IBM 發布了兩個實驗性預覽模型 granite-4.1-3b-LLMON-preview 與 granite-4.1-8b-LLMON-preview，它們衍生自 Granite 4.1 基礎檢查點，並經過訓練以讀取與生成 LLMON——一種 LLM 原生標記語言，以保留的特殊 token 定界符標示指令、資料與需求。在 OPI 基準上，這些模型比測試中最佳的前沿模型多避開 47% 的間接提示注入攻擊，比最佳的開源模型多避開 95%，同時在標準基準上的表現與 Granite 4.1 Instruct 相當。此次發布包含一個 GitHub 工具包，內含無損的 JSON 轉 LLMON 轉換器，作者指出此預覽版僅供探索，並非用於生產環境。
推薦理由：IBM 在 Granite 4.1 上訓練出能讀寫 LLMON 標記的預覽模型，透過顯式分離指令與資料，將 OPI 基準上的間接提示注入成功率壓到接近零，同時保持通用能力。
Google DeepMind 推出 Gemini 4 Hydrogen，這是一款 Gemini 4 模型，專為快速的日常程式編寫與代理式執行而打造，而非像 Gemini 4 Carbon 與 Argon 那樣著重於長程推理。它在預設的高思考等級下，於 Artificial Analysis Intelligence Index 上得分 51，而 Argon 為 50；在全新的 xhigh 設定下達到 54；其定價在其 100 萬 token 上下文視窗內一律為每百萬輸入 token 1.50 美元、每百萬輸出 token 7.50 美元。Google 亦在 Google Antigravity 中推出 Orchestrator，可在同一工作階段內於 Carbon 與 Hydrogen 等模型之間切換，並在 Terminal-Bench 4.0 上達到接近 Carbon 的任務成功率，同時少用 24% 配額、完成速度快 19%。
推薦理由：Google 的 Gemini 4 Hydrogen 鎖定快速的日常程式編寫與代理式工作，在 100 萬上下文視窗內一律採每百萬 token 1.50/7.50 美元的定價，並搭配可在 Gemini 4 模型之間切換的全新 Orchestrator。
Google DeepMind 宣布推出 AlphaGenome 2，這是一款新一代 DNA 序列模型，可預測 DNA 序列及其變異如何影響特定的人類細胞類型。該條件模型基於 68 種組織中超過 1.07 億個單細胞圖譜訓練，識別出的改變表現的變異數量幾乎是前代模型的兩倍；在 TenK10K 免疫細胞資料集上，它找回了 30% 的因果變異，而原始 AlphaGenome 在單細胞資料上微調後僅找回 16%。該模型可透過 AlphaGenome API 供非商業研究使用，商業研究則可透過私人預覽取得。
推薦理由：AlphaGenome 2 從大量組織平均值轉向單細胞條件化，在免疫細胞資料上將因果變異召回率大致提高了一倍，這對於將 GWAS 訊號連結到特定細胞類型具有重要意義。
MiniMax 發布 H3-Image，這是一款建構於 H3 的開放權重影像生成模型，支援文字轉影像、基於參考的生成與影像編輯，且能在 10 秒內產出 4096 × 4096 的影像。該公司表示它最多可處理 16 張參考影像，並宣稱在開放權重模型中擁有最先進的提示詞遵循能力，同時回報速度最高可達主流替代方案的 5 倍。H3-Image 可透過 MiniMax API Platform、MiniMax Code 與 Hailuo AI 使用，定價為同類產品的 50–70%，上市首週 4K 及以上請求享 5 折優惠。
推薦理由：MiniMax 發布開放權重的 H3-Image，宣稱可在 10 秒內生成 4K 影像，且定價為同類主流產品的 50–70%，為開發者提供高解析度影像工作的新開放選項。
Google DeepMind 向開發者、企業、科學家與消費者開放 Gemini 4 Carbon，將其定位在 Gemini 4 Argon 之上，適用於需要更深層推理與更多 token 的任務。Carbon 在 CursorBench 4.0、Perplexity 的 WANDR 與 Zapier 的 AutomationBench 上排名第一，每項任務成本比次佳的外部模型低 2 倍以上，定價為每百萬輸入 token 2 美元、每百萬輸出 token 10 美元，與 Argon 的 introductory 價格相同。Google 也預覽了 Google Antigravity 中的 /swarm，能將單一提示詞轉化為一支協同運作的代理團隊，並回報 Carbon 在模擬網路攻擊測試中攔截了 99% 的攻擊軌跡。
推薦理由：Google 的發布說明詳細介紹了 Gemini 4 Carbon 如何以更高的 token 用量換取更深層的推理，在 CursorBench 4.0、WANDR 與 AutomationBench 上排名第一，每項任務成本不到次佳外部模型的一半。
Amazon 推出 Mitra-v2，這是第二代用於分類與迴歸的表格基礎模型，隨附微調後的模型以及推論與微調程式碼，以 Apache-2.0 授權在 Hugging Face 上發布。它是在合成表格上預訓練的，列數是 Mitra-v1 的 10 倍、欄數約為 3 倍，採用新的混合 SCM 先驗與混合優化器，同時保持 Transformer 架構不變。在涵蓋 51 個真實世界資料集的公開基準 TabArena 上，Mitra-v2 在單一模型領域領先，在兩者皆原生執行的 33 個資料集中有 32 個勝過 Mitra-v1，並在一小時預算內完成全部 51 個資料集；微調後的 Mitra-v2 也在 ScoringBench 上排名第一。
推薦理由：Mitra-v2 顯示，擴大合成預訓練資料而非加深網路，能將表格基礎模型推上 TabArena 單一模型領域的頂端。
Google DeepMind 推出 Gemini Robotics 2.5，這是其迄今能力最強的視覺-語言-動作模型，擴大了機器人可學習的技能範圍，並加快其掌握技能的速度。在 200 項不同任務的評估中，該模型相較於先前的基線成功率高出 30% 至 100%，同時完成任務的速度快 20% 至 30%；在 Mercedes-Benz 生產線的概念驗證中，Apptronik 的 Apollo 2 人形機器人以 96% 的成功率揀選並包裝汽車零件。此次發布還新增了針對物理安全的推理時推理引導，使在障礙物周圍的安全任務完成率提升 33%，在附近有人時提升 43%，並推出開源基準 ASIMOV-Jailbreak，Gemini 4 Argon 在其上的越獄抵抗力達到 99.5%。
推薦理由：Gemini Robotics 2.5 在 200 項任務上的成功率提升了 30% 至 100%，並在 Mercedes-Benz 生產線的試點中達到 96% 的揀選放置成功率，為評估 VLA 模型的真實世界部署提供了參考數據。
Zyphra 發布 ZONOS3-Mini，這是一款稀疏 MoE 文字轉語音模型，具備 1 億活躍參數與 8 億總參數，採用 Apache 2.0 授權，以 112 張 NVIDIA H100 訓練 2.5 天。它在 Pixel 9 的瀏覽器上可達到低於 570 毫秒的首次音訊延遲，在 M3 MacBook Air 上則低於 150 毫秒，並提供 WebGPU、SGLang、vLLM 與 GGML 的執行環境。該模型新增對身分、口音、品質、情緒與表達方式的控制，包括詞級引導，且 Zyphra 表示它在其新的 ZTTS2-Eval 基準測試中於開源模型裡排名第一。
推薦理由：Zyphra 這款精巧的 MoE TTS 模型將零樣本語音複製與詞級表達控制結合，同時能在手機與筆記型電腦上即時執行。
Meta 發布 Muse Ember，這是其最小、最高效的模型，瞄準代理整日從事的重複性工作，例如工具呼叫、程式編寫子任務、路由、擷取與長文件解析。Meta 表示，它在約三分之一的成本下達到 Claude Haiku 5.5 的最佳分數，並勝過所有 GPT-6 Luna 設定，每百萬輸入 token 為 0.10 美元、每百萬輸出 token 為 0.50 美元。它隨附 100 萬 token 的上下文視窗、最高 512K 輸出 token、原生文字、圖像、音訊與影片輸入，即日起在 Muse Code 與 Meta Model API 上以 muse-ember-1.0 提供。
推薦理由：Meta 最小的模型瞄準高頻的代理步驟，而其與 Claude Haiku 5.5 及 GPT-6 Luna 的每任務成本比較，說明了效率主張的來源。
Google DeepMind 推出 Gemini Omni 1.2 Flash，現已在 Gemini API 與 Gemini for business 全面開放，具備原生 15 秒影片生成、多輪對話式編輯與更強的參考遵循能力。價格較 Gemini Omni 1.1 下降 30%，720p 影片為每秒 0.07 美元，使用者可先以 360p 或 720p 草擬，再升頻至 1080p 或 4K。短片長度可設定為 3 至 15 秒，以一秒為單位遞增，輸出帶有不可察覺的 SynthID 浮水印。
推薦理由：Gemini Omni 1.2 Flash 將原生短片長度提升至 15 秒，並將 720p 影片價格降低 30% 至每秒 0.07 美元，多輪對話式編輯現已全面開放。
Google DeepMind 推出 Gemini Omni 1.2 Flash，並在 Gemini API 與 Gemini for business 全面開放使用。該模型可生成與編輯原生片段，最長達 15 秒，高於 Omni 1.1 的 10 秒，支援多輪對話式編輯，並能更一致地維持角色、產品與風格參照；720p 影片現在每秒收費 0.07 美元，比 Omni 1.1 便宜 30%。輸出內容帶有 SynthID 浮水印，該模型正陸續在 Flow、Google Vids、Gemini 應用程式與 Google Ads 中推出。
推薦理由：Gemini Omni 1.2 Flash 將 720p 影片價格調降 30% 至每秒 0.07 美元，同時把原生片段延長至 15 秒，讓大規模製作影片的團隊多了一個更便宜的選項，可與先前版本比較。
Meta 正在向使用 Muse 和 Meta AI 的用戶推出其現有模型的專用版本，這些版本使用 Muse Wonder 訓練。專用模型新增了 Active Memory 和 Active Focus，Meta 報告稱，目前的 Muse 模型在其 Personal Superintelligence Index 上得分為 47%，而前一代模型為 38%；在 Active Memory 評估中為 90% 對 76%；在完成出現意外問題的日常任務方面提升了 67%。
推薦理由：Meta 的專用 Muse 和 Meta AI 模型將 Active Memory 與 Active Focus 帶給更多用戶，並在記憶和任務完成評估上報告了提升。
Preferred Networks 於 11 月 5 日在 Hugging Face 上，以開源權重模型形式發布 PLaMo 3 Translate，這是其 PLaMo Translation 服務所採用的翻譯專用 LLM。共有 0.8B、2B、8B 與 31B 四種規模，支援包含日文與英文在內的 53 種語言，可在智慧型手機、筆記型電腦與內部伺服器上執行，無需連線雲端。
推薦理由：PFN 發布翻譯專用 LLM，提供從 0.8B 到 31B 的四種規模，讓企業與個人能在裝置端執行 53 種語言的翻譯，無需雲端存取。
Mistral AI 釋出了 Mistral Large 4（Le Chonk）的開放權重，這是一個 1 兆參數的原生多模態模型，於本月稍早進入公開預覽，並在歐洲從零開始訓練。該公司表示，額外三週的強化學習將其推升至開放權重編碼的頂端，在 Terminal-Bench 4.0 上達到 41%，在 Artificial Analysis Coding Agent Index 上達到 48%，同時每項任務使用的 token 比 GLM-5.3 少 47%。它新增了低、中、高三種推理模式，在 Artificial Analysis Cyber Index 上得分 51%，並在修改版 MIT 授權下，定價為每百萬 token 輸入 $0.70、快取輸入 $0.07、輸出 $2.10。
推薦理由：Mistral 開放其 1 兆參數旗艦模型的權重，將編碼與防禦性安全基準的進展，與三種推理模式和按 token 計價結合在一起。
Google DeepMind 發表 Gemini 4 Carbon，這是其迄今最強的模型，具備最先進的網路安全與長程能力，在 v5.0 Artificial Analysis Intelligence Index 上以 59 分排名第一。它在 SEC-bench Pro 上以 88.2% 的成績尋找漏洞，在 ExploitGym 上以 54.8% 的成績進行漏洞利用，在 CWE-bench 上以 71.0% 的成績進行修補，並在 WebDev Arena 上達到第 4 名（1768 分）。Carbon 以與 Argon 相同的首發價格推出，每百萬輸入 token 2 美元、每百萬輸出 token 10 美元，並先透過 Fairwind Program 提供給部分網路防禦人員使用，之後再更廣泛發布。
推薦理由：Gemini 4 Carbon 在漏洞發現與修補方面的基準測試結果，顯示前沿模型正如何被定位於網路安全防禦工作。
Preferred Networks 於 2026 年 10 月 27 日開始提供 PLaMo 3.1 Prime，新增網頁搜尋與 Deep Research 功能，可在數分鐘至數十分鐘內自主規劃、蒐集、分析並撰寫附來源引用的報告。Deep Research 亦可於地端執行，並能連接內部文件搜尋系統；該公司表示，相較於 PLaMo 3.0 Prime，包含 AA Omniscience 在內的八項幻覺相關基準測試平均分數提升約 15%。PFN 亦指出，透過推測解碼使處理速度提升 1.7 倍，且在非推理模式下輸出 token 減少 90%，並推出免費的 PLaMo API 方案，以及 PLaMo Chat 活動，於 2026 年 11 月 30 日前每日提供兩次 Deep Research。
推薦理由：PFN 的 PLaMo 3.1 Prime 新增可於地端執行的自主 Deep Research，為日本企業提供可本地部署、附來源引用的調查工作選項。
Mistral 發布 Voxtral 3，這是一系列語音轉文字與文字轉語音模型，外加一套建構於 LiveKit 之上的語音代理 SDK，能在單一管線中串流處理聆聽、推理、工具呼叫與說話。Voxtral Small Transcribe 3 涵蓋 50 多種語言，支援語者分離與上下文偏置；Voxtral Mini TTS 3 支援 35 多種語言與 50 多種方言；整套技術堆疊可透過 Mistral 的歐盟託管 API 或自行部署取得。定價方面，批次轉錄每分鐘 0.0035 美元起，TTS 每 100 萬字元 13 美元。
推薦理由：Mistral 的 Voxtral 3 將多語言語音模型與基於 LiveKit 的語音代理 SDK 搭配，為團隊提供可主權部署的即時語音代理選項。
MiniMax 正式推出 MiniMax M3.1 Flash，這是一款新一代 Flash 模型，該公司稱其使用成本較前代降低 70%，線上推理速度提升近三倍。該公司報告其在 DeepSWE v1.1 上達到 73.7%，在 BankerToolBench 上為 76.2，在 OSWorld V2 上為 61.7，在 Agents' Last Exam 上為 29.6，在 CyberGym 上為 82%，輸出速度達 200+ TPS，中位數為 170+ TPS。定價為每 100 萬輸入 token 0.15 美元、每 100 萬輸出 token 0.60 美元、每 100 萬快取輸入 token 0.015 美元，該模型可透過 MiniMax API、M Plan 和 MiniMax Code 使用，權重將於稍後發布。
推薦理由：MiniMax 的 Flash 模型聲稱以每 100 萬輸入 token 0.15 美元的價格提供頂級的代理與編碼分數，為代理工作負載的成本面提供了具體的數據點。
Mistral 發布 Timestral，這是其首個時間序列基礎模型系列，共有 5M 至 209M 參數四種規模。其中最大的模型在 GIFT-Eval、TIME 與 fev-bench 這三個主要公開基準上，於單一檢查點、未使用集成方法的預訓練零樣本模型中排名第一，且僅使用前代最先進模型三分之二的參數。Timestral 可產生具 21 個分位數的機率性多變量預測，支援僅過去與已知未來的共變量，可在無 GPU 的 CPU 上執行，並可透過 Mistral Forge 進行微調，同時在修改版 MIT 授權下發布了 GitHub 儲存庫與技術報告。
推薦理由：Mistral 首個時間序列基礎模型系列以 209M 參數的檢查點，宣稱在 GIFT-Eval、TIME 與 fev-bench 上取得零樣本排名第一，為預測工作提供了規模與準確度的取捨參考。
inclusionAI 發布 Ming-3.0-audio-flash，這是一個 126B 參數的混合專家（MoE）音訊模型，啟動參數為 6.5B，同時推出精簡版 Ming-3.0-audio-tiny，參數為 9.3B、啟動參數 2.7B。flash 模型涵蓋中英文語音辨識，包括方言與嘈雜多說話者場景、長音訊理解、非語音聲音與音樂感知、音訊推理，以及可選合成語音輸出的端到端口語對話。它隨附 vLLM-Omni、SGLang 與 Transformers 推論路徑，採用 MIT 授權，預設 Flash 配置在 128K 上下文下使用四張 80 GB H800 GPU 的張量平行。
推薦理由：此次發布詳細介紹了一個 126B 參數的 MoE 音訊模型，啟動參數為 6.5B，外加一個 9.3B 的 tiny 變體，為開放音訊語言模型的規模與部署提供了具體參考。