inclusionAI 發布 Duo-1.0-distill-quant，這是 Duo 1.0 全雙工多模態世界模型的 FP8 量化四步蒸餾 Realization 權重。這些權重會疊加在 inclusionAI/Duo-1.0-causal-base 套件上，該套件提供共用的 Intent、編解碼器、語音模型與 Realization 主幹，且需要支援所封裝 ModelOpt FP8 格式的執行環境。這些權重從 MiniMax H3 初始化，隨後由 Duo 團隊訓練。
inclusionAI 已發布 Duo-1.0-distill，這是 Duo 1.0 的四步蒸餾 Realization 權重；Duo 1.0 是一個用於即時音視訊互動的全雙工多模態世界模型。這些權重以 PyTorch Distributed Checkpoint 疊加層的形式提供，疊加於 inclusionAI/Duo-1.0-causal-base 套件之上，使用 Euler 取樣器、4 步與 flow shift 5.0。這些權重從 MiniMax H3 初始化，隨後由 Duo 團隊訓練。
Sing VL S1 是一個建構於 Qwen3.5 之上的 4B 參數多模態決策模型，現已推出 GGUF 版本，可用於 llama.cpp 的 CPU 推論。它提供 BF16（8.42 GB）、Q8_0（4.48 GB）與 Q4_K_M（2.71 GB）三種解碼器，外加一個共用的 F16 視覺投影器，預設上下文長度為 4096 個 token。GGUF 驗證涵蓋 9 個範例與 11 個問題；GGUF 各變體的完整公開分數仍待公布。
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。
Tether AI Research 發布 BotPsy，這是一個基於 Qwen3.5-0.8B 打造的 0.8B 參數代理模型，用於端側個人助理的工具使用。它讓基礎模型的代理評分大致翻倍，BFCL v4 從 23.4 升至 44.0，τ-bench 從 23.2 升至 51.5，並在六項工具使用基準測試中擊敗所有測試過的 1.2B 參數以下模型。它還將不安全回應從 36% 降至 21%，並在 GPQA Diamond 上使用的推理 token 減少約 3 倍。
inclusionAI 發布 LemonDecider 4B v3，這是一個從 Qwen3.5-4B 微調而成的決策模型，透過單次聯合前向傳遞回傳選項、是/否或序數機率，而非生成答案 token。該模型以約 120 萬筆決策／問答資料列訓練，在公開的 Decision Index 0.4 測試套件上得分 61.67，請求延遲中位數為 49.9 毫秒。
inclusionAI 發布 SingVL S1，這是一個建構於 Qwen3.5 之上的 4B 多模態決策模型，能在單次 Transformers 前向傳遞中，針對文字或 JSON 以及最多四張圖片回答具名問題。它支援選擇題、是/否（noul）以及 2–10 級評分題，在 Public Vision Index 上得分 73.94，在 Public Text Index 上得分 69.76。該模型隨附 Python 推論程式碼與 FastAPI HTTP 伺服器。
inclusionAI 已發布 ZoomGain-9B 的 GGUF 格式權重，透過 llama.cpp 轉換，涵蓋語言模型與視覺編碼器／投影器（mmproj），提供 FP16、Q8_0 與 Q4_K_M 版本。影像輸入需將語言模型與對應的 mmproj 檔案配對使用，該儲存庫說明了透過 llama-mtmd-cli 進行命令列推論，以及透過 llama-server 架設網頁聊天的方式。需使用支援 Qwen3.5 多模態的 llama.cpp 建置版本，且量化可能影響準確度。
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。
Preferred Networks 發布 PLaMo 3.0 Fin，這是一款金融專用小語言模型，建構於與 NICT 共同研究中開發的 PLaMo 3 NICT 預訓練模型，並進一步以日本金融資料訓練，在 Hugging Face 上依 PLaMo Community License 發布開放權重。該模型新增逐步推理（Reasoning）功能，推理過程以日文輸出，並支援工具呼叫，可進行網頁搜尋、計算及內部資料庫存取，且能在封閉雲端或地端環境的單一 GPU 上執行。PFN 表示，推理與工具使用的指令遵循訓練是在自家 MN-Core 2 AI 晶片上完成，程式碼移植在一週內完成，訓練速度與 GPU 環境相當。
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。
inclusionAI 發布了 Ling-3.0-flash-Sante-fp8，這是其醫療保健專用模型 Ling-3.0-flash-Sante 的 FP8 量化版本，維持 124B 總參數與每 token 5.1B 活躍參數。它在醫療保健基準測試上達到與 BF16 檢查點相同的 73.9 平均分，同時為支援 FP8 的硬體降低了權重記憶體佔用。該研究用途模型支援 256K token 上下文，並預設為思考模式且支援工具呼叫。
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。
Ai2 發布 OlmoEarth v1.3，這是一款衛星嵌入模型，能將一整年的 Sentinel-1、Sentinel-2 與 Landsat 時間序列，轉換為每個 10 公尺像素一個 128 維向量，其中前 64 維可作為較小的嵌入使用。Ai2 預先計算了全球的年度嵌入並發布於 Source Cooperative，其 128 維嵌入在 27 項評估中的 20 項拿下最高分，對手包括 AlphaEarth Foundations 與 Tessera v2，其中也包含一項名為 PLANTEUR 的熱帶作物新基準。此次發布還包括 OlmoEarth Embeddings Explorer，這是一款免登入的瀏覽器工具，可比較不同年份、尋找相似地點，並即時訓練小型分類器，涵蓋 2025、2024 與 2023 年全球範圍，以及 2017 至 2022 年部分國家；權重、預訓練資料與程式碼皆為開放。
inclusionAI 發布 Ling-3.0-flash-Sante，這是一款以 Ling-3.0-flash 為基礎打造的醫療專業化模型，總參數 124B、每 token 激活參數 5.1B，權重已上架 Hugging Face 與 ModelScope。它採用混合線性 MoE 架構，結合 Kimi Delta Attention、門控 MLA 與稀疏 MoE 層，訓練上下文達 256K tokens，預設啟用思考模式，並可透過相容的服務框架進行工具呼叫。該公司將其標示為研究模型而非醫療器材，並表示其輸出不得取代專業醫療建議、診斷或治療。
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。
inclusionAI 發布 Ming-3.0-tts，這是一個開放權重的多語言語音合成系列，包含兩個模型：Ming-3.0-tts-0.5b，一個 0.5B dense 模型；以及 Ming-3.0-tts-tiny，一個建構於 Ling V3 之上的 MoE 模型，總參數 7.9B、活躍參數 1.3B。兩者均附有推論程式碼、任務 cookbook 與基準測試表格，並支援聲音複製、基於文字的語音設計、自由形式的自然語言表達控制、14 個行內副語言標籤、情緒與語速/音高/音量控制，以及中文、英文、德文、西班牙文、法文、韓文、日文、四川話與粵語。在 2026 年 10 月的 Artificial Analysis 文字轉語音排行榜上，Ming-3.0-tts 在 Controlled Voice 項目於開放權重模型中排名第 1，在 Pronunciation Robustness 項目以 93.2% 排名總體第 1，並在 Provider Voice 項目於開放權重模型中排名第 3。
inclusionAI 發布 Ming-3.0-asr-tiny，這是一款語音辨識模型，將 Ling-tiny-v3 語言模型與音訊編碼器搭配，用於中英文轉錄、方言辨識與上下文 ASR。方言評測涵蓋 15 個測試集，包括湖南、閩南、粵語、川渝與上海，並可在提示中提供熱詞或前文對話，以解析人名與技術術語。該儲存庫提供 Transformers 與 SGLang 部署指南，程式碼與權重以 MIT 授權條款釋出。
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。
Meta 發布了 Muse Spark Open 的權重，這是一個原生多模態的開放權重模型，總參數 816B（活躍參數 42B），上下文視窗達 1M token，定位於程式編寫與代理式工作。它是同類模型中首個能在桌面上運行的模型，使用兩台 Apple M5 Ultra Mac Studio 搭配 MLX 框架；並可透過 Baseten、Fireworks AI、Groq、Modal、Nebius、OpenRouter 與 Together AI 等 API 合作夥伴取得，權重則發布於 Hugging Face、Amazon SageMaker AI、Google Cloud Model Garden 與 Microsoft Foundry Models。Meta 表示，該模型隨附 SGLang 中可自動調校的 Helion GPU 核心，在 NVIDIA 與 AMD GPU 上帶來 1.03–3.95 倍的核心層級加速，在 AMD MI350 上則有 3% 的端到端加速。
推薦理由：Meta 發布了一個 816B 參數多模態模型的開放權重，該模型可在兩台 Mac Studio 上運行，為開發者提供了針對長時程程式編寫與代理式任務的本地選項。
Meta 推出 Muse Wonder 系列，包含 Muse Wonder 與 Muse Wonder Full，並稱其在個人與專業代理任務、記憶與程式設計方面達到最先進的效能。Muse Wonder 即日起可透過 Meta Model API 與 Muse Code 使用，Muse Wonder Full 即日起開放給 Muse Code 訂閱者使用。這些模型結合了 Active Memory（可跨對話保留上下文並擷取任務相關細節）與 Active Focus（可持續推進長期目標，並在重要動作前進行確認）；Meta 表示兩者皆在其千兆瓦規模的 Prometheus 資料中心訓練而成。
推薦理由：Meta 的 Muse Wonder 系列宣稱在代理、記憶與程式設計基準測試上取得最先進的結果，並以 Active Memory 與 Active Focus 作為其建構的兩大核心能力。
Mistral 已推出 Mistral Large 4 的公開預覽版，這是一個 1 兆參數的原生多模態模型，擁有 520 億活躍參數，現已可透過 Mistral Studio API 使用。Mistral 表示，該模型可與最強的開源模型競爭，並優於美國和歐洲的其他開放權重模型，在 Artificial Analysis Cyber Index 的漏洞重現與修補測試中得分 82%，在其綜合 Coding Agent Index 中得分 49.8%。權重將於本月月底釋出，此前已與網路安全合作夥伴和主管機關進行紅隊測試；Mistral 表示，該模型是在其歐洲自有資料中心內、以 3,800 顆 NVIDIA Grace Blackwell GPU 從頭訓練而成。
推薦理由：Mistral 迄今最大的模型宣稱在網路安全和代理式程式設計方面取得開放權重領先地位，並承諾於月底釋出權重。
Anthropic 發布 Claude Sonnet 5.5，這是繼 Opus 5.5 之後 Claude 5.5 系列的第二個模型。該公司表示，它在相同每 token 價格下比 Sonnet 5 更聰明、更高效，且速度提升 30%。由於每項任務通常需要更少的 token，Anthropic 表示大多數工作的成本最多可降低 30%。該模型原生支援 100 萬 token 上下文視窗、最高 128k 輸出，並預設開啟思考功能。發布指南列出了 Sonnet 5 使用者的破壞性變更，包括以 between_tools 設定取代已停用的思考功能、將強制 tool_choice 改為 auto 加 strict tools，以及將電腦使用功能移至 computer_toolset_20260801 工具集。
推薦理由：Anthropic 的 Sonnet 5.5 維持 Sonnet 5 的定價，同時降低每項任務的 token 用量，而遷移說明則顯示了已在 Sonnet 5 上建置的團隊需要做哪些變更。
MiniMax 推出 Music 3.0，這是一款開放權重音樂生成模型，能從創意概念與可選歌詞出發，單次生成即可作曲、編曲並製作長達五分鐘的完整歌曲。此流程將一個由 Qwen3.5-8B 初始化的 8B Global LLM 與一個 0.6B Local LLM 配對，融合兩者的連續隱藏狀態，用以調控一個 2.4B flow-matching 模組與一個 123M Flow-VAE，並採用八層 RVQ 以及隨時間描述情緒、樂器編制與演唱方式的 Structured Captions。MiniMax 表示，這能更準確地詮釋創作意圖、編曲更飽滿，人聲也更清晰自然。
推薦理由：MiniMax 的架構拆解顯示，一個 8B 全域 LLM 搭配一個 0.6B 本地模型與 flow-matching 堆疊，如何針對長歌曲的連貫性問題。
MiniMax 推出 H3，這是一款通用多模態生成模型，能將文字、圖像、影片與音訊理解為統一的上下文，並生成最高 15 秒、2K 解析度且帶原生立體聲的影片。該公司表示，2K 輸出的每秒成本不到主流模型的三分之一，並計劃在未來幾天內依適用法規開放模型權重。H3 建構於 Contextual Omni Representation、H3-VAE、H3-Omni Transformer 與 In-Context Regeneration 之上，MiniMax 表示完整技術報告即將發布。
推薦理由：MiniMax 的 H3 將文字、圖像、影片與音訊生成統一到一個模型中，並聲稱 2K 定價低於主流模型的三分之一，權重也承諾很快開放。
MiniMax 發布 M3，這是一款開放權重模型，該公司稱其為首個結合前沿編碼與代理能力、1M token 上下文窗口，以及原生圖像與影片輸入的模型。M3 採用 MiniMax 新的 MSA 稀疏注意力架構，該公司報告稱，此架構在 1M 上下文下將每 token 計算量降至前一代的 1/20，並將預填充速度提升逾 9 倍、解碼速度提升逾 15 倍。它在 SWE-Bench Pro 上得分 59.0%、在 Terminal-Bench 2.1 上得分 66.0%、在 MCP Atlas 上得分 74.2%，並可透過 MiniMax Code、Token Plan 與 API 使用，權重與技術報告承諾在 10 天內發布。
推薦理由：MiniMax M3 將 1M token 上下文、前沿編碼與代理得分，以及原生圖像與影片輸入結合於一個開放權重模型中，並以 MSA 在長上下文下降低每 token 計算量。