Mistral AI 发布首款文本转语音模型 Voxtral TTS，参数规模 4B，支持英语、法语、德语、西班牙语、荷兰语、葡萄牙语、意大利语、印地语和阿拉伯语共 9 种语言，具备情感表达和零样本跨语言音色适配能力。模型在 10 秒参考音频、500 字符输入的典型场景下延迟为 70ms，实时系数约 9.7x，现已通过 API 和 Mistral Studio 提供，定价为每 1k 字符 0.016 美元。官方称人工评测中其自然度优于 ElevenLabs Flash v2.5，并与 ElevenLabs v3 质量持平；带参考音色的版本以 CC BY-NC 4.0 许可在 Hugging Face 开放权重。
匹配字段摘要、正文
Sarvam AI 开源 Sarvam 30B 和 Sarvam 105B 两款从零训练的推理模型，预训练分别使用 16T 和 12T token，训练全程在印度完成，采用 IndiaAI mission 提供的算力。两款模型均为 MoE 架构，30B 仅 2.4B 激活参数并使用 GQA，105B 采用 MLA，权重可从 AI Kosh 和 Hugging Face 下载，并支持 Transformers、vLLM、SGLang 本地推理。官方称两者在印度语言基准上取得领先结果，30B 已用于对话智能体平台 Samvaad，105B 用于 AI 助手 Indus。
匹配字段摘要、正文
Liquid AI 发布 LFM2-24B-A2B 早期检查点，这是其最大的 LFM2 模型，采用稀疏 MoE 架构，总参数 24B、每 token 激活 2.3B，设计上可放入 32GB 内存，权重已在 Hugging Face 开放。模型沿用 LFM2-8B-A1B 的配方，层数从 24 增至 40、每 MoE 块专家数从 32 增至 64，保持 top-4 路由，前两层仍为稠密层。官方称在 GPQA Diamond、MMLU-Pro、IFEval、IFBench、GSM8K 和 MATH-500 等基准上，从 350M 到 24B 质量随规模呈对数线性提升；该模型已获 llama.cpp、vLLM 和 SGLang 首日支持，在单张 H100 SXM5 上用 vLLM 于 1024 并发请求下达到约 26.8K tokens/s。目前预训练已用 17T tokens 且仍在进行，完成后将推出 LFM2.5-24B-A2B。
匹配字段摘要、正文
Zyphra 发布首个基于脑数据训练的基础模型 ZUNA，这是一个 380M 参数的扩散自编码器，可从有噪声或不完整的头皮 EEG 数据中重建高保真脑信号，并能从稀疏输入和电极坐标预测缺失通道，适配从消费级头戴设备到 256 电极研究系统的多种布局。ZUNA 在更高缩放因子下持续优于 MNE 中实现的球面样条插值这一行业标准方法。模型以 Apache 2.0 许可开源，权重发布于 Hugging Face，推理与预处理代码发布于 GitHub，并提供 pip install zuna 安装包。
匹配字段摘要、正文
Liquid AI 发布 LFM2.5-1.2B-Thinking，一款完全在设备端运行的推理模型，在手机上内存占用低于 900 MB，已在 Hugging Face、LEAP 和 Playground 上线。该模型为 1.2B 参数，相比 LFM2.5-1.2B-Instruct 在 MATH-500 上从 63 提升到 88、Multi-IF 从 61 提升到 69、BFCLv3 从 49 提升到 57，并在多数推理基准上匹配或超过参数量多 40% 的 Qwen3-1.7B。训练上采用课程式 RL 与模型合并，通过偏好对齐和 n-gram 重复惩罚把 doom loop 比例从 15.74% 降到 0.36%，并获 Qualcomm、Ollama、FastFlowLM、Cactus Compute 等新发布伙伴支持。
匹配字段摘要、正文
LG AI Research 发布大规模模型 K-EXAONE，采用 128 专家的 MoE 结构，总参数 2360 亿、实际激活约 230 亿，并引入多 token 预测使推理速度约为现有模型的 1.5 倍。模型支持约 26 万 token 上下文，词表从约 10 万扩展到约 15 万，分词效率平均提升约 30%。后训练采用自研 AGAPO 强化学习算法与 GrouPER 偏好对齐方法，在 Artificial Analysis Intelligence Index 的开源权重模型中排名全球第 7、韩国第 1，模型已在 Hugging Face 和 Friendli AI 上线。
匹配字段摘要、正文
Liquid AI 发布 LFM2.5-1.2B 模型家族，预训练规模从 10T 扩展到 28T token，并扩大强化学习后训练流程，包含 Base、Instruct、日语、视觉语言和音频语言模型。其中 LFM2.5-Audio-1.5B 采用新的 LFM 音频解分词器，在移动 CPU 上比 LFM2 的 Mimi 解分词器快 8 倍，并以 INT4 量化感知训练。所有模型均为开放权重，已在 Hugging Face 和 LEAP 上线，并获 llama.cpp、MLX、vLLM、ONNX 首日支持，AMD 与 Nexa AI 提供 NPU 优化版本。
匹配字段摘要、正文
Mistral AI 推出 Mistral 3 模型家族，包括 3B、8B 和 14B 的 Ministral 3，以及采用稀疏 MoE 架构、含 41B 激活参数和 675B 总参数的 Mistral Large 3，均以 Apache 2.0 许可证发布。Ministral 3 提供 base、instruct 和 reasoning 版本，Mistral Large 3 提供 base 与 instruct 版本并将推出 reasoning 版本；该系列现已登陆 Mistral AI Studio、Amazon Bedrock、Azure Foundry、Hugging Face 等平台。
rge 3，均以 Apache 2.0 许可证发布。Ministral 3 提供 base、instruct 和 reasoning 版本，Mistral Large 3 提供 base 与 instruct 版本并将推出 reasoning 版本；该系列现已登陆 Mistral AI Studio、Amazon Bedrock、Azure Foundry、Hugging Face 等平台。 · Mistral AI introduced the Mistral 3 family, comprising 3B, 8B, and 14B Ministral 3 models and Mistral Large 3, a sparse MoE model with 41B active and 675B total parameters, all released under the Apache 2.0 license. Ministral 3 comes in base, instruct, and reasoning variants, while Mistral Large 3 i
匹配字段摘要、正文
MiniMax 正式开源并发布 MiniMax M2，定位为面向 Agent 与编码的模型，API 定价为每百万输入 token $0.30、每百万输出 token $1.20，约为 Claude 4.5 Sonnet 的 8%，在线推理 TPS 约 100。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，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。
MiniMax 正式开源并发布 MiniMax M2，定位为面向 Agent 与编码的模型，API 定价为每百万输入 token $0.30、每百万输出 token $1.20，约为 Claude 4.5 Sonnet 的 8%，在线推理 TPS 约 100。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，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。
匹配字段摘要、正文
Liquid AI 发布首个端侧 MoE 模型 LFM2-8B-A1B 的早期 checkpoint，总参数 8.3B、每 token 激活 1.5B，质量接近 3-4B 稠密模型，速度超过 Qwen3-1.7B。模型共 18 个门控短卷积块和 6 个 GQA 块，除前两层外每层含 MoE 块，每块 32 个专家、每 token 激活 top-4。基础版预训练约 12T token，语料约 55% 英文、25% 多语言、20% 代码，MMLU-Pro 比 LFM2-2.6B 提升 11.46 分，现已上线 Hugging Face，兼容 llama.cpp、ExecuTorch 和 vLLM。
匹配字段摘要、正文
Liquid AI 发布 Liquid Nanos 系列任务专用端侧基础模型，参数规模 350M 至 2.6B，占用 100MB 至 2GB 内存，可在手机、笔记本和嵌入式设备上本地运行。首批实验性模型包括 LFM2-Extract、LFM2-350M-ENJP-MT、LFM2-1.2B-RAG、LFM2-1.2B-Tool、LFM2-350M-Math，以及社区开发的 Luth-LFM2 法语微调系列。官方称 LFM2-1.2B-Extract 在结构化抽取上优于 22.5 倍参数量的 Gemma 3 27B，LFM2-350M-ENJP-MT 的英日互译质量超过 10 倍参数量的通用模型。模型已在 LEAP 平台和 Hugging Face 上线，采用开放许可。
匹配字段摘要、正文
Liquid AI 发布 LFM2 系列目前最大的模型 LFM2-2.6B，参数规模 2.6B，基于 10 万亿 token 训练，在 GSM8K 上达到 82.41%、IFEval 上达到 79.56%，官方称其表现超过 Llama 3.2-3B-Instruct、Gemma-3-4b-it 和 SmolLM3-3B 等 3B+ 级别模型。该模型主要针对英语和日语调优，同时保持法语、西班牙语、德语、意大利语、葡萄牙语、阿拉伯语、中文和韩语的性能。其混合架构交替使用 Grouped Query Attention（GQA）与短卷积层，官方称可带来更快的推理速度和更低的 KV cache 占用。模型已在 Hugging Face 上以 LFM Open License 开放。
匹配字段摘要、正文
Liquid AI 发布首个视觉语言模型系列 LFM2-VL，包含 LFM2-VL-450M 和 LFM2-VL-1.6B 两个版本，面向低延迟与端侧部署，支持文本和可变分辨率图像输入。模型基于 LFM2 骨干，视觉塔采用 SigLIP2 NaFlex 编码器，原生分辨率最高 512×512，更大图像按 512×512 分块处理，官方称在 GPU 上推理速度最高可达同类模型的 2 倍。模型已兼容 Hugging Face transformers 和 TRL，训练使用约 1000 亿多模态 token。
匹配字段摘要、正文
Mistral AI 发布 Voxtral 语音理解模型，包括面向生产应用的 24B 版本和面向本地及边缘部署的 3B 版本，均采用 Apache 2.0 许可证。模型支持 32k Token 上下文、最长 30 分钟转录或 40 分钟理解，并提供音频问答、摘要、多语言识别和语音 Function Calling。模型可从 Hugging Face 下载或通过 API 使用，价格为每分钟 $0.001 起。
Mistral AI 发布 Voxtral 语音理解模型，包括面向生产应用的 24B 版本和面向本地及边缘部署的 3B 版本，均采用 Apache 2.0 许可证。模型支持 32k Token 上下文、最长 30 分钟转录或 40 分钟理解，并提供音频问答、摘要、多语言识别和语音 Function Calling。模型可从 Hugging Face 下载或通过 API 使用，价格为每分钟 $0.001 起。 · Mistral AI released the Voxtral speech understanding models, comprising a 24B version for production applications and a 3B version for local and edge deployment, both under the Apache 2.0 license. They support a 32k-token context, up to 30 minutes of transcription or 40 minutes of audio unde
匹配字段摘要、正文
Liquid AI 发布 LFM2 系列端侧基础模型，开源 0.35B、0.7B、1.2B 三个稠密权重，可在 Liquid Playground、Hugging Face 和 OpenRouter 试用。官方称其采用乘法门控与短卷积的混合架构，共 16 个模块，CPU 上 decode 与 prefill 速度最高为 Qwen3 的 2 倍，训练效率较上一代提升 3 倍。模型在 10T token 上预训练，以 LFM1-7B 做知识蒸馏，上下文长度扩展至 32k，并支持 CPU、GPU 和 NPU 部署。
匹配字段摘要、正文
Sarvam AI 与 AI4Bharat 合作发布开源权重翻译模型 Sarvam-Translate，基于 Gemma3-4B-IT 微调，支持 22 种印度语言的段落级翻译，并为 15 种语言提供结构化内容翻译。模型可保留 HTML、LaTeX、化学公式、代码和 SRT 字幕等格式，仅翻译可读文本。语言专家人工评测显示其表现优于 Gemma3-27B-IT、Llama4 Scout 和 Llama-3.1-405B-FP8 等更大模型，模型已在 Hugging Face 开源并提供 API。
匹配字段摘要、正文
Prime Intellect 发布 INTELLECT-2，称其为首个 32B 参数全球去中心化强化学习训练，任何人都可无许可贡献异构算力。该训练以 QwQ-32B 为基座模型，沿用 DeepSeek-R1 的 GRPO 与可验证奖励方法，并配套开源 prime-RL 异步分布式 RL 库、Shardcast 权重分发库和 TOPLOC 可验证推理方案。推理节点可用消费级 GPU，例如 4×RTX 3090 即可参与训练，训练数据已发布在 Hugging Face。
匹配字段摘要
Zyphra 发布 Zonos-v0.1 beta，包含两款 1.6B 文本转语音模型，分别为 transformer 和 SSM hybrid，均以 Apache 2.0 许可开源，权重已上线 Hugging Face，推理示例代码在 GitHub。模型基于约 20 万小时语音数据训练，支持 5 至 30 秒音频的高保真语音克隆，可调节语速、音高、音质和情绪，原生输出 44KHz 音频。Zyphra 称其生成质量可媲美或超过领先的闭源 TTS 模型，并给出 API 每分钟 0.02 美元的定价。
匹配字段摘要
Zyphra 发布 1.2B 小语言模型 Zamba2-mini，称其达到 Llama2 7B 级别的性能，4bit 量化下内存占用不足 700MB，并以 Apache 2.0 协议开源模型权重。该模型采用 Mamba2 与共享注意力层交替的混合架构，相比 Phi1.5-1.3B 首 token 时间快 1.67 倍、内存开销降低 23.3%。模型在约 3T token 的 Zyda 及公开数据集上预训练，并在 100B 高质量 token 上退火，已提供 Hugging Face 集成与纯 PyTorch 实现。
匹配字段摘要
Zyphra 发布 7B 参数基础模型 Zamba，采用 Mamba 块与每 6 层一个全局共享注意力层结合的混合架构，训练和推理比标准 Transformer 更省算力。模型分两阶段训练，先用约 1 万亿 token 开放网页数据，再用约 500 亿 token 高质量数据退火，在多项基准上超过 LLaMA-2 7B 和 OLMo-7B，且训练数据用量不到后者一半。全部检查点以 Apache 2.0 协议开源，由 7 人团队在 128 张 H100 上耗时 30 天完成，Hugging Face 集成和完整技术报告将随后发布。
匹配字段摘要