依意思最接近的 30 筆
Kimi 發布最強模型 Kimi K3，引數規模 2.8T，具備原生視覺與 100 萬 token 上下文，並稱其為全球首個開源的 3T 級模型。官方承認整體效能仍落後於 Claude Fable 5 與 GPT 5.6 Sol，但在自家評測中穩定優於其他被測模型。該模型即日上線 Kimi.com、Kimi Work、Kimi Code 與 Kimi API，預設使用最高思考強度；完整權重將於 2026 年 7 月 27 日前開放。
Kimi K3.1 Pro 正式發布，是 K3.1 系列首個模型，也是目前規模最大的 3T 級開源權重模型，支援 100 萬 token 上下文。同步推出速度提升 2–3 倍的 Highspeed 版本，兩者已在 Kimi.ai、Kimi Work、Kimi Code 和 Kimi API 上線，完整權重將於 11 月 4 日前公開。
Kimi 發布 K3.1 Pro，稱其為迄今最強的 3T 級開放權重模型，支援 100 萬 token 上下文，完整權重將在 11 月 4 日前放出。模型已在 Kimi.com、Kimi Work、Kimi Code 與 Kimi API 上線，同時提供速度提升 2–3 倍的 Highspeed 版本。在 Terminal-Bench 4.0 上得分 65.7%，高於 GPT-6 Astra 的 58.2%，略低於 Claude Opus 5.5 的 66.4%；
月之暗面（Moonshot）發布 Kimi K3.1 Pro，官方稱這是其目前能力最強的 3T 級模型。公告僅給出這一句定位，未披露引數規模細節、上下文長度、定價與開放方式。
輝達《State of AI in Telecommunications》報告顯示，89% 受訪者認為開源模型與軟體對公司 AI 戰略重要。運營商看重開源模型的可信任、可控與可定製，用於自主網路、客服等關鍵負載，並把閉源模型留給價值最高的場景；輝達同時發布 300 億引數的 Nemotron 3 Large Telco Model（由 AdaptKey 在開源電信資料集上微調），並提供基於 NeMo 的端到端微調流程。
輝達發布 Nemotron 3.5 系列開源權重模型，含 1200 億引數的企業 agent 模型 Super VL，以及面向本地 AI PC 和 DGX Spark 工作站的輕量 Bolt。輝達稱 Super VL 引數少於 Nemotron 3 Ultra，但在指令遵循與工具呼叫上準確率相近；針對文件智慧、財務、科研、醫保理賠等 agent 任務做後訓練後，完成任務快於 Anthropic 與 OpenAI 競品。
Frontier Red Team 的實驗顯示，小型 AI 模型可能再過數月就能在智慧烤箱、雜牌 Android TV 盒子等商用 IoT 裝置上自我複製：這類複製體沒有集中的關停點、倍增時間為數天，還能自行摸清陌生硬體，測試中 9B 模型在 9 類硬體裡有 8 類成功跑起推理。研究把複製拆為尋找目標、獲得執行、建立推理、繼續傳播四步，30B 以下模型已能完成多數單步但端到端串聯仍會出錯，簡化評測中 GLM-5.2 及更強模型可端到端複製。
TypeSafe AI 以 75 億美元估值完成 8.7 億美元融資，由 Andreessen Horowitz 領投，紅杉與現有投資方 DCVC 參投。其模型 Jev 於 9 月 15 日發布，基於 transformer 架構但不是大語言模型，不輸出文字而是生成機率，公司稱之為「校準決策」，定位是自動化任務而非寫文字或程式碼。公司稱 Jev 速度明顯更快、消耗 token 遠少於 LLM，並稱已有三分之一財富 500 強企業在使用；
田淵棟參與創立的 Recursive_SI 發布首個模型 Flint-40B-A2B，已在 Hugging Face 以 Apache 2.0 開放權重。這是一個總引數 400 億、每 Token 僅啟用 25 億的 MoE 智慧體程式設計模型，在 M4 Pro MacBook Pro 上生成速度超過每秒 125 Token，在 64GB 記憶體的 NVIDIA RTX Spark 上超過每秒 150 Token。
T3 Code 是一個開源免費的 agent 控制台，可通過 iOS、Android 應用、網頁版和 Electron 桌面端遠端控制本機已安裝的 coding agent。它支援 Claude Code、Codex、Cursor、Grok Build、OpenCode 和 Google Antigravity，使用前需在本機安裝並登入至少一個提供方（Antigravity 在設定中啟用並登入 Google 即可，無需 CLI）。
Mistral 發布 Voxtral 3，包含 Transcribe 與 Speech 兩類語音模型，官方稱其達到當前最優水平，並用於驅動 Mistral 新的語音智慧體 API。公告以推文執行緒形式給出，未披露模型規模、定價、可用平台與發布時間等細節。
10 月 22 日，螞蟻數科發布決策模型 LingDT-Decision-1.0，提供 4B 與 27B 兩個版本，已在 DTMaaS 平台上線並限時免費開放體驗。該模型專為結構化決策任務設計，在客服、風控、金融等場景測試中，相比大語言模型 Token 消耗降低超 90%、回應時效提升 10 倍。
Adobe Research 與 UCLA 提出 Tev 訓練方案：27B 模型在 Agents' Last Exam 計算與數學子集上 Pass@5 達 0.28，追平 GPT-6 Astra 與 Claude Opus 5。做法是先建置含隱藏標準答案的潛在世界再用它渲染出任務環境，據此合成覆蓋 7 個領域、1,170 個環境的 Tev-Gym，單次 rollout 中位耗時 12.4 分鐘、Pass@1 僅 29%。
Mistral 推出 Voxtral 3 語音模型系列，並配套語音 agent SDK，將監聽、推理、工具呼叫和發音整合進一條即時流式處理管線。轉寫模型 Voxtral Small Transcribe 3 支援 50+ 語言、說話人分離和關鍵詞上下文偏置，官方稱它在多語言轉寫與說話人分離基準上優於 Whisper、Scribe v2 和 Gemini 3.5 Transcribe；Mini 版僅有 4B 引數，每分鐘 0.0035 美元。
NVIDIA 擴充套件其開放模型家族，新增 Nemotron 3.5 Super VL、Nemotron 3.5 Bolt、Nemotron Retriever、Kumo、Cosmos 3.5、Alpamayo 2 Edge、BioNeMo 與 Ising 等模型。Nemotron 3.5 支援文字和影像，面向建置 agent，稱能以更低成本編排工作流、推理並完成專項任務；Kumo 則針對結構化業務資料做預測、欺詐風險評分和行動推薦。
一個由 AI 設計的開源 AI 加速器 openTPU 已在真實 PCIe 卡上跑通十餘款模型的真實權重，輸出與 bit-exact 模擬器逐位一致。硬體是 Xilinx Kintex-7 xc7k480t 加兩路 DDR3，LFM2.5-230M int8 解碼 59.0 tok/s、4-bit 達 85.8 tok/s；解碼受 DRAM 頻寬限制，實測跑到峰值的 82%-94%。
Mistral 發布語音合成模型 Voxtral Mini TTS 3，官方稱其在 35 種以上語言和 50 多種方言上達到當前最佳的表達力。模型支援隱式指令跟隨，能從對話內容中讀出情緒、語速與重音；也支援顯式控制，用 [emotion=sad][pace=slow] 這類標籤逐行設定情緒和節奏。
輝達發布 1200 億引數開源模型 Nemotron 3.5 Super VL，主打多模態 agentic 任務，官方稱其準確率接近自家最大推理模型、引數量約為五分之一，吞吐量最高達同類模型 5 倍。同時推出兩款邊緣模型：Bolt 74B-A9B 24GB 採用原生 2-bit 量化，可在 RTX/DGX Spark 的 24GB 記憶體內本地執行 agent，現已可用；Bolt E4B 4GB 面向 GeForce RTX、Jetson 等裝置，10 月 23 日發布。
前華為小藝多模態大模型研發負責人唐都鈺創辦觀行數智，主攻讓機器自主判斷何時介入的「主動式物理 AI」。團隊採用雙模型協同架構 ProAgent：輕量模型 StreamingJev 持續讀取環境事件流、判斷是否需要介入，Response Model 再決定回應方式與呼叫裝置，並自建評測體系 ProactiveXBench。
螞蟻數科 10 月 22 日發布決策模型 LingDT-Decision-1.0，含 4B 與 27B 兩個版本，已在自家 DTMaaS 平台上線並限時免費體驗。該模型面向意圖判斷、規則分類等高頻判定任務，首創原生多選與按序決策（DAG）能力；在 23 項開源基準上 27B 版本綜合評分居首，超過 Microsoft-Decision-1、Jev 1.13.0 等熱門決策模型。
慕尼黑工業大學團隊提出 Tadpole，用自編碼器而非預測下一時刻作為預訓練目標，先學三維物理場的通用表示，再遷移到重建、動力學預測與生成。預訓練採用線上學習，GPU 上的求解器即時生成資料直接送入訓練，累計使用約 202 TB 資料卻無需本地儲存，在高速 SSD 環境下整體速度約為離線方案的 1.8 倍。模型用隨機裁剪區域性區域統一不同變數數與解析度的資料，零樣本重建最高到 1024³；
Mistral 發布首個時間序列基礎模型家族 Timestral，最大的 209M 引數版本在 GIFT-Eval、TIME、fev-bench 三個公開基準上均排名第一，且引數量只有此前最優模型的三分之二。家族含 5M、28M、123M、209M 四個規模，支援機率與多變數預測、已知未來協變數，零樣本即可使用。推理無需 GPU，在 8 執行緒標準伺服器 CPU 上，用三週 15 分鐘粒度歷史預測未來一天，5M 耗時 10ms、209M 為 140ms；
10 月 16 日，範式智慧聯合睿思智聯發布一站式生產級 AI 部署平台模域（ModelSphere），面向企業免費開源，以 Apache 2.0 協議在 GitHub 上線。平台把算力管理、模型部署與執行最佳化整合為統一流程，可統一混合排程華為昇騰、天數智芯、摩爾線程、海光 DCU 等國產晶片，無需為不同晶片重寫底層程式碼。
跨維智慧發布 UNITAS，稱其為首個機器人任務原生的 3D 世界模型，把觀測、動作與環境變化統一到同一三維物理空間，用點的位置與軌跡表示，引數僅 1.7B。它在 LIBERO 取得 99.8% 平均成功率、LIBERO-Plus 89.1%，RoboTwin 2.0 雙臂 Clean 與 Randomized 分別 92.94% 和 93.04%，超過 6B 的 Fast-WAM 與 8B 的 Motus，真實機器人任務平均成功率 85%。
生數科技世界模型團隊自 10 月 21 日起，連續半個月公開直播 Motubrain 2.0 具身模型的訓練全流程，該模型即將開源。直播覆蓋四個環節：預訓練（觀察訓練規模對效能與零樣本泛化的影響）、後訓練（提升具體任務執行能力）、Agent 任務執行（把已有經驗遷移到其他任務）以及 RSI 遞迴自我改進（模型依據執行反饋評估並改進自身行動）。團隊表示會一併展示訓練中的失敗、試錯和調整，而不只是最終 Demo。
羅格斯大學、得州大學奧斯汀分校與普渡大學團隊提出線上審計模型 AgentForesight，用 7B 模型在任務執行中逐步讀取軌跡字首，在關鍵錯誤擴散成失敗前報警。在 AFTraj-2K 測試集上，其關鍵錯誤步驟識別 Exact-F1 達 66.44，比最強通用基線 DeepSeek-V4-Pro 高 19.88 分，成功軌跡誤報率僅 2.37%。
Kimi 發布 K3.1 Pro，號稱最強開放權重模型：MoE 架構 2.8T 總引數、104B 啟用引數，支援 1M token 上下文與多模態輸入。官方稱其在程式設計、agentic 與知識類基準上追平最強閉源模型，可完成 Unreal、Unity、Godot 整專案遊戲開發，擅長 Blender 與 CAD 引數化 3D 建模，金融任務幻覺率下降 65%。
Hugging Face 的 yuvraj sharma 用 HuggingChat 裡的 ML Intern agent，幾天內做出 6 個公開模型，其中把 Qwen-Image 2.1 自帶的 9B 提示改寫器蒸餾成 0.8B 版本，可在 CPU 執行，輸出有效率 99.7%，token 消耗約為教師模型的四分之一。該專案含 9B 模型標註 8,797 條樣本，算力成本 16 美元。
Anthropic 週一發布研究報告，稱可自我複製的 AI 蠕蟲可能數月內就具備在 IoT 裝置上擴散的能力。報告稱 90 億引數模型在 9 類硬體中的 8 類上成功部署推理，Gemma4-26B-A4B 分散跑在 15 臺安卓電視盒上僅 0.39 tokens/秒；GLM-5.2 成功向 8 個安卓 15 模擬器節點傳播 Llama3.1-8B，5 次試驗中 4 次全部成功。
10 月 18 日，開發者發現 OpenAI API 模型列表中出現 aurora-red-alpha、aurora-green-alpha、aurora-blue-alpha 三個模型，相關條目很快被撤下。用第三方追蹤工具呼叫這三個識別符號，均返回 HTTP 503，提示未找到該模型的可用計算資源，說明識別符號或已進入系統但暫不可呼叫。該發現來自第三方維護的模型列表映象而非官方公告，OpenAI 尚未回應，模型用途與是否發布均無定論。