依意思最接近的 30 筆
Recursive 發布免費編碼模型 Flint，以 Apache 2.0 許可在 Hugging Face 開放下載，可在筆記本上離線執行。它是 40B 引數的混合專家模型，每次只啟用 2.5B 引數；在搭載 M4 Pro 的 MacBook Pro 上約 131 tokens/秒，約為同機 Gemma 4、Nemotron 3.5 Lightning 的兩倍；在 SWE-Bench Verified 上優於所有 50B 以下模型。
MLX 發布 v0.40.8-rc0，新增對 Flint 模型的支援。為了讓 Flint 在 prompt 中保留數值型別與 schema 順序，版本會在保留解碼後的 API 值之外，同時保留源端 tool JSON；在匯入 safetensors 時組裝 ModelOpt expert banks，並禁止在轉換前直接建立 Flint NVFP4。共享 MLX attention 新增可選的 learned sinks 與裝置端 causal mask，由 Flint 啟用；
LM Studio 的模型頁面上線了 Recursive 的 Flint 模型，使用者可以在 LM Studio 內搜尋並下載該模型，頁面地址為 lmstudio.ai/models/recursive-flint。原文未披露引數規模、量化版本、許可協議與具體能力，這些資訊需要到模型頁面確認。
Recursive SI 的 Flint 模型在發布首日就進入 LM Studio，可直接在本地執行。它是一個 40B 的 MoE 模型，每次僅啟用 2.5B 引數，上下文視窗為 262K token，採用 Apache 2.0 許可，專門針對本地 agentic coding 場景訓練。本地執行大約需要 24GB 記憶體，官方稱其基準測試表現相當出色。
Ollama 上線由 Recursive SI 開發的約 40B 引數 MoE 開源模型 Flint，面向端側 agentic coding 場景。官方給出短上下文下的生成速度：M4 Pro MacBook Pro 上超過 125 tps，64GB 視訊記憶體的 NVIDIA RTX Spark 上超過 150 tps。
Ricursive Intelligence 兩位創始人在 TechCrunch Disrupt 上介紹，公司正開發能自行設計晶片、從每次迭代中學習並改進後續設計的 AI，目標是自動化並加速晶片設計流程。創始人 Anna Goldie 與 Azalia Mirhoseini 稱未來五年算力需求至少增長 10000 倍，與其建 10000 倍資料中心，不如讓晶片和晶圓用得更高效；
llama.cpp 建置 b11803 合併了對新模型 Flint（FlintForCausalLM）的支援，該提交由 Codex 協助完成，合作者包括 Hugging Face 的 Sigbjørn Skjæret。同版本的預編譯產物覆蓋 macOS/iOS、Linux、Android、Windows 與 openEuler，包含 CUDA 12/13、ROCm 10.0、Vulkan、SYCL、OpenVINO 等後端。
Ollama v0.40.8 加入 Recursive 的編碼模型 Flint，執行 ollama run flint 即可執行。Flint 採用 Apache 2.0 許可，是 40B 引數的混合專家（MoE）模型，每個 token 約啟用 2.5B 引數，支援推理、多輪工具呼叫與 262K token 上下文，面向跨倉庫的程式碼理解、缺陷追蹤、功能實現與補測試。
Ollama 官方帳號在 X 上公布了 flint 的模型頁面地址 ollama.com/library/flint。該頁面位於 Ollama 官方模型庫，可用於檢視該模型的說明並通過 Ollama 獲取；公告本身未提及引數量、體積、授權或適用場景等細節。
Cloudflare 推出新一類 System One 抽取模型，首個模型 Clairic 已在 Workers AI 上線預覽（@cf/cloudflare/clairic），並計劃近期釋出開放權重。它單次前向、不生成 token，只對輸入計費，通常一秒內返回。可從非結構化文字（最多附 4 張圖片）中抽取名稱、日期、金額、列表等帶置信度的型別化數值，也能估算與預測未來序列並給出 80% 區間；找不到答案時返回 null。
螞蟻百靈於 10 月 15 日正式開源 Ling-3.1-flash，總引數約 560B、每 Token 僅啟用約 25B，上下文最高支援 1M Token，重點瞄準複雜任務與長程執行。據 Artificial Analysis 資料，其智慧指數 41，輸出約 210 Token/s，混合呼叫價格約每百萬 Token 0.19 美元；路由專家採用 MXFP4 量化後，權重從約 534GB 壓縮至 292GB，部署從 8 卡降至 4 卡。
JulianFlux 在 GitHub 開源了一套 Python 實現，用連續電動力學場替代餘弦相似度，為 AI agent 做向量檢索與因果路由。它把 768 維嵌入投影到 128 維流形，用 NLI 邏輯閘給資料打 ±1.0 拓撲電荷、以電場斥力阻斷矛盾資訊，並借法拉第感應定律隨時間衰減過期事實。
Cloudflare 發布兩個自研決策模型 Clef 與 Clef-flash，託管在 Workers AI，並以 Apache 2.0 許可在 Hugging Face 開源，同時推出新的強化學習微調平台。Clef 目前在 Jev Decision Index 上排名第一，帶視覺編碼器、64k 上下文，而 Jev 只做文字分類、上下文 32k。這類模型輸出帶機率的結構化分類，供 agent 決定路由、升級或轉人工。
Cloudflare 宣布 Artifacts 版本化檔案系統進入開放公測，並舉辦競賽邀請開發者用 Workers 和 Artifacts 建置面向 agent 的下一代 Git 平台。Artifacts 支援程式化建立與 fork 倉庫、儲存程式碼和 agent 上下文，新增將倉庫部署到 Workers、通過繫結在 Worker 中管理倉庫、訂閱 push 等事件觸發 CI 或程式碼審查、選擇美國或歐盟資料轄區以及檢視倉庫指標等能力。
螞蟻百靈開源 Ling-3.1-flash，主打把真實工作流裡的活幹完，而非刷榜。模型總引數約 560B、每 Token 啟用約 25B，上下文視窗達 1M；混合精度量化後權重佔用從約 534GB 降至 292GB，部署所需 GPU 由 8 卡降至 4 卡。據 Artificial Analysis，其智慧指數 41，輸出速度約每秒 210 Token，混合呼叫價格約每百萬 Token 0.19 美元，辦公任務評測 GDPVal-AA V2.1 的 ELO 為 1673。
DHH 讓 AI agent 把 Campfire Once 從 Ruby on Rails 重寫為 Rust，並追加了 Elixir、Go 版本，而他本人並不閱讀程式碼；結果 Rust 版在高負載下新帖通知的投遞率只有 1%（6-7k 個事件中）。該版本還丟掉了 CSRF token 以便快取、用程序內佇列替代 Redis，未保持 100% 向後相容，部分資料庫操作與鎖也以阻塞方式跑在 async 任務裡。
Black Forest Labs 發布 5.6B 引數的開源權重模型 FLUX 3 Image Klein，支援文生圖、影像編輯和最多 10 張參考圖的多參考生成，並保留原生 4K 與邊界框控制。INT8 版本可在 8GB 視訊記憶體的 NVIDIA RTX 顯示卡上通過 ComfyUI 或 Diffusers 執行，蒸餾模型在 RTX 5090 上約 4 秒生成一張 1MP 影像，RTX 4070 上不到 9 秒。
Cloudflare 宣布已選出首批 30 家非營利與公共利益組織，向其提供總額超過 750 萬美元的開發者服務額度，每家最高 25 萬美元。這些組織用 Cloudflare 的 Workers AI、AI Gateway 等服務建置自動化工具，涵蓋心理健康、地方新聞、人權等領域。Cloudflare 稱其無伺服器架構和 AI Gateway 可降低執行成本並控制模型呼叫費用。
研究團隊提出具身 RSI 系統 Recursia，通過內外雙層迴圈讓機器人從執行經驗中改進共享執行棧，在 LIBERO-Pro Long 零樣本長時操作的位置/任務擾動下成功率達 28.4%/53.4%，比輝達 ASPIRE 高 5.8/15.1 個百分點。共享棧分為工具、技能、交接、驗證四層，候選修改需經通用性檢查、機制測試及父子版本配對比較。
輝達正在洽談收購美國「開放」模型初創公司 Reflection AI，交易目前尚未確認。訊息由《金融時報》報導，報導以帶引號的「open」描述這家公司的模型路線。除洽談本身外，交易金額、條款與時間表均未公開，也沒有雙方或監管層面的進一步資訊。
PhAI Labs 於 10 月 12 日發布 RSI-Anything 技術報告，提出用世界模型連線預測、行動與真實反饋的跨領域遞迴自我改進（RSI）框架。在 CodeContests 程式碼修復中，不更換程式碼模型、線上測試預算不變，修復成功率從 26.3% 提升到 31.2%；OSWorld 圖形介面任務成功率相對提升約 18.4%。一個 4B 策略模型經連續五代迭代，實驗室規劃分數從 21.80% 升到 46.01%，略超參考系統的 45.32%；
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。
美國初創公司 Reflection AI 發布首個前沿開源權重模型 Beam，稱其在高階推理基準上以更低推理成本對標中國領先開源模型。Beam 是純文字混合專家模型，總引數 5010 億、啟用 230 億，預訓練用了 23.8 萬億 token，上下文視窗 100 萬 token；對比 Z.ai 的 GLM-5.2 總引數約 7440 億、啟用 400 億。
llama.cpp 發布 b11518，Metal 後端加入 128 與 96 兩檔 Flash Attention 核心，並接受所有已編譯的維度組合（#30209）。該版本同時提供 macOS/iOS、Linux、Android、Windows 與 openEuler 的預編譯產物，覆蓋 CPU、Vulkan、CUDA 12/13、ROCm 10.0、SYCL、OpenVINO 及 Snapdragon 的 Adreno GPU 與 Hexagon NPU；
Linus Torvalds 發布了首個由 LLM 輔助編寫的補丁系列，共 10 個補丁，用於解決一個長期存在的問題，已提交核心郵件列表評審。該系列改進 folio 查詢：識別出熱 folio 後延遲到 RCU 週期之後再釋放，使 folio 資料訪問本身也能在 RCU 保護區內完成，快速路徑無需取引用計數，在 read() 密集的基準測試中帶來約一個數量級的加速。不過評審已指出程式碼存在競態條件，仍需繼續修改。
Replit CEO Amjad Masad 在 TechCrunch Disrupt 上表示，Replit 已不再與 Anthropic 合作，原因是成本、合作關係與模型效能。他稱內部與公開基準都顯示 Sol 和 Astra 在從零建置 vibe-coded 應用上表現更好，ChatGPT 現在更好；Replit 8 月已宣布與 OpenAI 合作。
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。
田淵棟在播客中稱，把 GPT-5 當合作者完成在 Meta 的最後一篇論文（grokking 研究）後，效率提升約 6 到 10 倍，由此判斷自己的工作五年內會被取代，於是聯合創辦 Recursive Superintelligence。該公司今年 5 月結束隱身，以 46.5 億美元估值融資超 6.5 億美元，GV 和 Greycroft 領投，輝達、AMD 參投。他同時強調模型自己想出的點子仍很平庸，研究閉環中最難自動化的是提出想法，並表示公司會開源研究成果。
HackerRank 的 AI 面試 agent Chakra 結束約六個月 beta，週一起正式向企業客戶開放，測試期間已完成逾 50 萬場面試，Snowflake、Snorkel、Capgemini 等公司參與試用。候選人要在帶 AI 助手的畫布上處理真實程式碼倉庫任務，Chakra 會依據其操作追問思路，評估批判性思維、判斷力與「AI fluency」，即如何向 AI 描述問題、判斷其輸出並引匯出解法。
Respan（YC W24）開源了用 Rust 編寫的 AI 閘道器：核心只負責分發事件，provider、協議（MCP、即時語音）、模態（影像、影片）以及回退、PII 脫敏、智慧路由等功能都做成外掛接入。團隊自 2024 年起在 LiteLLM 上做封裝，服務數千家組織，封裝程式碼一度超過 10 萬行；今年 1 月一次 LiteLLM 常規升級引發間歇性連線錯誤，只能回滾，因此團隊決定自行重寫。新增 provider 只需一個短檔案，Mistral 適配僅 22 行；