智元发布GO-3 Preview，计划2026年底全面开源GO-3 Preview与Genie Master
智元在2026智元创新日发布新一代具身基座模型GO-3 Preview。联合创始人、联席总裁兼具身业务体系总裁姚卯青透露，智元计划于2026年底全面开源GO-3 Preview和具身智能体框架Genie Master。
推荐理由：智元公布GO-3 Preview与Genie Master的开源计划，给出2026年底这一时间节点，便于判断具身模型与智能体框架的开放节奏。
#开源生态
36氪精选AI 评分5252
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。
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。
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7979 模思智能与OpenMOSS开源5B参数生图模型MOSS-Image，4天获130万次下载
模思智能与OpenMOSS团队开源5B参数生图模型MOSS-Image，4天在海外社区获130万次下载，GitHub达1.4k Stars。模型采用从零预训练的单流扩散Transformer架构，以DiT为主干，结合冻结的Qwen3.5-9B文本编码器与FLUX.2 VAE，重点优化中英文文字渲染、JSON Layout和最长4096 tokens复杂提示词。
推荐理由：文章汇总MOSS-Image的文字渲染、布局控制和长提示词数据，并梳理加速、量化与推理适配，可用于判断其实际可用性。
HF Daily Papers精选AI 评分5151 IQuest-Q1 论文：提出并开源面向智能体 CLI 的稀疏 MoE 基础模型
论文提出并开源 IQuest-Q1，一款面向智能体 CLI 系统的稀疏 MoE 基础模型，总参数量 320B，激活参数量 15B。模型通过预训练、中训和后训练三阶段训练，后训练结合 SFT、领域专用 RL 和 MOPD，并通过模型合并整合不同专家与检查点。arXiv 论文地址为 https://arxiv.org/abs/2610.30949。
推荐理由：论文拆解了预训练、中训和后训练三阶段方案，并披露总参数与激活参数，便于对照理解智能体编码基础模型的构建路径。
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。
量子位精选AI 评分6565 星辰通用人工智能实验室发布并开源意图理解模型Xing4.0-29B-Intent
星辰通用人工智能实验室发布并开源意图理解模型Xing4.0-29B-Intent，并提供275.3万条监督微调训练语料、模型权重和官方推理镜像。模型结合意图识别与参数抽取，采用统一模式驱动语义解析框架 USP 输出 JSON，已开始应用于电信万号客服和智能家居音箱。本次由技术团队开展的评测中，模型完整抽取总分58、类别决策总分70，均高于本次参评模型；结果仅反映本次数据和测试设置。
推荐理由：文章提供完整抽取和类别决策两组评测及参评模型明细，读者可比较模型在意图识别、参数抽取和负例误报上的差异。
Hugging Face Blog精选AI 评分7474 NVIDIA 发布无需任务特定训练的 Kumo Relational 关系型基础模型
NVIDIA 发布预训练关系型基础模型 Kumo Relational，连接数据库并描述预测目标后，可在一次前向计算中直接生成结果，无需任务特定训练或特征工程。
推荐理由：Kumo Relational直接面向关系型数据库预测，并以41项任务结果对照监督学习和专家特征流水线，呈现免任务训练的结构化数据建模路径。
量子位精选AI 评分6060 MemT 1.0系列开源发布，在模型层实现原生记忆
MemT团队开源发布MemT 1.0系列，在选定Transformer模块中加入并行记忆分支，将经验编码为内部动态状态并学习其写入、更新和读取。
推荐理由：MemT 1.0的架构拆解与SWE-bench Verified对照，呈现了原生记忆在成功率、重复运行可靠性和持久状态占用上的具体差异。
36氪精选AI 评分5454 MiniMax认领Space Bunny，M3.1 Flash即将发布
MiniMax官方账号发布配文为Welcome back, Space Bunny的短视频，被视为认领此前匿名的Space Bunny模型，标题另称M3.1 Flash即将发布。该模型自9月下旬上线后3天内登顶OpenRouter和OpenCode的Token日调用量榜首，与DeepSeek V4.1 Flash、GLM 5.3 Flash共同占据前三。
推荐理由：Space Bunny在OpenRouter和OpenCode上线3天即登顶Token调用量榜，与DeepSeek、GLM Flash并列前三，可作为该模型实际使用热度的参考。
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。
Hugging Face Blog精选AI 评分5555 IBM Granite Switch 4.1 发布，把对话、决策与语音识别统一到同一端点
IBM Granite 团队发布 Granite Switch 4.1 的 8B 与 30B 模型，把对话、通用与安全决策以及语音识别合并到同一端点，整体显存占用与基座模型接近。
推荐理由：文章介绍了 Granite Switch 4.1 如何用 aLoRA 把对话、决策与语音识别合并到单一端点，并给出与 Jev 等模型的推理速度对比，读者可据此评估这种组合架构的实际收益。
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》
The Decoder同事件AI 评分6969 Black Forest Labs 开源图像模型 FLUX 3 Image Klein，最低 8GB 显存可运行
Black Forest Labs 发布开源图像模型 FLUX 3 Image Klein，参数量 5.6B，支持文生图、图像编辑和最多 10 张参考图生成，并原生输出 4K。
同一件事，精选收录的是《Black Forest Labs 发布 5.6B 参数开源文生图模型 FLUX 3 Image Klein》
NVIDIA Blog精选AI 评分7272 NVIDIA 开源 Nemotron 3.5 Super VL 与 Bolt 74B-A9B 24GB、Bolt E4B 4GB
NVIDIA 发布开源 Nemotron 3.5 Super VL，并推出端侧模型 Nemotron 3.5 Bolt 74B-A9B 24GB 和 Nemotron 3.5 Bolt E4B 4GB，覆盖从企业服务器到本地及边缘设备的智能体部署。
推荐理由：三款模型覆盖企业服务器到 4GB 端侧设备，并给出参数规模、速度、基准与部署路径，便于比较不同智能体场景的选型。
Hacker News同事件AI 评分6161 Liquid AI 发布 LFM2.5-24B-A2B 推理模型，主打端侧高速 agent 推理
Liquid AI 发布 LFM2.5-24B-A2B 推理模型，主打端侧与 GPU 上的高速 agent 推理。
同一件事，精选收录的是《LiquidAI发布端侧推理模型LFM2.5-24B-A2B，主打本地智能体》
量子位精选AI 评分7070 面壁智能开源MiniCPM-V 4.7：35B多模态MoE模型3G内存即可在iPhone断网运行
面壁智能与OpenBMB正式开源多模态模型MiniCPM-V 4.7，包含35B-A3B（MoE，总参数35B、激活3B）与1B两个版本，其中35B-A3B在iPhone 17 Pro Max上仅占约3G内存，断网状态下解码速度可达每秒13个token以上。
推荐理由：原文给出了35B MoE模型仅用3G内存就能在手机上运行的前瞻专家调度与量化方案，可作为端侧部署的工程参考。
Hugging Face Blog精选AI 评分6262 H Company 发布 Holo4 系列智能体模型与 Holotron4 Nano
H Company 发布 Holo4 系列智能体模型，包含 27B 稠密版和 35B-A3B MoE 两个规格，基于 Qwen 基座训练，可通过 GUI、代码、MCP 和 API 与软件交互。
推荐理由：在 OSWorld 2.0 等基准上以远小于闭源前沿模型的参数量逼近头部表现，并开源权重与完整训练轨迹供复现。
Latent Space精选AI 评分7575 小米开源原生全模态大模型 MiMo-V2.6-Pro，总参数 1.02T / 激活 42B
小米发布 MiMo-V2.6 系列原生全模态开源模型，旗舰 MiMo-V2.6-Pro 总参数 1.02T / 激活 42B，登顶 Artificial Analysis 开源权重智能指数（46），定价 $0.435/M 输入、$0.87/M 输出 token，采用 MIT 协议。
推荐理由：在各家闭源前沿模型与轻量开源模型之间，小米以原生全模态、MIT 协议和 $2.6M 的 RL 后训练给出了开源权重的对照样本。
Google Research精选AI 评分6464 TimesFM-3：Google Research发布支持多变量零样本预测的时序基础模型
Google Research发布时序基础模型TimesFM-3，首次原生支持多变量零样本预测。模型拥有3.3亿参数，在超过1万亿时间点的真实与合成数据上预训练。
推荐理由：对比了TimesFM-3与Chronos-2、Toto 2.0等模型在Gift-Eval等基准上的排名，读者可据此了解多变量时序基础模型的当前能力。
Hugging Face Blog精选AI 评分6464 IBM Granite 4.2 推理模型构建详解：从预训练到多阶段 RL
IBM 发布 Granite 4.2 推理模型系列，提供 3B/8B/30B 三种 dense decoder-only 规格，以 Apache 2.0 开源。
推荐理由：详细拆解了 Granite 4.2 的架构与多阶段 RL 训练流程，包含 GRPO 异步训练和真实环境智能体 RL 设计，可作为开源推理模型训练方法参考。
智谱 GLM精选AI 评分7171 智谱发布开源模型 GLM-5.3，强化编码与漏洞利用能力
智谱发布开源模型 GLM-5.3，与 GLM-5.2 共享基座，全部增益来自后训练。在自研 Z.ai Code Bench 上较 GLM-5.2 提升 50%，并在 Terminal Bench 3.0、Agents' Last Exam、CyberGym 取得开源 SOTA。
推荐理由：在同一份基准表中与八款模型横向打分，并附详细评测参数与防作弊设置，便于直接复现同口径对比。
智谱 GLM精选AI 评分7070 智谱发布 GLM-5.3-Flash 多模态模型，320B 总参数 18B 激活
智谱发布 GLM-5.3-Flash，是 GLM-5 系列首个原生多模态模型，总参数 320B、激活 18B，价格为 GLM-5.2 的十分之一，编码与智能体基准接近 Claude Opus 4.8。
推荐理由：读者可以横向比较 GLM-5.3-Flash 与 Claude Opus 4.8 在编码与智能体基准上的差距，并参考其混合注意力与稀疏激活设计评估部署成本。
Hugging Face Blog精选AI 评分7474 Meta 开源 30B 多模态模型 Muse Glimmer，主打本地智能体场景
Meta 发布并开源 30B 多模态模型 Muse Glimmer（Apache 2.0），由 Muse 蒸馏而来，主打本地智能体场景，由 Hugging Face 在发布当日同步接入 transformers、llama.cpp、vLLM 与 Inference Endpoints，并支持基于 DFlash 的推测解码加速。
推荐理由：原文汇总 30B 多模态模型的关键基准、DFlash 加速与同日多框架支持，便于评估其在本地智能体工作流中的可用性。
MiniMax精选AI 评分6060 MiniMax 开源 Music 3 音乐生成模型，支持最长 5 分钟完整歌曲
MiniMax 开源发布 Music 3 音乐生成模型，可根据歌词和音乐描述生成长达 5 分钟的 32 kHz 立体声 WAV 完整歌曲。模型采用 8B Global LLM 与 0.6B Local LLM 的分层自回归架构，Global LLM 由 Qwen3-8B 初始化，并配合 Flow Matching 与 Flow-VAE 的连续隐状态合成模块。
推荐理由：给出了 8B Global LLM 与 0.6B Local LLM 的分层架构与 Flow Matching 合成路径，便于参考音乐生成模型的工程设计。
Google DeepMind精选AI 评分6868 Google DeepMind 开源 WeatherNext 2 与 WeatherNext Cyclones，气旋预报提前量提升超一天
Google DeepMind 在 Nature 论文中宣布其 WeatherNext AI 模型在气旋路径、强度和风结构预报上取得 state-of-the-art 准确度，其三天预报质量相当于此前模型的两天预报，平均带来超过 24 小时的预报提前量，约等于过去二十年气象领域的十年进步。
推荐理由：WeatherNext Cyclones 把气旋路径和强度的预报提前量提升超过一天，并已开源代码与权重，可被气象机构直接用于业务预报。
MiniMax精选AI 评分7272 MiniMax 在 Hugging Face 开源发布全模态生成系统 MiniMax-H3
MiniMax 在 Hugging Face 开源发布全模态生成系统 MiniMax-H3，统一理解文本、图像、视频与音频，并可生成最高 2K 分辨率、最长 15 秒且含原生立体声的视频。
推荐理由：原文给出 H3 三模块拆分、33B Omni-Transformer 架构与 SGLang、diffusers 部署命令，便于复现 768p 与 2K 生成流程。
阶跃 StepFun精选AI 评分7070 阶跃开源 Step 3.5 Flash 基座模型，总参数 196B 每 token 激活约 11B
阶跃（StepFun）开源 Step 3.5 Flash 基座模型，总参数 196.81B，每 token 激活约 11B，采用稀疏 MoE 与 3-way Multi-Token Prediction（MTP-3）。
推荐理由：原文给出了 11B 激活参数下的稀疏 MoE 设计与多模型基准对比，可用于评估开放模型的推理与 Agent 能力边界。
Kimi (Moonshot)精选AI 评分7979 月之暗面发布开源思考模型 Kimi K2 Thinking
Kimi K2 Thinking 是月之暗面（Moonshot AI）发布的开源思考模型，采用 MoE 架构，总参数 1T、激活 32B，原生支持 256k 上下文与 INT4 量化推理。
推荐理由：给出了K2 Thinking在推理、Agent搜索和代码任务上与GPT-5等多款主流模型的对照成绩，便于横向比较当前开源思考模型的水平。