2026年9月3日,Meta 发布 Muse Spark 1.3,在智能体与编码任务上性能提升,并聚焦真实场景可用性。据 Meta 介绍,该版本可在单线程中跨多个工作流维持更长周期的任务,会更主动地向用户提问、在卡住时说明并确认后再执行关键操作,对自身能力边界的判断也更准确。Meta 内部对比显示,相比 Muse Spark 1.2,其工具调用减少约 20%、token 消耗减少约 25%。Muse Spark 1.3 当日已在 Muse Code 和 Meta Model API 上线,max reasoning 将在完成安全测试后推出。目前尚无进一步有证据支持的发展。
匹配字段标题
Meta 发布 Muse Spark 1.3
English translation is being prepared.
匹配字段标题
2026年9月2日,Meta Superintelligence Labs 推出其首个实时音频感知模型 Muse Voice Transcribe。据官方发布信息,该模型支持实时流式 ASR、20 人以上说话人分离和端点检测,具备多语言与无缝语码切换能力,并可通过语言、关键词和上下文偏置提升准确率。它属于 Muse Spark 系列的自回归多模态 LLM,音频按 80ms 分块(12.5 Hz)逐 token 处理,结合词错误率和延迟奖励的强化学习实现自适应延迟。该模型在 ArtificialAnlys 流式语音转文字和公开说话人分离基准上排名第一,并已在 Meta Model API、Meta AI for Mac 和 Muse Code 上线。目前尚无后续独立发展事实。
匹配字段标题
Meta Superintelligence Labs 推出 Muse Voice Transcribe
English translation is being prepared.
匹配字段标题
2024 年 4 月 18 日,Ollama 上线对 Llama 3 的运行支持,首发包含 8B 和 70B 两个参数规模,对应命令分别为 ollama run llama3:8b 和 ollama run llama3:70b。据 Ollama Blog 同日发布的信息,相比 Llama 2,Llama 3 的训练数据集扩大七倍,上下文长度翻倍至 8K,token 词表扩大到 128K,误拒答情况不到 Llama 2 的三分之一。该信息还提到,Meta 计划后续发布 400B 参数版本,以及支持多模态、多语言和更长上下文窗口的多个模型。目前没有新的后续发展事实。
匹配字段摘要
2026年8月10日,Meta发布Muse Glimmer 30B开放权重稠密模型,面向本地AI智能体工作负载。据Hugging Face介绍,该模型由2B视觉编码器和28B文本解码器组成,支持图像、无音频视频、多模态工具调用和目标检测,并获得Transformers、llama.cpp及vLLM支持。NVIDIA方面称其上下文窗口120K+,可完整放入单卡显存,覆盖GeForce RTX 5090、DGX Spark、DGX Station和Jetson平台,权重已上线Hugging Face。同日,LMSYS宣布与Meta Superintelligence Labs合作,为Muse Glimmer在SGLang上提供Day-0支持,并针对本地智能体工作流推理优化。8月13日,Unsloth宣布可免费微调该模型,其notebook同时支持GRPO RL训练。
匹配字段标题
2025年1月6日,USC、Prime Intellect与Nucleic Acid Observatory合作发布7B参数自回归Transformer宏基因组基础模型METAGENE-1。该模型在超过1.5万亿碱基对的污水宏基因组DNA与RNA序列上预训练,采用针对宏基因组序列的BPE分词,用于疫情监测、病原体检测和新兴健康威胁的早期发现。团队称其在病原体检测和宏基因组嵌入基准上取得SOTA,并演示了病原体与异常检测场景。团队同时指出,512 token上下文长度限制了复杂序列设计任务,当前版本风险较低,但未来更大模型开源前需严格安全评估。
匹配字段标题
2026年8月21日,Liquid AI发布LFM2.5-DSpark推测解码草稿模型,面向LFM2.5-1.2B-Instruct、LFM2.5-2.6B和LFM2.5-8B-A1B三款模型。据Liquid AI模型与工程博客介绍,该草稿模型约300M参数,采用5层、block size 9的简化注意力结构,在GPU上吞吐最高提升3.18倍,端侧最高提升2.87倍,且不改变输出质量。权重已在Hugging Face提供Safetensors与GGUF格式,并开源集成到llama.cpp和SGLang。在BFCL多工具函数调用场景中,LFM2.5-2.6B延迟平均降低57%;LFM2.5-8B-A1B受llama.cpp Metal后端MoE实现影响,端侧仅提升18%。目前尚无后续发展事实。
匹配字段摘要
2026年8月10日,Fireworks AI 上线 Meta 的 Muse Glimmer 30B 稠密模型的无服务器与按需部署服务。该模型采用 Apache 2.0 许可,支持 128K+ token 上下文窗口和原生图像理解,面向需要多轮工具调用的常驻智能体场景。架构上采用滑动窗口注意力,多数层窗口为 2,048 token、每四层设一个全局注意力层,配合 2 个 KV head 控制 KV cache 占用。Fireworks 给出 temperature 1.0、top_p 0.95、top_k 64 的推荐参数,并支持在系统提示词中设置 low 到 xhigh 的推理强度。据 Meta 报告,该模型在 MCP Atlas 得 75.5、DeepSearch QA 得 74.6、SWE-Bench Pro 得 51.2,均高于 Gemma 4 31B 和 Qwen 3.6 27B 的对应成绩。目前尚无后续发展。
2026年8月10日,Fireworks AI 上线 Meta 的 Muse Glimmer 30B 稠密模型的无服务器与按需部署服务。该模型采用 Apache 2.0 许可,支持 128K+ token 上下文窗口和原生图像理解,面向需要多轮工具调用的常驻智能体场景。架构上采用滑动窗口注意力,多数层窗口为 2,048 token、每四层设一个全局注意力层,配合 2 个 KV head 控制 KV cache 占用。Fireworks 给出 temperature 1.0、top p 0.95、top k 64 的推荐参数,并支持在系统提示词中设置 low 到 xhigh 的推理强度。据 Meta 报告,该模型在 MCP Atlas 得 75.5、DeepSearch QA 得 74.6、SWE-Bench Pro 得 51.2,均高于 Gemma 4 31B 和 Qwen 3.6 27B 的对应成绩。目前尚无后续发展。
匹配字段摘要
Meta 发布 Muse Glimmer 30B开放权重稠密模型
English translation is being prepared.
匹配字段标题
Prime Intellect 发布 METAGENE-1宏基因组基础模型
English translation is being prepared.
匹配字段标题
2026年10月16日,Artificial Analysis公布Reflection首个模型Beam的评测结果:Beam在Artificial Analysis Intelligence Index上得分30,位列美国开源权重模型第二,仅次于Meta的Muse Spark Open(39),高于NVIDIA的Nemotron 3.5 Super VL(26)。该模型为501B总参数、23B激活参数的开源权重模型,每个智能指数任务约消耗26k输出token,其中约19k用于推理、7k用于回答;AutomationBench-AA得分48.5%,Terminal-Bench 4.0仅3.0%;AA-Omniscience正确率33%、幻觉率47%。10月17日,Arena.ai宣布Beam-1.0-501B-A23B进入Agent Arena,在开源权重模型中排第12,Net Improvement为-3.67%,误差区间±3.84%;在Code Arena: WebDev开源榜排第22,得分1438。
匹配字段摘要
2026年10月14日,Meta首席执行官马克·扎克伯格重申拒绝协调式AI减速(pacing the frontier)。据Fortune AI报道,Meta本周发布Muse Wonder和Muse Wonder Full两款新模型,扎克伯格对《金融时报》称其已达到AI前沿水平。Meta自测基准显示,这两款模型在编码和记忆等关键领域超过OpenAI的GPT-6与Anthropic的Claude Fable 5.1;Artificial Analysis称其相较Meta此前模型有实质性的智能跃升,Vals则发现Wonder在网络安全任务上排名第一。新模型将用于驱动Muse助手的后续升级,Meta计划通过订阅变现,能力更强的版本定价为每月20美元或100美元。目前尚无进一步有证据的发展。
匹配字段摘要
谷歌发布旗舰模型 Gemini 4 Carbon，专为持续运行的 Agentic 工作流构建，重点提升编程、智能体、科学任务与全栈 Web 开发能力。该模型在 Artificial Analysis Intelligence Index v5.0 上以 59 分排名第一，超过 Claude Opus 5.5、GPT-6 Astra 和 GPT-6.1 Sol；首发优惠价为每百万输入 Token 2 美元、每百万输出 Token 10 美元，缓存输入 Token 可享 95% 减免。Carbon 采取分阶段开放策略，先向部分网络安全防御人员开放，再通过 Fairwind 计划扩大可信合作伙伴范围，之后向开发者、企业和消费者开放。
范围从自有云平台拓展至客户自有数据中心和其他服务商，以扩大产品覆盖面。 谷歌披露，超过100家重要客户已经在使用谷歌TPU系统。除Anthropic等现有合作方外，公司还在与Mistral、Physical Intelligence等模型公司，以及金融机构、大学和公共部门客户合作。谷歌还宣布与Oracle、CoreWeave AI建立TPU系统交付合作，并与Meta合作推进TorchTPU，以降低开发者将PyTorch模型迁移至TPU平台的门槛。 TPU业务的意义在于，谷歌可以向客户销售包含硬件、计算、存储、网络及系统软件的完整计算系统，而不只通过云服务按使用量收费。 与此同时，TPU系统销售也会带来不同于传统云服务的现金流周期：谷歌需要先采购硬件、积累库存，再向客户交付并确认收入。财务负责人阿纳特·阿什肯纳齐（Anat Ashkenazi）在会上解释，库存建设会先占用现金，随着交付和客户付款推进，相关现金才会逐步回流。 比单季度营收更能反映未来业务规模的，是云业务积压订单。阿什肯纳齐透露，谷歌云第三季度积压订单达到5610亿美元，其中大部分来自常规GCP合同。公司预计，超过55%的积
匹配字段正文
Mistral AI 在为期三周的预览后，将 Mistral Large 4 的权重发布到 Hugging Face。该多模态模型在 3800 块 Nvidia 加速器上训练，参数量达一万亿，目前仍难以在游戏 PC 或单卡上运行。Mistral 称其在网络安全基准 CyberGym-E2E 上领先 GLM-5.3 和 Kimi K3，在智能体编码基准 Terminal Bench 4.0 上与 GLM-5.3 持平，但尚无独立评测；预览版定价为每百万输入 token 1.4 美元、每百万输出 token 4.2 美元。
i 等竞争对手，但同样不透明？ 据其自身说法，Mistral Large 4 正是在两项基准测试中击败了这些竞争对手。在网络安全基准 CyberGym-E2E 上，它领先于中国竞争对手 GLM-5.3 和 Kimi K3。在智能体编程基准 Terminal Bench 4.0 上，它与 GLM-5.3 持平。此外，据推测它的表现明显优于 Kimi K3 或 Meta 的开放模型 Muse Spark Open。不过，目前尚缺乏对 Mistral Large 4 的独立评估。在权重发布之前，Mistral Large 4 预览版的价格为每百万输入 token 1.4 美元、每百万输出 token 4.2 美元。这明显比 Kimi K3.1 Pro 的 2 美元和 10 美元便宜，并且与通过 Z.ai 官方 API 使用 GLM-5.3 的价格大致处于同一水平。广告广告 热门文章 性能与效率是一回事，而对生成式 AI 的信任——尤其是考虑到当前围绕 AI 智能体、科学家通过提示词诱导其表现出令人担忧行为的网络事件——则是另一回事。在一次新闻简报会上，t3n 就这一问题向 Mistral 发
匹配字段正文
Google DeepMind 发布新一代世界模型 Genie 4，可将提示词实时转化为可探索的逼真场景，并首次由 Genie 模型自行生成背景音和音乐，场景中的角色也能进行实时对话。用户通过键盘移动，并用文本提示在场景中即时修改内容，场景在多次输入之间保持连贯。演示中一个模拟的 Apptronik Apollo 机器人下跳棋，每一步由 Gemini 4 Argon 规划，指向 Genie 未来的机器人训练用途。
nAI公布自身结果的同一天发布。 美国总统Donald Trump发帖称，他将“在所有相关文件中禁止使用‘AI/人工智能’一词”，这是朝超级智能迈进的又一举措。 AI-for-physics实验室Physical Superintelligence发布了五篇新论文，每篇都配有计算机校验的证明，声称在其内部AI的帮助下，在长期未解的量子物理问题上取得了进展。 Meta从其芯片供应商Nvidia（30亿美元）和AMD（10亿美元）处为其950亿美元的AI融资安排了40亿美元，两家公司同时也在扩大其在Meta数据中心运行的硬件。 Google签署协议，将从2027年起将其TPU芯片放入Oracle的云中，这是竞争对手云巨头首次向客户提供英伟达的自家替代品。 🎓 亮点：新闻、指南与活动 报名参加今天美东时间下午2点的研讨会：获得顾问级深度研究 The AI bubble meets Anthropic’s real numbers Zach Mink • 8分钟AI Google’s Gemini 4 Carbon tops the charts (for now) Zach Mink • 8
匹配字段正文
Mistral AI 发布新旗舰前沿模型 Mistral Large 4，代号 Le Chonk，结束公开预览后开放下载。该模型支持文本和图像处理，重点强化防御性网络安全、智能体能力以及地理空间与 grounding 能力，据称在 SWE-bench 和 Terminal Bench 等智能体基准上达到 state-of-the-art。模型训练覆盖 160 多种语言，可通过 Mistral Studio、Mistral API、OpenRouter、Hugging Face 开放权重、Vibe Code 及 Nvidia 托管端点使用。
新的AI模型正在到来，而且源源不断。 在Meta的Muse和Google的Gemini 4 Carbon近期相继推出之后，Mistral AI也发布了其新的旗舰前沿模型Mistral Large 4。该模型被亲切地称为“Le Chonk”，本月早些时候已开放公开预览。如今，经过数周的额外强化学习、微调，并结合开发者、网络安全专家和政府官员的反馈进行评估后，Mistral团队于周四宣布ML4可供下载。 “预览版的反馈超出了我们的预期，”Mistral在公告中表示。“我们已将这些反馈付诸实践，同时继续扩大强化学习的规模，在编程和防御性网络安全方面实现了大幅提升。” 更多来自CNET的内容 Mistral AI是一家以开源和开放权重LLM闻名的法国公司。该公司报告称，在综合指标上，Large 4模型“跻身全球最佳开放权重模型之列”，并且也优于欧洲和美国的模型，同时正在追赶一直主导开放权重领域的中国竞争对手。 本月早些时候，我与Mistral首席科学家Guillaume Lample和科学副总裁Pierre Stock谈论了这款新模型——他们称之为西方打造的最佳开放模型——以及它的专业能力和极
匹配字段正文
月之暗面发布 Kimi K3.1 Pro，这是一款多模态 MoE 模型，总参数 2.8T、激活参数 104B，上下文窗口 100 万 token，标准版与 Highspeed 版已上线 Kimi 网站、App、Kimi Work、Kimi Code 和 API，官方称 Highspeed 输出速度提升 2–3 倍、价格为标准版两倍。Artificial Analysis 将其排在 Intelligence Index 第四位、得分 55，落后 Opus 5.5 的 58；Arena 的 Code Arena WebDev 排名第 8、1692 分，较 K3 上升九位。标准版定价为每百万 token 输入 2 美元、输出 10 美元、缓存输入 0.2 美元，较 K3 下降三分之一；权重尚未发布，官方承诺 11 月 4 日开放。
5.1 级开放权重将闭源 AI 的领先优势缩小至 1 个月……以及速度提升 2-3 倍的 Pro Highspeed API 我们家里就有 Fable……或者说，这是那些拿钱办事的水军告诉我们的swyx .ai10月24日·36 分钟阅读 2 个月前，我们报道了 Z.ai CEO 唐杰教授的预测：我们将在年底前得到一个 Fable 级开放权重模型。2 周前，Meta 在闭源领域实现了一个 Fable 级模型，但距离年底还有 2.5 个月，我们终于等到了——一个 2.8T 的开放权重模型，而且击败的是 Fable 5.1，而不只是 Fable 5：在 X 上查看帖子 ↗ 效率甚至更高：在 X 上查看帖子 ↗ 从 Kimi 精美的落地页就能看出，他们为最新模型感到自豪： 和往常一样，我们没得到多少研究细节——这次更新有些类似 Z.ai 的 5.2-5.3 提升——一个小版本号升级，换来大量额外后训练： Kimi K3.1 Pro 是 Kimi K3 的后训练版本，后训练算力大幅增加。为了在数百个下游领域实现大规模联合强化学习，我们优化了技术栈的每一层——强化学习框架、长上下文推理、训练效率
匹配字段正文
AI 初创公司 Recursive 发布首个模型 Flint，这是一个可在笔记本上离线运行、以 Apache 2.0 许可在 Hugging Face 免费下载的编码模型，公司称其研发过程主要由自研的 Eureka Machine 参与完成。Flint 是 MoE 模型，40B 参数中每次仅激活 2.5B，在搭载 M4 Pro 的 MacBook Pro 上生成速度约 131 tokens/秒，在 SWE-Bench Verified 上表现优于其他 50B 参数以下的模型。Recursive 表示 Flint 比大型付费编码助手需要更多引导，建议把大任务拆成小步骤。
理的文本量收取的使用费。该模型以 Apache 2.0 许可证在流行的 AI 模型分享网站 Hugging Face 上免费提供下载，该开源许可证允许免费使用和修改。 Flint 是一个混合专家模型，这意味着它在执行任何给定任务时只使用自身的一小部分：每次仅激活其 400 亿个设置（称为参数）中的 25 亿个。这使它轻到足以在普通笔记本电脑上运行，也远小于 Meta 的 Muse Spark Open——后者是上周发布的、专为 Mac 构建的开放模型。Muse Spark Open 使用 8160 亿个参数，且至少需要 1 TB 内存。 Flint 的速度也很快。在 Recursive 的测试中，它在搭载苹果 M4 Pro 芯片的 MacBook Pro 上每秒生成约 131 个 token（文本块）——大约是同类模型在同一台机器上每秒 58 到 69 个 token 的两倍，这些模型包括谷歌的 Gemma 4 和英伟达的 Nemotron 3.5 Lightning。在英伟达的 RTX Spark 上，Flint 的生成速度超过每秒 150 个 token。 在衡量 AI 修复真实软
匹配字段正文
Recursive 发布首个开源权重编码模型 Flint，参数规模 40B，CEO Richard Socher 称模型管线几乎所有环节都由其 Eureka Machine 系统完成，包括新的基座训练方式、模型架构和针对特定芯片优化的代码。WIRED 作者在 48GB 内存的 Mac 上实测，用它搭建命令行待办、网页研究抓取程序和 RSI 科普网站，认为其速度和准确度优于同尺寸模型。Recursive 已从 Google Ventures、Greycroft、Nvidia 和 AMD Ventures 融资 6.5 亿美元，估值 46.5 亿美元。
列表，然后试着让它构建一个程序，在网上搜寻与递归自我改进相关的有趣研究。我还让Flint快速做了一个解释RSI工作原理的简单网站。你可以在这里看到。 目前尚不清楚其他美国实验室在追求递归自我改进方面取得了多少进展，但一些已发表的研究表明，完全递归的系统已经可行。例如，来自微软、卡内基梅隆大学和弗吉尼亚大学的一个团队最近发表的研究显示，一个AI编码智能体可以通过修改将推理转化为有用行动的软件框架以及自身模型的权重，来实现递归自我改进。 如果你接近构建出神一般的智能，完全RSI或许存在风险，但就目前而言，它似乎是改进自家AI模型的一种非常有前景的方式。这是我在之前几期AI Lab中有所尝试的内容。 确实，Socher说用于构建Flint的方法可以让前沿AI更易获得。“这是这个非常小的团队能够生产出实际上优于同类任何其他模型的唯一途径，”他告诉我。“这有望向人们表明，[递归自我改进]实际上相当不错，将使很多人受益。” 推出这款应用：充分利用《连线》的更多方式 Meta未能拦截数百条AI儿童虐待广告 重磅报道：寻找硅谷最有权势的女性 黑客进入了Flock摄像头——其数据揭示了该系统实际如何运作
匹配字段正文