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
LMSYS 的 SpecForge 团队联合 Ant、Meituan、Nex-AGI、EigenAI 发布 SpecBundle（Phase 1），提供基于大规模数据集训练的生产级 EAGLE-3 模型 checkpoint，Phase 1 聚焦 instruct 微调模型。同期发布的 SpecForge v0.2 完成大规模重构，新增 Eagle3TargetModel 统一接口，支持 SGLang 与 Hugging Face Transformers 两种执行后端。
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
Liquid AI 发布 LFM2-ColBERT-350M，一款 350M 参数的晚期交互检索模型，支持跨语言检索——文档用一种语言存储、查询用另一种语言也能高精度召回。在扩展了日语和韩语的 NanoBEIR 基准上，其多语言能力显著强于 150M 参数的 GTE-ModernColBERT-v1，德语、阿拉伯语、韩语和日语提升明显，同时保持英语表现。凭借 LFM2 骨干，其推理吞吐与体积小 2.3 倍的模型相当，现已在 Hugging Face 上线并附交互 demo，可直接替换现有 RAG 流程。
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
vLLM 现已支持部署 NVIDIA Nemotron 开放模型家族，可在数据中心和端侧硬件上运行智能体推理。Nemotron Nano 2 采用混合 Transformer–Mamba 架构并提供可配置的 thinking budget，开发者可调节精度、吞吐量和成本；其模型权重及超过 9T tokens 的训练数据已在 Hugging Face 提供。
匹配字段摘要、正文
Liquid AI 发布 3B 参数视觉语言模型 LFM2-VL-3B，基于 LFM2-2.6B 主干并集成 SigLIP2 400M NaFlex 编码器，支持原生分辨率与可变宽高比图像处理。该模型在 MM-IFEval 上取得 51.8%、RealWorldQA 上 71.4%，语言基准为 GPQA 30%、MMLU 63%，视觉理解覆盖日语、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。模型已在 Hugging Face（LFM Open License）和 LEAP 平台上线。
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
FutureHouse 用开源 PaperQA2 智能体 Crow 审计 Humanity's Last Exam 的纯文本化学与生物子集（321 题），发现 53.3% 的答案理由与已发表证据直接冲突，经独立专家复核后外推约 29.3 ± 3.7%（95% CI）的题目答案被研究文献直接反驳，51.3% 获文献支持，19.3% 属依赖假设或观点的模糊题。团队认为 HLE 要求题目必须难倒前沿模型、且审稿人只需 5 分钟且无需核实正确性的流程，催生了大量 gotcha 式题目。他们已将经 AI 与人类验证的题目子集作为 HLE-Gold-Bio/Chem 发布在 Hugging Face，并建议用它评测相关系统。HLE 团队在 2025 年 9 月 16 日的更新中回应，其独立复核发现 Bio/Chem 子集中约 18% 的题目存在问题，25% 的情况下至少一位审稿人持异议，并计划推出滚动修订流程。
匹配字段摘要
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
vLLM v0.7.3+ 在 AMD ROCm 上支持 PTPC-FP8 量化，无需预量化即可通过 `--quantization ptpc_fp8` 运行 Hugging Face 模型。MI300X 测试中，其吞吐量较逐张量 FP8 为 1.01x，Llama-3.1-8B-Instruct 困惑度较 BF16 下降 0.86%，Llama-3.1-70B-Instruct 在 GSM8K 上取得 87.3% strict-match 准确率。融合 FP8 rowwise scaled GEMM 操作相较朴素实现最高带来 2.5× 加速。
vLLM v0.7.3+ 在 AMD ROCm 上支持 PTPC-FP8 量化，无需预量化即可通过 --quantization ptpc fp8 运行 Hugging Face 模型。MI300X 测试中，其吞吐量较逐张量 FP8 为 1.01x，Llama-3.1-8B-Instruct 困惑度较 BF16 下降 0.86%，Llama-3.1-70B-Instruct 在 GSM8K 上取得 87.3% strict-match 准确率。融合 FP8 rowwise scaled GEMM 操作相较朴素实现最高带来 2.5× 加速。
匹配字段摘要、正文
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