Meta 发布开源权重模型 Muse Spark Open，总参数 816B、激活 42B（MoE），在 Artificial Analysis Intelligence Index 上得分 39，成为该榜单上得分最高的美国开源权重模型。它比 Meta 今年 8 月的 30B 稠密开源模型 Muse Glimmer（high，17）高 22 分，也领先同日发布的 NVIDIA Nemotron 3.5 Super VL（26）。该模型上下文窗口 1M tokens，支持文本、图像、视频和音频输入，权重以 BF16 和 NVFP4 格式发布在 Hugging Face，API 可通过 Baseten、Fireworks AI、Groq、Modal、Nebius、OpenRouter 和 Together AI 获取。
匹配字段摘要
Nvidia 发布 Nemotron 3.5 系列三款新模型：120B 的 Nemotron 3.5 Super VL 视觉语言模型，以及面向本地运行的 Nemotron 3.5 Bolt 74B-A9B 24GB 和 Bolt E4B 4GB。Bolt 74B 通过二比特量化把 74B 模型压到 24GB 显存，激活 9B 参数，支持 llama.cpp、Ollama、LM Studio 和 vLLM，面向笔记本上的编码、研究与多步工具调用任务。Super VL 沿用 Mamba-2、注意力和 MoE 混合架构并新增视觉编码器，支持图像与视频输入，上下文窗口最高 100 万 token；在 Nvidia 自测中 Terminal-Bench 2.1 得 66.7 分高于 Qwen3.5-122B-A10B 的 48.7，但 SWE-bench Verified 以 71.1 略低于对方的 71.9。两款较大模型已在 Hugging Face 以 OpenMDW 1.1 许可开放下载，Bolt E4B 4GB 将于近期推出。
匹配字段摘要
Meta 发布 Muse Spark Open 的开放权重，该模型自 4 月首发以来一直闭源，此次面向编码和长时间运行的智能体任务开放。模型总参数 816B，每个 token 仅激活 42B，提示词可混合文本、图像、音频或视频，上下文窗口最高 100 万 token。在 Meta 自己的基准表中，Muse Spark Open 在 JobBench 智能体测试得 61.8 分，高于 Thinking Machines Lab 的 Inkling（31.1）和 Nvidia Nemotron 3 Ultra（27.2）；编码测试 Terminal-Bench 2.1 得 76.4，低于 Kimi K3 的 85、GLM 5.3 和 Qwen3.8；工具调用 MCP-Atlas 得 89.2，高于 Meta 列出的所有对手。权重采用新的 Muse Model License，开发者适配或内置到自有软件中不收费，但将其作为托管服务出售且 12 个月总收入超过 2000 万美元的公司需另签协议，产品需标注 Built with Muse Spark Open，禁止军事和关键基础设施用途。发布时有 7 家推理服务商提供托管访问，权重可从 Hugging Face 及 AWS、Google、Microsoft 的模型目录下载。
Meta 发布 Muse Spark Open 的开放权重，该模型自 4 月首发以来一直闭源，此次面向编码和长时间运行的智能体任务开放。模型总参数 816B，每个 token 仅激活 42B，提示词可混合文本、图像、音频或视频，上下文窗口最高 100 万 token。在 Meta 自己的基准表中，Muse Spark Open 在 JobBench 智能体测试得 61.8 分，高于 Thinking Machines Lab 的 Inkling（31.1）和 Nvidia Nemotron 3 Ultra（27.2）；编码测试 Terminal-Bench 2.1 得 76.4，低于 Kimi K3 的 85、GLM 5.3 和 Qwen3.8；工具调用 MCP-Atlas 得 89.2，高于 Meta 列出的所有对手。权重采用新的 Muse Model License，开发者适配或内置到自有软件中不收费，但将其作为托管服务出售且 12 个月总收入超过 2000 万美元的公司需另签协议，产品需标注 Built with Muse Spark Open，禁止军事和关键基础设施用途。发布时
匹配字段摘要
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。
匹配字段摘要
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。
匹配字段摘要、正文
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。
匹配字段摘要
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。
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
匹配字段摘要
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。
匹配字段摘要
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。
匹配字段摘要
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。
匹配字段摘要
Meta 发布开源权重模型 Muse Spark Open，称其为美国最强开源权重模型，采用 8160 亿参数和 100 万 token 上下文窗口，原生多模态，面向复杂编码任务和智能体工作。该模型可本地运行在 Apple 电脑上，但至少需要 1TB 内存，在搭载 M5 Ultra 芯片的 Mac Studio 上运行效果最佳。Meta 将其与 AI 编码终端 Muse Code 配合，用于 Mastodon 客户端的 bug 修复、新功能和完整构建，以及 DaVinci Resolve 的视频素材审阅与裁剪，目前该模型已通过多个 API 平台开放。
匹配字段摘要
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。
匹配字段摘要
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。
匹配字段摘要
NVIDIA 发布开源多模态模型 Nemotron 3.5 Super VL，支持文本、图像、文档和视频输入并输出文本，采用 120B 总参数、每 token 激活 12B 的 MoE 架构。SGLang 提供 Day-0 支持，通过连续批处理、前缀缓存和投机解码部署，在单张 RTX 6000 PRO 上借助 MTP 达到 243.9 tok/s。模型权重已在 Hugging Face 提供 BF16 和 NVFP4 两个版本。
匹配字段摘要
Google DeepMind 正式上线通用物理推理模型 Gemini 4 Argon，并发布与 Apptronik Apollo 人形机器人合作的演示视频，机器人仅观看一段掷沙包示范视频后反复练习，最终连续投中 7 次。该模型具备视觉语义推理、物理理解和代码生成能力，可用于机器人控制、仿真环境构建、物理数据分析和动作优化，在纯推理模式下 ERQA 基准得分达 87%。演示还覆盖从机器人视角、人类视角视频及手绘草图生成 MuJoCo 仿真环境，以及用仿真数据把真实机器人抓取成功率从 56% 提升至 75%。
匹配字段摘要、正文
美国当地时间10月13日，谷歌 Gemini 4 Argon 面向全球开发者和企业开放，可通过 Gemini API、Google AI Studio、Google Antigravity 等平台调用，Gemini Pro 和 Ultra 订阅用户也能在 Gemini 应用及搜索的 AI 模式中体验。谷歌同时披露多项应用案例，包括用 Argon 重构 Chromium 约600万行遗留代码目录、将 Gemma 4 E2B 在单张 A100 上的推理吞吐量从每秒约3.79万 token 提升到超过10.8万，以及根据真实机器人遥操作视频构建 Real2Sim 仿真环境。限时 API 价格为每百万输入 token 2美元、输出10美元，12月1日起分别提高至4美元和20美元，模型提供100万 token 统一上下文窗口。
匹配字段摘要、正文
Meta 于 2026 年 10 月 12 日发布面向 AI 智能体的模型 Muse Wonder 和 Muse Wonder Full，支持编码与专业文档理解，当日即可在 Meta Model API 和 Muse Code 中使用，Full 仅限 Power Usage 或 Maximum Usage 套餐用户。两款模型支持文本、图像、视频、音频输入并输出文本，推理时上下文长度达 100 万 token，具备跨对话提取信息的 Active Memory 和持续尝试的 Active Focus 能力。在 Meta 内部 MemoryBench 评测中，Muse Wonder 得 85.6、Full 得 85.5，高于 GPT-6 Astra 的 81.4、Claude Fable 5.1 的 79.0 和 Claude Opus 5.5 的 81.5；编码评测中两者在 DeepSWE 与 SWE-Marathon 上领先，但 Terminal-Bench 上 Full 低于 GPT-6 Astra 和 Claude Opus 5.5。
匹配字段摘要
Meta 发布 Muse Wonder 和 Muse Wonder Full 两款面向长时智能体任务的模型，覆盖编码、法律、金融和计算机操作场景。Muse Wonder 已在 Meta Model API 和 Muse Code 上线，支持 1M token 上下文，输入文本、图像、视频和音频，定价为每百万 token 输入 4 美元、输出 20 美元；Muse Wonder Full 仅限付费 Muse Code 套餐，Power 每月 50 美元、Maximum 每月 200 美元。基准方面，Muse Wonder 在 MemoryBench 得 85.6，为所列 5 个模型中最高，但在 ProgramBench 得 50.0，低于 Claude Opus 5.5 的 70.5。
匹配字段摘要
vLLM 社区孵化的 vLLM Semantic Router 推出并开源 Decision 3.0 系列多模态决策模型，共 d3、d3-flash、d3-mini、d3-nano、d3-lite、d3-edge 六款，参数规模覆盖 0.6B 至 27B，权重已在 Hugging Face 开源。旗舰 d3 基于 Qwen3.8-27B 打造，支持输入多张图片和视频，其余 5 款基于不同参数规模的 Qwen3.5。在 Jev Decision Index 0.3.1 榜单中，d3 文本决策指数 64.7 分、公开集 65.5 分位列文本榜第一，超过 Jev 的 60.1 分，视觉榜得分 71.6 分同样第一。团队数据显示，单张 AMD Instinct MI325X GPU 上 d3 处理文本请求延迟中位数 55 毫秒，含图片请求 273 毫秒，10 秒视频请求 553 毫秒。
匹配字段摘要、正文
Nature Will 发布首个面向物理世界的基础模型 Natura-1，基于一百万小时人类操作不同场景与物体的第一视角视频数据训练，可处理此前未见过的物体和任务。该模型支持细化到物体最终位置与朝向的指令，能在抓取姿态中途变化时保持控制，并可用左右手分别执行不同任务。在较长任务中，Natura-1 能追踪已移动或已打开的物体，并判断下一步操作。
匹配字段摘要