应用 Muse。文中还提到 Andrej Karpathy 关于 AI 能力认知分层的观点、微软 Maia 300 芯片，以及一份使用 Muse Wonder 完成工作坊议程与预算的教程。
#行业动态#模型发布#OpenAI
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 Muse Spark 1.3（max）的 48，发布间隔仅 6 周。Muse Wonder Full（max）在十项评测中全面超过 Muse Spark 1.3（max），智能体类提升最大，Terminal-Bench 4.0 从 33% 升至 57%，GDPval-AA v2.1 从 1681 Elo 升至 1857。Muse Wonder 已在 Meta 一方 API 和 Muse Code 上线，Muse Wonder Full 仅面向 Muse Code 用户，两者上下文窗口均为 1M tokens。
#模型发布#Agent#编码
Meta 发布 Muse Wonder 和 Muse Wonder Full 两款新模型，称后者具备前沿能力，将通过 API 和 Muse Code 提供，并用于其平台功能与 Muse 个人智能体。Meta 称最大版本在 Artificial Analysis Intelligence Index 上超过 Claude Fable 5.1、仅次于 Claude Opus 5.5，并在法律文档处理和软件开发等专项基准上超过 GPT-6 Astra。新模型还引入 Active Memory 和 Active Focus 两项功能，用于让智能体锁定既定目标、避免混乱。
#模型发布#Agent#OpenAI
Meta 发布两款新 AI 模型，称其能力可对标 OpenAI 和 Anthropic 的领先模型，包括 GPT-6 Astra、Claude Opus 5.5 和 Claude Fable 5.1，依据是多项行业基准的内部测试结果。这两款模型是 Meta 重组后的 Superintelligence Labs 继 Muse Spark 和 AI 智能体 Muse 之后的新品，目前尚不清楚它们与 Google Gemini 4 Argon 的对比情况。Meta 正持续扩充 AI 产品线，此前已推出图像模型 Muse Image。
#模型发布#OpenAI#Anthropic
Meta 宣布推出全新闭源模型系列 Muse Wonder，包括 Muse Wonder 和 Muse Wonder Full，称其为公司目前能力最强的模型，在个人与专业智能体任务中达到业界领先水平。该系列强调编程能力、专业领域知识、跨对话记忆和持续执行复杂任务，将主动记忆与主动专注结合，可在不同对话间保留用户背景信息并持续投入复杂目标。即日起通过 Meta Model API 和 Muse Code 提供 Muse Wonder，Muse Wonder Full 向 Muse Code 订阅用户开放，Muse Wonder 后续将支持 Muse 应用并先向订阅用户推出。
#模型发布#Agent#OpenAI
Thinking Machines Lab 发布开源权重模型 Inkling-Small，这是一个 276B 总参数、12B 激活的 MoE Transformer，性能与 Inkling 相当但规模仅为四分之一。该模型原生支持音频与图像推理、可变思考预算和最高 1M token 上下文窗口，在 HLE 上得分 31.6%，超过 Inkling 的 29.7%，SWE-bench Verified 超过 80%。完整权重已开放，并可在 Tinker 上微调，在 Tinker Playground 进行文本、图像和音频对话。
#模型发布#开源生态#推理
Thinking Machines Lab 发布开源权重模型 Inkling，这是一个 975B 总参数、41B 激活的 MoE Transformer，支持最高 1M token 上下文窗口，预训练数据为 45 万亿 token 的文本、图像、音频和视频。官方称 Inkling 并非当前最强模型，但具备多模态、可控思考算力和可在 Tinker 上微调等特点，适合作为定制底座，并同步预览了 12B 激活参数的 Inkling-Small。Inkling 已在 Tinker 上线，提供 64K 和 256K 上下文选项，权重发布在 Hugging Face。
#模型发布#开源生态#多模态
蚂蚁 inclusionAI 在 GitHub 开源 LLaDA-Image，一个 6B 参数统一图像生成与编辑模型家族，包含 50 步的 Base 模型和 4 步蒸馏的 Turbo 模型，支持文生图、VQ 条件生成、参考图编辑以及中英文文字渲染。仓库提供模型权重和基于 Diffusers 的推理代码，训练代码即将发布；官方称其在 Qwen-Image-Bench 上取得英文 53.53、中文 53.38 的总体成绩。
#开源/仓库#图像生成#多模态
蚂蚁 inclusionAI 在 GitHub 开源 LLaDA-UI，一个基于 MoE 的块级扩散视觉语言 GUI 智能体，端到端约 16.7B 参数，结合原生动态分辨率视觉编码器与 LLaDA2.0-mini-base 扩散语言骨干。训练覆盖 grounding、移动端、桌面端和网页任务，包含 100 多个中文和 70 多个英文移动应用数据。官方称其在全部六项 GUI 基准上超过 Qwen2.5-VL-7B，并在 ScreenSpot-Pro、AndroidWorld、MobileWorld 和 WebVoyager 上超过 Qwen3-VL-8B。
#开源/仓库#Agent#多模态
蚂蚁 inclusionAI 在 GitHub 发布 UI-Venus-2，提供 9B 和 27B 两个版本，仅以截图作为输入，将移动、网页和桌面交互统一到一个端到端 GUI 智能体中。相比 UI-Venus-1.5，新版本扩展了中英文移动环境，从零构建桌面 computer use 能力，并引入基于关键点的验证与验证增强反思机制。仓库同时给出移动、Computer、Browser、Grounding 和 CAPTCHA 等基准上的对比结果，并提供 Venus Framework 等运行框架。
#开源/仓库#Agent#多模态
智源 FlagOpen 发布 RoboBrain-X0，一个面向异构本体迁移的跨本体基础模型，2025-09-29 已放出 RoboBrain-X0-preview。该模型用 SE(3) 任务空间末端执行器位姿表示、统一动作词表 UAV 与动作 tokenizer，并通过 Grouped Residual Quantizer 把不同自由度和机械结构的连续控制序列映射到共享离散动作基元空间，实现 AgileX、R1-Lite 双臂轮式机器人和 Franka 单臂系统之间的零样本泛化与复杂任务分解。模型由 RoboBrain 2.0 与动作 tokenizer OmniSAT 组成，支持多视图 RGB-D 输入到具体执行的解码，仓库采用 Apache-2.0 许可，后续计划放出基于 Fast Tokenizer 的 checkpoint、快速推理示例以及训练与评测代码。
#开源/仓库#具身智能#多模态
Meta 发布 Muse Wonder 系列，包含 Muse Wonder 和 Muse Wonder Full 两款模型，称其为目前能力最强的模型，在个人与专业智能体任务上达到 SOTA，覆盖法律、金融、健康等专业领域以及前沿编码能力。两款模型具备 Active Memory，可跨对话保留关键信息并调取与当前任务相关的细节；还具备 Active Focus，在任务变难时继续尝试其他方法、从错误中恢复，并在执行重要操作前先确认。Meta 表示该系列按 Meta Superintelligence Scaling Framework 的标准训练、评估和发布，完整安全评估报告将随后公布。
#模型发布#Agent#Meta