DeepSeek-V4.1-Flash-1017 更新模型并提升推理与编程能力
DeepSeek 发布 DeepSeek-V4.1-Flash-1017，这是 DeepSeek-V4.1-Flash 的小版本更新，重点改进推理、编码、智能体任务和视觉基准表现。
推荐理由：材料提供了模型更新、代表性基准成绩、推理部署参数及开源许可信息，便于比较版本变化与实际使用成本。
#开源/仓库
Hugging Face：deepseek-ai 新模型精选AI 评分6565
Hugging Face：Qwen 新模型精选AI 评分7474 Qwen 开源 Qwen-Image-2.1 文生图与图像编辑模型
Qwen 开源 Qwen-Image-2.1，将文生图与图像编辑统一在一个模型中，视觉生成组件采用 7B 参数和 32 层 Single-Stream DiT。
推荐理由：模型以7B视觉生成组件整合文生图与编辑，并公开多图编辑、局部蒙版和提示词改写用法，便于评估部署成本与适用场景。
Hugging Face：zai-org 新模型精选AI 评分7777 GLM-5.3-Flash 发布，采用原生多模态与混合注意力架构
GLM-5.3-Flash 发布，定位为 GLM-5 系列的原生多模态模型，采用稀疏与线性注意力混合架构。模型总参数 320B、激活参数 18B，官方称其以 GLM-5.2 一十分之一的价格在多项基准和实际工作负载上表现更优，并在编码和智能体基准中接近 Claude Opus 4.8。
推荐理由：模型公开了原生多模态架构、部署框架和推理参数配置，便于开发者评估能力表现与本地落地成本。
Hugging Face：zai-org 新模型精选AI 评分7979 GLM-5.3发布，强化复杂编码与长程智能体任务
GLM-5.3发布，沿用GLM-5.2基础模型，主要通过后训练提升复杂编码、长程任务和网络安全能力。模型在内部Z.ai Code Bench上较GLM-5.2提升50%，在Terminal Bench 3.0和Agents' Last Exam等公开基准上达到开源SOTA，并支持SGLang、vLLM、Transformers、Unsloth等本地部署框架。
推荐理由：文章给出GLM-5.3相对GLM-5.2的编码与网络能力增幅，并提供本地部署和评测配置，便于对照能力变化与复现条件。
Hugging Face：zai-org 新模型精选AI 评分7878 智谱发布 GLM-5.3 开源权重模型，强化编码与智能体能力
智谱发布 GLM-5.3，沿用 GLM-5.2 的基础模型，通过后训练提升复杂编码、长程任务和安全能力。官方称其 Z.ai Code Bench 相比 GLM-5.2 提升 50%，并在 Terminal Bench 3.0、Agents' Last Exam 和 CyberGym 等基准上达到开源 SOTA。
推荐理由：GLM-5.3 通过后训练强化复杂编码、长程任务和安全能力，并提供多框架部署与复现配置，便于评估实际应用边界。
Hugging Face：deepseek-ai 新模型精选AI 评分8282 DeepSeek 发布 DeepSeek-V4-Pro-0813 正式版模型
DeepSeek 正式发布 DeepSeek-V4-Pro-0813，取代 Preview 版本，并加入 DSpark 推测解码模块以增强智能体能力。模型在 HLE、Terminal Bench 2.1 和 DeepSWE 等基准中取得 42.7/60.0、87.9 和 62.7 的成绩，reasoning_effort 现支持 low、high、max 三档。
推荐理由：DeepSeek-V4-Pro-0813的正式版本、评测数据与部署配置齐全，便于开发者比较其智能体和编码表现并评估落地方式。
Hugging Face：zai-org 新模型精选AI 评分7878 智谱发布 GLM-5.2 开源模型，支持 1M-token 上下文
智谱发布 GLM-5.2 旗舰模型，主打长程任务，提供稳定的 1M-token 上下文，并增强编码能力和多档思考强度。模型采用 MIT 开源许可证，支持 SGLang、vLLM、Transformers、KTransformers 和 Unsloth 等框架部署，官方还公布了 HLE、AIME 2026、SWE-bench Pro、MCP-Atlas 等基准成绩。
推荐理由：GLM-5.2 将长程任务、1M-token 上下文和灵活思考强度结合，并提供多项基准与本地部署方案，便于评估其实际能力边界。
Hugging Face：moonshotai 新模型精选AI 评分8989 月之暗面发布 Kimi K3 开放权重原生多模态智能体模型
月之暗面发布开放权重原生多模态智能体模型 Kimi K3，总参数 2.8T、激活参数 104B，支持 1-million-token 上下文窗口。模型采用 KDA、AttnRes 与 Stable LatentMoE，每个 token 从 896 个专家中选择 16 个，原生处理文本、图像和视频，面向长程编程与智能体知识工作。
推荐理由：Kimi K3披露2.8T参数架构、1M上下文与多类基准成绩，为评估开放权重多模态智能体的能力边界提供集中参考。
Hugging Face：moonshotai 新模型精选AI 评分7777 Moonshot AI 发布 Kimi K2.7 Code 编码模型
Moonshot AI 发布基于 Kimi K2.6 构建的 Kimi K2.7 Code 编码智能体模型，真实软件开发长程任务能力提升，思考 token 使用量较 Kimi K2.6 减少约30%。模型采用 MoE 架构，总参数量1T、激活参数量32B，支持256K上下文和图像、视频输入，提供 API 及 vLLM、SGLang 等部署方式。
推荐理由：提供模型架构、基准成绩、API调用与部署方式，读者可据此比较编码智能体能力及其落地条件。
Hugging Face：moonshotai 新模型精选AI 评分8686 Kimi K2.6 发布原生多模态智能体模型
Moonshot AI 发布开源原生多模态智能体模型 Kimi K2.6，强化长程编码、编码驱动设计、主动自主执行与多智能体编排能力。模型采用 MoE 架构，总参数 1T、激活参数 32B、上下文长度 256K，可横向调度 300 个子智能体执行 4,000 个协调步骤。
推荐理由：同时提供架构参数、基准结果、部署引擎和调用示例，便于开发者评估能力并规划接入。
Hugging Face：moonshotai 新模型精选AI 评分7979 Moonshot AI 发布 Kimi-K2-Thinking 开源思考模型
Moonshot AI 发布开源思考模型 Kimi-K2-Thinking，支持逐步推理、动态工具调用和 256K 上下文窗口。模型采用 MoE 架构，总参数量 1T、每 token 激活 32B 参数，可在连续 200–300 次工具调用中保持目标导向，并通过后训练量化感知训练实现原生 INT4 推理与约 2x 生成加速。
推荐理由：Kimi-K2-Thinking把长链推理、工具编排与原生INT4部署放在同一模型中，并提供完整评测与调用示例。
已经到底了