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。
匹配字段标题
Nace AI 发布多模态决策模型 Drex Max，可读取文本、图像和视频，单次决策耗时 34 ms，262K token 下响应低于 1 秒，输入价格为 $0.06 / 1M tokens。该模型不生成文本，只从给定选项中返回一个答案并附概率分数，可用于 Computer Use 智能体逐步选择操作、Web 智能体按屏幕内容定位页面元素。Nace AI 称其在 Computer Use 场景下每 token 成本最高比 Claude、GPT 和 Gemini 背后的模型低 167 倍。
匹配字段标题
Nace AI 发布 Drex Max，这是其首个多模态决策模型，可读取文本和图像并返回校准后的概率，不生成文本。该模型在公开 Decision Index 0.3.2 上得分 67.59，比 TypeSafe 的 Jev 1.14 高 6.9 分；单次截图决策中位延迟 174 ms，输入定价为每 1M tokens 0.06 美元，输出不计费。模型仅通过 Nace Console API 提供，参数规模未披露、权重闭源，上述分数均为 Nace 自报。
匹配字段标题
Perplexity 发布下一代开源权重多模态决策模型，包含 pplx-decider-v1.2 和 pplx-decider-flash-v1.2 两个尺寸，文本与视觉评分均有提升，推理速度最高提升 5 倍，一次请求中的所有问题可单次通过完成。Hugging Face 联合创始人 Clément Delangue 转发了这一消息，并指出权重已发布在 Hugging Face 上。Perplexity 称 flash 版本是 Decision Index 上排名第一的 4B 模型。
匹配字段标题
Meta 发布开放权重多模态模型 Muse Spark Open，总参数 8160 亿、激活参数 420 亿，支持 100 万 Token 上下文，已发布在 Hugging Face 上。该模型利用苹果开源数组框架 MLX 对 Apple Silicon 统一内存架构做了优化，可运行在搭载 M5 Ultra 芯片的 Mac Studio 上；M5 Ultra 最大支持 512GB 内存，两台最高配置的 Mac Studio 即可容纳整个模型。
匹配字段标题
Meta 发布开源权重多模态模型 Muse Spark Open，参数量 816B，面向编码与智能体任务，并与 Apple 合作通过更新后的 MLX 工具包在两台 M5 Ultra Mac Studio（合计 1TB 内存）上本地运行。Meta 称该模型在无云环境下完成 iOS 应用修复和在 DaVinci Resolve 中剪辑视频。在 Artificial Analysis 的 Intelligence Index 上它得分 39，高于西方开源模型，但低于 GLM 5.3 的 45、Kimi K3 的 44 和 Qwen3.8 的 40，中国模型在编码上仍领先。
匹配字段标题
Meta 发布开源模型 Muse Spark Open，权重当天放出。Muse-Spark-Open-816B-A42B 支持文本、图像、视频和音频输入，上下文窗口为 1M。Unsloth 提供了 Dynamic 2-bit GGUF 量化版本，可在 Mac Studio 上运行，并附有 GGUF 下载地址和使用指南。
匹配字段标题
Meta 于 10 月 15 日公开 Muse Spark Open 权重，这是一个原生多模态开源模型，总参数 816B、激活参数 42B，上下文窗口 1M token，面向编码与长程智能体任务。模型采用 MoE Transformer 加 Perception Encoder 架构，可通过 Baseten、Fireworks AI、Groq 等 API 平台调用，权重在 Hugging Face、Amazon SageMaker AI、Google Cloud Model Garden 等处下载，本地运行 NVFP4 版本需至少 700GB 显存。Meta 称其为首个能在桌面端运行的同级模型，用两台搭载 M5 Ultra 的 Mac Studio 配合 MLX 框架即可承载；模型卡显示其 Artificial Analysis 智能指数为 39，低于表中 GLM 5.3 的 45 和 Kimi K3 的 44。
匹配字段标题
NVIDIA 发布 Nemotron 3.5 Super VL，这是一个 120B 参数、每 token 激活 12B 的 MoE 开源视觉语言模型，支持文本、图像、文档和视频输入，上下文最高 1M tokens，权重以 OpenMDW-1.1 许可发布。NVIDIA 报告其在 GPQA-Diamond 得 89.90、SWE-bench Verified 得 71.07，但在 tau3-bench banking 仅 17.78。模型可在 1x DGX Spark、1x H200、2x H100 或 1x GB200 上运行 NVFP4 检查点，并已上线 Hugging Face、OpenRouter、ModelScope 和 NVIDIA NIM，同时发布面向本地智能体的 Nemotron 3.5 Bolt 74B-A9B。
匹配字段标题
英伟达推出开放多模态模型 Nemotron 3.5 Super VL，采用 MoE 架构，总参数 1200 亿、激活参数 120 亿，面向持续运行的多步骤智能体任务。英伟达称其在单张 GPU 上执行智能体任务的吞吐量最高可达同规模其他开放模型的 5 倍，并将推理、指令遵循、工具调用与文本、图像、文档、视频理解整合在同一模型中。同期发布的还有 Nemotron 3.5 Bolt 74B-A9B 24GB 端侧模型，通过原生 2 位量化压缩至 24GB，支持 llama.cpp、vLLM、Ollama 等；Bolt E4B 4GB 计划于 10 月 23 日推出。
匹配字段标题
Nvidia 发布 Nemotron 3.5 Super VL，这是一个 1200 亿参数的开源多模态模型，面向持续在后台运行的企业智能体，处理文本、图像、文档和视频。该模型采用 MoE 架构，每个 token 仅激活 120 亿参数，由 Nvidia 与包含 Mistral AI、Thinking Machines Lab、Perplexity 和 Black Forest Labs 的 Nemotron Coalition 共同开发。同时推出两款面向本地硬件的模型：Nemotron 3.5 Bolt 74B-A9B 24GB 可在本地机器运行智能体任务，更小的 Bolt E4B 4GB 面向语音助手，将于本月晚些时候发布。Nvidia 称 Super VL 从 Nemotron 3 Ultra 蒸馏而来，在智能体指令遵循、工具调用、多步业务流程和图像分析任务上以约五分之一参数达到 Ultra 的准确率，在 Hermes 和 LangChain 的智能体测试中得分高于 Ultra，并在 SWE-bench 和 Terminal-Bench 上超过前代 Nemotron 3 Super。权重以 base、post-trained 和 4-bit 压缩三个版本发布，同时公开数据集、训练配方和强化学习环境，预训练与持续预训练使用超过 25 万亿 token。
匹配字段标题
NVIDIA 发布 Nemotron 3.5 Super VL，这是一个开放可定制的多模态模型，采用 120B 参数 MoE 架构，每个 token 激活 12B 参数，面向智能体工作流。该模型在单 GPU 上处理智能体任务的吞吐量最高可达同尺寸其他开放模型的 5 倍，并统一支持推理、指令遵循、工具调用以及文本、图像、文档和视频理解。Scale AI、Ramp、AI21 等机构已对其做后训练，实现最高 40 倍推理成本下降、10 倍延迟下降和 40% 准确率提升，开发者可用 NVIDIA NeMo 进行 SFT、LoRA 和强化学习定制。
匹配字段标题
Jev 1.14 已在 OpenRouter 上线。据 @typesafeai 介绍，该版本整体小幅改进，多语言是最大升级，新增实验性图像识别能力，价格保持不变，输入 $0.042/M，输出免费。TypeSafe 的完整发布说明见 https://t.co/wxTQJIBsKS。
匹配字段标题
Meta 发布开源权重前沿多模态 MoE 模型 Muse Spark Open，总参数 816B，每个 token 激活约 42B 参数，面向编码与智能体任务，支持文本、图像、视频和音频输入，上下文窗口 1M token。模型提供 BF16 与 NVFP4 两种 checkpoint，NVFP4 面向 NVIDIA Blackwell GPU，并已集成 transformers、llama.cpp、vLLM、SGLang 和 MLX，官方还给出在 64 张 H100 上用 TRL 训练 LoRA 适配器的微调配方。
匹配字段标题
Liquid AI 发布多模态决策模型 d1-ultra，可同时读取文本和图像，一次前向传播直接输出概率而不生成 token，支持 noul、Choice、Score 三类问题。该模型已在 Liquid API 上线，输入 token 定价为每百万 $0.042，仅按输入计费，图像按 1.5 token 每 32×32 像素块折算，1024×1024 图像计 1,536 token。官方称其在 112 项评测中优于前代 d1 和 Jev 1.14，并在 Artificial Analysis Decision Index 上领先其他决策模型至少 8 分，后续将登陆 Vercel 和 OpenRouter。
匹配字段标题
Swiss AI 发布 Apertus 1.5，在 1.0 基础上加入原生图像与音频理解、思考模式和 262,144 tokens 上下文窗口，较 1.0 扩大 4 倍。模型以早期融合方式把图像和音频转成离散 token 与文本同序列输入，架构不变，只理解多模态、仅输出文本。官方称 8B 版本在指令遵循和多语言任务上优于同规模开源模型，多模态表现接近 Gemma 4 12B，并同步公开训练数据混合、偏好数据和各阶段中间检查点。
匹配字段标题
谷歌发布新一代旗舰模型 Gemini 4 Argon，重点加强编程、专业知识工作与长流程任务执行能力，并进一步推进视觉理解、空间推理和工具调用。在 Artificial Analysis 智能指数中，Argon High 与 GPT-6 Astra Max、Claude Fable5.1 Max 并列 53 分，平均每任务成本 1.99 美元，比 Astra 低约 39%。API 首发价为每百万输入 token 2 美元、输出 10 美元，优惠截至 11 月 30 日，12 月 1 日起恢复至 4 美元和 20 美元。
匹配字段标题
OpenBMB 发布 MiniCPM-V 4.7，这是可在手机本地运行的开源 MoE 多模态模型，35B-A3B 参数，在 iPhone 17 Pro Max 上仅占 3 GB 内存，解码速度 13+ tokens/s。其 LES（前瞻专家调度）通过跨层路由预测提前加载专家权重，配合量化与存储布局优化，在真实设备上取得约 5 倍加速。面向开发者的 SRFT（自回放微调）在微调窄任务前用模型自生成标签做回放，以 Task:Replay = 4:1 混入任务数据，跨四个模型验证遗忘降低 80%–99%，任务性能基本无损。
匹配字段标题
面壁智能发布 MiniCPM-V 4.7，这是一个 35B-A3B 的 MoE 多模态模型，可在手机上以仅 3GB 内存运行，能识别现实路牌、按约束做规划、解析复杂文档并对视觉数据推理。模型由 LES（Lookahead Expert Scheduling）支持，将高效 MoE 推理带到移动设备，同时提供轻量 1B 版本用于资源受限硬件；开发者还可用 Self-Replay Fine-Tuning（SRFT）为新任务定制模型并保持通用性能，覆盖 iOS 与 Android。
匹配字段标题
vLLM 社区孵化的 vLLM Semantic Router 推出并开源 Decision 3.0 系列多模态决策模型，共 d3、d3-flash、d3-mini、d3-nano、d3-lite、d3-edge 六款，参数规模覆盖 0.6B 至 27B，权重已在 Hugging Face 开源。旗舰 d3 基于 Qwen3.8-27B 打造，支持输入多张图片和视频，其余 5 款基于不同参数规模的 Qwen3.5。在 Jev Decision Index 0.3.1 榜单中，d3 文本决策指数 64.7 分、公开集 65.5 分位列文本榜第一，超过 Jev 的 60.1 分，视觉榜得分 71.6 分同样第一。团队数据显示，单张 AMD Instinct MI325X GPU 上 d3 处理文本请求延迟中位数 55 毫秒，含图片请求 273 毫秒，10 秒视频请求 553 毫秒。
匹配字段标题