Mistral Large 4（Le Chonk）登陆 Hugging Face：1T 参数 MoE 多模态开源权重模型
Hugging Face 发布 Mistral Large 4（Le Chonk）的上线博客，模型为多模态多语言 MoE 架构，总参数约 1T、激活 49B、上下文窗口 1M token。
推荐理由：原文给出架构细节、网络安全能力分数和各硬件实测吞吐，读者可据此评估该开源权重大模型的部署门槛与适用场景。
#Hugging Face
Hugging Face 官方团队博客精选AI 评分8181 OpenMOSS / 复旦NLP / 上海创智 / MOSI精选AI 评分7171 OpenMOSS 发布开源图像生成模型 MOSS-Image，主打长文本渲染与可编辑布局
OpenMOSS 发布开放权重图像生成模型 MOSS-Image，采用 5B 参数单流 DiT 从零预训练，支持最长 4K token 提示词、中英文长文本渲染和可编辑的 JSON Layout。
推荐理由：原文给出长文本渲染与布局评测数字及开放权重部署路径，读者可以据此判断它在文字密集图像任务中的适用边界。
MiniMax (official)@MiniMax_AI精选AI 评分6969MiniMax 宣布 M3.1 Flash 权重公开，总参数 428B、每 token 激活 23B，提供 Hugging Face 和 ModelScope 下载。
引用MiniMax (official)@MiniMax_AIMiniMax M3.1 Flash：太空级性能 + 兔子级速度 🚀🐰 没错，Space Bunny——曾以 200T+ tokens 登顶全球排行榜——正是 M3.1 Flash 的早期版本。 💰重新定义智能体 AI 的性能经济学。M3.1 Flash 在 Cowork（Automation-Bench：62%；ALE：30%）、编程（DeepSWE：74%）和视觉推理（BabyVision：91%）等关键任务上达到前沿级智能水平，成本仅为 M3 的 1/3，速度提升 3 倍。 API 定价（统一费率）：每 1M 输入/输出 tokens 分别为 $0.15 / $0.60，缓存读取为 $0.015 / 1M tokens。 模型权重将于 10 月 23 日发布。 API：http://platform.minimax.io M Plan：https://www.minimax.io/m-plan MiniMax Code 桌面版：https://agent.minimax.io/download
推荐理由：官方公布权重开放和关键基准分数，并说明稀疏注意力等效率设计，可据此评估其在智能体与编码任务上的性价比。
Hugging Face 官方团队博客精选AI 评分7272 Reflection 发布开源 MoE 模型 Beam 501B，Hugging Face 提供部署与微调指南
Reflection 首个开源模型 Beam（reflectionai/Beam-1.0-501B-A23B）上线 Hugging Face，是 501B 参数、每 token 激活 23B 的 MoE 模型，支持 1M token 上下文，采用 Apache 2.0 许可，主打编码和智能体场景。
推荐理由：原文给出架构细节、三档精度 checkpoint、完整评测数据和部署与微调配方，读者可以据此评估在自有硬件上落地的方式。
Hugging Face 官方团队博客精选AI 评分8686 Meta 发布开源权重多模态 MoE 模型 Muse Spark Open，总参数约 816B
Hugging Face 团队介绍 Meta 的开源权重模型 Muse Spark Open：这是一个 MoE 架构的多模态模型，总参数约 816B、每 token 激活约 42B，支持文本、图像、音频和视频输入，上下文窗口最高 1M token，提供 BF16（约 1.5 TB）和面向 NVIDIA Blackwell 的 NVFP4 两种 checkpoint。
推荐理由：文章给出模型架构细节、多平台部署配方和完整微调数据，读者可据此评估部署成本与使用方式。
Hugging Face 社区博客精选AI 评分6262 Ai2 开源科学报告生成模型 AstaBrief 8B 及其训练数据
Ai2 开源基于 Qwen3-8B 的科学报告生成模型 AstaBrief 8B 及训练数据，该模型将研究问题和检索到的文献片段一次性生成带引用的报告，已作为 Fast 模式上线 Asta 的报告生成功能。
推荐理由：原文给出完整训练配方、引用质量过滤信号和速度对比数据，读者可以借鉴其用数据质量替代复杂优化的做法。
Hugging Face 社区博客精选AI 评分6767 NVIDIA 发布开源表格基础模型 Kumo Tabular，在 TabArena 等四项基准排名第一
NVIDIA 发布开源表格基础模型 Kumo Tabular，对带标签表格做单次前向推理即可完成分类和回归，无需训练、调参或特征工程。
推荐理由：官方技术博客披露了架构、纯人工数据预训练配方和四项基准成绩，读者可据此评估其替换梯度提升树的可行性。
Hugging Face 社区博客精选AI 评分7171 H Company 发布 Holo4 智能体模型系列，含 27B 与 35B-A3B 两个版本
H Company 发布通用计算机使用智能体模型系列 Holo4，含 27B dense 和 35B-A3B MoE 两个尺寸，并基于 Nemotron 3 Nano Omni 推出 Holotron4 Nano。
推荐理由：原文给出跨 GUI、代码、MCP 和 API 的统一智能体模型设计、基准分数和成本对比，并开源权重与轨迹数据，读者可评估其实际可用性。
clem 🤗@ClementDelangue精选AI 评分7070引用Artificial Analysis@ArtificialAnlysMiMo-V2.6-Pro 首次亮相，即成为 Artificial Analysis Intelligence Index 上排名第一的开放权重模型（46 分）。每项 Intelligence Index 任务成本为 $0.13，使其跻身智能水平与每任务成本帕累托前沿。 @Xiaomi 刚刚发布了 MiMo-V2.6-Pro，这是一款开放权重模型，相比其前代 MiMo-V2.5-Pro（Intelligence Index：26），在智能水平上取得了重大进步。尽管有所提升，它仍保持了同样具有吸引力的定价：每 1M 输入 token 为 $0.435（含 99% 缓存命中折扣），每 1M 输出 token 为 $0.87。这使 MiMo-V2.6-Pro 成为部署成本效益最高的模型之一。 MiMo-V2.6-Pro 是一款 MoE 模型，总参数量为 1.02T，激活参数量为 42B。敬请期待对该模型的更多分析。 在此查看 MiMo-V2.6-Pro 的完整基准测试详情：https://artificialanalysis.ai
推荐理由：借 Artificial Analysis 的评测数据说明 MiMo-V2.6-Pro 的智能指数与成本位置，读者可据此评估其部署性价比。
Z.ai@Zai_org精选AI 评分6565推荐理由：开放权重让需要私有化部署的编码智能体与安全防御场景可以直接下载、运行和定制模型，不再受闭源 API 限制。
Qwen：Blog Retrieval精选AI 评分8383 Qwen3.8-Flash-Next 开源：Qwen4 架构早期预览
通义千问开源 Qwen3.8-Flash-Next，一款多模态 MoE 模型，也是 Qwen4 架构的早期预览。该模型采用 GDN + QSA 混合注意力等四项升级，总参数 125B，每 token 激活 6B，训练成本约为 Qwen3.7-Plus 的 1/9，编码与办公任务能力更强。
推荐理由：这次提前开放 Qwen4 架构权重，关键在于 QSA 稀疏注意力与 N-gram 查表参数同时降低长上下文成本、扩大容量，为评估下一代模型提供早期样本。
公众号：腾讯混元精选AI 评分6767 腾讯混元将端侧翻译模型 Hy-MT2-1.8B 压缩至 440MB，已落地哔哩哔哩直播弹幕翻译
腾讯混元将端侧翻译模型 Hy-MT2-1.8B 通过 2-bit 与 1.25-bit 量化方案压缩至 574MB 和 440MB，翻译质量几乎无损，在 FLORES-200 上优于 Microsoft Translator 等商业 API。该模型已联合英特尔完成 x86 适配，并在哔哩哔哩直播弹幕实时翻译中落地，单条弹幕翻译耗时 500~800ms。
推荐理由：相比精度数字，这套量化给出 x86 优化和直播弹幕实测数据，让端侧替代云翻译 API 的成本与隐私权衡有了可对照的工程基线。
Hugging Face 社区博客精选AI 评分6464 Liquid AI 发布 LFM2.5 系列 QAD Q4_0 量化检查点，恢复 97% 精度损失
Liquid AI 发布基于量化感知蒸馏（QAD）训练的 LFM2.5-230M、350M、1.2B-Instruct 和 2.6B 四款 Q4_0 GGUF 检查点，在保持原生 Q4_0 内存与速度的同时，恢复 BF16 平均精度损失的 97%。
推荐理由：QAD 量化蒸馏恢复 Q4_0 模型九成六以上 BF16 精度，对应树莓派和手机等边缘设备，在保持低内存与高吞吐的同时缩小与全精度模型的差距。
公众号：小红书技术精选AI 评分7979 dots3-note Preview 开源：280B 参数轻量模型，主打长程智能体与多模态推理
小红书技术开源 dots3-note Preview，这是 dots3 系列最轻量模型，总参数 280B、激活参数 16B，支持 512K 上下文及文本、视觉、语音多模态理解，并针对复杂推理和长程 Agent 任务优化。
推荐理由：除开源模型外，TEMPO 让同一智能体在每个宏观步骤切换为 critic，用测试时推理估计回报，给稀疏奖励长程任务的强化学习训练提供了可借鉴的结构。
蚂蚁 inclusionAI：HuggingFace 新模型精选AI 评分6565 蚂蚁 inclusionAI 开源 Ling-3.0 系列语言基础模型
蚂蚁 inclusionAI 开源 Ling-3.0 系列语言基础模型，含 tiny 与 flash 两个尺寸及预训练、中期训练、合并（WSM）等阶段检查点。该系列采用混合线性注意力与稀疏 MoE 架构，总参数 7.9B，每 token 仅激活 1.3B 参数（128 个路由专家中激活 8 个）。
推荐理由：用加权检查点合并替代学习率衰减，让基座模型更适合持续预训练，也为验证不同衰减曲线省去重复实验。
蚂蚁 inclusionAI：HuggingFace 新模型精选AI 评分6363 蚂蚁 inclusionAI 开源 Ling-3.0 系列高效语言基础模型
蚂蚁 inclusionAI 开源 Ling-3.0 系列高效语言基础模型，并发布预训练、中期训练及合并（WSM）等阶段的检查点，支持继续预训练、微调与研究。Ling-3.0-tiny-base 采用稀疏 MoE 架构，含 128 个路由专家，每 token 仅激活 1.3B 参数，总参数量 7.9B，并原生混合线性注意力以高效处理长上下文。
推荐理由：它把学习率衰减替换为加权检查点合并，基座模型更适合持续预训练和数据扩展，做继续预训练或领域微调时可复用这一训练策略做离线探索。
蚂蚁 inclusionAI：HuggingFace 新模型精选AI 评分6464 蚂蚁 inclusionAI 开源 Ling-3.0 系列高效语言基座模型
蚂蚁 inclusionAI 开源 Ling-3.0 系列语言基座模型，采用高度稀疏（1/64）MoE 架构，含 512 个路由专家，每个 token 仅激活 8 个路由专家和 1 个共享专家，激活参数仅 5.1B（Non-emb）。
推荐理由：WSM 合并替代学习率衰减，让持续预训练和动态数据扩展不必为每种衰减策略重跑训练，降低实验成本。
蚂蚁 inclusionAI：HuggingFace 新模型精选AI 评分6868 蚂蚁 inclusionAI 开源 Ling-3.0 系列高效语言基础模型
蚂蚁 inclusionAI 开源 Ling-3.0 系列语言基础模型，并发布预训练、中期训练及合并（WSM）等多个阶段检查点。该系列采用高度稀疏（1/64）MoE 架构，512 个路由专家中每 token 仅激活 8 个，激活参数仅 5.1B（Non-emb），总参数 124B，并原生结合 KDA 与 Gated MLA 混合线性注意力以高效处理长上下文。
推荐理由：把学习率衰减替换为权重合并并发布训练各阶段检查点，使持续预训练与不同衰减策略的离线比较不必逐次重跑，降低实验成本。
蚂蚁 inclusionAI：HuggingFace 新模型精选AI 评分6464 蚂蚁 inclusionAI 开源 Ling-3.0 系列高效语言基座模型
蚂蚁 inclusionAI 开源 Ling-3.0 系列语言基座模型，采用高度稀疏（1/64）MoE 架构，512 个路由专家中每 token 仅激活 8 个，总参数量 124B，激活参数仅 5.1B。该系列原生融合线性注意力，并以加权检查点合并替代传统学习率衰减。此次发布包含预训练、中期训练及合并（WSM）等多个训练阶段的检查点，支持继续预训练与微调，模型采用 MIT 许可证。
推荐理由：把训练中间态作为可下载 checkpoint 开放，配合 WSM 合并替代学习率衰减，做继续预训练或 MoE 研究时可从中间阶段开始，省去重复前置训练成本。
公众号：蚂蚁百灵精选AI 评分7575 Ling-3.0-tiny 正式开源：1.3B 激活参数如何进入真实任务
蚂蚁百灵开源 Ling-3.0-tiny，一款总参数 7.9B、每 Token 仅激活 1.3B 参数的原生混合推理模型，同步提供 BF16、FP8 和 INT4 三个版本。
推荐理由：1.3B 激活参数在 Mac 上实测首 Token 低于 100 毫秒，比只看参数量的轻量叙事更有参考价值，端侧 Agent 的落地边界因此更具体。