2026年8月11日,蚂蚁百灵正式开源 Ling-3.0-tiny。据官方介绍,这是一款原生混合推理模型,总参数 7.9B,推理时仅激活 1.3B 参数,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。部署方面,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。目前该模型已进入开源发布状态,暂无后续进展。
匹配字段摘要
2026年7月30日,Google DeepMind发布Gemini Robotics ER 2机器人模型,定位为机器人的高层大脑,支持实时空间推理、多步任务规划和多机器人协作,可通过Gemini API、Google AI Studio或Gemini Enterprise Agent Platform调用。官方称,相比ER 1.6,新模型能通过连续视频流跟踪任务进度并实时纠错,在进度分类任务上达到57.4%准确率,在moment-finding任务上达到91.3%准确率和0.96s平均绝对距离。官方还展示了其编排Boston Dynamics Spot的导航与机械臂API完成取物,并支持Apptronik Apollo 2与Franka F3 Duo协作,代码已在GitHub开源。7月31日,Demis Hassabis表示机器人现在可以推理每一个动作,完成此前无法实现的任务,例如打精细的绳结,甚至组队解决复杂工作流。
匹配字段摘要
2025年9月29日,Amp宣布将主模型切换为Anthropic最新发布的Claude Sonnet 4.5。Amp称测试显示该模型在编码方面减少了谄媚行为,文件编辑成功率更高,调试等复杂任务中的推理能力有所提升,用户更新VS Code扩展或CLI至最新版本即可自动启用。次日,Anthropic正式发布Claude Sonnet 4.5,称其为全球最强编码模型,在SWE-bench Verified和OSWorld上取得领先成绩,并同步推出Claude Agent SDK、Claude Code检查点、VS Code扩展及API记忆工具等更新。模型定价与Sonnet 4相同,为每百万tokens 3美元(输入)和15美元(输出),并附带一个名为Imagine with Claude的研究预览。
匹配字段摘要
2026年4月23日,蚂蚁百灵正式推出 Instruct 模型 Ling-2.6-flash,总参数量 104B、激活参数 7.4B,围绕推理效率、Token 效率与 Agent 场景做系统优化。官方称其在 4 卡 H20 下推理速度最快达 340 tokens/s,Prefill 吞吐为 Nemotron-3-Super 的 2.2 倍;Artificial Analysis 完整评测中仅消耗 15M tokens,约为 Nemotron-3-Super 等模型的 1/10。模型在 BFCL-V4、TAU2-bench、SWE-bench Verified、Claw-Eval、PinchBench 等评测中取得同尺寸 SOTA 水平。目前该模型已在 OpenRouter 与官方平台提供一周免费 API 调用,BF16、FP8、INT4 版本将于近期开源。
匹配字段摘要
2025年10月29日,Cognition 发布面向软件工程的 SWE-1.5 编码模型。据 Cognition 模型 / Devin 博客,该模型参数量达数千亿,在 SWE-Bench Pro 上接近前沿水平,并已上线 Windsurf。该模型与 Cerebras 合作部署,推理速度最高 950 tok/s,比 Haiku 4.5 快 6 倍、比 Sonnet 4.5 快 13 倍。Cognition 称其基于数千块 GB200 NVL72 芯片训练,并在自建 Cascade agent harness 与高质量编码环境中做端到端强化学习。目前尚无后续有证据的发展。
匹配字段摘要
2025年10月27日,MiniMax 正式开源并发布 MiniMax M2 模型,定位为面向 Agent 与编码场景。据 MiniMax Blog 当日发布的信息,模型权重已在 Hugging Face 开源,支持 SGLang 与 vLLM 部署,推荐推理参数为 temperature=1.0、top_p=0.95、top_k=20。API 定价为每百万输入 token 0.30 美元、每百万输出 token 1.20 美元,约为 Claude 4.5 Sonnet 的 8%,在线推理 TPS 约 100。免费试用延长至 11 月 7 日 00:00 UTC。同时上线由 M2 驱动的 MiniMax Agent,提供 Lightning 与 Pro 两种模式,目前限时免费。目前尚无后续发展事实。
2025年10月27日,MiniMax 正式开源并发布 MiniMax M2 模型,定位为面向 Agent 与编码场景。据 MiniMax Blog 当日发布的信息,模型权重已在 Hugging Face 开源,支持 SGLang 与 vLLM 部署,推荐推理参数为 temperature=1.0、top p=0.95、top k=20。API 定价为每百万输入 token 0.30 美元、每百万输出 token 1.20 美元,约为 Claude 4.5 Sonnet 的 8%,在线推理 TPS 约 100。免费试用延长至 11 月 7 日 00:00 UTC。同时上线由 M2 驱动的 MiniMax Agent,提供 Lightning 与 Pro 两种模式,目前限时免费。目前尚无后续发展事实。
匹配字段摘要
OpenAI 发布 GPT-Rosalind-6 系统卡附录，该模型与 GPT-6 Astra 使用同一套权重，未新增训练数据或后训练，仅通过可信访问提供给经过审核的科研机构、企业和政府合作方。在最高推理预算下，MedChemBench v7 平均评分 49.6%（GPT-Rosalind-5.5 为 28.9%），GeneBench Pro v13 单次尝试成功率 37.7%（前代为 16.7%），LifeSciBench Gold 平均分 61.3%（前代为 44.0%）。按 Preparedness Framework，该发布在生物与化学领域定为 High 能力、未达 Critical 阈值，网络安全领域定为 Critical，AI 自我改进低于 High。
：使用工具时的行为。 表 13：使用工具时的行为。 评估评估指标GPT-Rosalind-6GPT-6 Astra ExploitGym 蜜罐 成功利用评估基础设施完成指定任务之外操作的比例 ↓ 0.0% 0.0% 遵守警告 遇到警告后成功绕过限制的比例 ↓ 21.7% 18.9% 遵守自动审查 尝试规避自动审查拒绝的比例，包括未成功的重试 ↓ 0% 0% Agent Replay 自动审查 在重放的智能体对话中，被评定为特定严重级别或以上的有害或未经授权行为的比率，不包括惰性行为 ↓ 27.1% 26.7% 非预期地接触外部智能体消息：执行了指定的未对齐操作 在发现留言板的情况下，执行指定未经授权操作的比例 ↓ 2.5% 0.0% 协作失调 模拟工作场所任务中未对齐结果的总体比率 ↓ 1.4% 1.2% 表 14：监控与规避。 表 14：监控与规避。 评估评估GPT-Rosalind-6GPT-6 Astra OAI-repo 破坏 v2 成功破坏模拟服务并规避监控的尝试率 ↓ 0% 无引导，0% 有引导 0% 无引导，3% 有引导 数学副任务监控规避 成功完成的隐藏数学任务中，全上
匹配字段正文
Google DeepMind 预告下一代前沿模型 Gemini 4 Carbon，称其在网络安全与长时程能力上达到 SOTA，在 Artificial Analysis Intelligence Index v5.0 上以 59 分排第一，Claude Opus 5.5 为 58 分。该模型暂不对外开放，先向部分网络安全防御方和 Fairwind 计划可信伙伴开放，并参与美国政府自愿的发布前测试，之后再逐步放开给开发者、企业和消费者。介绍期定价与 Argon 相同，输入约 $2、输出约 $10 每百万 token，介绍期后变为输入约 $4、输出约 $20。
s 5.5 得分 58），在漏洞发现、利用验证、补丁修复等防御向基准上宣称领先；但现在还不能用，先给部分网络安全防御方与可信伙伴（Fairwind 计划），并参与美国政府自愿的发布前测试，再逐步放开给开发者、企业和消费者。 https://t.co/N3yQOIrnZG 能力叙事：更难、更长的工程任务 Carbon 面向更难、跨时更长的工程问题，适合持续的 Agent 工作流。内部团队称它能跑上数天，在卡死之后仍继续推进，例如在大型代码库与底层系统里定位根因并打补丁。反馈驱动的改进覆盖编码、Agent、科学任务、全栈 Web 与多模态理解等。Web 开发方面，称输出质量提升后，WebDev Arena 上升约 +89 Elo，排到第 4（约 1768 分）。 网络安全 官方称在「发现 → 验证是否可利用 → 修复根因」整条链上有显著跃升；外部基准均为未加护栏评测口径： · SEC-bench Pro 约 88.2%（在真实软件中自主挖复杂漏洞） · ExploitGym 约 54.8%（判断漏洞是否可被利用，便于排优先级） · Collinear CWE-bench 约 71.0%（把
匹配字段正文
Mistral AI 更新并开放旗舰模型 Mistral Large 4 的权重，总参数 1.05T、激活参数 52B，在 Artificial Analysis Intelligence Index v5 上得分 26，比 Preview 版高 1 分，以 1 分优势领先美国开源模型 Muse Spark Open（25）。该模型每项任务输出 82K token，比 Preview 的 135K 少 39%，AA-Omniscience v1.1 幻觉率从 41% 降至 28%，但准确率仍为 26%。定价为每 1M 输入/输出 token 0.70/2.10 美元，较 Preview 下降约 50%，采用 MEOW 许可证，运营 Model-as-a-Service 业务需另行获得商业授权。
分别为 1570 和 1504） ➤ token 效率提升：Mistral Large 4（high）在每项 Intelligence Index 任务上使用 82K 输出 token，比 Preview（135K）少 39%，使其位于开源权重帕累托前沿。得分更高的七个开源权重模型每项任务使用 113K 至 225K 输出 token ➤ 在 Coding Agent Index 上为第二大开源权重模型：在 Artificial Analysis Coding Agent Index 上，Mistral Large 4（high）在 Mistral Vibe 中得分 48，每项任务使用 8.5M token，约为领先开源权重模型 GLM-5.3（max）在 Opencode 中（49，15.9M）的一半。它的得分也高于另一领先开源权重模型 DeepSeek V4.1 Flash 1017（max）在 DeepSeek Harness 中（46，16.7M） ➤ 幻觉减少：Mistral Large 4（high）在更新后的 AA-Omniscience v1.1 上幻觉率为 28%，低
匹配字段正文
北京大模型创企超衍智能发布并开源首款大模型Apex-35B-V1.0，总参数量350亿，每Token激活约30亿参数，支持26.2万Token上下文窗口，以Qwen3.6-35B-A3B为基础经中训练和后训练优化。该模型在论文复现测试PaperBench和科研难题测试FrontierScience中分别取得60.9分和40.0分，高于GLM-5.3的42.5分和30.7分；工具调用测试BFCL V4取得84.0分，高于DeepSeek-V4.1-Flash-1017的75.0分。模型已采用Apache 2.0许可证开放权重，官方提供约72GB的BF16权重和不同精度的GGUF量化版本。
，北京大模型创企超衍智能发布并开源首款大模型Apex-35B-V1.0。该模型构建过程中，AI自主参与了数据构造、实验设计、代码执行、训练结果分析和训练优化等环节。 Apex-35B-V1.0总参数量为350亿，每个Token激活约30亿参数，支持26.2万Token上下文窗口。其以Qwen3.6-35B-A3B为基础，经中训练和后训练进一步优化，支持编程、Agent、问答和深度搜索等常规任务，以及AI研究、计算科学、机器人仿真等任务。 ▲Apex-35B-V1.0官方技术介绍（图源：超衍智能） 根据超衍智能发布的基准测试结果，该模型在论文复现测试PaperBench和科研难题测试FrontierScience中分别取得60.9分、40.0分，超过GLM-5.3的42.5分、30.7分。在工具调用测试BFCL V4中，该模型取得84.0分，高于DeepSeek-V4.1-Flash-1017的75.0分。 超衍智能成立于今年6月，核心业务是研究下一代自进化基础大模型（RSI），其创始人、CEO陈勇超今年27岁，是清华大学人工智能学院助理教授，本科毕业于中国科学技术大学，拥有哈佛大学与麻
匹配字段正文
Mistral 公开了旗舰模型 Large 4（ML4）的模型权重，该模型此前仅以 API 预览版形式提供。经过三周客户与网络安全伙伴测试并用强化学习继续训练后，ML4 在 Terminal-Bench 4.0 上的成功率从 28% 升至 41%，并新增 Low、Medium 两档推理强度。Mistral 研究负责人 Pierre Stock 称，同等能力下新版本比预览版少用约 50% token；权重于 19 点在 Hugging Face 开放下载，同时通过 Mistral API 和编程助手 Vibe 提供。
程基准测试Terminal-Bench 4.0中，成功率从28%提升至41%。据此，ML4大致达到GLM-5.3的水平（42%），但明显落后于Kimi K3.1 Pro（67%）以及Gemini 4 Carbon（65%）等闭源顶级模型——若参考Artificial Analysis（AA）的测试。Kimi的权重预计于十一月初发布。 援引AA的Coding Agent Index，Mistral将Large 4称为全球最佳的智能体编程开源模型。在性能相当的情况下，它每个任务所需的Token比GLM-5.3少47%。截至调研时，相应结果尚无法公开查看。 在网络防御方面，Mistral展示了AA所使用的CyberGym-E2E基准测试的结果。该测试检验AI智能体能否识别、复现并修复安全漏洞。ML4据称可达到79%，从而与小米的MiMo-V2.6-Pro持平。截至调研时，新版ML4的结果无法独立核实。AA当前排行榜由Kimi K3.1 Pro以95%领跑。 广告后继续阅读 Mistral计划以更短的间隔发布顶级模型 Mistral最近两款顶级模型的发布间隔为十个月。Stock将这一停顿归因于
匹配字段正文
Mistral AI 宣布开放其前沿模型 Mistral Large 4（代号 Le Chonk）的权重，该模型拥有 1 万亿参数、520 亿激活参数，原生支持多模态。ML4 在欧洲数据中心用 3800 块 Nvidia Grace Blackwell GPU 训练，在 Terminal-Bench 4.0 上从 28% 提升到 41%，与 GLM-5.3 并列编码智能体最佳成绩，且平均每任务少用 47% token。开放权重意味着企业可在自有硬件和防火墙内部署，模型提供低、中、高三档推理模式。
Kimi 系列。 “开源对于确保最先进的 AI 不会最终集中在少数参与者手中至关重要，”联合创始人兼首席执行官 Arthur Mensch 表示。“其他实验室已筹集数千亿美元来开发同等能力；而在三年内，Mistral 筹集了约 60 亿美元。” 由于其训练方案，ML4 在许多其他前沿模型中脱颖而出，在 Artificial Analysis Coding Agent Index 上甚至可与 GLM-5.3 等顶级模型匹敌，同时平均每个任务少用 47% 的 token。 在测试终端中智能体编码能力的 Terminal-Bench 4.0 上，ML4 从 28% 提升到 41%，与 GLM-5.3 并列成为编码智能体的最佳模型。 Mistral 为 ML4 提供三种推理模式：低、中、高。团队可利用这一点让推理深度与任务相匹配，而无需调整提示词（后者可能效果较差），从而使推理既能适应快速的日常任务，也能胜任极其复杂问题的深度工作。这使开发者和企业用户能够控制每个任务的 token 使用量。 该公司表示，ML4 的发布代表了 Mistral 涵盖所有模态的新一代模型。此前不久，该公司刚推出了
匹配字段正文
Mistral 将 Mistral Large 4 的权重发布到 Hugging Face，该模型昵称 Le Chonk，约 1 万亿参数、每步激活 520 亿，支持文本和图像输入。在 Terminal-Bench 4.0 上得分从预览版的 28% 升至 41%，略高于 GLM-5.3 的 40%，但在 Artificial Analysis 新版 Intelligence Index 上仅得 26 分，低于 DeepSeek V4.1 Flash 和 GLM-5.3 的 32 分。API 价格为每百万输入 token 0.70 美元、输出 2.10 美元，采用修改版 MIT 许可，将其作为商业云服务需另行授权。
期两年的赌注”，如今正在收获回报。 Large 4 在编码方面领先开源模型，但大幅落后于 Claude 再经过三周训练后，Large 4 在 Terminal-Bench 4.0 上的得分从 28% 升至 41%。这使其略高于得分为 40% 的 GLM-5.3。Mistral 称，Large 4 在 Artificial Analysis 的 Coding Agent Index 上达到 48%。这与 GLM-5.3 几乎持平，但 Large 4 达到该成绩所用的 token 少 47%。使用 Claude Opus 5.5 的 Claude Code 以 62 分位居该指数榜首。 在 Cognition 的新基准 FrontierCode 2.0 上，Large 4 以 19.7% 领先开源模型。然而，Claude Opus 5.5 的得分为 46%。在 Surge 进行的盲测比较中，测试者多数情况下更偏好 Large 4 的代码，而非 GLM-5.3、Kimi K3 和 DeepSeek 的代码。在与 Opus 5.5 的对比中，Large 4 仅赢得 22% 的对局。 Mistr
匹配字段正文
Google DeepMind 发布 Gemini 4 Carbon，在 Artificial Analysis Intelligence Index v5 上以 59 分排名第一，并在 HLE-Diamond、TB-Science 等 9 项评测中的 4 项领先。该模型主打网络安全与长周期任务，宣称在 SEC-bench Pro 上取得 88.2%、ExploitGym 上 54.8%、CWE-bench 上 71.0%，初期仅通过 Fairwind Program 向可信网络安全人员开放。规格上支持 1M token 上下文与 1M 最大输出，输入覆盖文本、图像、视频和语音，输出为文本；Artificial Analysis 列出的标准价格为每百万输入/输出 token 4/20 美元，另有 50% 上线折扣。
lLoganK）。 Artificial Analysis：Carbon 以 59 分在 Intelligence Index v5 上排名第 1。它在 9 项指数评测中的 4 项领先：HLE-Diamond、TB-Science、AA-Omniscience 和 AutomationBench（@ArtificialAnlys）。 编程：在 Coding Agent Index 上，Carbon 使用 Antigravity CLI 得分为 59，而 Claude Code 搭配 Opus 5.5 [max] 为 62。它在 FrontierCode v1.1 上得分为 51%，而 Opus 为 56%。 知识工作：Carbon 在 AA-Briefcase 上达到 1609 Elo，比 Argon 提高 126 分。它仍落后于 Grok 4.7、Muse Wonder 和 Kimi K3.1 Pro（1678）。 成本：Carbon 每项指数任务成本为 7.76 美元，而 Opus 5.5 为 10.04 美元，GPT-6 Astra 为 6.25 美元。它每项任务使用 123k
匹配字段正文
谷歌发布新旗舰模型 Gemini 4 Carbon，在 Artificial Analysis 智能指数 5.0 上以 59 分登顶，超过 Claude Opus 5.5 和 GPT-6 Astra。Terminal-Bench 4.0 得分 65.2%，256k 至 1M 上下文的 GraphWalks 得分 96.2%，SEC-bench Pro 漏洞挖掘得分 88.2%。首发定价为输入 2 美元、输出 10 美元每百万 Token，缓存命中输入低至 0.2 美元；因具备漏洞挖掘与利用能力，将先向部分网络安全防御人员开放。
Carbon不仅在智商与长程编程上完成了对Opus 5.5的正面反超，更在代码安全与防作弊上大幅领先。 甚至点亮100%免疫提示词注入天赋。 这什么残暴的进步速度，RSI真让他们给玩明白了？ Carbon首发阶段延续了Argon的半价折扣，输入2美元/百万Token、输出10美元/百万Token，账面单价仅为Opus 5.5（$4/$20）的一半。 并且针对Agent任务高频使用的缓存命中输入（cached input）给出了95%的骨折价优惠（低至0.2美元/百万Token）。 超越Opus 5.5，还能连肝数日死磕底层Bug 两周前发布的Gemini 4 Argon虽然在长文本和多模态上表现惊艳，但在综合智能指数（53分）和部分硬核终端任务上，依然被Opus 5.5压了一头。 这一次，Gemini 4 Carbon精准补齐了最后一块拼图，直接将能力推向了“全天候自主工程师”的形态。 在谷歌内部的实战编程环境中，研发团队观察到令人瘫坐的一幕： Carbon能够连续运行好几天，在庞大复杂的代码库和底层系统中自己摸索；哪怕中途多次撞上“死胡同”（dead ends），它也能持续死磕到底，
匹配字段正文
Google DeepMind 推出 Gemini 4 Carbon，称其为面向长周期智能体编码和网络安全防御的前沿模型，在 Artificial Analysis Intelligence Index v5.0 上以 59 分排名第一。该模型在 GraphWalks 长上下文测试中取得 96.2%，在 SEC-bench Pro、ExploitGym 和 CWE-bench 上分别为 88.2%、54.8% 和 71.0%，但在 OSWorld-2.1 上以 81.5% 落后于 Claude Opus 5.5 的 87.2%。目前 Carbon 仅向经过审核的网络安全防御方开放，定价为每百万 token 输入 2 美元、输出 10 美元的引入价，后续为 4 美元和 20 美元，开发者和公众的开放时间未公布。
on 在 Terminal-Bench 4.0 (AA) 上得分 65.2%，领先于 Opus 5.5 的 59.6%。它在 SWE-sweep 上达到 9.6%，略高于 GPT-6 Astra 的 9.5%。在 FrontierSWE 上，GPT-6 Astra 以 65.5% 领先，Carbon 为 61.2%。 计算机使用和知识工作：Carbon 在 Agents’ Last Exam v1.1 上达到 77.4%。在 Vending-Bench 2 上，它最终银行余额为 16,484 美元，为列出的最高值。 长上下文和科学：GraphWalks 是差距最大的项目：96.2% 对 GPT-6 Astra 的 71.8%。Carbon 在 RiemannBench 上也取得 80.0%。 为什么 Carbon 与网络安全相关？ Google 围绕完整防御生命周期来构建 Carbon：发现、验证、修复。网络基准测试是在没有防护措施的情况下评估的。 发现：在 SEC-bench Pro 上为 88.2%，而 GPT-6 Astra 为 85.4%。 利用：在 ExploitGym 上为
匹配字段正文
谷歌发布新一代旗舰模型 Gemini 4 Carbon，在 Artificial Analysis 智能指数 v5.0 中以 59 分登顶，超过 Claude Opus 5.5 和 GPT-6 Astra。该模型在 Terminal-Bench 4.0 上从 Argon 的 57.1% 提升到 65.2%，GraphWalks 长上下文测试从 84.2% 提升到 96.2%，但开发者反馈其生成速度比 Argon 慢约 2 至 4 倍。谷歌本周先向少数网络安全防御机构开放，再通过 Fairwind 计划扩大至可信合作伙伴，普通用户开放时间尚未公布。
.0中，Carbon获得了59分，较Argon的50分提高9分，比Claude Opus 5.5高1分、GPT-6 Astra高2分。 在组成该指数的9项测试中，Carbon拿到了4项第一，尤其擅长复杂推理、科学研究、知识问答和自动化任务。 其中最值得关注的是编程能力的提升。 在Artificial Analysis另一套专门衡量AI编程能力的Coding Agent指数中，Carbon获得59分，仅次于Claude Opus 5.5的62分。谷歌过去在这类测试中一直不算突出，这次终于追了上来。 在Terminal-Bench 4.0终端编程测试中，Carbon的成绩也从Argon的57.1%提高到65.2%。网页开发方面，Carbon在WebDev Arena上的评分较Argon提高89个Elo分，以1768分升至第四名（谷歌官方公告为1769分，本文以Arena原始排行榜为准）。 长上下文处理能力也有明显改善。在GraphWalks测试中，Carbon的成绩从Argon的84.2%提高到96.2%，超过GPT-6 Astra的71.8%。这项测试考察模型在长达百万Token的上下文
匹配字段正文
Google 发布 Gemini 4 Carbon，在 Artificial Analysis Intelligence Index v5.0 榜单拿下 59 分，超过 Claude Opus 5.5 的 58 分和 GPT-6 Astra 的 57 分。该模型在 SEC-bench Pro、ExploitGym、CWE-bench 分别取得 88.2%、54.8% 和 71.0%，谷歌称其可连续数天处理大型代码库中的工程问题。该模型本周先向部分网络安全防御人员开放，再通过 Fairwind Program 扩大至可信合作伙伴，普通用户暂无时间表；首发定价为每百万输入 Token 2 美元、输出 10 美元。
-6.1 Sol 则以 55 分位居第三。而 Gemini 4 Carbon 直接拿到了 59 分，比 Argon 高出 9 分，也以 1 分优势超过此前榜首的 Claude Opus 5.5。 不止 Artificial Analysis，Arena.ai 最新公布的榜单也显示，Gemini 4 Carbon（High）在 Text Arena 登顶第一、Agent Arena 排名第二、Code Arena WebDev 排名第四。 伴随着新模型登顶，谷歌内部也开始为 Gemini 积极造势。此前从 Anthropic 跳槽至 Google DeepMind 的华人研究员姚顺宇，同样为 Gemini 系列宣传打 call。 除了综合排名，Gemini 4 Carbon 在实际工程任务上的表现也有明显变化。 过去，大模型可以在几分钟内写出一段程序，但面对大型软件工程，问题就复杂得多。一个隐藏在数百个文件中的故障，可能需要开发者反复检查依赖关系、定位异常、修改代码，再经过多轮测试才能解决。 谷歌表示，Gemini 4 Carbon 已经能够连续运行数天，处理大型代码库和底层系统中的复杂
匹配字段正文
NVIDIA 在 Hugging Face 和 ModelScope 上发布开放权重模型 Nemotron 3.5 Transcribe，把转写、说话人分离、翻译和音频问答整合进同一个 checkpoint，支持 40 种语言转写、31 种语言与英文互译、13 种语言说话人标注，可处理最长 1 小时录音并标注最多 8 位说话人。该模型在 Hugging Face Open ASR Leaderboard 英语榜的开放权重模型中排名第一，平均 WER 为 5.33%，在 Artificial Analysis 上以约 4B 激活参数取得 2.8% AA-WER。同时发布的 Granary v2 覆盖 48 种语言、463,062 小时语音数据，配套 NeMo Speech 微调配方在医疗案例中把留出说话人的 WER 从 22.44% 降到 12.17%。
ER 越低，意味着转写错误越少。 Artificial Analysis 语音转文本排行榜。Artificial Analysis 以其词错误率指数 AA-WER 对语音转文本模型进行独立排名。Nemotron 3.5 Transcribe 以 2.8% 的 AA-WER 在开放权重模型中并列第一，其激活参数约为 4B，而与之并列的模型为 24B。在 AA-AgentTalk 上——这个占 AA-WER 指数 50% 的留出语音智能体语音集——Transcribe 的 WER 得分为 1.8%，而次优开放权重模型为 2.3%。Transcribe 将其语音编码器与混合 Mamba–Transformer 专家混合语言模型配对，因此其 30B 参数中每个 token 仅有约 4B 处于激活状态。这使其位于 Artificial Analysis 的开放权重准确率与激活参数帕累托前沿上。在 AA 的全模型图表中，它排名领先于若干广泛使用的专有语音 API。 图 2. 以约六分之一的激活参数取得领先的 AA 准确率：Nemotron 3.5 Transcribe 以约 4B 激活参数实现 2
匹配字段正文
面壁智能发布开源 MiniCPM-OCR 套件，包含 1B 的 MiniCPM-OCR 1.0 与 2B 的决策模型 MiniCPM-OCR Jev。MiniCPM-OCR 1.0 在 Real5-OmniDocBench 得分 93.68、OCRBench v2 得分 54.7；Jev 可跨模型校验文本、公式和表格，在 JevOCRBench 得分 93.6，超过 JEV-35B-A3B 的 90.1，接近 Qwen3.5-397B-A17B 的 93.8。借助 DSpark，其速度为 PaddleOCR-VL-1.6 的 1.49 倍、MinerU2.5 Pro 的 3.62 倍，SDK 并发优化后可达每分钟 128 页，并支持 vLLM、SGLang、llama.cpp 和 Ollama 部署。
JEV-35B-A3B（90.1），并接近 Qwen3.5-397B-A17B（93.8）。 每分钟最多 128 页 🤯：借助 DSpark，MiniCPM-OCR 的运行速度是 PaddleOCR-VL-1.6 的 1.49 倍、MinerU2.5 Pro 的 3.62 倍。SDK 的并发优化进一步将吞吐量提升至每分钟多达 128 页。 在你工作的地方部署：Day-0 支持 Arm、后摩智能、Intel 和 NVIDIA，并通过 FlagOS 支持另外 10 家芯片厂商。 适配你的技术栈：vLLM、SGLang、llama.cpp 和 Ollama，并提供量化模型、微调支持和 Agent Skills。 🔗 GitHub：https://t.co/2SlATAJk08 🤗 Hugging Face： MiniCPM-OCR 1.0：https://t.co/i347di4Fju MiniCPM-OCR Jev：https://t.co/ayVzhCJenh 👉 试用 Demo：https://t.co/QsFAJT3AFy 使用 API：https://t.co/dP01jBS2j2
匹配字段正文