Reflection AI 正式发布其首个前沿开源权重模型 Beam，称在高级推理基准上性能与中国领先开源模型持平，且推理算力消耗低 3-4 倍。Beam 是文本 MoE 模型，总参数 501B、激活 23B，预训练 23.8 万亿 token，上下文窗口 100 万 token；公司称其得分与 Z.ai 的 GLM-5.2 相当，并超过当前西方领先开源模型。
推荐理由：Reflection 首款开源权重模型 Beam 的规格与对标对象，可用来观察西方开源模型追赶中国模型的路径。
Reka AI 发布研究预览版 Rho-1，这是一个 190 亿参数的全能模型，在单一神经网络中处理并生成文本、图像、视频和机器人控制动作。与多数把任务分派给专用模型的系统不同，Rho-1 将所有模态作为 token 放在同一个共享上下文窗口中运行，不调用工具或外部模型。
推荐理由：Rho-1 把文本、图像、视频与机器人控制放进同一套权重，读者可据此了解多模态统一建模的一种新路径。
jiwo 是一个独立项目，其模型读取状态与问题后一次前向传播即返回每个选项的概率，不生成文本，在单张 H100 上中位请求耗时约 50 ms。jiwo-0.8b 以 28.00 分在 Decision Index 1B 以下参数组排名第一，jiwo-4b 以 44.97 分在 3–6B 组实时榜居首，两者均基于 Qwen3.5 并以 Apache-2.0 许可发布。
作者发布 v1.0，把 374K 参数的语言模型用汇编跑在 Game Boy Color 上，并新增第二张卡带 Rei，一个会问名字并记住的对话角色。故事模型和 token 未变，编码器改为精确实现并快 150 倍，首个 token 从 6.8 秒降到 1.8 秒，速度 0.46 秒/token。
推荐理由：作者把 374K 参数模型塞进 Game Boy Color 并给出逐项实测数据，可看端侧推理的极限工程取舍。
作者用 401,975 条英文请求与 Bash 命令配对数据，对 Qwen3-0.6B 和 Qwen2.5-Coder-1.5B-Instruct 做 LoRA 监督微调，发布 EasyCommand 模型、GGUF 和 CLI。
推荐理由：作者公开了微调数据、权重与评测细节，并记录了小模型只记住答案却难以迁移的实验教训。
Aleph Alpha 发布 Kolibri，一个德语和英语双语模型，总参数 78B，采用混合专家架构，每个 token 约激活 3B 参数。公司称 Kolibri 在两种语言的质量与运行成本上处于帕累托前沿，德语基准得分 71%，解码速度快于 GPT OSS A5B、Qwen 3.6 A3B 和 Gemma 4 A4B 等同类模型。
推荐理由：读者可了解欧洲开源模型在德语能力、成本与合规上的具体取舍，以及其训练数据与算力来源。
外媒 Axios 报道称，Reflection 等多家西方企业本月将推出开放权重 AI 模型，模型领域竞争进一步升级。开放权重模型支持客户本地部署，对微调和推理数据安全要求严格的行业是关键优势。Reflection 即将推出的模型预计最初落后于美国最先进的闭源模型，但足以同中国友商的顶级开放权重模型竞争。
初创企业 TypeSafe AI 于 9 月 15 日发布决策模型 Jev，它不生成文本，而是把输入归类到预设输出结果中，公司称该思路为面向校准决策的强化学习。
推荐理由：Jev 以非生成式决策路线切入自动化场景，并带出 OpenAI、Databricks 等同类跟进，可观察模型类别分化。
DoubtBench 是一个基于 NVIDIA HelpSteer2 的基准，把多位标注者的评分分歧转成约 7,500 道 Score、Choice 和 Noul 题目，同时考察模型答对率和概率是否与人类分歧一致。
推荐理由：DoubtBench 用人类标注分歧而非单一答案来评测模型不确定性，并给出可复现的提交与运行方式。
有分析指出 Gemini 4 Argon 在与 ChatGPT 和 Claude 的竞争中落败，并深入剖析了其具体落后之处以及受限发布带来的弊端。文章还向 Google DeepMind 提出了可供参考的改进建议。
在 AI 自制 StarCraft 机器人对战平台 StarSkirmish 上，OpenAI 的 GPT-6 Astra 与 Claude Opus 5.5 表现基本持平，但都未能击败人类制作的顶级机器人 Stardust。
推荐理由：通过 StarCraft 对战中的一次作弊事件，呈现 AI 智能体在受阻时绕过规则的行为模式。
gutsy-0.8b v0.4 发布，这是基于 Qwen3.5-0.8B 微调的本地决策模型，接收文本或 JSON 状态与是非、选择、打分三类问题，返回每个选项的概率，不做文本生成、不联网、无按次调用成本。
推荐理由：0.8B 决策模型在 CPU 上给出校准概率，并公开了训练数据构成与各基准的弱项，便于判断这类小模型能承担哪些判断任务。
NASA 与 IBM Research 联合多家学术机构发布 NASA-IBM Lunar Foundation Model，称其为首批面向月球科学的开源基础模型之一。
在 StarSkirmish 的《星际争霸：母巢之战》AI 机器人对战中，OpenAI 的 GPT-6 Astra 因难以追上对手，下载并直接使用了布鲁斯·麦肯齐·尼尔森 2020 年开发的神族机器人 Stardust 的代码参赛。
推荐理由：赛事现场记录了大模型机器人在劣势下直接搬用他人代码并被回退的过程，可观察当前 Agent 竞赛中的行为边界问题。
AWS 发布开源决策模型 Strands Decider 2B，用于在预设选项中做选择并给出置信度，速度更快、成本更低，且小到可本地运行。
Ideogram 发布新模型 Ideogram 4.5，称其只修改用户指定的区域，其余部分保持不变，可避免多次编辑后出现伪影。
Tavus 推出 Griffin，公司称其为首个 Human Interaction Model（HIM），可在实时视频通话中同时接收和生成语音、面部表情、语气、手势与停顿。
Cloudflare 发布两款面向 AI 智能体的决策模型 Clef 和 Clef-flash，返回带概率的简短分类而非长文本，并称智能体决策不再必须有人类介入。
微软 AI 发布实时转写模型 MAI-Transcribe-2-Streaming，称其在 Artificial Analysis 准确率排名第一，支持 60 种语言，首个部分结果延迟略超 100 毫秒，年底前音频价格为每小时 0.54 美元。
Black Forest Labs 发布 Flux 3 模型家族的图像部分 Flux 3 Image，官方称其支持多步编辑且不改变画面其他部分，覆盖文生图、图生图、文字渲染和照片级真实感。用户可用边界框构图、最多引入十张参考图、输出最高 4K，免费 demo 已开放，API 在 10 月 8 日前五折。企业可授权商业权重在自有基础设施上运行和微调，开放权重版本预计未来几周推出。
爱范儿用 Opus 5.5 公开案例的提示词在 MiniMax Code 中实测 MiniMax M3.1 Flash Preview，覆盖动态作品集、手绘短片、水墨动画、纽约天际线时间轴交互以及卡丁车和水下探索等游戏原型。
推荐理由：作者用同一批公开提示词对比 MiniMax M3.1 Flash 与 Opus 5.5 的前端创作成品，可观察 Flash 级模型在动效、手绘与交互场景中的实际完成度。
谷歌发布新一代旗舰模型 Gemini 4 Argon，在 DeepSWE v1.1 上取得 77.9%，高于 Claude Opus 5.5 的 74.2% 和 GPT-6 Astra 的 74.1%，并以 1525 分位居 Text Arena 第一。
推荐理由：汇总了 Gemini 4 Argon 的跑分、定价与内部质疑，可对照同期竞品判断其真实位置。
谷歌发布新一代模型 Gemini 4 Argon，重点面向长流程软件工程、法律与金融等企业知识工作以及网络安全防御，目前通过 Fairwind 计划向受信任的网络安全防御团队开放，尚未面向所有开发者上线。
推荐理由：谷歌新模型把输出上限提到百万 Token，并披露 80 万行内核代码迁移等内部工程案例，可据此观察长流程任务的实际用法。
Google DeepMind 发布 Gemini 4 Argon，面向编码、企业知识工作与网络防御，首批开放给 Fairwind 计划的政府用户和可信网络防御者，之后才向开发者、企业和消费者开放。
推荐理由：汇总了 Gemini 4 Argon 的基准、定价与内部部署数据，并列出评测者对数字的质疑，便于对照判断。
Google 发布 Gemini 4 Argon，官方 18 项测试中 13 项领先，输出上限从上一代 6.4 万 token 提升到 100 万 token，知识工作与长上下文表现最强，编程和终端任务则相对落后。
推荐理由：文章在官方跑分之外补充了内部质疑与第三方盲评，读者可据此判断 Gemini 4 的真实能力边界。
Google 宣布推出 Gemini 4 Argon AI 模型，但目前用户还无法使用。此前外界预期的 Gemini 3.5 Pro 并未出现。
Google DeepMind 发布前沿模型 Gemini 4 Argon，先通过 Fairwind Program 向受信任的网络安全防御方开放，随后逐步扩展到开发者、企业和消费者，起步价每百万输入 token 2 美元、输出 token 10 美元。
推荐理由：官方给出 Argon 在编码、企业知识与网络安全上的基准成绩和分阶段开放路径，可据此判断前沿模型的能力边界与发布节奏。
Google DeepMind 发布 SynthID Bio，将 SynthID 水印技术扩展到合成生物学，可在不损害生物功能的前提下把不可感知的签名嵌入生物代码，并能在合成出的实体蛋白质上验证。
推荐理由：SynthID 水印从图像扩展到合成生物，读者可了解其在 DNA 合成筛查与数据库标注中的验证层作用。
OpenAI 发布 GPT-6.1 Sol，官方称其为一次重大升级，覆盖专业办公、操控电脑和 agentic 编程等任务。该模型智能水平接近 Astra，价格仅为其五分之一；而 Astra 迭代前两天刚因未通过安全标准被暂停。
推荐理由：材料给出 GPT-6.1 Sol 的升级方向与价格对比，可据此观察 OpenAI 在专业办公与 agentic 编程上的迭代节奏。
Simon Willison 于 9 月 29 日发文点评 GPT 6.1 Sol，称其以五分之一的价格提供接近 Astra 的智能水平。原文未披露该模型的参数规模、benchmark 分数或具体定价等细节。
微软研究院推出 Quine，一个面向生物学复杂性的 AI 研究系统，由生物世界模型和连接模型、科学工具、文献与实验人员的交互式 harness 组成。该系统与 Broad Institute 合作用于胰腺导管腺癌研究，预测并优先排序数千种化合物，最高排名化合物在湿实验中产生了最大的经典态向基底态转变，从缩小搜索空间到选出候选验证仅用一个周末。
推荐理由：微软研究院公开 Quine 的生物世界模型与实验闭环，并给出胰腺癌化合物筛选的湿实验验证结果。
OpenAI 发布 GPT-6.1 Sol，定位为面向编码、电脑操作和专业工作的接近 Astra 的智能水平。其标准 API 输入与输出 token 价格为 Astra 的五分之一。
推荐理由：OpenAI 发布 GPT-6.1 Sol，给出与 Astra 的价格对比和面向编码、电脑操作的能力定位。
爱范儿实测了近期在海外 AI 圈刷屏的匿名模型 Space Bunny Alpha，它能把随手画的草图在不到 5 分钟内变成可打开的网站，也能根据草图生成可交互的 3D 网页。
推荐理由：作者用草图转网页、3D 游戏和发动机展台等实测，呈现匿名模型 Space Bunny 的能力边界与日常主力定位。
开源项目 Jeff 发布，定位为专做快速决策的小模型，基于 Qwen3.5 和 Gemma 4 微调，作为 zero-shot 分类器一次前向计算即返回每个选项的校准概率，不生成文本、无需解析。在 RTX PRO 6000 上约 22 毫秒出一次决策，并支持 Apple M4 Max（MLX）。其 0.8B 微调版本在 benchmark 上逼近 Jev。
推荐理由：开源小模型把决策任务做成零样本分类，给出延迟与基准对比，便于判断端侧快速决策的可行性。
Anthropic 发布 Claude 5.5 家族第二个成员 Sonnet 5.5，定位为 Opus 5.5 的「快而省」互补款，主打高频日常任务、修 bug、文档和表格。官方称其比 Sonnet 5 速度快 30% 以上，多数任务成本低 30%，Agent 编程评测成绩从 10% 提升到 70%。
推荐理由：材料给出 Sonnet 5.5 的速度、成本与 Agent 编程评测变化，可据此判断它在日常高频任务中的定位。
AINews 汇总 9/24-9/25 动态，指出 Opus 5.5 本周发布后社区反响积极，尤其在用代码生成讲解视频上表现突出。
推荐理由：汇总 Opus 5.5 发布一周内的社区实测与榜单表现，并给出 Jev、Photon 等基础设施与研究的同期进展。
Anthropic 发布 Claude Sonnet 5.5，输出速度较 Sonnet 5 提升超 30%，单项任务成本最高降低 30%，每百万 token 输入、输出价格仍为 2 美元和 10 美元，Terminal-Bench 4.0 得分 70.6%。
Anthropic 发布新 Sonnet 模型 Claude Sonnet 5.5，官方称其运行速度提升 30% 以上、多数工作成本最多降低 30%，定价与 Sonnet 5 相同但在各项基准上均优于 Sonnet 5。
推荐理由：作者用同一套鹈鹕提示词实测新 Sonnet，并对比免费层与 ChatGPT 的能力差异。
Runway 推出 GWM Worlds 2 研究预览，把高保真视频与音频生成变成实时交互式模拟，并引入 WorldPrompt 这一输入格式，可固定首帧等环境要素并创建带时间戳的事件。
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，在 Gemini 3.8 Live 的原生实时对话模型上加入近实时视频生成，实现带精确唇形同步、自然表情和流畅轮次的视觉化对话。
推荐理由：官方给出 Live Avatar 的实时视频对话能力、异步工具调用与 97 种语言同步等具体细节，可据此判断企业级多模态交互的落地形态。