面壁智能点赞 GPT-6 编排 MiniCPM5-2B 本地研究智能体

阿里通义实验室发布实时语音交互模型 Qwen-Audio-3.0-Realtime，在 Artificial Analysis 的 Speech Reasoning 子项中综合排名第一，超越 OpenAI GPT-Realtime-2。

新浪发布仅3B参数的VibeThinker-3B，在AIME26等数学编程基准上持平DeepSeek V3.2等大200-333倍的模型，LiveCodeBench超越所有20B以下模型，LeetCode竞赛解决123/128题超过GPT-5.2、Kimi K2.5等。但知识密集型GPQA-Diamond大幅落后。模型基于阿里Qwen2.5-Coder-3B，经SFT、强化学习、自蒸馏等多阶段后训练。研究提出"参数压缩-覆盖假说"：逻辑推理依赖少数可压缩模式，而广泛世界知识…

Qwen 团队发布 Qwen-AgentWorld，一个以环境建模为训练目标的原生语言世界模型，在单个模型中模拟 MCP、Search、Terminal、SWE 及 GUI 域（Web、OS、Android）共七个域。模型使用超 1000 万条真实交互轨迹训练，在 AgentWorldBench 上以 Qwen-AgentWorld-397B-A17B 版本达最高模拟质量，超越 GPT-5.4、Claude Opus 4.8 和 Gemini 3.1 Pro。同时发布评测基…

neolab 推出 Nex-N2-Pro，基于 Qwen3.5-397B-A17B，总参数 397B 的 MoE 推理模型，支持 262K 上下文与多模态（VLM），性能达到 GPT-5.5 和 Claude Opus 4.7 级别。模型可自动调节推理深度，减少 30-50% 思考 token 且无性能折损，在 Terminal Bench 2.1、GDPVal、SWE-Verified 上取得 SOTA。擅长智能体编码、深度搜索和工具使用，兼容 Claude Code、C…

Google DeepMind推出Gemma 4系列四款多模态开源模型，支持文本、图像及视频输入。31B（密集架构）与26B A4B（MoE架构）拥有256k上下文窗口，可在单张H100运行；另两款较小模型支持128k上下文。GPQA Diamond测试中，Gemma 4 31B（Reasoning）获85.7%，仅次于Qwen3.5 27B，但输出token仅约1.2M，效率更优；26B A4B（Reasoning）得分79.2%，超越gpt-oss-120B。

OVHcloud 现已正式加入 Hugging Face Hub 的推理服务提供商生态。用户可直接在模型页面使用其全托管、无服务器化的 AI 端点服务，便捷调用 gpt-oss、Qwen3 等热门开源模型。该服务基于欧洲数据中心，保障数据主权与低延迟，首 token 响应时间低于 200 毫秒，并支持结构化输出等高级功能。定价为每百万 token 0.04 欧元起，用户可选择使用自定义 API 密钥或通过 Hugging Face 账户路由请求并计费。

微软与伊利诺伊大学提出 StudentSim，用少量数据为每个学生构建数字复制体，替代真人提供快速反馈来训练 AI 导师。该系统以 Qwen3-4B-Instruct 为基座、分两阶段训练，在 chess、英语和数学三项测试中均优于被提示扮演学生的 GPT-5.4，在 chess 中预测下一步走法的准确率约为其两倍。

IFM 发布 7B Dense 小模型 K2-Horizon-7B，AA Bench 得 21 分，接近 Qwen3.6-27B 的 22 分，作者称其在 BrowseComp 测试中超过 GPT-5 与 DeepSeek-V4，SWE-bench Verified 和 Terminal Bench 分数也很亮眼。

该项目用 10 个 SVG 生成提示词（如"章鱼演奏管风琴""火烈鸟修望远镜"）实测 6 款 2026 模型与 10 款 2025 模型的耗时和费用。DeepSeek V4 Pro 多数任务费用最低（$0.04-$0.10），Qwen3.8 Max 最慢（最长 14 分 56 秒），GPT-6 Astra 在"章鱼演奏管风琴"上以 2 分 19 秒、$0.37 完成。

韩国 KAIST 与 Naver AI Lab 研究发现，推理模型文本输出中的推理步骤可在其内部数值表示中被区分开，信号在中间层最强。团队定义提取、分解、公式回忆、演绎、计算等八种推理操作，用 GPT-5 为 Qwen2.5-7B、Qwen3-8B 和 Gemma4-31B 的解题路径分段打标，结果在三个模型上均成立，并复现于 Llama-3-8B。