新模型的发布、开源与迭代：大模型厂商的旗舰更新、开源权重放出、性能与价格变化的第一时间记录。
Google AI 开发者账号宣布了 Gemini 3.5 模型家族，强调它把推理和执行能力合在一起，目标是让模型直接进业务流程干活。但正文没披露参数量、跑分、价格、上下文窗口和具体上线时间，也没说跟上一代比到底强在哪。这点先别太激动，等有实测数据再看。
推荐理由：H 和 R 都站得住：官方发新模型家族，关注度够高，也会刺激大家去比参数、比价格。但 K 确实不行，整篇公告除了名字什么都没给，没法做技术判断，所以总分拉不到 85 以上。
Google 在 I/O 大会上推出了 Gemini 3.5 系列模型，核心卖点是让模型不仅能回答问题，还能直接执行操作。博客正文没披露参数量、上下文窗口和具体定价，只强调了“前沿智能+行动”这个方向。Hacker News 上讨论热度很高，有 196 个赞和 179 条评论，但大家基本都在猜实际能力和成本。我会先打个折——没看到跑分和实测数据之前，这...
推荐理由：我会先打个折：这条消息只有型号名和文档链接，正文没披露参数、价格或上下文窗口，所以没法判断它到底强了多少或者省了多少钱。HN 上 196 分、179 条评论说明大家确实在盯着 Gemini 的更新节奏，但热度主要来自对谷歌模型竞争力和成本的关心，而不是因为看到了硬指标。这点先别太激动，等官方把价格和基准测试放出来再看。
Cursor 把 Composer 模型升级到了 2.5，说它在处理长任务、理解复杂指令上比之前强了不少，同等能力下效率能高出 10 倍。这次升级主要靠三件事：训练规模更大、强化学习环境搞得更复杂，还加了一套文本反馈机制，让模型能根据文字反馈自己调整。底层架构跟 Moonshot 的 Kimi K2.5 是同一套。另外 Cursor 正跟 SpaceX...
推荐理由：Cursor 发了 Composer 2.5，说同等能力下效率能提 10 倍，还提到用了更大的训练规模、更复杂的强化学习环境和文本反馈来调模型。我会先打个折：10 倍这个数目前只有厂商自己说，正文没给基准测试、没给价格、也没法复现验证，所以别太激动。但如果是真的，对用 Cursor 写代码的人来说确实挺省钱省时间。这条消息来自单一社交来源，信息量够让从业者关注，但缺硬数据支撑，所以分数定在 82，放在 featured 里提醒大家留意后续实测。
Google DeepMind 发布 Gemini Omni 家族首个模型 Gemini Omni Flash，可组合图像、音频、视频和文本输入生成高质量视频，并通过自然语言多轮编辑。
推荐理由：Gemini Omni Flash 把视频生成与对话式编辑合并到同一模型，读者可据此判断多模态创作入口的变化。
MiroMindAI 把他们的深度研究 agent MiroThinker-1.7 放出来了，权重直接挂在 HuggingFace 上。mini 版挺有意思：总参数量 30B，但用了 MoE（混合专家）架构，实际干活时只激活 3B 参数，所以对本地消费级硬件比较友好。上下文管理这块，他们用了滑动窗口 K=5 加 episode 重启的策略，相当于每轮对...
推荐理由：这条消息来自 Reddit 帖子，实验室也不是一线大厂，所以重要性我打个折，但信息量够上 featured。开源权重加上 MoE 的 30B/3B 配置，对想自己跑 deep research 的人是个实在的钩子；滑窗和 episode 重启的上下文管理方案也给了可复现的细节。正文没披露具体 tok/s 数据，这点先别太激动，但话题本身会引发本地部署的性能讨论，值得放出来。
Google DeepMind 发布 Gemini 3.5 模型家族，首款 Gemini 3.5 Flash 当日上线 Gemini 应用、Google Search AI Mode、Google Antigravity、Gemini API 及 Gemini Enterprise。
推荐理由：官方给出 3.5 Flash 在编码与智能体基准上的成绩和开放入口，可据此判断它在长任务工作流中的定位。
IBM 在 Hugging Face 上发了两个新的多语言嵌入模型，都走 Apache 2.0 协议。小号 9700 万参数，在 MTEB 多语言检索上拿了 60.3 分，正文说这是目前所有开源同尺寸模型里最高的。大号 3.11 亿参数，得分 65.2，在 5 亿参数以下的开放模型里排第二。两个模型都基于 ModernBERT，支持 200 多种语言（...
推荐理由：HKR 三项都过：一个不到 1 亿参数、支持 32K 上下文的多语言嵌入模型，给 RAG 开发者提供了一个轻量开源选项。影响面不如前沿模型发布那么大，放在 featured 档刚好。
这个模型把音频、视频、文字直接吃进去，不用再靠 agent 把一堆独立模型串起来。前台交互模型每 200 毫秒处理一次输入，保持对话的实时感，用户可以随时打断；后台推理模型负责长程规划和调工具。正文没披露具体参数量、训练数据和成本，也没给评测对比，所以实际效果和泛化能力还得看后续公开信息。
推荐理由：我会先打个折：正文没披露定价、开放范围和具体 benchmark，所以只能按现有信息给到 87。亮点在于 Thinking Machines 没有只发模型权重，而是给了一套前台 200 毫秒交互节点加后台推理的分层设计，原生多模态输入不是后期缝合的。这对正在折腾实时多模态 agent 的团队来说，至少提供了一个可参考的架构思路，但没看到代码或论文之前，不宜再往上拉。
Ring-2.6-1T 是一个万亿参数模型，主打可调“思考强度”——你可以手动控制它多想一会儿还是少想一会儿，在回答质量、token 消耗和响应速度之间自己取舍。模型专门为智能体场景做了优化，支持多步执行和工具调用，适合高频工作流。官方说它能处理数学逻辑和科研类任务，但正文没给出具体跑分或对比数据。目前通过 OpenRouter 免费开放，截止到 5 ...
推荐理由：这条发布信息量偏薄，正文没给基准测试、定价、架构或训练细节，所以重要性我打了个折，没给更高。但万亿参数这个量级本身就有话题性，加上 OpenRouter 上的限时免费，对想快速试用的开发者很友好。可调思考强度和工具调用这两点，说明它在往智能体落地靠，不是单纯刷榜的模型。整体判断是：值得关注的一次模型发布，但别急着当里程碑，等实测数据出来再说。
ERNIE 5.1 把总参数量压到原规模的大约三分之一，激活参数压到大约一半，预训练成本只花到同规模模型的 6% 左右。百度说性能没崩，Agent 能力超过 DeepSeek-V4-Pro，世界知识和创意写作接近头部闭源模型和 Gemini 3.1 Pro，推理仅次于 Gemini 3.1 Pro，深度搜索排全球第四。技术手段提了两个：弹性预训练用来提...
推荐理由：百度把 ERNIE 5.1 的参数和成本压到这个程度，我会先打个折——正文没披露具体参数量和基准测试细节，6% 的成本对比对象也没说清楚，这点先别太激动。但即便有水分，三分之一参数、一半激活、6% 预训练成本这三个数字摆出来，对正在头疼推理成本的团队来说就是强信号。加上已经上线 ERNIE 平台和 AI Studio，不是画饼，值得写。
百度在 ERNIE 5.0 的基础上做了 5.1，主要提升搜索、推理、知识问答、创意写作和智能体能力。最抓眼球的数字是预训练成本只有对标模型的 6%，但正文没披露对标的是谁、怎么算出来的，也没给具体金额或技术细节。我会先打个折——成本低到这个程度，要么是用了 5.0 的底子省了大笔算力，要么是统计口径有讲究。另外，模型在哪些基准上测了、效果提升多少，帖...
推荐理由：百度发了ERNIE 5.1，最抓人的一句话是“预训练成本约为对标模型的6%”。这个数字让一条模型更新变成了成本效率的故事，从业者会立刻想知道对标模型是谁、成本口径怎么算的，正文没展开说，所以冲击力有，但信息缺口也大。搜索、推理、问答、写作和智能体能力都提了升级，但没给具体评测或对比数据，技术细节偏薄。我会先打个折：话题性够强，靠成本数字和国产旗舰身份撑到了p1，但缺细节让它进不了90分以上的档位。
OpenAI 这次发了三个新模型：GPT‑Realtime‑2 是带 GPT‑5 级推理能力的语音模型，能处理更复杂的请求，说话中间可以插话、改主意，它还能边想边回一句“我查一下”，同时调用多个工具；GPT‑Realtime‑Translate 做实时翻译，支持 70 多种输入语言转 13 种输出语言，语速跟得上说话人；GPT‑Realtime‑Whi...
推荐理由：OpenAI 官方放出了语音 API 更新，方向明确但信息不全。能推理、翻译、转写，听着挺全，可没给价格、没给延迟、没给上下文限制，我会先打个折。如果是真的省钱又低延迟，那对语音应用开发者是直接利好；现在只能说方向对了，落地还得等更多参数。
Heretic 1.3 这个版本主要干了三件事。第一，它现在能把跑模型时的环境——PyTorch 版本、GPU 型号、驱动、加速库这些——都打包记录下来，别人照着做就能复现结果，不用再猜“为啥我跑出来不一样”。第二，它内置了一套跑分系统，直接用 lm-evaluation-harness 测 MMLU、EQ-Bench、GSM8K 和 HellaSwa...
推荐理由：我会先打个折：正文没给出 VRAM 具体降了多少，这点先别太激动。但 Heretic 这次更新确实踩到了两个实在需求——一是让模型运行环境可复现，把 PyTorch、GPU、驱动版本都记下来，方便排查问题；二是内置了 lm-evaluation-harness 基准测试，不用再自己搭评测流程。项目有 2 万星、1300 万次下载，社区验证度够高。缺憾是 VRAM 优化只提了方向没给数字，所以重要性停在 72 分，放在 featured 里合适。
Mistral AI 在 Hugging Face 上放出了 Mistral Medium 3.5，一个 1280 亿参数的稠密模型，上下文窗口拉到 25.6 万 token。它能吃文本和图片，支持函数调用和 JSON 格式输出，推理强度可以按请求设成“无”或“高”。许可证用的是修改版 MIT，但对高收入公司留了例外条款——正文没披露具体收入门槛是多少...
推荐理由：这条发布信息量够硬，HKR 三项都踩实了，所以重要性给到 84。但正文没放任何跑分、定价和可复现的测试结果，我会先打个折——没有这些，光看参数和功能列表，实际效果和成本还不好判断。
DeepSeek 放出了 V4 的预览版，分 V4-Pro 和 V4-Flash 两个型号。Pro 版输入每百万 token 1.74 美元、输出 3.48 美元，Flash 版只要 0.14 和 0.28 美元，两个都支持一次性处理 100 万 token 的上下文，相当于能把《魔戒》三部曲加《霍比特人》全塞进去。跑分上，V4-Pro 在编程、数学、...
推荐理由：我会先打个折：这只是预览版，不是完整发布，所以冲击力比 GPT 或 Claude 大版本换代要弱一档。但它是当天消息，而且信息量够——两个型号的定价、100 万 token 上下文、开源权重对代理编码栈的成本压力，这些对从业者来说都是能直接算账的东西。标题里说的三个理由，正文其实主要落在长上下文注意力的效率提升和开源带来的成本下压上，具体技术细节没展开，但方向是明确的。
Bloomberg 这条视频标题说 DeepSeek 在去年震动硅谷的开源发布一周年之际，又推了一款新旗舰模型。但点进去页面直接弹 403 机器人验证，正文一个字都没加载出来。所以模型名字、参数量、定价、基准测试成绩、开源还是闭源，这些关键信息目前全是空白。唯一能确定的是发布时间点卡在周年附近，至于模型本身强不强、省不省钱，得等官方自己放料或者别人扒出...
推荐理由：这条消息的钩子在于“一周年”这个时间点，去年 DeepSeek 把硅谷震了一下，现在再发新模型，大家自然会盯着看。但我会先打个折：正文啥硬信息都没给，模型叫啥、多大、多贵、跑分多少、开不开源全是空白，所以知识缺口很大，不能当实锤来推。关联性上，DeepSeek 的定价和开源策略一直是行业敏感点，新旗舰出来肯定会重新拉高中美对比的热度，这点值得标记。整体判断就挂在时间钩子和信息缺口上，不补设定。
DeepSeek 放出了新旗舰模型的预览版本，官方说法是“迄今最强的开源平台”。目前只确认了开源定位和预览状态，正文没披露参数量、上下文长度、跑分成绩和正式发布时间。我会先打个折——能看到的硬信息还太少，先别太激动。
推荐理由：DeepSeek 在去年炸场之后又推新旗舰预览，开源这张牌继续打，话题度够高，所以给到 featured。但文章实质信息很少——没参数、没上下文窗口、没基准成绩、没时间表，只能确认“预览版”和“开源”两点，知识增量弱，重要性就压在 75 这个低位。我会先打个折：标题唬人，内容还撑不起更高的分数。
DeepSeek 放出了 V4 系列模型的预览版，代码也同步开源。这次最实在的变化是，百万 token 的上下文窗口成了所有官方服务的默认配置，Pro 和 Flash 两个型号都一样，没有高价门槛。V4-Pro 是旗舰，推理能力追平了顶尖闭源模型，世界知识得分仅次于 Gemini-Pro-3.1；V4-Flash 是轻量经济版，推理接近 Pro，但知识...
推荐理由：DeepSeek 是国内头部的模型厂商，这次 V4 预览版把百万上下文做成全服务标配并开源，属于实质性发布。HKR 三项都满足：正文有机制解释和迁移截止日期，而且这种定价策略的调整让它值得当天就作为 P1 处理。
腾讯宣布了一次重大的基础模型升级，但正文没披露模型名称、参数量、跑分成绩和具体发布时间。这是它从 OpenAI 挖来一位顶尖研究员后，第一次把新模型拿出来亮相，所以外界很关注这次升级到底成色如何。
推荐理由：Bloomberg 的信源有分量，而且把腾讯这次模型发布直接说成是对 OpenAI 挖角成果的首次检验，所以 H 和 R 都站得住。K 过不了，因为全文除了“发了”之外，模型名、规模、基准成绩、上线时间一概没给，属于有钩子没肉。
月之暗面推出了 Kimi K2.6，一个总参数 1 万亿的混合专家模型，每次推理激活 320 亿参数，支持 25.6 万 token 的上下文窗口。它主打的是长时间、多步骤的智能体任务，官方宣称能连续跑 12 小时以上、调用超 4000 次工具、并行管理 300 个子智能体。在 SWE-Bench Pro 编程基准上得分 58.6，HLE 带工具得分 ...
推荐理由：我会先打个折：SWE-Bench Pro 58.6 这个数正文没给对比基线，不知道和 Opus 4.6 的差距到底多大，这点先别太激动。但 Kimi K2.6 真正值得盯的不是基座跑分，而是它把 agent 执行时长拉到 12 小时、能并行跑 300 个子代理，这在开源模型里算往前拱了一步。国内大模型旗舰发布本身就自带信号，加上抢在 DeepSeek v4 前出牌，对关注开源模型进展的人有信息差价值，所以给到 P1。