依意思最接近的 22 筆
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。
NVIDIA 的 Nemotron 3.5 Super VL 已在 LM Studio 上線，可直接在本地下載執行。該模型為 120B 總引數、12B 啟用引數的 MoE 架構，支援視覺輸入與推理，並針對視覺理解和工具呼叫做了訓練。官方提示本地執行約需 70GB 記憶體，模型頁面位於 lmstudio.ai。
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。
NVIDIA 以監督微調、強化學習和反饋式推理專門化 Nemotron 3，在 IOI 2026 與 IMO 2026 雙雙達到金牌水平。IOI 2026 的 Nemotron-3-Ultra-CC 在與人相同的時限和提交限制下取得 535.4/600，高於 361.12 的金牌線和人類最高分 498.27，但屬非官方、無監督基準，未計入官方排名。
Ollama 官方 X 帳號發布了 Nemotron-3.5-Bolt 的模型頁面連結，該模型已出現在 Ollama 模型庫中，地址為 ollama.com/library/nemotron-3.5-bolt。這一頁面是 Ollama 使用者檢視模型名稱、拉取命令與規格資訊的入口。不過這條訊息本身沒有披露引數量、上下文長度、許可協議或硬體要求等細節。
NVIDIA Nemotron 3.5 Super VL 現已在 Ollama 上線，可用 ollama run nemotron-3.5-super 直接拉取執行。該模型同時具備推理與視覺理解能力，覆蓋多種 agent 工作流。官方稱在單張 GPU 上，它的 agent 任務吞吐量最高可達同尺寸其他開源模型的 5 倍。
Ollama 官方放出 Nemotron-3.5-Super 的模型頁面，該模型已進入 Ollama 模型庫（ollama.com/library/nemotron-3.5-super）。這是本次訊息中唯一的官方資訊，頁面是檢視該模型可用版本與執行方式的入口，具體引數量、量化規格與硬體需求需以頁面內容為準。
Ollama 上線 NVIDIA Nemotron 3.5 Bolt 74B-A9B，官方稱其採用原生 2-bit 量化，可壓進 24GB 記憶體，並能與其他應用同時執行。該模型是視覺語言模型（VLM），定位是在本地處理日常 agentic 任務。執行 ollama run nemotron-3.5-bolt 即可拉取執行。
NVIDIA 與 IIT Madras 的 AI4Bharat 實驗室聯合發布 Nemotron-pretraining-Indic-v1，約 2.8 萬億 token，覆蓋印度憲法列出的 22 種語言，即將開源，同時開放用於生成該語料、GPU 加速的資料生產流程。語料含 2,601.0 億原生文字 token 與 224.6 億羅馬化 token（按 Gemma-4 分詞器計），共 34 種語言—文字組合，其中 12 種語言另有羅馬化文字。
Ollama v0.40.5 新增 NVIDIA Nemotron 3.5 Super 與 Nemotron 3.5 Bolt 兩個模型支援。Super 是面向編碼、推理、工具呼叫與文件理解的視覺語言模型，採用 120B 引數混合 Mamba-2/Transformer MoE 架構、每 token 啟用 12B，搭配 C-RADIO 視覺編碼器，支援工具呼叫、思考模式開關和最高 1M tokens 上下文；
NVIDIA 宣布 RTX Spark 筆記本將於 10 月 16 日上市，該平台最高提供 128GB 統一記憶體與 1 petaflop AI 算力。為本地 agent 打造的 Nemotron 3.5 Bolt 74B 將在 10 月 15 日發布，採用 74B 引數、9B 啟用的 MoE 架構，以 2-bit 量化裝入 24GB 記憶體。
輝達宣布計劃投資 Boltz、Foresight、Hiverge、Prima Mente 和 Riverlane 五家英國 AI 初創公司，並承諾五年投入 2.5 億美元算力，用於強化英國的 agentic 安全與安全研究。這五家公司分別做生物分子模型與藥物設計、超大規模資料中心等基建專案的完工預測、自動編寫並最佳化演算法的發現引擎、面向阿茲海默症等疾病的生物基礎模型，以及跨量子位元型別的即時糾錯軟硬體。
NVIDIA 加入歐盟委員會在都柏林 AI in Science Summit 上啟動的 AI in Science Enablers 計劃，將向歐洲科研界開放加速計算工具、算力與培訓。NVIDIA 已開源 250 多個模型、250 個資料集與 1400 多個開源專案，包括 Nemotron、BioNeMo、PhysicsNeMo、Earth-2 和 ALCHEMI NIM，可用於 agentic 推理與科學計算。
AWS 發布開發工具 TorchNeuron，用 PyTorch 寫的 AI 應用只需改一行配置即可跑在自研晶片 Trainium 上，無需重寫程式碼。AWS 稱約 85% 的 AI 應用基於 PyTorch，熟悉 PyTorch 的開發者可直接上手。亞馬遜還會把解耦 PyTorch 與特定晶片的程式碼回饋上游，推動框架硬體無關；Trainium 兼顧訓練與推理，AWS 強調價效比，語音 AI 公司 Deepgram 遷移後每美元處理音訊量提升 70%。
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。
輝達援引 SemiAnalysis AgentX 資料稱，Vera Rubin NVL72 每兆瓦吞吐量超過 GB300 NVL72 的 30 倍，在 DeepSeek V4 Pro 上每百萬 token 成本最多低 45 倍。輝達以「高產、耐用、通用」概括 AI 工廠回報邏輯：每兆瓦 token 數決定收益，A100 出貨六年後仍在商用，CoreWeave 已將 2020 年首批裝置的預訂延長至 2029 年。
微軟發布第三代自研 AI 晶片 Maia 300，將其定位為微軟產品與服務的主要 AI 推理系統，計劃 2027 年開始投入生產部署。微軟雲業務執行副總裁 Scott Guthrie 表示，相比主流的 GPU 系統，Maia 300 每兆瓦可多輸出 40% 的 token，並更能應對最新的推理模型與 agentic 任務。該晶片的設計目標是提升雲端 AI 工作負載的成本與效率，減少對 Nvidia GPU 的依賴。
TorchNeuron 將於 2026 年 10 月 20 日進入公開測試，為 AWS Trainium 提供原生 PyTorch 後端，可用 pip install torch-neuronx 安裝。
華為諾亞方舟實驗室聯合 UCL 等提出 Memento 3，不更新權重、不針對遊戲微調，僅以 Claude Opus 5 為底模就通關 ARC-AGI-3 公開集全部 25 款遊戲、183 個關卡，拿下滿分 100 的 RHAE，總操作 7518 次，比人類的 17135 次少約 56%，也低於此前 baseline1 的 8347 次。
NVIDIA 宣布歐洲多地城市正用其加速計算、Cosmos 與 Nemotron 開源模型搭建物理 AI 智慧體和數字孿生，用於城市運維與公共服務。法國 Côte-d'Or 省與 Akila、ThinkDeep 合建主權數字孿生運維智慧體，覆蓋 500 多棟公共建築，把文件檢索從數週縮短到數分鐘、運營總成本降低 10%，規模化目標 30%。義大利米蘭地區由 Galene.AI 與戴爾部署本地 AI 工廠，先在 Cinisello Balsamo 落地並計劃擴充套件至另外四個市鎮；
獨立專案 LiveNerf 已完成對 Opus 5.5 為期 10 天的效能基線資料採集，用於檢驗模型發布後是否被降級。專案由使用者 TheOnlyVibemaster 發起，程式碼託管在 GitHub，接下來將採集至第 30 天的資料，再與基線對比衡量模型效能是否持續。目前尚無法得出 Opus 5.5 是否被削弱的結論。
一位開發者把 AI Agent 跑在了只有 48MB RAM 的諾基亞 110 功能機上，並已用它自動化了幾個操作。他平時用這部手機來減少螢幕時間，最初嘗試刷入 Android 系統，因記憶體只有 48MB 而失敗，隨後花幾天時間逆向工程，最終讓 AI Agent 在這臺手機上執行。該帖發在 Hacker News 的 Show HN 板塊，目前 15 分、3 條評論，作者未說明所用的是哪個 AI 模型，也沒列出具體自動化了哪些操作。