InternLM 发布 InternLumina-U2，一个 16B-A1B 的 MoE 统一多模态模型，用同一套骨干和离散 token 接口覆盖文本问答、文生图、图像理解与编辑、视频理解和 3D 理解。该模型基于 LLaDA-2.0 MoE 扩散语言模型，采用 AToken 的 8 码本全离散视觉表示，输入侧拼接各码本嵌入，输出侧以空间并行去噪加码本深度自回归预测。目前仓库只放出推理代码，昇腾训练权重已在 Hugging Face 提供，NVIDIA 权重、训练代码和技术报告将后续发布。
匹配字段摘要、正文
Reflection 发布首个开放权重模型 Beam，采用稀疏 MoE 架构，总参数 501B、激活 23B，面向编码、推理和智能体任务。该模型在 23.8 万亿 token 上预训练，并用 10.5K NVIDIA GB300 GPU 进行四周高算力 RL，生成超 1 亿条 rollout。Reflection 表示 Beam 在编码和智能体任务上可与 GLM 5.2 竞争、接近 Qwen 3.8-Max，优势在于推理效率，本月将以 Apache 2.0 协议发布权重、技术报告和模型卡。
匹配字段摘要、正文
LiquidAI 发布基于 LFM 的两款开源决策模型 d1-3B 和 d1-omni-600M，它们不生成 token，而是在单次前向传播中给出答案。d1-3B 基于 LFM2.5-VL-3B 训练，接受文本和图像输入，在七个公开数据集上平均得分 82.9，高于 Decider 4B；d1-omni-600M 基于双向编码器 LFM2.5-Encoder-350M，加入视觉和音频编码器，得分 78.4，超过 Decider 2B 的 77.1，参数量仅为其四分之一，目前处于早期研究发布阶段。与 NVIDIA 合作在 RTX 4090、Jetson AGX Thor、Jetson AGX Orin 64 GB 和 Jetson Orin Nano 上评测，d1-3B 在每台设备上回答单个问题均低于 50 ms，GPU 上低于 10 ms，处理 384px 图像低于 18 ms。两款模型均为开放权重，已在 Hugging Face 上线。
匹配字段摘要、正文
美国初创公司 Reflection AI 发布开源权重模型 Beam，采用 MoE 架构、5010 亿参数，面向编码、推理与智能体任务，训练数据为 23.8 万亿 token。Reflection 将其定位为对标智谱 GLM-5.2 的前沿开源权重模型，并获 Nvidia 8 亿美元股权投资及 GPU 支持。文章还提到 Mistral 于 10 月 6 日预览 1 万亿参数多模态模型 Mistral Large 4，称其计划月底发布权重。
匹配字段摘要、正文
Mistral 发布 Mistral Large 4 预览版，这是一个 1 万亿参数、490 亿激活参数的模型，在自家 3,800 块 NVIDIA Grace Blackwell GPU 集群上训练，目前通过 API 提供。该模型在 Mistral API 中只支持 none 和 high 两档推理级别，官方承诺本月底放出开放权重版本。它在 Artificial Analysis 上得分 38，略低于 552B 的 DeepSeek 4.1 Flash，相比去年 12 月得分 9 的 Mistral Large 3 提升明显。
匹配字段摘要、正文
Mistral AI 以公开预览形式发布 Mistral Large 4（内部代号 Le Chonk），这是一个 1.05 万亿总参数、每 token 激活 49B 的细粒度 MoE 模型，配备 1.6B 视觉编码器和 100 万 token 上下文窗口，在 Mistral 自有欧洲数据中心用 3800 块 NVIDIA Grace Blackwell GPU 从零训练。API 预览已上线，输入每 100 万 token 收费 1.36 美元、输出 4.18 美元，缓存输入 0.14 美元，但权重要到 10 月底才发布，暂时无法自行部署。Mistral 报告其在网络安全任务上表现突出，Cybench 得分 93%、CyberGym-E2E 得分 82%，并称部分闭源前沿模型因直接拒绝任务而接近零分。
匹配字段摘要、正文
Mistral 发布 Mistral Large 4 公开预览版，模型拥有 1 万亿参数、其中 490 亿为激活参数，原生多模态，上下文窗口 100 万 token，API 已通过 Mistral Studio 开放，权重预计 10 月底发布。在 Artificial Analysis 的 Intelligence Index 上 ML4 得分 38，较前代 Mistral Large 3 的 9 分大幅提升，但落后榜首 Claude Opus 5.5 的 58 分。Mistral 强调其网络安全能力，在一项复现并修补开源软件漏洞的测试中得分 82%，并称 Claude Opus 5.5 与 GPT-6 Astra 因拒绝任务而接近零分；模型在 3800 块 Nvidia Grace Blackwell GPU 上于欧洲自有数据中心训练，预览期定价为每百万输入 token 0.68 美元、输出 2.09 美元。
匹配字段摘要、正文
法国 AI 实验室 Mistral AI 于周二发布 Mistral Large 4（ML4），这是一个 1 万亿参数的大规模多模态模型，昵称 Le Chonk，目前仅通过公开的 guardrail 端点访问，计划在安全测试完成后于三周内开放权重。Mistral 科学副总裁 Pierre Stock 表示，ML4 完全使用 Mistral 自有算力训练，仅动用 4000 张 Nvidia GPU，比中国竞争对手少两到三倍，也显著少于闭源竞争对手；其优化场景包括网络安全、金融和芯片设计，基准测试结果尚未公布。
匹配字段摘要、正文
Mistral 发布 Mistral Large 4 公开预览，这是一个 1 万亿参数、490 亿激活参数的原生多模态模型，权重将于本月底开放。模型在 Mistral 欧洲自有数据中心的 3800 块 NVIDIA Grace Blackwell GPU 上从零训练，训练数据覆盖 160 多种语言，官方称其在网络安全、金融、法律等企业负载上达到开源模型领先水平。在 Artificial Analysis Cyber Index 上它进入全球前五，在一项复现并修补真实漏洞的测试中得分 82%，Cybench 解题率 93%。
匹配字段摘要、正文
AI 公司 Reflection 发布首款免费开放模型 Beam，面向编码、逻辑推理和智能体任务，采用 MoE 架构，每 token 激活 5010 亿总参数中的 230 亿。Reflection 称 Beam 在推理任务上可匹配 GLM 5.2，算力消耗仅为后者的三分之一到四分之一，并已用 10500 块 Nvidia GB300 GPU 进行超过四周的强化学习训练。模型权重将以 Apache 2.0 许可在本月晚些时候发布，目前早期版本仅向部分用户开放。
匹配字段摘要、正文
Reflection AI 发布首款开源权重模型 Beam，采用稀疏 MoE 架构，总参数 501B、每 token 激活 23B，面向编码、推理与智能体工作负载。该模型预训练使用 23.8 万亿 token，在 6,144 块 NVIDIA GB300 NVL72 GPU 上不到 4 周完成，中训练将有效上下文扩展至 1M token；强化学习阶段用 10.5K 块 GB300 GPU 运行 4 周，生成超 1 亿次 rollout。Reflection 报告 Beam 在 SWE-bench Verified 得分 80.9、Terminal Bench v2.1 得分 80.1，目前处于最终红队测试阶段，通过 Reflection 平台候补名单提供早期访问，Apache 2.0 权重计划于本月晚些时候发布。
匹配字段摘要、正文
Inception Labs 发布 Mercury 扩散大语言模型（dLLM）家族，称其速度最高可达前沿速度优化 LLM 的 10 倍，在 NVIDIA H100 上超过 1000 tokens/sec。首个公开模型 Mercury Coder 面向代码生成，在 Copilot Arena 上 Mini 版并列第二，速度约为 GPT-4o Mini 的 4 倍，可通过 playground 测试，企业客户可经 API 和本地部署使用。公司称面向聊天应用的模型正在封闭测试，后续还将推出更多 dLLM。
匹配字段摘要、正文
Inception 发布 Mercury 2，称其为全球最快的推理语言模型，采用扩散式并行精炼而非自回归逐 token 解码，生成速度提升超过 5 倍。官方数据为 NVIDIA Blackwell GPU 上 1,009 tokens/sec，定价 $0.25/1M 输入 token、$0.75/1M 输出 token，支持可调推理、128K 上下文、原生工具调用和 schema 对齐的 JSON 输出，并兼容 OpenAI API。该模型面向编码补全、智能体循环、实时语音和搜索 RAG 等延迟敏感场景，现已可用。
匹配字段摘要、正文
Inception Labs 宣布 Mercury 2 上线 Azure AI Foundry，该模型采用扩散架构并行生成 token，官方称生成速度提升超过 5 倍，在 NVIDIA Blackwell GPU 上达到 1,009 tokens/sec。模型定价为每百万输入 token 0.25 美元、每百万输出 token 0.75 美元，支持 128K 上下文、原生工具调用和 JSON schema 结构化输出，API 兼容 OpenAI，目前在美国和加拿大区域提供。
匹配字段摘要、正文
Aikido Security 于 9 月 21 日发布其首个开源权重安全模型 Altar-1，模型权重已公开，可在组织自管基础设施上运行。Altar-1 基于 GLM-5.3 压缩，通过量化和 REAP 专家剪枝把每层专家候选从 256 减到 168，体积降至 328GB，比量化版 GLM-5.3 小 32.8%，且未做再训练。在 30 个仓库 32 个已知漏洞的 3 次评测中，Altar-1 与量化版 GLM-5.3 均重新发现 23 个，16 位版为 25 个；模型已在 Hugging Face 的 AikidoSec/altar-1 发布，模型卡建议使用 4 基 NVIDIA H200 搭配 vLLM 推理。
匹配字段摘要、正文
Sakana AI 发布 Fugu Max 和 Fugu Ultra v2 两款编排模型，均通过 OpenAI 兼容 API 提供，已有 Fugu 用户只需改一行参数即可升级。Fugu Max 整合包括 NVIDIA Nemotron 系列在内的开放权重与专用模型池，在 Terminal Bench 2.1、GPQAD、AA-LCR、GDP.pdf、AutomationBench 和内部基准 SWEFish 六个基准上取得最佳总分，定价为每百万输入 token 2 美元、每百万输出 token 6 美元，输出价格比 Sonnet 5、GPT 5.6 Terra 和 Kimi K3 低 40-60%。Fugu Ultra v2 面向复杂多步任务，在 Chartography 上得分 48.3，高于 Opus 5 的 27.3 和 Fable 5 的 29.5，在 DeepSWE 上得分 74.3，且其智能体池中不含 Fable 5、Fable 5.1 或 GPT-6-Astra。
匹配字段摘要、正文
Qwen 团队开源 Qwen3.8-Flash-Next，这是一个多模态 MoE 模型，也是 Qwen4 架构的早期预览，SGLang 联合 Qwen、NVIDIA、AMD 提供 day-0 支持。模型主模型 125B 参数，另有 51B N-gram Embedding，每 token 激活 6B 参数，共 48 层，其中 36 层 GDN 线性注意力、12 层 QSA 稀疏注意力，MoE 使用 512 个专家、top-10 路由。SGLang 侧给出 NVFP4 量化 checkpoint、N-gram Embedding 主机内存卸载、Gated Residual 的 FlashInfer 算子以及 MTP 索引复用等优化，在 B200 TP4 下 NVFP4 checkpoint 配合 MTP 在 batch size 1 时解码达 540 tok/s。
匹配字段摘要、正文
蚂蚁百灵正式开源 Ling-3.0-tiny，这是一款总参数 7.9B、推理时仅激活 1.3B 参数的原生混合推理模型，同步提供 BF16、FP8 和 INT4 三个版本。官方称其在 Artificial Analysis Intelligence Index 获 25 分，Agentic Index 达 16 分，输出速度超过 160 tokens/s。模型可在单台 NVIDIA DGX Spark 上完成 FP8 推理，权重约 7.85GB，并已完成 Apple Silicon 的 MacBook 与 Mac mini 本地运行适配。
匹配字段摘要、正文
蚂蚁百灵开源新一代原生混合推理模型 Ling-3.0-flash，采用 124B 总参数、5.1B 激活参数的 MoE 架构，同步提供基础版本及 FP8、FP4、INT4 等多个精度版本。模型支持三种落地方式：云端 API 调用、在单台 NVIDIA DGX Spark 上以 MXFP4 或 INT4 版本完成端到端本地推理，以及在指定 GPU 测试配置下平均输出速率突破 1100 tokens/s 的高性能部署。在 Artificial Analysis 榜单中其输出速度为 353 tokens/s，AA Intelligence Index 中每项任务加权平均调用成本约 0.04 美元。
匹配字段摘要、正文
Mistral 发布 Shieldstral，一个 3B 开源权重多模态安全分类器，以 Apache 2.0 许可开放下载，可在单张 16GB NVIDIA GPU 上运行。它把内容审核建模为二分类问答任务，推理时接受自然语言策略并输出校准后的安全分数，无需重新训练即可适配新策略，统一处理文本、图像及文本加图像内容。官方称其在文本安全、拒答检测、策略适应性和多模态基准上匹配或超过最多 7 倍参数量的开源 guard 模型。
匹配字段摘要、正文