Google DeepMind 发布 Gemini 4 Neon,定价 $3/M 输入、$15/M 输出并支持 1M token 上下文
Google DeepMind 发布 Gemini 4 Neon,定价为 $3/M 输入、$0.15/M 缓存输入、$15/M 输出,支持 1M token 上下文。
推荐理由:把 Gemini 4 各型号的价格、上下文窗口和发布节奏放在一起对照,读者可以判断 Neon 在现有工作流中的位置。
Google DeepMind 发布 Gemini 4 Neon,定价为 $3/M 输入、$0.15/M 缓存输入、$15/M 输出,支持 1M token 上下文。
推荐理由:把 Gemini 4 各型号的价格、上下文窗口和发布节奏放在一起对照,读者可以判断 Neon 在现有工作流中的位置。
OpenAI 发布了 GPT-6.2 Astra 和 Sol 两款语言模型,API 价格更低且部分基准测试有进步。Astra 面向专业场景,首次达到 OpenAI“高”AI 自改进阈值;Sol 面向日常使用,在多项任务上以极低价格接近 Astra 的性能。第三方评测显示两者在科学和 3D 设计等任务上得分较高,但法律类基准排名靠后,且编码能力相比前代基本停滞。
推荐理由:GPT-6.2 Astra 成为首个达到 OpenAI 高自改进阈值的外部模型,文章提供了详细的成本变化与第三方评测结果。
MiniMax于11月10日开放H3-Image模型权重,主打10秒出图且价格仅为同档主流工具的50%-70%,与同期发布的OpenAI GPT Image 2.6和字节Seedream 5.5展开竞争。
推荐理由:文章通过实测对比三家生图模型的速度与画质,指出MiniMax在低价开源策略上寻找突破,但能否解决复杂任务一次改对仍是关键。
Meta AI 发布了 Muse Ember,将其定位为最小、最高效的模型,适用于工具调用、编码、路由、信息提取和长文档解析。
推荐理由:原文明确了 Muse Ember 与 GPT-6 Luna 和 Claude Haiku 5.5 的分层定价差异,帮助读者判断该价位段的效率取舍。
Kimi于2026年10月23日发布K3.1 Pro,其在Artificial Analysis Intelligence Index上得分55.1,落后最佳闭源模型Claude Opus 5.5(得分57.6)2.5分。
推荐理由:文章将开源AI的基准领先程度量化为时间维度,并指出Kimi K3.1 Pro显著缩短了中国实验室与非中国实验室在开源模型性能上的差距。
Meta 发布 8160 亿参数开放权重模型 Muse Spark Open,并与苹果合作展示了在 Mac Studio 上本地运行的方案。该模型采用 MoE 架构,激活参数约 420 亿,通过 NVFP4 量化将内存需求压缩至 493GB。
推荐理由:详细拆解了Meta 8160亿参数模型在Mac Studio上通过张量并行和BF16量化实现本地高效推理的技术路径。
Meta 发布 816B 参数的开源权重多模态 MoE 大模型 Muse Spark Open,每 token 激活约 42B 参数,支持文本、图像、音频和视频输入,上下文窗口达 1M token。文章详细介绍其架构与部署方案,提供 transformers、llama.cpp、vLLM 和 SGLang 的运行及微调示例,演示代码编写和浏览器操作等智能体任务。
推荐理由:文章给出了模型架构、部署方案和微调方法,方便开发者评估其实际可用性和算力门槛。
Google 在全球范围内上线 Gemini 4 Argon,该模型通过 AI Studio 和 Gemini 平台 API 开放,取代 Gemini Pro 成为新一代前沿系列。
推荐理由:文章梳理了该模型的全球开放路径及价格,并列出了多项自动化任务与安全防护的具体数据。
Meta Superintelligence Labs 发布第二代模型家族 Muse Wonder 和 Muse Wonder Full,定位为前沿智能体模型,其中 Full 版本仅限 Muse Code 订阅者使用。
推荐理由:文章汇总了 Muse Wonder 发布当天的第三方评测、定价策略及独立开发者反馈,便于快速评估该模型在推理效率与智能体任务上的实际表现。
Meta发布首个前沿模型系列Muse Wonder,包含Muse Wonder和Muse Wonder Full两款型号。该系列引入主动记忆和主动专注能力,在DeepSWE 1.1和SWE-Marathon等长流程编程测试中得分超过Claude Fable 5.1和GPT-6 Astra。
推荐理由:对比基准测试显示其Agent能力超Claude Fable 5.1且单任务成本更低,为评估Meta在个人智能体赛道的商业化潜力提供关键数据。
Meta 发布开源多模态模型 Muse Glimmer,模型为 30B 参数,基于 Muse 蒸馏而来,采用 Apache 2.0 许可,专为本地智能体应用场景设计。
推荐理由:文章展示了Muse Glimmer在本地部署场景下的自优化演示,为隐私敏感应用提供了低成本运行方案。
Hugging Face 发布 3B 参数规模的 SmolLM3 模型,包括 Base 和 Instruct 两种变体,完全开源模型权重、架构细节和三阶段预训练配方。
推荐理由:Hugging Face 发布并完全开源 SmolLM3 模型及完整训练配方,为构建同类 3B 模型提供了可复现的工程蓝图。
Meta 发布开源 Llama 3,提供 8B 和 70B 参数的 base 及 instruct-tuned 版本,并配套发布安全微调模型 Llama Guard 2。
推荐理由:提供了 Llama 3 的完整评测数据与 Hugging Face 生态集成指南,方便开发者快速部署和微调该模型。
Mistral AI 发布 7B 参数模型 Mistral 7B,其在标准英语和代码基准测试中超越所有目前可用的 13B 及以下开源模型。该模型基于 Apache 2.0 协议发布,运行速度更快且成本更低,适用于摘要、问答等任务。公司计划在未来几个月内逐步发布缩小黑盒与开源模型性能差距的新模型。
推荐理由:原文展示了 7B 模型超越 13B 开源模型的性能对比,并明确采用 Apache 2.0 协议,为开发者提供了低成本且可控的替代方案。
Mistral AI 发布 Mistral 7B,这是一个 7.3B 参数的大语言模型,采用 Apache 2.0 许可协议,可在本地、HuggingFace、vLLM 等环境中部署使用。
推荐理由:官方给出 7.3B 模型相对 Llama 2 13B 的推理、代码表现和部署路径,可作为 7B 级开源模型能力对比的参照。
Hugging Face 发布开源多模态模型 IDEFICS,该模型是对 DeepMind Flamingo 的开源复现,可处理图像和文本序列输入并生成文本输出。
推荐理由:该模型基于公开数据复现了专有视觉语言模型,并展示了红队测试与透明度实践。