LongCat-2.5 发布，聚焦智能体任务的原生多模态能力
LongCat-2.5 发布，面向智能体任务采用原生多模态路线。相关介绍见原文：https://longcat.ai/blog/longcat-2.5/。
同一件事，精选收录的是《美团发布 LongCat-2.5 原生多模态大模型，总参数 1.6 万亿》
#多模态
Hacker News同事件AI 评分3838
36氪精选AI 评分5555 度小满、香港科技大学与HKGAI联合发布轩辕4.5金融增强大模型
在2026香港金融科技周开幕式上，度小满、香港科技大学与HKGAI联合发布轩辕4.5金融增强大模型，包含大语言模型和多模态模型。轩辕4.5将自进化RSI技术用于模型训练及智能体场景目标适配，在获客、风控、客户经营等核心金融场景实现效果提升30%，成本仅为通用模型的10%。基于轩辕，度小满已构建上千个智能体、5000余项技能，日均Token使用量超过1000亿。
推荐理由：轩辕4.5将自进化RSI用于模型训练与智能体适配，并给出获客、风控等场景效果提升30%、成本仅为通用模型10%的对比。
36氪精选AI 评分6666 美团发布 LongCat-2.5 原生多模态大模型，总参数 1.6 万亿
美团发布新一代原生多模态大模型 LongCat-2.5，面向长程智能体任务，总参数量为 1.6 万亿。该模型全程在国产算力上训练，36氪称其是目前国产算力上完成的最大训练任务。评测结果显示，其在多项主流基准中的成绩介于 Claude-Opus-4.8 与 Claude-Opus-5 之间，部分评测超过 Claude-Opus-5。
推荐理由：材料集中给出模型定位、参数量、训练算力来源和基准对标，读者可据此比较其技术定位与相对表现。
量子位精选AI 评分3939 Anthropic 的 Claude Fable 5.5 与下一代 Opus 被曝进入早期测试
Anthropic 的 Claude Fable 5.5 与下一代 Opus 被曝已进入早期测试，线索来自 X、Discord、Azure 模型目录和基准测试平台。
推荐理由：文章汇总了 Fable 5.5 的目录条目、社区图像实测与 Obsidian 3 跑分线索，并讨论 Anthropic IPO 前的模型节奏。
量子位AI 评分7171 国产开源模型 OXR 以 1.3B 参数量登顶三项文档解析榜单
国产开源文档解析模型 OXR 以 1.3B 参数量登顶三项文档解析榜单。在 OmniDocBench、olmOCR-Bench 和 DocParsingBench 上得分分别为 97.18、87.84 和 87.76；后训练采用递归自我改进（RSI），让系统自行找错、归因并生成下一轮训练数据。
36氪精选AI 评分6565 智元在创新日发布 GO-3 Preview、WITA-OMNI 与 AGILE，布局物理 AI 全链路
智元集中发布 GO-3 Preview、WITA-OMNI、AGILE、灵渠OS 1.0与AHA3第三代硬件架构，推进物理 AI 全链路部署。
推荐理由：智元将模型、算法、操作系统与硬件架构纳入同一部署链路，并提出以有效智能工时衡量劳动产出，呈现从能力演示转向实际生产力的完整思路。
Hacker News精选AI 评分8585 Mistral AI 发布 Mistral Large 4 改进版模型权重
Mistral 发布 Mistral Large 4 经强化学习改进后的模型权重；该 1-trillion-parameter 原生多模态模型此前已进入公开预览。
推荐理由：Mistral Large 4 开放权重并提供三档推理模式，同时给出编码与网络安全基准对比，便于开发者评估自部署的性能和成本取舍。
Latent Space精选AI 评分7777 AINews：Google DeepMind 发布 Gemini 4 Carbon，登顶多项榜单并先向网络安全防御者开放
Google DeepMind 发布 Gemini 4 Carbon，将其定位为网络安全与长程任务前沿模型，先通过 Fairwind Program 向可信网络安全防御者开放，并称将尽快扩大开发者访问。
推荐理由：将 Carbon 的独立榜单成绩、网络安全基准、定价和开放条件并列，呈现能力表现与当前可获得性之间的差异。
36氪精选AI 评分4141 腾讯混元 Hy4 与 Hy4 flash 即将发布，首次引入视觉理解
腾讯在 2026 腾讯全球数字生态大会上宣布，混元 Hy4 即将发布，并首次引入视觉理解能力。相比 Hy4 preview，Hy4 强化了长程和真实生产力任务，思维链效率显著提升；Hy4 flash 也将在近期发布。
推荐理由：Hy4 相对 Hy4 preview 的长程任务、真实生产力与视觉理解变化被集中列出，便于对照此次混元升级的具体范围。
The DecoderAI 评分7777 Google DeepMind 发布 Gemini 4 Carbon，距 Argon 推出仅两周，多项基准得分提升
Google DeepMind 发布 Gemini 4 Carbon，在 Artificial Analysis Intelligence Index v5.0 得到 59 分，前代 Argon 为 50 分。
Hugging Face Blog精选AI 评分8080 NVIDIA 发布 Nemotron 3.5 Transcribe 开放权重模型与 Granary v2 多语种数据管线
NVIDIA 发布开放权重模型 Nemotron 3.5 Transcribe，并开放 Granary v2 多语种数据管线；前者集成 40 种语言转录、31 种语言与英语互译、说话人区分和英文音频问答。
推荐理由：原文给出从提示词优化到数据构造、LoRA 微调、检查点选择和评测的完整医疗语音适配流程，可直接用于复现同类场景。
36氪精选AI 评分7171 8点1氪：iPhone Duo内屏开裂可免费换机，A股仅剩贵州茅台一只千元股，外交部回应姆巴佩遭多品牌解约
36氪“8点1氪”在10月28日汇总iPhone Duo内屏开裂免费换机、A股千元股变化、姆巴佩代言解约回应及多项AI进展。OpenAI发布GPT-6.1 Terra，提升视觉推理与计算机操作，标准API价格较GPT-5.6 Terra和GPT-6.1 Sol低50%；Google DeepMind以研究预览形式发布Genie 4，支持提示改变场景并生成匹配模拟世界的实时音频。
推荐理由：将iPhone Duo换机、A股千元股变化、姆巴佩代言解约及多家公司的AI模型进展并排整理，便于对照消费、资本市场和模型发布三类信号。
36氪同事件AI 评分6565 Google DeepMind 以研究预览形式发布 Genie 4，新增实时音频与提示操控
Google DeepMind 于周二以研究预览形式发布世界模型 Genie 4，支持用户用提示改变模拟场景，并生成与模拟世界匹配的实时音频。音频涵盖音乐、环境噪音和互动对话，该模型可生成逼真且具有互动性的世界。数月前，Runway 发布了可玩、动态响应用户输入并包含音频生成的 GWM Worlds 2。
同一件事，精选收录的是《Google DeepMind 发布 Genie 4 多模态世界模型》
The Decoder同事件AI 评分6363 Google DeepMind 发布 Genie 4 实时世界模型，仅向部分测试者开放
Google DeepMind 发布 Genie 4 实时世界模型，通过逐帧计算生成可交互场景，并直接生成环境声音与角色对话。Gemini 3.8 Flash 在后台拆解目标、依据新帧检查步骤并调整计划，Gemini 4 Argon 则被测试用于连接 Gemini Robotics，以纯模拟演示 Apptronik 的 Apollo 人形机器人下棋。
同一件事，精选收录的是《Google DeepMind 发布 Genie 4 多模态世界模型》
Hugging Face Blog精选AI 评分7777 Liquid AI 发布 LFM3 多模态模型家族，六款 2B 级模型共享骨干
Liquid AI 发布 LFM3 模型家族，六款 2B 级模型共享 LFM3-1.7B-Base 骨干，覆盖文本、视觉、音频、全模态和结构化决策。LFM3-1.7B 比 LFM2.5-2.6B 少 35% 参数，文本模型在 4-bit 精度下约占 1 GB并支持 256K 上下文；LFM3-Omni-2B 可接收文本、图像、视频和音频并输出文本或语音。
推荐理由：LFM3 以同一 2B 级骨干衍生六款文本、视觉、音频、全模态与决策模型，并给出单 GPU 微调和端侧部署路径，便于评估小模型专业化方案。
Hacker NewsAI 评分6060 Liquid AI 发布 LFM3 多模态专用智能模型
Liquid AI 发布 LFM3，将多种模态用于专用智能。当前材料仅含标题与链接，未提供参数规模、评测成绩或具体模态信息。
面壁 MiniCPM精选AI 评分5151 面壁发布 MiniCPM-OCR Jev 的 GPTQ W4A16 量化版
面壁发布 MiniCPM-OCR Jev 的 GPTQ W4A16 量化版，将权重体积从约 4.43 GB 降至约 2.41 GB。该 2B 模型接收区域图像和候选 OCR 结果，输出 0 至 1 的正确性评分，可用于自动筛选、人工复核和多 OCR 结果择优。
推荐理由：材料给出量化前后的权重体积、跨模型 AUROC 对比和部署入口，读者可据此评估 OCR 质量筛选的精度与资源取舍。
面壁 MiniCPM精选AI 评分4848 面壁 MiniCPM-OCR Jev 2B 提供 llama.cpp GGUF 量化构建
MiniCPM-OCR Jev 2B 在 Hugging Face 提供面向 llama.cpp 的 GGUF 构建，可对文本、公式和表格区域评分并返回 0 到 1 的质量分数。仓库提供多个量化文件，Q4_K_M 是 1.274 GB 的最小推荐版本，IQ3_XS 为 1.027 GB；另附 llama-server 启动示例，ctx-size 设为 40960。
推荐理由：原文列出多种 GGUF 量化版本、文件体积与 llama.cpp 启动参数，便于部署者按资源条件选择构建并配置服务。
The Verge · AI同事件AI 评分5757 Google 发布 Genie 4 世界模型，支持实时提示词修改和音频生成
Google 发布 Genie 4 世界模型，用于通过 AI 生成交互式体验，支持用自然语言提示词实时修改场景并生成音频。模型以 Gemini 3.8 Flash 驱动模拟，单次可生成约 2 分钟体验，长于 Genie 3 的 1 分钟。
同一件事，精选收录的是《Google DeepMind 发布 Genie 4 多模态世界模型》
TechCrunch同事件AI 评分7676 Google DeepMind 发布 Genie 4 世界模型，支持实时音频和模拟中交互控制
Google DeepMind 以研究预览形式发布 Genie 4 世界模型，可生成与模拟场景匹配的实时音频，并允许用户在模拟过程中输入提示改变场景。Genie 4 可保持场景最长 2 分钟，是 Genie 3 的 2 倍，并支持实时修改天气、镜头角度以及新增人物或物体。
同一件事，精选收录的是《Google DeepMind 发布 Genie 4 多模态世界模型》
Google DeepMind精选AI 评分7272 Google DeepMind 发布 Genie 4 多模态世界模型
Google DeepMind 发布 Genie 4 世界模型，可实时生成视觉、动态交互与原生音频，并通过 Gemini 理解提示、维持场景连贯性。Gemini 3.8 Flash 作为引导智能体分解目标、检查画面并动态调整计划，支持多步骤事件与因果行为模拟。
推荐理由：官方披露了 Genie 4 的实时交互、原生音频与 Gemini 引导机制，并明确列出预览范围和当前局限，便于评估其可用边界。
量子位精选AI 评分6363 SoMark 开源 OXR 1.3B 文档解析模型，三项基准第一且完整解析快于 PaddleOCR-VL-1.6、MinerU2.5-Pro
SoMark 团队正式开源 OXR 文档解析模型，主模型仅 1.3B 参数，在 OmniDocBench、olmOCR-Bench 和 DocParsingBench 上分别取得 97.18、87.84、87.76 分，均居团队公布评测的第一。
推荐理由：三项基准与同条件速度测试并置，读者可据此评估 OXR 的解析精度、速度表现及与对照产品的相对位置。
量子位精选AI 评分8787 GPT-6.1 Terra 发布并开放实测，Agents’ Last Exam 以约十分之一 Token 价格追平 GPT-6 Astra
OpenAI 发布 GPT-6.1 Terra，标准 API 价格较 GPT-5.6 Terra 减半，主打电脑操作与多软件协同。
推荐理由：官方成绩与网友实测均围绕电脑操作、速度和成本展开，清楚呈现 GPT-6.1 Terra 与上一代及旗舰模型的取舍。
量子位精选AI 评分7474 百度文心 Unlimited OCR 2 发布并开源，峰值 KV Cache 占用从 47GB 降至 1.77GB
百度文心 Unlimited OCR 2 正式发布并开源，百页级单序列测试中的峰值 KV Cache 占用从 47GB 降至 1.77GB，减少约96%。SR-SWA按需筛选相关页面和视觉信息，无限解码机制通过分块处理、复用边界页缓存并及时释放其余缓存；16路并发端到端吞吐量从360提升至1315 Token/秒，约为标准解码的3.65倍。
推荐理由：文章通过整本书实测与技术报告，拆解SR-SWA和分块解码的降缓存机制，并对比吞吐量、速度与文档解析质量。
钛媒体同事件AI 评分6969 GPT-6.1 Terra 发布，主打低价与电脑操作能力
OpenAI 发布 GPT-6.1 Terra，主打更低的 API 价格和快速、强大的电脑操作能力。
同一件事，精选收录的是《OpenAI 发布 GPT-6.1 Terra，API 价格降至 GPT-5.6 Terra 的一半》
Simon Willison同事件AI 评分6969 OpenAI 发布 GPT-6.1 Terra，强化视觉推理与电脑操作
OpenAI 发布 GPT-6.1 Terra，这是一款强调视觉推理、精确电脑操作和清晰自然写作的快速高效模型。它面向提案起草、技术图纸理解、表单填写和视频编辑等日常工作，相比 GPT-5.6 Terra 有显著提升。
同一件事，精选收录的是《OpenAI 发布 GPT-6.1 Terra，API 价格降至 GPT-5.6 Terra 的一半》
The Decoder精选AI 评分8888 OpenAI 发布 GPT-6.1 Terra，API 价格降至 GPT-5.6 Terra 的一半
OpenAI 发布 GPT-6.1 Terra，API 输入和输出 token 价格分别为每百万 token $1 和 $5，均为 GPT-5.6 Terra 的一半。
推荐理由：文章对照 API 单价、每任务成本和多项基准，呈现了 GPT-6.1 Terra 相对更大模型的价格优势与性能差距。
量子位精选AI 评分7575 港科大、CMU与岩山科技开源EdgeRock-4B，KV Cache减少99.1%且单卡吞吐达源模型6.42倍
岩山科技旗下岩芯矩阵与港科大、CMU联合发布并开源EdgeRock-4B，256K上下文下KV Cache固定为72MiB，较源模型减少99.1%。在单张Hopper 80GB GPU、32K输入和32K输出下，模型支持512路并发，输出吞吐12124 tokens/s，是Qwen3.5-4B的6.42倍。
推荐理由：文章拆解了EdgeRock-4B以RMA固定KV Cache的机制，并对照Qwen3.5-4B及有界状态模型的吞吐、内存与推理表现。
36氪精选AI 评分6060 Vivix 公开实时交互模型 W1 和 A1，聚焦游戏与直播
Vivix 公开实时交互模型 W1 和 A1，分别面向理解、交互、生成一体化与角色交互场景。W1 在交互场景中生成下一帧画面需 300-600 毫秒，实时生成成本接近 YouTube 每小时约 0.2 美金的 CDN 带宽成本，比当前头部视频生成模型低 1-2 个数量级。
推荐理由：文章用 300-600 毫秒首帧时间及相对头部视频模型低 1-2 个数量级的成本，解释 Vivix 的实时交互路线。
Latent Space精选AI 评分8484 月之暗面发布 Kimi K3.1 Pro，承诺 2026 年 11 月 4 日开放权重
月之暗面发布多模态 MoE 模型 Kimi K3.1 Pro，总参数 2.8T、激活参数 104B，API 已上线，并承诺于 2026 年 11 月 4 日开放权重。
推荐理由：文章把独立基准、厂商宣称与社区推测分开，并结合参数规模、部署门槛和任务成本分析 K3.1 Pro 的竞争力与使用边界。
腾讯混元精选AI 评分7474 腾讯混元发布 Hy-Nomas 交互式视频世界生成模型及 BF16 Diffusers 权重
腾讯混元发布 Hy-Nomas，一款通过文本指令与镜头控制实现自由形式多轮交互的视频世界生成模型，并提供 BF16 Diffusers 权重。模型采用分段自回归 DiT、Qwen 文本编码器和 PixelUMM 视频解码器，以 KV cache 延续上下文；示例使用 4 步去噪，输出 704 × 1280、24 FPS。
推荐理由：模型卡同时给出交互机制、推理参数与基准覆盖，开发者可据此复现多轮视频世界生成，并评估交互控制与空间记忆表现。
腾讯混元精选AI 评分5757 腾讯 WeChat Vision 发布 WeVisOne-VL-4B 统一视觉感知模型
腾讯 WeChat Vision 发布 WeVisOne-VL-4B，将对象级视觉任务与像素级视觉任务统一到同一模型中。模型基于 Qwen3-VL，通过结构化 next-token prediction 和 9.6M 参数轻量像素解码器，支持开放词汇目标检测、指代定位、目标计数、目标指向、OCR、指代分割及可提示 alpha 抠图。
推荐理由：模型将对象级与像素级视觉感知统一到同一架构，公开坐标标记、实例标记和 9.6M 参数像素解码器细节，便于对照研究视觉定位、分割与抠图。
Hugging Face Blog精选AI 评分7171 OlmoEarth v1.3 发布全球卫星嵌入模型、预计算数据与探索工具
OlmoEarth v1.3 发布卫星嵌入模型及全球年度预计算数据，为全球每个 10m 像素提供 64 或 128 维嵌入，并上线 OlmoEarth Embeddings Explorer。
推荐理由：模型不仅开放权重、数据和代码，还提供全球预计算嵌入与浏览器工具，读者可据此评估低算力遥感制图工作流。
腾讯混元精选AI 评分6969 腾讯混元发布 Hy-SimulMT 中英双向实时同声传译模型
腾讯混元发布 Hy-SimulMT，提供中英双向语音到语音实时同声传译，并支持在配置 TTS 后进行实时声音克隆，保留说话者声音特征。模型持续接收音频并同步输出译文文本与语音，面向会议、演讲和访谈等实时沟通场景。
推荐理由：材料给出 RealSI 等基准、与职业译员的小规模对比及完整部署路径，读者可据此判断模型在实时翻译场景中的质量、延迟与可操作性。
NVIDIA BlogAI 评分7676 NVIDIA 扩展面向欧洲行业的开放模型阵容
NVIDIA 扩展面向欧洲行业的开放模型组合，覆盖语言、机器人、生物与量子计算，并支持结合本地数据和自有基础设施部署。
Latent Space精选AI 评分4949 Latent Space 试播 AINews 节目 High Taste Testers 首集，汇总 2026 年 10 月 15 日至 16 日 AI 动态
Latent Space 开始试播 AINews 新节目 High Taste Testers，首期以旧金山午餐对话形式汇总 2026 年 10 月 15 日至 16 日的 AI 动态。
推荐理由：材料横向汇总开放权重模型、推理基础设施、智能体研究和监管提案，并保留基准与部署数字，便于快速扫描近两日 AI 变化。
量子位同事件AI 评分7474 谷歌发布Gemini 4 Argon，强调编程与多模态升级、API限时半价
谷歌正式发布Gemini 4 Argon，强化编程、复杂任务持续执行与多模态能力。第三方Artificial Analysis智能指数中，Argon High与GPT-6 Astra Max、Claude Fable5.1 Max并列53分；同类任务平均成本约1.99美元，比Astra低约39%。
同一件事，精选收录的是《Google 发布 Gemini 4 Argon 前沿模型，定价 $2/$10 每百万 token》
量子位精选AI 评分5454 优必选 Thinker-WM 多模态统一世界模型登顶三大具身基准
优必选发布统一多模态世界模型 Thinker-WM，在 WorldOlympiad、EWMBench 和 WorldArena1.0 三项公认具身世界模型基准中全部取得第一。
推荐理由：文章对比了拼接式与统一表征方案的技术差异，给出 Thinker-WM 在三大基准的具体得分与六大能力模式。
TechCrunch · AI精选AI 评分4242 Elorian 推出首个模型 Glimpse，主打在推理过程中直接操作图像
Elorian 发布首个模型 Glimpse，主打在推理过程中持续回到图像本身做裁切、取帧和执行代码，官方称这一机制为视觉草稿空间。该模型作为研究预览开放 API，聊天界面需申请使用，按官方评测在科学图表推理和短视频描述上结果优于 GPT-6 Astra，输入价格 $0.60/M tokens、输出 $3/M tokens。
推荐理由：原文给出 Glimpse 的视觉草稿空间机制以及与 GPT-6 Astra 等模型的对比数据，便于理解视觉推理与传统多模态模型的差别。
TechCrunch · AI同事件AI 评分6262 Meta 发布可在 Mac 本地运行的开放权重模型 Muse Spark Open
Meta 发布开放权重模型 Muse Spark Open，称其为美国能力最强的开放权重模型，强调可在 Apple Mac 上本地运行。该模型采用 816B 参数与原生多模态设计，配备 1M token 上下文窗口，主打复杂编码与 agentic 任务；本地运行需至少 1TB RAM，在搭载 M5 Ultra 芯片的 Mac Studio 上效果最佳。
同一件事，精选收录的是《Meta 开源多模态 MoE 模型 Muse Spark Open，总参数约 816B、每 token 激活约 42B》