搜索“Agent”

Artificial Analysis公布Reflection首个模型Beam评测结果

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。

Nvidia发布Nemotron 3.5 Super VL与Bolt模型

Nvidia于2026年10月15日宣布推出Nemotron 3.5 Super VL与面向端侧的3.5 Bolt模型。据Nvidia官方介绍,Super VL为120B参数开放模型,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;同时推出Bolt 74B-A9B 24GB与Bolt E4B 4GB两款端侧模型,前者可在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计划于10月23日发布。同日,SGLang宣布为Super VL提供Day-0支持,在单张RTX 6000 PRO上借助MTP达到243.9 tok/s;Prime Intellect与Nvidia用GRPO在128张GB200 GPU上后训练约11小时,使其在AutomationBench-AA公开集上从34.0%提升到57.7%。当晚OpenRouter上线该模型,次日Perplexity宣布Pro和Max订阅用户及Agent API可使用。

StepFun 将 Step Code 更新至 v0.1.4

2026年10月15日,阶跃星辰(StepFun)将围绕 Step 5 Preview 构建的开源 agent harness Step Code 更新至 v0.1.4,帮助智能体在长而复杂的任务中跟踪目标、持续推进,并对照可验证结果检查任务是否真正完成。官方称,Step Code 开源以来已发布四个版本,约每 3 个工作日一次,主要由社区反馈驱动。同日,阶跃星辰正式开放 Step 5 Preview 模型权重,BF16、FP8 两个版本同步上线 Hugging Face 和 ModelScope;该模型采用稀疏 MoE 架构,总参数量 600B、激活参数 27B,支持 100 万 Token 上下文窗口。

Nvidia发布Nemotron 3.5 Super VL与Bolt模型

Nvidia于2026年10月15日宣布推出Nemotron 3.5 Super VL与面向端侧的3.5 Bolt模型。据Nvidia官方介绍,Super VL为120B参数开放模型,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;同时推出Bolt 74B-A9B 24GB与Bolt E4B 4GB两款端侧模型,前者可在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计划于10月23日发布。同日,SGLang宣布为Super VL提供Day-0支持,在单张RTX 6000 PRO上借助MTP达到243.9 tok/s;Prime Intellect与Nvidia用GRPO在128张GB200 GPU上后训练约11小时,使其在AutomationBench-AA公开集上从34.0%提升到57.7%。当晚OpenRouter上线该模型,次日Perplexity宣布Pro和Max订阅用户及Agent API可使用。

查看事件：Nvidia发布Nemotron 3.5 Super VL与Bolt模型

SpaceXAI 发布 Grok Voice 3.0

2026年10月15日,SpaceXAI 发布语音到语音模型 Grok Voice 3.0。据 MarkTechPost 报道,该模型在 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;其 τ-Voice 得分 71.6%,仍低于 GPT-Live-1 的 74.5%。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。SiliconANGLE 同日报道称,该模型已在 Voice Agent API 上线,每分钟 8 美分,与 Grok Voice 2.0 同价,并称其首次出声快约 40%。目前无进一步有证据的发展。

Meta 推出 Muse Wonder 与 Muse Wonder Full 模型

Meta 于 2026 年 10 月 13 日发布 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、健康等专业领域及前沿编码能力。两款模型具备 Active Memory 与 Active Focus,按 Meta Superintelligence Scaling Framework 训练、评估和发布。Artificial Analysis 数据显示,两款模型在 Intelligence Index v4.3 最高推理强度下分别得 52 和 56,高于 Muse Spark 1.3(max)的 48;Muse Wonder 已在 Meta 一方 API 和 Muse Code 上线,Muse Wonder Full 仅面向 Muse Code 用户。同日,Arena 将两款模型纳入 Agent Arena 测试,Simon Willison 发布 llm-meta-ai 0.2 插件支持新模型。10 月 14 日,Arena 公布 Muse W

Gemini 4 Argon 出现在 GCP 配额页面

2026年10月13日,Gemini 4 Argon 出现在 GCP 配额页面。Testing Catalog 援引 AiBattle 称该模型预计几小时内上线,并称这是 API 即将发布模型的前兆,当天早些时候也有 Google 员工预告即将发布。当晚,Testing Catalog 报道该模型已开始推送,并已在 GCP 的 Agent Studio 上线,用户可在该平台测试,Google AI Studio 和 Gemini 应用预计随后跟进。10月14日,谷歌正式发布 Gemini 4 Argon,面向全球开发者和企业开放,可通过 AI Studio、Gemini 平台 API 使用,并支持 Google Antigravity 及 Gemini 应用和搜索 AI 模式的 Ultra、Pro 订阅用户;报道称其支持最高 1,048,576 个 token 的长解码输出,并公布限时入门定价。

小米 MiMo 发布 MiMo-V2.6 Pro 与 Flash

2026年9月22日,小米 MiMo 发布 MiMo-V2.6 Pro 与 Flash 两款全模态模型,将代码、设计与工具调用整合到界面、幻灯片、SVG、视频和音乐等场景。官方称 Pro 在 Design Arena 上的表现与 Claude Opus 5、GPT-5.6 Sol 相当,在多数 agent 基准上与二者持平,并在 Artificial Analysis Intelligence Index 上得分 46。官方还展示科研辅助案例,包括与小米材料研究人员合作提出用于捕获 PFAS 的 MOF 材料,以及协助在 Lean 4 中形式化 Li–Yorke 混沌定理。Pro 与 Flash 的权重、技术报告、7K+ RL 任务环境、端到端 RL 框架及 MiMo-V2.6-Distill-Qwen-9B 均已开源,API 定价与 V2.5 保持一致。9月27日,小米 MiMo 团队发布技术复盘,说明 MiMo-V2.6 在 MiMo Desktop、MiMo Code、OpenCode 等智能体场景中会出现工具调用重复,内部评测中响应级重复率超过 0.05%;团队最终改用基于 M

月之暗面开源Kimi供应商验证器

月之暗面开源了Kimi Vendor Verifier(KVV)项目,用于帮助开源模型用户校验推理实现的准确性。据官方博客,KVV包含六项基准测试,覆盖API参数约束预校验、OCRBench、MMMU Pro、AIME2025、K2VV ToolCall与SWE-Bench,其中SWE-Bench因依赖沙箱未开源。官方称在Two NVIDIA H20 8-GPU服务器上完成全流程验证,顺序执行约需15小时,并已针对流式推理、自动重试和断点续跑优化脚本。该开源动作与Kimi K2.6模型发布同期进行,K2.6主打长程编码与Agent Swarm能力,已上线Kimi.com、Kimi App、API和Kimi Code。目前尚无后续独立发展事实。

DeepSeek发布并开源V4预览版

2026年4月24日,DeepSeek发布并开源DeepSeek-V4预览版,包含V4-Pro与V4-Flash两个版本。据DeepSeek API更新日志,V4-Pro为1.6T总参数、49B激活,V4-Flash为284B总参数、13B激活;官方称V4-Pro在Agentic Coding基准上达到开源SOTA,世界知识仅次于Gemini-3.1-Pro。API当日可用,保留base_url并将模型改为deepseek-v4-pro或deepseek-v4-flash即可调用,两个模型均支持1M上下文与Thinking/Non-Thinking双模式,并兼容OpenAI ChatCompletions与Anthropic API。官方同时提示,deepseek-chat与deepseek-reasoner将于2026年7月24日15:59(UTC)后完全下线,目前相关请求会路由到deepseek-v4-flash的非思考/思考模式。

微软发布Windows端侧智能更新

2026年10月8日,微软发布Windows端侧智能更新,涵盖端侧模型、Copilot与安全Agent能力。据早先报道,微软为Windows引入本地智能体能力,发布137B参数、256K上下文窗口的编码模型MAI-Code-1.1 Flash,并推出Hybrid Intelligence让Copilot直接在PC上执行操作、敏感数据保留在本地,Windows与Agent 365结合提供MXC本地沙箱。后续报道称,微软于10月7日宣布AI智能体策略驱动容器Microsoft Execution Containers(MXC)正式可用,支持在Windows、Linux、macOS上以沙箱方式运行模型输出、插件、工具等不可信代码,已在GitHub以MIT许可开源,GitHub Copilot、OpenAI Codex等已支持。此后,HuggingFace CEO Clément Delangue发表评论,称微软Windows发布展示了本地AI及llama.cpp的令人兴奋之处。

Mistral Large 4上线Arena并获首批评测

2026年10月6日,Mistral AI的Mistral Large 4上线Arena,可在Agent Arena中实测,用户投票将影响其评估结果,分数稍后公布;Agent Arena用数百万个真实长周期智能体任务评测模型,模型可调用网页搜索、文件系统和终端工具完成复杂工作流,排行榜以因果追踪方法衡量模型相对平均模型的结果表现。Mistral Large 4同时上线Code Arena的WebDev、Text和Vision三个方向。10月8日,Arena发布对Mistral Large 4的首批评测,该模型为1T参数、49B激活,开放权重将于本月底发布;Arena用一系列真实场景测试将其与GPT-6.1 Sol、Astra、Claude Fable、Claude Opus 5.5、Claude Sonnet 5.5、Kimi K3、GLM 5.3 Flash、DeepSeek Flash和Muse Spark等模型对比,后续还会公布更多分数和更新。

ElevenLabs介绍v4情感语音控制

2026年9月28日,ElevenLabs介绍Eleven v4通过音频标签控制情感语音的方法:可在脚本中用[furious]、[sarcastic]、[crying]等Audio Tags逐句指定情绪,模型据此调整语气、节奏和停顿,并加入叹息、笑声等非语言声音。官方建议一次生成整段文本以建立场景上下文,TTS应用单次最多支持10,000字符,每个句段只用一个情绪标签,效果不理想时优先替换标签而非改写文本。同日,ElevenLabs发布Eleven v4及低延迟版本Eleven v4 Turbo,称其为目前最具情感表现力的文本转语音模型;Eleven v4在Artificial Analysis排名第一,盲测中约75%听众更偏好它;Eleven v4 Turbo面向智能体等低延迟场景,中位推理延迟约100ms,中位首次发声时间约150ms。两款模型支持90多种语言,可用[laughs]等内联标签控制语气与音效,Instant Voice Clones仅需10秒音频,并新增Professional Voice Clones支持,现已在ElevenAgents、ElevenCreative

Google发布Gemini 3.8 Live音频模型

Google发布Gemini 3.8 Live与Gemini 3.8 Live Extended Thinking两款实时对话音频模型,即日起通过Gemini API、Google Workspace和Gemini应用开放。据Google DeepMind介绍,Gemini 3.8 Live Extended Thinking在Artificial Analysis语音到语音质量指数得82.6分排名第一,τ-Voice智能体任务完成率68.6%,Big Bench Audio得97.7%;Gemini 3.8 Live在Speech Agent Arena排名第二。两款模型支持近实时视觉输入、对话中自动切换97种语言,并可在后台执行工具和API调用而不打断对话。9月18日,Google展示用Gemini 3.8 Live Extended Thinking构建的工作坊助手演示,可分析工作区、出声推理并引导搭建过程。9月21日,Google又演示了用该模型构建的编程辅导Agent,能查看用户屏幕、通过function calling引用p5.js库并讲解代码逻辑。

谷歌发布Gemini Omni 1.1 Flash

2026年8月27日,Google DeepMind 发布 Gemini Omni 1.1 Flash 视频生成模型,面向开发者提供更强的生成视频控制能力,可通过 Google AI Studio 或 Gemini Enterprise Agent Platform 调用。官方说明显示,新版本支持场景延长,可分析最多 10 秒前序上下文,并以 10 秒为单位延长至累计 40 秒;同时支持指定首尾帧生成过渡画面、1080p 与 4K 输出,以及 360p 轻量预览。官方还称其生成速度最高快 60%,成本为 720p 的三分之一。目前该事实尚无后续独立发展事实,状态以发布时的官方信息为准。

谷歌发布Gemini 3.5转写模型

2026年8月26日,Google DeepMind发布Gemini 3.5 Transcribe语音转文本模型,面向实时转写场景,已在Gemini API、Google AI Studio和Gemini Enterprise Agent Platform向开发者开放。据官方信息,该模型相比此前的Chirp 3,最终转写时间据Artificial Analysis测量提升70%,在FLEURS基准上流式模式WER为5.50%、非流式模式为5.04%,并支持多说话人区分、词级时间戳和实时语言切换。该模型同时接入Gboard、Antigravity、Gemini app和Chrome等产品,LangChain、LiveKit、Vercel等平台通过Gemini Live API提供支持。次日,Google AI Developers进一步说明其面向代码场景的能力:可在转写时过滤口语中的犹豫停顿,并依据当前上下文精确对齐技术术语、文件名和代码变量,还通过视觉偏置为复杂开发者工作流提供屏幕感知上下文。目前该模型已开放构建入口。

DeepSeek升级V4-Flash API

2026年7月31日,DeepSeek升级DeepSeek-V4-Flash API。据DeepSeek说明,DeepSeek-V4-Flash-0731与预览版保持完全相同的模型架构和规模,此次升级仅适用于DeepSeek-V4-Flash API,DeepSeek-V4-Pro API及App/Web模型暂时不变,DeepSeek-V4-Pro正式版将尽快发布。后续报道称,该模型在架构不变的情况下通过新一轮微调,在独立测试中超越更大的DeepSeek-V4-Pro,Artificial Analysis智能指数达50分;其为284B总参数、13B激活参数的MoE架构,支持最高100万token输入与384,000 token输出,MIT许可下权重可免费商用,API价格为每百万输入/缓存/输出token $0.14/$0.0028/$0.28。2026年8月13日,DeepSeek发布DeepSeek-V4-Pro,重点升级Agent能力,并为V4-Pro与V4-Flash提供low、high和max三档推理强度,原生支持OpenAI Responses API并针对Codex优化,

Fireworks AI 推出 Specialized Intelligence Index

2026年9月22日,Fireworks AI 发布 Specialized Intelligence Index(SII),汇集开放、闭源与专用模型在领域专属基准上的表现,首批覆盖医疗、法律、网络安全、金融、客服、生产力与软件七个领域。据官方说明,各基准由领域从业者设计,例如 Harvey 的 Legal Agent Benchmark、Sierra 的 τ-Banking 与 τ-Voice、Datacurve 的 DeepSWE v1.1。SII 不对跨领域结果做加权或平均,只保留基准与领域层面的分数,并提供分数对成本、分数对时长的对比视图。每个基准标注可复现范围,新前沿模型需通过生产可部署性筛选后才会进入。Fireworks 同时开放合作提交,伙伴按 Harbor 兼容格式提供任务与数据,评测由 Fireworks 免费运行并在伙伴同意后公布分数。目前尚无后续发展。

百灵发布并开源原生多模态模型Ling-3.0-flash-VL

2026年9月9日,蚂蚁百灵发布并开源百灵系列首个原生多模态大模型Ling-3.0-flash-VL。该模型基于Ling-3.0-flash的MoE架构拓展,总参数124B、单次推理激活5.5B,原生支持图像、文本与视频输入,上下文窗口为256K Token。官方称,原生多模态联合训练使该模型在Artificial Analysis Intelligence Index v4.1.1上较纯文本版本提升4分,并引入观察、行动、验证、修正的视觉反馈闭环,用于前端复刻、GUI Agent和医疗报告解读。目前模型已在Ling Studio上线免费体验,BF16和FP8版本已在Hugging Face与ModelScope开源。

蚂蚁百灵发布金融增强模型Ling-3.0-flash-Fin

2026年8月28日,蚂蚁百灵发布首个金融增强模型Ling-3.0-flash-Fin。该模型延续Ling-3.0-flash架构,保持124B总参数、5.1B激活参数,通过金融语料持续预训练、领域后训练和工具使用优化,强化对年报、财务工作簿等复杂金融内容的处理。模型在FinFIRST、FinSearchComp Verified、Finance Agent、APEX-Agents、SpreadsheetBench、τ3-Banking等基准上测试,AA Intelligence Index v4.1.1得分由38提升至41。蚂蚁百灵表示,模型将在OpenRouter开启为期一个月的限时免费API调用,权重于下周开源。目前尚无后续进展披露。