其它几张 Landscape 图谱画的是结构，这一张记发布：每期 AI Buzzwords 的「本周新模型」栏目核实过的主要新模型——谁家的、哪天发的、多大、能不能下、什么许可、一手链接在哪。每期的栏目就是这里按那一期的时间窗口筛出来的视图；想看别的时间段、只看开放权重、或者按开发者和关键词找，在下面改筛选。
EP.109 · 窗口 2026-10-23 → 2026-10-30（起点不含） · 共 23 个（窗口内 13 + 边界日 / 背景 10）换期、换时间段和筛选需要启用 JavaScript；全部期的数据见 models.json。
发布日以官方公告、模型卡或官方 X 帖为准，不是 HF 仓库的创建日。要点后括号里标了来源：“模型卡”指规格、价格和许可类事实来自官方页或 HF 卡本身，“厂商自述”指基准、速度等各家自报的数，本刊不重跑，“独立”指第三方榜单或媒体实测。Kimi K3.1 Pro 官方说是开放权重，但权重要到 11-04 前才放，所以先列在闭源一类，放出后要改。
| 模型 | 开发者 | 发布 | 规模 / 类型 | 可得性 | 要点 | 链接 |
|---|---|---|---|---|---|---|
| Mistral Large 4（Le Chonk，权重版） | Mistral AI（法国） | 10-29 | 约 1T 总参数 / 约 49B 激活（含 embedding 和输出层为 52B）的多模态 MoE（128 个路由专家、每个 token 激活 4 个、1 个共享专家），1M 上下文，读文本和图像、输出文本；模型卡写在 3,800 块 NVIDIA Grace Blackwell GPU 上、自家的欧洲数据中心从零训练 | 开放权重，不设门槛（HF 未设 gated）：54 个 safetensors 分片，另有 NVFP4 量化版（面向 Blackwell）；模型内置 DSpark 推测解码草稿头；vLLM、SGLang、transformers、llama.cpp 都能用；Mistral API 的型号是 mistral-large-4。官方博文写放出的是比 10-06 预览“改进过”的版本（多了三周强化学习） 许可：Mistral Ecosystem Open-Weight License（模型卡写是改过的 MIT，商用和非商用都行；做模型即服务要另签商业许可；条款本刊没有逐条核） | 厂商自报：Cognition 的私有基准 FrontierCode 2.0 上 19.7%，居开放权重之首；Artificial Analysis Coding Agent Index 48%，与 GLM-5.3 基本持平、每个任务少用 47% 的 token；Terminal-Bench 4.0 41%，比预览版高 13 个百分点、输出 token 少 30%（官方博文）网络安全：Artificial Analysis Cyber Index 51%；在 JailbreakBench、StrongREJECT、AgentHarm 的网络类提示上对恶意请求的平均拒绝率 96.6%（Mistral 自测，称开放模型里最高）；Booz Allen、Cisco、Cloudflare、CrowdStrike、Elastic、ENISA 等在博文里给了评语（官方博文）独立数据：Artificial Analysis 的开放权重榜（指数 v5）上 Mistral Large 4（high）是 26，排第 7，前六名都是中国模型，Meta 的 Muse Spark Open 是 25（独立，10-30 上午读榜） | 官方博文OFFICIALHF 模型页OFFICIAL文档页OFFICIALAA 开放权重榜OFFICIAL |
| Nanbeige4.3-33B（附 Base 版） | Nanbeige LLM Lab（BOSS 直聘 / Kanzhun 旗下） | 10-25 | 约 33B（HF 张量合计 33,118,977,024，BF16）；上下文最长 524,288 token（512K）；模型卡没写架构细节 | 开放权重，不设门槛（HF 未设 gated）；同时放出 Nanbeige4.3-33B-Base；模型卡给了 Transformers、SGLang、vLLM 的用法（SGLang / vLLM 示例用 qwen3 推理解析器和 qwen3_coder 工具解析器） 许可：Apache-2.0（HF 标签与模型卡头部） | 定位是旗舰教师模型（flagship teacher model）：先造一个强的 agent 老师，再蒸馏出 Nanbeige4.3-3B 等小模型；官方称在约 30B 量级的开放模型里 agent 表现最好，重点是 agentic coding 和办公类任务（模型卡）自报（统一最高思考档位、同一超参和 harness，对手是 Qwen3.8-27B、Muse-Glimmer-30B、Gemma4-31B）：Terminal-Bench 2.1 为 80.9，Qwen3.8-27B 是 73.0；Terminal-Bench 4.0 为 23.8，对 6.3；DeepSWE 为 65.5，对 42.5；SWE-Bench Pro 为 60.3，略低于 Qwen3.8-27B 的 61.7；GDPval 为 84.8，略低于 86.4（厂商自述）对比只限同量级的三个模型，不含更大的模型；各基准用的 harness 不同（Terminus 2、mini-swe-agent v2.4.6、Claude Code 等），本刊没有找到第三方复测（厂商自述）发布时刻：官方 X 帖 UTC 10-25 12:11:14（北京 20:11）；HF 仓库建于 10-24，10-25 11:11 UTC 最后更新。X 账号简介写“Nanbeige LLM Lab, BOSS Zhipin (Kanzhun Limited)”，模型卡联系邮箱是 kanzhun.com 域名（模型卡） | HF 模型页OFFICIAL官方 X 帖OFFICIALBase 版 HF 页OFFICIAL |
| LFM3（文本 / 视觉 / 音频 / omni 与两个决策模型，均约 2B） | Liquid AI | 10-27 | 首批 6 个模型，都在 2B 上下：文本 LFM3-1.7B（另有 Base 基座）、视觉 VL-2B、音频 Audio-2B、omni Omni-2B，另有两个由视觉和 omni 模型专门化出来的决策模型；文本模型上下文 256K，4-bit 约 1 GB（官方博客） | 开放权重，不设门槛（HF 未设 gated）：基座与后训练模型 10-27 起可在 Hugging Face 下载，也可用 Liquid 的 Playground 和 API；HF 上另有 MLX、GGUF、ONNX、NVFP4 等量化版（本刊只列母体） 许可：LFM 1.0（HF 卡片 license_name 为 lfm1.0，标签 other；条款本刊没有逐条核，商用条件看原文） | 官方写 LFM3-1.7B 用比 LFM2.5-2.6B 少 35% 的参数，表现更好；每个模型都可以在单张 GPU 上微调（厂商自述）架构：门控短卷积、滑窗注意力（窗口 256 token）和全局注意力三种算子混合，24 层里 13 层卷积、5 层滑窗、6 层全局；用“硬件在环”的架构搜索，测试设备从 LFM2 的一部手机加一台笔记本扩到 14 种设备和后端组合（官方博客）LFM3-1.7B-Base 预训练 22T token，最后 3.5T token 是中期训练，加了更多 agent 轨迹和工具调用，同时把上下文扩到 256K（官方博客） | 官方博客OFFICIALHugging Face：LFM3-1.7BOFFICIAL |
| Atria Dawn（正式版，附 FP8 版）边界日 · 10-23 | 上海人工智能实验室（Shanghai AI Laboratory，HF 组织为 internlm） | 10-23 | 744B 参数的 MoE，建在 GLM-5.2 基座上（模型卡）；HF 张量合计 753.3B（BF16）；上下文 512K；激活参数模型卡没写 | 开放权重，不设门槛；BF16 和 FP8 两版（模型卡标 full release），HF 与 ModelScope 同步；另有此前的 Atria Dawn Preview（256K 上下文，HF 仓库建于 9-11） 许可：MIT（模型卡正文写明代码与权重均为 MIT；HF 元数据里没有 license 标签） | 面向科研与工程场景的 agent 模型，分发现、创作、交付、网络安全四个方向；模型卡写明基座是 744B 参数 MoE 的 GLM-5.2（Z.ai 的模型），即实验室在别家开放权重上继续训练（模型卡）是 Preview 的正式版：上下文从 256K 加到 512K。模型卡的评测表同时列了正式版、Preview，以及 DeepSeek V4 Pro 0813、Kimi K3、Qwen 3.8 Max、GLM 5.3、GPT 5.6 sol、Claude Opus 5 的成绩，本刊未复核表内数字（厂商自述）发布日以 HF 提交记录为准：权重 UTC 10-23 03:21 到 08:45（北京 11:21 到 16:45）陆续上传，模型卡 12:46 UTC 与 GitHub 同步。没有找到带日期的官方公告帖，官网是纯 JS 页面，抓不到正文（置信度中）论文 arXiv:2609.15818 见 HF 标签与模型卡徽章（本刊未核） | HF 模型页OFFICIAL官网OFFICIALFP8 版 HF 页OFFICIAL论文 arXiv:2609.15818OFFICIAL |
| Nemotron 3.5 Bolt E4B（BF16 / 4GB）边界日 · 10-23 | NVIDIA | 10-23 | 总参数 8B、有效 4B（模型卡）；HF 张量合计 7.996B；Gemma-4-E4B 架构，由 Gemma-4-E4B-it 后训练；上下文 64K（输入输出各最多 64K），文本进、文本出 | 开放权重，不设门槛：BF16 版（面向定制和后训练）、4GB 版（Q4_K_M 量化）、配套的 DFlash 草稿模型；build.nvidia.com 同日上线。博客称目标是 GeForce RTX、Jetson、RTX Spark、DGX Spark 上的本地语音和设备助手 许可：OpenMDW-1.1（HF 标签 other，模型卡写明；模型卡称可商用） | 不是 EP.108 收的 Nemotron 3.5 Bolt（74B 总 / 9B 激活的 MoE，10-15）的新变体，而是同品牌下另一个小模型：基座是 Google 的 Gemma-4-E4B-it，加 Nemotron 后训练，强化多轮工具调用、指令遵循和输入落地（模型卡）NVIDIA 称对话式 agent 基准上平均质量比自家上一代高约 40%，输出 token 比同类少最多约 80%（厂商自述，官方博客）发布日：模型卡写 Hugging Face 与 build.nvidia.com 均为 10/23/2026，博客页标 Published: October 23, 2026；HF 仓库建于 10-05，先建后发（模型卡）语种数博客写 35 种，模型卡元数据的语言列表是 34 种，两个数都不采用；模型卡称预训练和后训练数据一并开放（模型卡） | NVIDIA 研究博客OFFICIALBF16 版 HF 页OFFICIAL4GB 版 HF 页OFFICIAL |
| ThinkingCap-gemma-4-26B-A4B-it边界日 · 10-23 | BottleCap AI | 10-23 | 26B 总 / 约 4B 激活的 MoE，图文输入；HF 张量合计 25.8B，与基座相同 | 开放权重，不设门槛，另有 GGUF 版；还有收费的企业版 ThinkingCap PRO（称思考 token 平均少 62%），没有公开权重 许可：Apache-2.0（模型卡头部；license_link 指向 Google 的 Gemma 4 许可页） | 不是新基座：在 Google 的 gemma-4-26B-A4B-it 上做“少想”后训练，是 ThinkingCap 系列第五个模型（前四个是 Qwen3.6-27B、Qwen3.8-27B、Nemotron-3.5-Lightning-30B-A3B、Qwen3.8-Flash-Next）（厂商自述）自测 12 个基准：思考 token 平均少 38.9%（最多 69.1%，LongBench v2），平均准确率 75.18% 对 75.03%（-0.15pp）；最大的代价是 AA-LCR 掉 4.00pp。原模型由 BottleCap 自己重测，不是引用官方数（厂商自述）循环输出的比例从 3.64% 降到 0.76%；默认不开思考，要用 enable_thinking=True 打开，所有数字都在开思考下测得（厂商自述 / 模型卡）博客页标 Oct 23, 2026，HF 仓库同日 09:55 UTC 建（官方博客，模型卡） | 官方博客OFFICIALHF 模型页OFFICIALGGUF 版 HF 页OFFICIAL |
| WeVisOne-VL 2B / 4B边界日 · 10-23 | 腾讯微信视觉（WeChat Vision, Tencent） | 10-23 | 2B 版 HF 张量合计 2.44B，4B 版 4.83B；基于 Qwen3-VL，外加一个约 9.6M 参数的像素解码器（模型卡）；用结构化的下一 token 预测统一目标检测、指代定位、计数、指点、OCR 这类目标级任务和指代分割、可提示抠图这类像素级任务 | 开放权重，不设门槛（HF 未设 gated）；GitHub 仓库 Tencent/WeVisOne-VL 提供推理包，另有项目页和论文（arXiv:2610.31329）；社区已有 GGUF 等量化版 许可：Apache-2.0（Tencent 自写的代码；第三方组件各按其许可） | 论文自称在 30 多个基准上目标级和像素级任务都领先，并对“目标不存在”的查询保持稳健拒绝（论文摘要，厂商自述，本刊没有逐项核）局限（模型卡）：精细的 alpha 边缘对分辨率、严重遮挡、复杂透明和提示措辞敏感；为了推理效率直接输出结构化结果、不做显式思维链，目前只做单轮图像感知，视频网格会被像素解码器拒绝发布时间线：2B 权重 10-23 06:43 UTC 才放出，4B 10-27 补上；论文 10-22 提交 arXiv，没有单独的发布稿（HF 提交记录、arXiv） | HF 4B 模型页OFFICIALHF 2B 模型页OFFICIAL论文OFFICIALGitHubGITHUB |
| EdgeRock-4B（固定内存的文本 + 图像模型）背景 · 10-07 | Rock Matrix（rockmatrix-ai） | 10-07 | HF 张量合计约 4.58B；用循环状态、局部注意力和 Rock Memory Anchors 三部分，让历史存储不随上下文变长：每条序列的注意力 KV 约 72 MiB（厂商自述）；读文本和图像、输出文本 | 开放权重，不设门槛（HF 未设 gated），自定义代码；另有 FP8、NF4、INT8 版，社区有 GGUF 和 MLX 版；附技术报告和 Rock Matrix 白皮书 许可：EdgeRock Model License 1.0（HF 标签 other，模型卡标签写可商用；条款本刊没有逐条核） | 厂商自述：AIME 2024–2026 平均 pass@1 为 82.9%，对比最强的有界状态基线 RWKV-7 G1j（14B 级）的 18.8%；256K 上下文下 BF16 注意力 KV 比 Qwen3.5-4B 小 99.1%；单张 Hopper 80GB 上 128K 输入加 128K 输出、批量 1 解码 233.7 tokens/s；32K 加 32K 下端到端输出吞吐是 Qwen3.5-4B 的 6.42 倍；六个视觉基准平均 84.9%，保留 Qwen3.5-4B 的 95.3%（模型卡，全部自报，没有第三方复现）工程细节：附自带的 runtime 目录（推理、模型实现）和自定义代码；HF 提交记录显示 10-08 放出了 29 个文本基准的完整评测切分，方便复跑对比（模型卡、HF 提交记录）发布时间线：HF 仓库首个提交 10-07，4B 各精度版 10-16；10-23 只有人发帖评论，官方发布稿本刊没有核到（HF 提交记录） | HF 模型页OFFICIAL白皮书OFFICIALRock Matrix 官网OFFICIAL |
| 模型 | 开发者 | 发布 | 规模 / 类型 | 可得性 | 要点 | 链接 |
|---|---|---|---|---|---|---|
| Kimi K3.1 Pro / K3.1 Pro Highspeed | 月之暗面（Moonshot AI） | 10-24 | 2.8T 总参数 / 104B 激活参数（MoE）、100 万 token 上下文、多模态（官方 X 帖）；官方博客正文只写 “3T-class”；是 Kimi K3 的后训练版本（后训练算力大幅增加） | 10-23 起在 Kimi.ai 与手机应用、Kimi Work（3.1.0 及以上）、Kimi Code 和 Kimi API 上可用（型号 kimi-k3.1-pro、kimi-k3.1-pro-highspeed）；企业版管理员默认关闭，要自己开启。权重尚未放出：官方 X 帖写 “Open weights by Nov 4, 2026”，博客写 “The full model weights will be released by Nov 4”（不晚于 11-04，没写具体日子；AA 写 “expected to release the weights soon after launch”）。API 价格（VentureBeat、Simon Willison 转述）：Pro 每百万 token 输入 2 美元、输出 10 美元，缓存命中 0.20 美元，比 K3（3/15/0.30）低三分之一；Highspeed 速度 2 到 3 倍，输入 4、输出 20 美元，缓存命中价相同 许可：未公布（权重还没放；上一代 Kimi K3 用 Kimi K3 License，HF 标签 other） | K3 的后训练版本，靠大规模联合强化学习覆盖数百个下游领域；官方主打编码、3D 建模、金融研究等 agent 能力，并写 “matches or approaches the strongest proprietary models”（厂商自述）自报：Terminal-Bench 4.0 为 65.7%，GPT-6 Astra 58.2%、Claude Opus 5.5 66.4%；BenchCAD（带工具）92.7%，Opus 5.5 96.2%、GPT-6 Astra 95.9%；OfficeQA Pro v2 为 64.4。基准的评测框架各不相同，官方脚注逐项写明（厂商自述）；AA 测得 Terminal-Bench 67%（自称同类最高），与 Moonshot 自测的 65.7% 差 1.3 点，但两边 harness 不对等（厂商自述，独立）网络能力是主动削减过的：训练的中期和强化学习两个阶段都去掉了网络安全相关数据；内部 xdev-bench-hard（pass@3）上，未做削减的检查点 90.5%，最终版 81.0%。官方写其网络能力仍落后于至少已公开三个月的前沿闭源模型，并说打算逐步提高开放权重里的网络能力（厂商自述）独立：Artificial Analysis 智能指数 55，在 215 个模型里排第 4，前面是 Claude Opus 5.5（58）、Claude Sonnet 5.5 与 Muse Wonder Full（各 56）；高于 Claude Fable 5.1、GPT-6 Astra、Gemini 4 Argon（均为 53，Simon Willison 转述）。指数版本 v4.3.2，和 AA 开放权重榜是同一把尺（榜首 MiMo-V2.6-Pro 46、Kimi K3 44）；AA 页现在标 “Proprietary model”，AA 写权重发布后它会是得分最高的开放权重模型（AA 官方 X 帖与模型页）独立：AA 官方 X 帖（UTC 10-23 22:51）称其 Cyber Index 为 64%（防御型网络能力指数，较 K3 的 41% 涨 23 点），是开放可得模型第一，比此前的 DeepSeek V4.1 Flash 1017（57%）高 7 个点；更高的 GPT-6 Sol 只通过 OpenAI 的受信任访问项目提供（独立）发布时刻：官方 X 帖 UTC 10-23 17:15:24（帖子 ID 反推并已打开核对），即北京 10-24 01:15；官方博客页本身没有写日期，配图路径里是 20261023（官方 X 帖，官方博客）独立：AA 10-27 把指数升到 v5，Kimi K3.1 Pro 变成 46，仍是开放权重里最高（权重未放），和榜首 Claude Opus 5.5 的 58 差 12 分，v4.3 时是 3 分；已放出权重的最高是 DeepSeek V4.1 Flash 1017 和 GLM-5.3，32 分（独立，AA 公告） | 官方博客OFFICIAL官方 X 帖（规格与权重承诺）OFFICIALArtificial Analysis 模型页（指数 55、v4.3.2）MEDIAArtificial Analysis 的 X 帖（Cyber Index）VentureBeat：价格与权重/许可待定MEDIASimon Willison：价格与 AA 分数MEDIA上一代 Kimi K3 模型卡OFFICIALArtificial Analysis：Intelligence Index v5 公告MEDIA |
| GPT-6.1 Terra | OpenAI | 10-27 | 官方页未写参数规模和上下文长度；定位是快而省的一档（GPT-5.6 Terra 的后继，比 GPT-6.1 Sol、GPT-6 Astra 便宜） | 10-26 起在 ChatGPT Work 和 Codex 对 Plus、Pro、Enterprise、Edu 用户开放；API 型号 gpt-6.1-terra；标准 API 价格每百万 token 输入 1 美元、缓存输入 0.05 美元、输出 5 美元（官方页）；官方写这比 GPT-5.6 Terra 和 GPT-6.1 Sol 的标准 API 价格低 50%，AA 记的 GPT-5.6 Terra 是输入 2、输出 12 美元 许可：闭源，仅 API 与 ChatGPT 产品 | 定位：更清晰的写作、更细的视觉推理和更准的电脑操作；官方写在 Agents’ Last Exam 上，中等推理强度比 GPT-5.6 Terra 高 15 个百分点、成本约三分之一，与 GPT-6 Astra 相当而每 token 价格只有它的十分之一（厂商自述）官方内部“诱发错误提示”基准上，低推理强度的错误率从 GPT-5.6 Terra 的 53.6% 降到 16.7%，最大强度降到 4.3%；Terminal-Bench 4.0 最大强度 50.3%，GPT-5.6 Terra 公布值 21.5%（厂商自述）官方页写 GPT-6.1 Terra 在 Preparedness Framework 的网络安全方面达到 “Critical” 阈值，并保留 GPT-6 Astra 的防护（官方页，系统卡本刊没有逐条核）独立：AA 指数（v4.3.2，10-26 文章）最大推理强度比 GPT-5.6 Terra 高 6 分，每任务成本 0.40 美元对 1.40 美元；比 GPT-6.1 Sol 低 4 分，比 GPT-6 Luna 高 10 分；Coding Agent Index v2.0 得 48（GPT-6.1 Sol 54）；AA-Omniscience 里“不知道时仍作答”的比例 38%，GPT-5.6 Terra 是 88%（独立，AA 官方文章）独立：AA 10-27 升到指数 v5 后，GPT-6.1 Terra（max）是得分最高的十个模型里每任务最便宜的，0.96 美元；在 FrontierCode 2.0 上和 GPT-6 Astra、Claude Sonnet 5.5 并列 42%（独立，AA 公告） | 官方发布页OFFICIAL官方 X 帖OFFICIALArtificial Analysis：GPT-6.1 Terra 把成本效率前沿往前推MEDIA |
| Gemini 4 Carbon | Google DeepMind | 10-29 | 参数规模未披露；闭源。上下文 1M token，输入文本、图像、视频和语音，输出文本（AA 文章） | 尚未公开可得：先提供给一部分网络防御者，再通过 Fairwind 计划（官方页写目前与全球 650 多家伙伴合作，仅限防御和学术研究的双重用途任务）逐步放给更多可信伙伴；开发者、企业、消费者“as soon as possible”，没有日期。公告写发布时的介绍期价格是输入 2 美元、输出 10 美元每百万 token，缓存输入再减 95%；脚注写介绍期结束后为 4 美元和 20 美元；AA 的图表按 4/20 标准价算 许可：闭源，仅 Google 自家入口（尚未开放） | Google 自报：AA 智能指数 v5 第一，59；网络安全三项 SEC-bench Pro 88.2%（找漏洞）、ExploitGym 54.8%（利用）、CWE-bench 71.0%（补丁），公告注明是 “evaluated without guardrails”（无护栏条件下测的）（厂商自述）独立：Artificial Analysis 通过 Google 的 API 自己测，Carbon（high 推理档）59，Opus 5.5（max）58、GPT-6 Astra（max）57；AA 页面里未取整是 59.43 对 58.40；9 项评测里 4 项第一（HLE-Diamond、Terminal-Bench-Science、AA-Omniscience、AutomationBench-AA），编程和知识工作不领先；每个指数任务 7.76 美元，比 Opus 5.5（max）低约 23%（独立，AA 文章和模型页）Google 自报：Terminal-Bench 4.0 上作弊成功率降到 0.0%，高危错位警报下降近 80%，对 Argon 把无依据的说法减少约一半；并说正参与美国政府的自愿式发布前模型测试（厂商自述）本刊没有找到 Carbon 的单独 model card；公告只链到上一代 Argon 的安全报告 | Google 官方公告OFFICIALArtificial Analysis：Gemini 4 Carbon 新的第一名MEDIAFairwind 计划（Google DeepMind）OFFICIAL |
| Fern 0.1（Mirendil 的首个模型） | Mirendil | 10-26 | 0.1–0.5T 参数（只给范围）；上下文最高 1,000 万 token（约 23 MB 代码）；输入文本和代码；基座 Mirendil-Base 从零预训练，0.1 版只做了一小轮后训练；同族 Mirendil-Base-Large（0.5–2T）预训练约 80%、Mirendil-Base-XL（2–10T）约 20%（官方） | 没有公开 API、没有权重、没有许可：只能申请早期访问（官方页写 “Access Coming soon”，早期访问表单面向少数团队和研究者） 许可：—（未公布） | 公司背景（公司自述）：2026 年成立的前沿实验室，6-24 宣布 2 亿美元种子轮，a16z 和 Kleiner Perkins 领投，后有 NVIDIA 等投资；创始团队约 20 位来自 Anthropic、xAI、Google DeepMind、OpenAI 的研究员和工程师公司自述（10-21 长文，窗口外）：首个预训练模型由一位研究员 3.5 个月、不到 1,000 万美元算力造出，含 agent 的 token 花费和数据处理；agent 写了 99% 以上的代码；没有蒸馏、没买数据；也写明“不是自主造出来的，是有经验的人用 AI 工具造的”（厂商自述）基准全是 Mirendil 自跑：Fern 0.1 的 Terminal Bench 4.0 只有 6.1（对比表里 Opus 5.5 为 66.4、Kimi-K3 为 12.6），SWE-Bench Verified 73.4（Opus 5.5 98.2）；卖点是长上下文：RULER 在 10M token 处单针 100%、multi-key 检索 91%、多跳 QA 51%（每格 100 例）。官方页 10-27 晚改过图 1、2，引用以现行页为准（厂商自述）没有找到 Fern 的论文、model card 或 API 价格 | 官方发布页OFFICIAL官方长文：Pretraining at scale without a pretraining teamOFFICIALNEO LAB № 64 MirendilSELF |
| 模型 | 开发者 | 发布 | 规模 / 类型 | 可得性 | 要点 | 链接 |
|---|---|---|---|---|---|---|
| Dessa | Block（Jack Dorsey 的公司；Dessa 研究组由多伦多深度学习创业公司 Dessa 的前成员组成，直接向 Dorsey 汇报） | 10-24 | 参数量未披露；全双工语音到语音模型（音频进、音频出） | 没有权重，也没有公开 API。官方页只有演示录音；页面脚本里“Download”按钮提示“Download coming soon”、等候名单提示“The waitlist opens soon”；官方说先给一小群 AI 安全研究员早期访问（Verge 转引）。官方称可在 MacBook Pro M4 Max 及以上本地运行（厂商自述） 许可：—（未公布） | 官方称从零训练，只用人类对话的声音，不用文本、不用预训练模型，是它所知第一个只靠人类语音训练、能做实时真实对话的 AI；称只用一台 NVIDIA GB200 NVL72 训练（厂商自述）全双工：边听边说，会插话和附和；官方称推理快于实时、本地运行要 MacBook Pro M4 Max 或更好；负责人 Ragavan Thurairatnam 的推文说可在消费级 GPU 上跑（The Verge 转引）。官方页还放了它与 OpenAI 的 GPT-Live-1 对话的录音，页面注明对方开发者未参与也未认可（厂商自述）。没有基准分数，没有第三方测评，本刊未试用发布时刻：负责人推文 UTC 10-23 16:38（由推文 ID 反推），The Verge 报道 UTC 19:32；官方页本身没有写日期（负责人 X 帖，The Verge） | 官方页OFFICIALThe VergeMEDIA负责人 Ragavan Thurairatnam 的 X 帖 |
| Hurston-1 | Destined AI（亚特兰大，个人项目；Show HN 作者 Gcarter08） | 10-25 | 约 3.3B（HF 张量合计 3,300,928,512），窄带（电话音质）文本转语音，在 Maya1 上微调 | 开放权重，但 HF 仓库设了“自动审批”（gated: auto，需登录并同意条件才能下载）；首个版本，作者说下一版在做 许可：Apache-2.0（HF 标签与作者的 Show HN 帖；模型卡正文设了下载门槛，本刊没有核到） | 作者自述：用自己收集的 1,800 多小时、2 万多人授权同意的语音数据中的 136 小时微调 Maya1；面向电话场景的窄带输出，对美国南方口音和非洲地区英语口音更好（作者 Show HN 帖，厂商自述）作者写明的局限：同一声音在不同提示间不保持一致，不支持声音克隆；称它已用于 Amazon、Salesforce 等客户，带来过 50 万美元以上收入（作者自述，本刊未核）发布日以作者的 Show HN 帖为准：UTC 10-25 01:30（美东 10-24 21:30），作者写“This is the first release”；HF 仓库建于 10-15、10-17 最后更新，何时公开无法核实（置信度中）（作者 Show HN 帖，模型卡）HF 元数据：基座 maya-research/maya1，license 标签 apache-2.0（模型卡） | HF 模型页OFFICIAL作者的 Show HN 帖 |
| NVIDIA Nemotron 3.5 Transcribe（30B-A4B） | NVIDIA | 10-28 | 模型卡：约 34B 总参数、约 4.3B 激活（含音频编码器；语言骨干约 3.5B 激活，音频编码器约 0.8B）；官方博客写“约 30B、约 4B 激活”。Mamba-2–Transformer 混合 MoE 语言模型，外接 Transformer ASR 编码器和说话人编码器；单条录音最长 1 小时，上下文 65,536 token | 开放权重：Hugging Face 和 ModelScope 可下载，BF16，另有 FP8、NVFP4 版；也上 Build.Nvidia.com 和 NGC；模型卡列 1 张 H100 80GB 作部署目标。同时放出 Granary v2 数据集和 NeMo 微调配方。只能离线转写，不是实时流式 许可：OpenMDW-1.1（HF 卡片 license_name 为 openmdw-1.1，标签 other）；模型卡写可用于商用和非商用，需遵守该许可和所含第三方组件的许可；条款本刊没有逐条核 | 能力：一个检查点做 40 种语言的转写、31 种语言与英语互译、13 种语言的说话人归属，可以用自然语言提示控制输出，最多标 8 位说话人，还能做音频问答（官方博客）NVIDIA 自报：HF Open ASR 榜英文赛道开放权重第一，平均词错率 5.33%（官方博客）；模型卡里同一榜单九个数据集的均值写 4.71%，长音频 10.98%、多语 4.62%（模型卡）——两处口径不同，本刊没有对齐，引用请带出处官方博客转述 Artificial Analysis：AA-WER 2.8%，开放权重并列第一（本刊没有在 AA 页核到）局限：模型卡写这是离线模型，内部分块不等于实时流式；音频理解、推理和口语指令遵循只在英文上评测；少数情况下生成会循环，建议后处理折叠重复（模型卡） | 官方博客（Hugging Face）OFFICIALHugging Face：模型卡OFFICIALGranary v2 数据集OFFICIAL |
| Hy-SimulMT（30B-A3B，另有 Interleave、FP8、GGUF 版） | 腾讯混元（Tencent Hunyuan） | 10-26 | 总参数约 30.4B（HF 张量合计 30,394,794,496），名称标 A3B（约 3B 激活）；中英双向的实时语音到语音同传，边听边出译文文字和语音，支持实时声音克隆 | 开放权重，不设门槛（HF 未设 gated），同一页有 Interleave 版、FP8 版和 GGUF 版；GitHub 仓库 Tencent-Hunyuan/Hy-SimulMT 提供 SimulInfer 推理服务和 SimulTrain 训练工具，语音输出和声音克隆要另配 TTS 服务；也可在 Hy Translate App 里试用 许可：Apache-2.0（模型卡与 HF 标签） | 做什么：持续接收音频、边说边译，面向会议、演讲、访谈这类现场场景；目标是在译得准和等得短之间找平衡（模型卡）厂商自述：在开源的 RealSI 长音频评测上，StreamLAAL（流式翻译滞后）约 3 秒，是对比系统里最低的；GEMBA 质量分高于对比的开源模型和五个商用 API 里的四个；还拿它和专业同传做了对比。StreamLAAL 不等于第一声语音输出的时间（模型卡，对比对象和图表在卡里，本刊没有复跑）发布日：模型卡 News 写 10-26；HF 和 GitHub 仓库 10-22 就建了，不当发布日（模型卡） | HF 模型页OFFICIALGitHubGITHUBHF 合集OFFICIAL |
| Nemotron-Labs Unified ASR 0.6B背景 · 08-21 | NVIDIA | 08-21 | 约 0.6B；FastConformer RNNT（Parakeet 系）架构，一个模型同时做离线和流式转写；NeMo 库 | 开放权重，不设门槛（HF 未设 gated）；用 NeMo 加载 许可：OpenMDW-1.1（HF 卡片 license_name 为 openmdw-1.1，标签 other） | 模型卡元数据里的离线词错率（NVIDIA 自报）：AMI 7.91%、Earnings22 6.96%、GigaSpeech 8.23%、LibriSpeech test-clean 1.38%同一个模型管离线和流式两种转写（标签 unified-asr、offline-asr、streaming-asr）；训练数据列了 Granary、YTC、Yodas2、LibriLight、LibriSpeech 等公开语料（模型卡元数据）发布时间线：HF 仓库 8-21 建，10-23 和 10-27 仍有更新；官方发布稿本刊没有核到（HF 提交记录） | HF 模型页OFFICIAL |
| 模型 | 开发者 | 发布 | 规模 / 类型 | 可得性 | 要点 | 链接 |
|---|---|---|---|---|---|---|
| Hy-Nomas（附 Diffusers 版） | 腾讯混元（Tencent Hunyuan） | 10-24 | 视频世界生成模型：分段自回归的 MMDiT（54 个双流块，隐层 2,048）+ Qwen2.5-VL-7B 的语言部分做文本编码器 + 相机控制模块 + PixelUMM 视频解码器；蒸馏版 8 步去噪，720×1280、24 FPS。总参数量模型卡没写（Diffusers 版仓库 HF 张量合计 8.55B，含哪些组件未核） | 开放权重 + 代码（GitHub Tencent-Hunyuan/Hy-Nomas）+ 在线 demo + Hy-Nomas-Bench（4 套基准共 280 个用例）。标准配置要 8 卡序列并行；另有 INT8 DiT + FP8 解码器 + CPU 卸载的单卡配置，可在一张 RTX 4090 上做视频推理；技术报告标“Coming Soon” 许可：Apache-2.0（模型卡与 LICENSE；Qwen 文本编码器等第三方组件各按其许可） | 支持多轮自由文本交互加相机轨迹控制，一段一段地生成“世界”，用持久的 KV cache 保持上下文；附电影感、双臂机器人两个 LoRA（后者用 RealSource-World 真实机械臂数据训练）（模型卡）模型卡没有给任何基准分数，只发布了自家的 Hy-Nomas-Bench 数据集；效果没有第三方测评，本刊未试用官方发布帖：腾讯混元 X 帖 UTC 10-23 17:00:00（北京 10-24 01:00，整点，像是定时发布），模型卡徽章链到这条帖子。HF 仓库 API 建仓日是 10-21，但提交记录里首个提交在 10-23 11:18 UTC，LICENSE 和中英文模型卡是 20:25 到 21:50 UTC 才补上，Diffusers 版 10-24 才建（模型卡） | HF 模型页OFFICIAL官方 X 帖OFFICIALGitHubGITHUB项目页与 demoOFFICIAL |
| Metatron v1（Unitree G1 人形机器人的统一控制策略） | NVIDIA | 10-27 | MaskedMimic 风格的 Transformer 学生策略，控制 Unitree G1 的 29 个关节；原生 PyTorch 检查点 459,455,983 字节；浏览器版是 ONNX 导出（单机器人的场景与恢复版、六机器人的 G1 Racer 版），两者接口不通用（模型卡） | 开放权重，不设门槛（HF 未设 gated）；原生检查点接入 ProtoMotions，ONNX 版可在浏览器里用 WebGPU 或 WebAssembly 跑；也可用于其他模拟器和真机 G1，但模型卡写明兼容不等于安全认证 许可：NVIDIA Open Model License（模型）；源码 Apache-2.0；训练用的动作片段不在仓库里重新分发 | 行走、场景交互和摔倒恢复由同一个策略完成，没有单独的恢复适配器（模型卡）模型卡没有基准分数；本刊未试用发布日按 HF 仓库首个提交（10-27 21:43 UTC）；NVIDIA 官方发布稿本刊没有核到 | HF 模型页OFFICIALProtoMotionsGITHUB |
| Ideogram Vector边界日 · 10-23（美国 10-22） | Ideogram | 10-23 | 参数量未披露；Ideogram 的第一个矢量模型：文本生成 SVG，或把图片转成矢量（API 型号 ideogram-vector-1） | 闭源，没有权重；Ideogram 应用和 API 可用。官方页价格（每张 SVG）：文生矢量低档 0.13、中档 0.16、高档 0.20 美元，高档带参考图 0.32 美元；图转矢量每张 0.10 美元 | 官方 X 帖称 “Ideogram's first vector model”：由文本提示生成干净、可编辑、渐变平滑、字体锐利的 SVG，或把任意图片转成精细的可缩放矢量；发帖时刻 UTC 10-22 16:03:53，即美东 12:03、北京 10-23 00:03（官方 X 帖，厂商自述）官方页：可在矢量编辑器里调整颜色、选中并改单个形状；接口为 POST /v2/svg/generate/ideogram-vector-1（文生矢量）和 POST /v2/svg/vectorize/ideogram-vector-1（图转矢量）（模型卡）没有找到基准或第三方评测，本刊只核了官方页和官方 X 帖 | 官方模型页OFFICIAL官方 X 帖OFFICIAL |
| OmniVAE（音视频联合 VAE 与 T2AV 生成权重）背景 · 07-26 | OpenMOSS 团队（OpenMOSS-Team） | 07-26 | 模型卡没写参数量；发布包含 VAE 检查点（视频、音频、音视频联合各有重建和蒸馏版）、T2AV 生成用的 DiT 检查点和一个冻结的 Qwen3.5-0.8B-Base 文本编码器 | 开放权重，不设门槛；权重和评测资产在 HF，源码在 GitHub（OpenMOSS/OmniVAE），要设环境变量把两者接起来；公开的生成权重只有文生音视频（T2AV），不含其他任务 许可：Apache-2.0（部分指标包和第三方组件保留各自许可） | 论文题目《OmniVAE: An Audio-Video VAE with Cross-Modal Alignment for Joint Generation》：在 VAE 里对齐音频和视频，再用扩散模型联合生成；发布里附 VerseBench 的验证清单和指标权重，便于复现比较（模型卡）模型卡没有给基准分数；效果没有第三方测评，本刊未试用发布时间线：HF 仓库建于 7-26，论文 arXiv:2607.23855；仓库 10-24 仍有更新，没有官方发布稿（HF 提交记录） | HF 模型页OFFICIAL论文OFFICIALGitHubGITHUB |
| DM0.5（视觉-语言-动作模型，附 lerobot/dm05_base）背景 · 07-09 | Dexmal | 07-09 | HF 张量合计约 5.83B（Dexmal/DM05）；lerobot 版约 5.16B；用于开放世界机器人控制，覆盖开放指令、长程任务、动态干扰和多机器人形态（模型卡） | 开放权重，不设门槛（HF 未设 gated）；OpenDM 仓库提供训练、推理脚本、数据集注册示例和评测流程；另有 LIBERO、RoboTwin2.0、SO101 抓方块、VLA-Arena 等微调检查点 许可：Gemma 许可（HF 标签 gemma） | 厂商自述（模型卡 News）：9-14 在 RoboColiseum 的指令跟随、空间推理、鲁棒性、通用操作四个榜单都排第一；8-25 在 RoboDojo-Sim 榜单总分 24.90、平均成功率 19.34%，记忆赛道领先明显（榜单页本刊没有核）模型卡写它是 DM0 原生具身建模路线的升级版；OpenDM 另附数据集注册示例和评测流程，微调检查点覆盖多个仿真基准和一个真机抓方块任务（模型卡）发布时间线：官方 7-09 发布；lerobot/dm05_base 9-24 才接进 LeRobot，10-23 LeRobot 发帖是接入，不是新发布（模型卡、HF 提交记录） | HF 模型页OFFICIALLeRobot 版OFFICIAL技术博客OFFICIALOpenDM 仓库GITHUBLeRobot 的帖子 |
| Nemotron-Labs-Diffusion-Uni-8B（NLD-Uni）背景 · 10-05 | NVIDIA | 10-05 | 模型卡标题写 8B，HF 张量合计约 18.3B（8 个 BF16 分片），两个数对不上，本刊都不采用；扩散语言模型加专门的视觉组件，混合 Transformer 结构，理解和生成走不同的参数通路（模型卡） | 开放权重，不设门槛（HF 未设 gated），要 trust_remote_code；模型卡写在 H100 80GB、CUDA 12.6 上验证过 许可：NVIDIA Open Source License Agreement（模型卡 GOVERNING TERMS，链接指向 nvidia/NL-Diffusion-Image 仓库的 LICENSE；HF 标签没写许可，条款本刊没有核） | 一个统一的多模态模型：读图并回答、文生图、按指令改图；文本可用自回归或分块扩散解码（模型卡）模型卡没有基准分数；本刊未试用发布时间线：HF 仓库 10-05 建，10-28 仍有更新；官方发布稿本刊没有核到（HF 提交记录） | HF 模型页OFFICIAL |
收什么：每期窗口内发布或开放的主要新模型，按「读者会怎么找」分类，不按公司分。草稿模型（投机解码的草稿头）单列，不当独立模型。
发布日：以官方公告或模型卡上的日期为准，不是 Hugging Face 仓库的创建日——仓库往往先建后发，同一个模型的仓库日期可以比公告早一两个月。美国晚上发的，北京时间已是第二天，以官方页面写的日期为准。
规模与许可：规模写原话和口径（MoE 写总参数和激活参数）；许可写原文名，非商用、年收入门槛、署名要求都不等于 OSI 开源，会在可得性里写明。
要点后的括号：「模型卡」是规格和许可类事实来自模型卡 / 官方文档本身；「厂商自述」是基准、速度、成本等各家自报的数，本刊不重跑；「独立」是第三方榜单或媒体实测。文档、博客互相矛盾时两个数都写，不选一个。
可得性分两档：「开放权重」是权重能下载（含需申请、非商用的）；「仅 API / 闭源」是只能经 API 或订阅用，包括官方说要开放、但权重还没放出的。后来权重放出或许可变了，在这里改，不等下一期。
没收的：每期视图底部写了那一期核过但没列入的（不是窗口内新发布、只是旧模型的修订或量化版、不是权重、没核到日期或发布稿）及原因。
EP.90 到 EP.107 是补录的（2026-10-23 补 EP.101 到 107，2026-10-28 补 EP.90 到 100）：只收当期页面里提到的模型发布，窗口内页面没提到的不在此列；从 EP.108 起每期都有「本周新模型」栏目，按窗口全量核实。