作者对 2026 年 1—2 月的主要开放权重 LLM 发布进行架构对比，并补充了 3 月 6 日发布的 Sarvam 30B 和 105B。文章逐一分析 Trinity Large、Kimi K2.5、Step 3.5 Flash、Qwen3-Coder-Next、GLM-5、MiniMax M2.5、Nanbeige 4.1 3B、Qwen3.5、Ling 2.5、Ring 2.5 与 Tiny Aya，重点比较 MoE、混合注意力、MLA、Gated DeltaNet、滑动窗口注意力和 MTP 等设计。作者认为，近期架构普遍加入计算效率优化，但模型表现也很大程度取决于数据质量和训练方案。
匹配字段标题
2026年10月20日,基于Qwen3.8-27B进行强化学习后训练的开源环境模型发布。据Rohan Paul介绍,该模型在AA-Omniscience上把幻觉率从30.4%降到15.1%,并在Terminal-Bench、τ3-bench、ClawEval和BFCL v4上超过Muse Glimmer 30B与GPT-6 Luna high;但DeepSWE仍由Luna以53.1%领先。其解出任务的中位输出为23.8K token,基础Qwen为54.9K。作者还提到,MLA版本把16层全注意力改为多头潜在注意力,每token内存占用从64 KiB降到18 KiB,压缩版可跑在单张24 GB RTX 4090上,上下文约为基础Qwen的3.5倍。
匹配字段标题
2026年10月20日,基于Qwen3.8-27B进行强化学习后训练的开源环境模型发布。据Rohan Paul介绍,该模型在AA-Omniscience上把幻觉率从30.4%降到15.1%,并在Terminal-Bench、τ3-bench、ClawEval和BFCL v4上超过Muse Glimmer 30B与GPT-6 Luna high;但DeepSWE仍由Luna以53.1%领先。其解出任务的中位输出为23.8K token,基础Qwen为54.9K。作者还提到,MLA版本把16层全注意力改为多头潜在注意力,每token内存占用从64 KiB降到18 KiB,压缩版可跑在单张24 GB RTX 4090上,上下文约为基础Qwen的3.5倍。
匹配字段标题
Artificial Analysis 为 OpenAI 的 HealthBench 和 HealthBench Professional 两个健康对话基准上线排行榜，前者含 5000 段与普通用户及卫生工作者的对话，后者为 525 段全部面向临床医生的对话。HealthBench Professional 上 GPT-6 Astra（max）以 66.0% 的长度调整分居首，GPT-6.1 Sol（max）为 65.1%，Claude Sonnet 5.5（max with fallback）为 63.0%。HealthBench 上 Claude Sonnet 5.5（max with fallback）以 62.1% 领先，DeepSeek V4.1 Flash（max）为 60.9%；Claude Opus 5.5 与 Claude Fable 5.1 平均回答约 5900 字符，长度调整后失分超过 11 分。
完整性分数最低（34%）。Claude Sonnet 5.5（max with fallback）在完整性上领先（63%） 完整排行榜请见此处： 宣布推出 AA-PersonalityBench：衡量 AI 模型的沟通方式 AA-PersonalityBench 衡量 AI 模型的个性和沟通风格。由 LLM 评审组成的小组按 30 项个性特质对答案进行两两比较，这些特质汇总为 8 项个性指数，同时直接从每个回复中测量 21 项沟通特征。 2026年10月19日 Reflection 发布了 Beam，这是他们的首次模型发布 Reflection 的首个模型 Beam 在 Artificial Analysis 智能指数上得分为 30，在美国开放权重模型中排名第 2 2026年10月16日 在 AA-AgentPerf 上，NVIDIA Vera Rubin NVL72 每兆瓦的总吞吐量最高可达 GB300 NVL72 的约 5.7 倍，首批结果涵盖 DeepSeek V4 Pro、DeepSeek V4.1 Flash、GLM-5.2 和 Kimi K3。 2026年10月15日$/$
匹配字段正文
Hugging Face 博主 yvrjsharma 公开了自己使用 ML Intern 的七个提示词，并展示两天内完成的六个项目，包括基于 Qwen3.5-2B 的柑橘病害 VLM、FLUX.2 klein 4B 的 Huggy 角色 LoRA、Qwen-Image 2.1 的相机视角 LoRA 与涂鸦 LoRA、Pocket Rewriter 0.8B/2B 蒸馏模型，以及把 Agate Preview 002 从 50 步蒸馏到 4 步的版本。作者建议提示词中写明已验证事实、要求训练前基线和带检查的冒烟测试，并设置花费上限，例如柑橘项目限定 12 美元。所有提示词已放在 GitHub 的 yvrjsharma/ml-intern-prompts，ML Intern 模式可在 HuggingChat 中开启使用。
2 klein base 4B 上训练一个 LoRA，训练数据是来自 Chunte/huggy for training 数据集的 84 张带说明的绘图。 3. 一个会新技巧的模型 相机角度 LoRA 是早期 Qwen-Image 模型中最受社区欢迎的附加组件之一。你可以给模型一张物体的图片，并要求从左侧 45 度角查看它。在 Qwen-Image 2.1 模型发布几天后我查看时，还没有人做过，所以我让 ML-intern 来构建它。 ML-intern 在一个花费几美分的 CPU 任务中，以 24 个角度渲染了来自 Google Scanned Objects 的 1,030 个扫描家居物品，共 24,722 张透明图像。它后来最终确定了 461 个物品用于训练、40 个留出用于测试，以及 1,844 对训练前后图像对，均匀分布在 23 条相机指令上。 Doodle-in LoRA 是另一个很酷的想法。上传一张带有洋红色涂鸦的照片，并添加一个简短的提示词来指定一个物体。该 LoRA 会用该物体替换涂鸦，同时保持原始光照和构图一致。 此前不存在用于此任务的数据集，所以我的提示词描述了如
匹配字段正文
Fireworks 用 SWE-Bench Verified、LiveCodeBench v6、Aider Polyglot 和 Terminal-Bench 2.1 四套基准测试 DeepSeek V4 Pro 0813，其在 SWE-Bench Verified 上得分 95.2%，高于 Kimi K3 的 92.6% 和 Fable 5 的 85.4%，在 LiveCodeBench v6 上为 92.0%。成本方面，DeepSeek V4 Pro 在 SWE-bench 上每解决一个任务花费 $0.309，Fable 5 为 $0.808；在 LiveCodeBench 上分别为 $0.040 和 $0.225。短板在 Aider Polyglot 的多语言广度，Java 仅 48.9%，Fable 5 为 74.5%。在 409 个任务的合并集合上做 oracle 路由后准确率 92.4%，高于单用 Fable 5 的 86.6%，每任务成本 $0.279 对 $4.510，86.3% 的任务被路由到 V4 Pro。
降低模型性能。 在 Fireworks 上测试期间，我们发现“最小优先”的设置比直接跳到完整的标准目录能产生更一致的工具调用。从裸 bash 和编辑器界面开始，再升级到 dsh 标准，能让 DeepSeek V4 Pro 更接近 DeepSeek 在自己基准运行中使用的设置。 无论你是想降低自主智能体的单位成本、运行零拒绝的安全审计，还是构建专用领域模型，DeepSeek V4 Pro 都能以每解决任务一半的成本为你提供前沿级能力。在 840 次有记录的对抗性安全运行中，它实现了零拒绝和零输出长度截断，保证你的智能体完成工作负载，而不会撞上意外的护栏。 以下是你今天就可以开始构建的方式： 无服务器与专用 API：直接在 Fireworks 无服务器上启动 deepseek-v4-pro-0813，或为生产工作负载配置专用容量。 训练：带上你的领域数据，使用我们协同优化的 SFT、DPO 和 RFT 基础设施训练专用检查点，一键直接部署到生产环境。 查看我们对 Deepseek 的安全评估：此处 在 Fireworks 上部署 Deepseek v4 Pro 0813 模型发布 基准测试
匹配字段正文