AI 模型发布与更新

@reflection_ai @baseten - 排行榜：https://arcprize.org/leaderboard - 复现公开结果：https://github.com/arcprize/arc-agi-benchmarking - 测试政策：https://arcprize.org/policy - Beam 1.0 完整结果：https://arcprize.org/results/reflection-beam-1-0

@reflection_ai 每任务成本基于我们测试时使用的 @Baseten 定价：每 100 万 token 输入 $1.30 / 输出 $4.30。 ARC-AGI-3 结果待公布。 完整结果：https://arcprize.org/results/reflection-beam-1-0

ARC Prize 公布 Beam 1.0 在 ARC-AGI (Verified) 的成绩：ARC-AGI-2 为 23.5%，每任务 $0.61；ARC-AGI-1 为 74.0%，每任务 $0.31。最佳成绩出现在 xhigh 推理档，但 high 档在 ARC-AGI-2 上也达到 20.0%，成本约低 43%。

如果我在斯洛文尼亚办一场聚会，把它办得超炸，会怎样？

没有身体的大脑只会空谈。 有身体的大脑才能把事情做成。 LLM（模型）是大脑。harness 是身体：围绕模型的工具、文件和循环。Agent SDK 让你为自己的用例定义身体。

Grok @Bot 可能会成为你最喜欢的员工

DeepSeek 发布 DeepSeek V4.1 Flash 1017，在 Artificial Analysis Intelligence Index 得分 45，比 DeepSeek V4.1 Flash 提高 6 分，与 GLM-5.3 并列开源权重模型第二，仅次于 MiMo-V2.6-Pro。

Arena 宣布 Meta 的 Muse Wonder Full (Max) 首次进入 Code Arena: WebDev 榜单，以 1726 分排名第 6，使 Meta 成为第 3 实验室，此前该位置由 Google 持有。

Artificial Analysis 基准测试 MiniMax 的 Flash 推理模型 MiniMax-M3.1-Flash，在 Artificial Analysis Intelligence Index 得 42 分，比 MiniMax-M3 高 13 分，与 GLM-5.3-Flash 持平，低于 DeepSeek V4.1 Flash 1017 的 45 分。

蚂蚁百灵今日开源 3 个语音家族共 5 个 Ming-3.0 模型。Ming-3.0-tts 含 0.5B 语音设计与副语言线索模型和 7.9B 总参数、1.3B 激活的 Tiny 长语音模型；Ming-3.0-audio 含 Flash 126B 总参数、6.5B 激活的理解与工具调用模型和 9.3B 总参数、2.7B 激活的 Tiny 高效对话模型；Ming-3.0-asr-tiny 为 8.6B 总参数、2B 激活的方言与上下文识别模型。图片补充：TTS 支持七种语言…

Nvidia 于周四发布面向常驻 Agent 和边缘计算的开源模型。

今天我们发布 JST-2，全球首个全栈物理原生世界基础模型。 许多世界模型在像素/视频空间中学习。我们回归第一性原理，在 3D 中构建了整个模型栈。 数秒内生成 3D 场景并实时扩展。通过一个通用架构创建内置动作的角色。

据 The Information 报道，Anthropic 本月将发布一款新模型，同时 Google 的 Gemini 4 Carbon 和 OpenAI 一款可能的 Terra 新模型也在筹备中。该 Anthropic 模型尤其擅长在信息有限时判断用户的潜在意图与目标，也更善于跳出常规思维而非重复常识性建议，但目前尚不清楚它属于 Fable 还是 Opus 系列。

Nace AI 发布迄今最强的决策模型 Drex Max，支持文本、图像和视频输入，单次决策 34ms，262K token 下不到 1 秒，输入价格 $0.06 / 1M tokens，已在 https://nace.ai/drex 开放。

Benj Edwards 结合自己把约 50 段旧录音喂给 Suno v4.5 生成数百首个人歌曲、并用 Claude Code 创作多款自玩游戏的经历，提出 AI 正在催生不需要大众受众的个人媒体。文章指出当乐队成本趋近于零，创作可以只为取悦自己，并讨论这种趋势对创意产业和就业的可能冲击。

MiniMax 发布 M3.1 Flash，428B 总参数、约 23B 激活的 MoE 多模态模型，上下文 100 万 tokens，定价 $0.15/$0.60 每 1M tokens，为 M3 的一半。

稀宇科技宣布 MiniMax M3.1 Flash 模型上线，称此前的匿名模型 Space Bunny 即其早期版本，已处理超 200T Token。

Arena 宣布 MiniMax-M3.1-Flash 上线 Code Arena: WebDev 榜单，以 1588 分在开源模型中排第 12（总榜第 32），并将 MiniMax 带到所有实验室第 12 名。

MiniMax 官方宣布 MiniMax M3.1 Flash，即此前在 OpenRouter 上代号 Space Bunny 的模型。该模型 DeepSWE 得分 74%，官方称 Automation-Bench 62%、ALE 30%、BabyVision 91%，定价为每 1M input/output tokens $0.15/$0.60，缓存读取 $0.015/1M tokens，速度为 M3 的 3 倍、成本为其 1/3。模型权重将于 10 月 23 日放出，M…

MiniMax 发布 M3.1 Flash，称其以 M3 的 1/3 成本和 3 倍速度达到前沿级智能体表现，Space Bunny 此前登顶全球榜单的版本即为 M3.1 Flash 早期版本。

MiniMax 正式更新 M3.1 Flash，此前匿名处理超 200T Token 的 Space Bunny 即其早期版本。模型在 Agent 任务、编程、Computer Use 和网络安全上全面提升，DeepSWE v1.1 得 73.7%，OSWorld V2 得 61.7 分，CyberGym 得 82%，输出速度日常可达 200+ TPS。

在《钻石年代》中，Neal Stephenson 设想了一本书，它能发明游戏和故事，随着小女孩成长教她所需的知识。我尝试做了一个小版本。我把关于对齐的头脑风暴文档给了 Claude，让它做一个类似 Zelda 的游戏，教人们了解 AI 对齐。这是成果 🪁 简版：它很擅长构建世界，但在理解玩家方面仍然较弱（详情见下）

MiniMax 正准备发布 MiniMax-M3.1-Flash，API 参考文档中已有说明。 > “MiniMax-M3.1-Flash——具备 1M 上下文窗口和可调思考深度的前沿多模态编程模型。” > “可调思考深度”似乎是 3.1 系列将提供的一项新特性。 即将到来 👀

欢迎回来。太空兔。🚀 MiniMax-M3.1-Flash 即将到来。

Arena 公布 2026 年第 42 周大模型盲测排名，月之暗面 kimi-k3-max 以 ELO 1540 分稳定在代码榜第十，小米 mimo-v2.6-pro 首次入榜即列前端开发榜第 19。

今天就雇佣 Grok @Bot 吧。你不会后悔的。

蚂蚁 inclusionAI 在 GitHub 发布 Ming-3.0-tts，包含 0.5b dense 和基于 Ling V3 的 tiny（7.9B 总参数、1.3B 激活）两个语音生成模型，MIT 协议开源，权重可在 Hugging Face 和 ModelScope 下载。

Inception Labs 发布扩散式大语言模型 Mercury 3，称其在多项基准上超过 GPT-6 Luna 和 Claude Haiku 5.5，速度达 1068 tokens/秒，参数量较 Mercury 1 扩大 40 倍以上。

Grok Bot 也学会请客送礼啦？ 😂 中国文化融入的这么自然吗？ 刚刚准备一些硬件概念，Grok Bot 突如其来的给我支招请前同事吃顿饭，着实惊到我了。。

面壁智能 OpenBMB 宣布 MiniCPM-V 4.7 升至 Hugging Face Trending 第二名。35B-A3B MoE 版本可在 iOS 和 Android 上以约 3GB 内存流畅运行，1B 模型在 OCR、数学和视频理解上表现较强，模型和代码已在 Hugging Face 和 GitHub 开放。

蚂蚁 inclusionAI 在 GitHub 发布 Ming-3.0-asr-tiny，将 Ling-tiny-v3 语言模型与音频编码器结合，支持中英文转写、方言识别和上下文 ASR。

Mistral AI 发布时序基础模型家族 Timestral，包含 5M、28M、123M、209M 四个零样本预测模型，209M 版在 GIFT-Eval、TIME 和 fev-bench 上位居零样本预训练模型第一，fev-bench SQL skill score 为 50.39，超过 Google 的 TimesFM-3 的 48.99。

中信证券研报认为，DeepSeek Harness 有望成为 DeepSeek 从模型供给走向平台生态的关键一环，把开源与工程优势转化为用户基础和商业化能力。该框架由深度求索于 2026 年 8 月开源，采用 MIT 许可证、以 TypeScript 编写，主打「一切皆插件」。报告同时看好国产大模型持续崛起，认为成本效率与开源生态优势有望推动 AI 应用向知识工作与企业场景渗透。

Hugging Face Hub 上被二次开发最多的模型不是 Llama 也不是 Qwen。 而是来自德国实验室 Black Forest Labs 的 FLUX.1-dev：4.3 万个衍生模型。 欧洲在 Hub 上训练了约 8% 的开源模型算力，但人们在其之上构建的东西中约 18% 是欧洲的。 自建还是投降？自建，并且开源地建。本周 GTC Berlin 见

下周柏林 GTC 的主要议题之一。 今天我粗略估算的一个数据点：Hub 上约 10 亿美元的开源模型训练算力中，欧洲实验室贡献了约 8%。其中大部分来自 Mistral。 在开源模型上，“自建”这个选项显然仍然摆在桌面上，而且比人们想象的更便宜。

鉴于 Anthropic 所报告的编程能力加速，令人惊讶的是，你在 Claude 中仍然无法更改自己的电子邮箱地址，而官方建议是：如果你需要更改邮箱，唯一的办法就是删除你的账户。

Grok @Bot 就像雇了一位极其能干的员工

xAI 的 Lauren Tan 就"聊天是否是智能体 UI 的最终形态"发起讨论，认为存在两种立场：一派把智能体视为自身心智的延伸（赛博格式），另一派视其为能独立决策、与人类协作的人工存在。

终于有机会试用了 OpenAI 的新 "Aurora" 图像模型，目前正在 Arena 上测试。 绿色 🟢 > 红色 🔴 > 生成的图像感觉像是 Nano Banana 和 GPT Image 模型联手打造的作品。 > Aurora 的输出比 gpt-image-2.5-flare 好得多，尤其是在配色方案上。 Nano Bana 3 Pro 将面临激烈竞争。

Arena 宣布 DeepSeek-V4.1-Flash-20261017 (Max) 成为 Code Arena: WebDev 榜单第一开源模型，超过 Kimi K3 (Max)，成本低约 10 倍。