NVIDIA 发布 Nemotron 3.5 多模态检索、重排与文档解析模型
NVIDIA 扩展 Nemotron Retriever，发布 Nemotron 3.5 Embed、Rerank 和 Parse 多模态模型。Rerank 配合 8B Embed 可将每次查询的智能体 token 成本降低约 14%，Parse 以 631M 参数提供单、双和三遍文档解析模式。
#评测/基准
Hugging Face BlogAI 评分7575 TechCrunch AIAI 评分4040 Hugging Face 政策主管：嵌入式 AI 评估器并非易解方案
Hugging Face 政策主管 Irene Solaiman 表示，嵌入式 AI 评估器不会成为解决模型评测难题的简单方案。她指出，当前评测的可复现性、跨测试比较和行业标准化仍不足，开放权重有助于复现结果。随着评测从模型扩展到 harness 与智能体，相关评测成本高昂且仍在发展。
少数派AI 评分6161 MiniMax 发布 M3.1 Flash 模型，面向复杂 Agent 与软件工程任务
MiniMax 上线 M3.1 Flash 模型，线上推理速度较此前提升近 3 倍，Agent 类任务综合使用成本降低 70%。模型已接入 MiniMax API、MPlan 和 MiniMax Code，权重计划稍后开放，并在 DeepSWE v1.1 中取得 73.7% 的成绩。
Latent SpaceAI 评分7272 DeepSeek 开源 DeepInfer 推理框架并披露生产服务数据
DeepSeek 开源了用于 V4.1 Flash 生产推理的 DeepInfer，并同时发布 deepseek-recipe 接口处理组件。DeepSeek 披露单集群每日服务 155T tokens、96% 输入缓存命中率、400 ms 首 token 延迟和 $38 加速器小时收入，但这些属于未经独立审计的生产数据，KV cache 管理与负载均衡等组件也尚未完整开源。
SiliconANGLE AIAI 评分7373 Inception AI 发布 Mercury 3，主打最高 8 倍生成速度
Inception AI 发布旗舰模型 Mercury 3，公司基准测试显示其在 12 项测试中的 8 项超过 GPT-6 Luna 和 Claude Haiku 5.5，速度为后者的 4 至 8 倍。
Hugging Face BlogAI 评分6363 FairStress 基准发布，评估 LLM 决策中的人口统计公平性
Ai2 发布 FairStress 基准，以 29 个领域的 300 个双候选人决策场景和超过 1300 万个测试用例，评估 LLM 在人口统计身份与对抗性前缀影响下的决策稳健性。实验发现，模型在明确标注身份时放弃正确答案的平均差距达到 9.3 个百分点，部分前沿模型在模糊案例中约有 60%–65% 的概率选择少数群体编码候选人。研究还表明，仅依赖固定选项评分可能遗漏生成式决策中的过度纠正。
Ethan MollickAI 评分6666 Ethan Mollick 用图表复盘 AI 30 个月指数式进步
Ethan Mollick 以新书《Co-Existence》发布为节点，用图表复盘自《Co-Intelligence》出版以来 AI 的进展。已有 180 个模型超过 GPT-4 发布时的水平，其中 19 个可在现代智能手机运行；METR 测得 AI 可完成的人类工作时长从 4 分钟增至 17 小时，GPQA 获得正确答案的模型使用成本则从 30 美分降至 0.04 美分。
Hugging Face BlogAI 评分7070 ALTK-Evolve 如何用学习型记忆提升 τ²-bench 客服智能体表现
ALTK-Evolve 从智能体训练轨迹中提炼行为规则并附加到系统提示词，不更新模型权重即可提升 τ²-bench 客服任务表现。使用 gpt-4.1 时，零售 held-out 任务的 Pass^4 达到 67.5%，在 October 12, 2026 排行榜快照中排名第一；gpt-5.5 在航空任务上的 Pass^4 达到 82.0%，同样排名第一。
量子位AI 评分7373 MemT 1.0 开源发布，以模型内生记忆支持经验复用
MemT 1.0 系列正式开源发布，包含 36B 总参数、激活 3B 的 Nano 和 288B 总参数、激活 17B 的 Flash，通过在 Transformer 中加入记忆计算通路，让经验以可更新的内部状态参与后续生成。
MarkTechPostAI 评分6767 Exa 3.0 Search API 在 8 项基准中领先 Perplexity、Brave 和 Parallel
Exa 发布面向 AI 智能体的 Exa 3.0 搜索 API，升级更大规模的嵌入模型，并推出每 1,000 次请求 $4 的 Exa Lite。Dynamic Highlights 正式可用，Exa 称其较完整页面文本减少 95% token 使用且不额外收费。
Lenny's Newsletter / PodcastAI 评分6464 播客实测 Meta Muse Wonder 与用 Claude Code 自动化剪辑视频
播客通过近 20 项真实任务评测 Meta 的 Muse Wonder 模型，发现其擅长智能体、编码、写作和语音任务，但前端设计与视频视觉执行较弱。另一段分享展示 Brooke Lacey 如何用 Claude Code、FFmpeg、Whisper 和 Python，将手机原始录像在约 15 秒内处理为带字幕、跳剪和缩放的竖屏短视频。
OpenAI NewsAI 评分3131 OpenAI 推进 ChatGPT 在低资源编程语言中的编码能力
OpenAI 正在改进 ChatGPT 对低资源编程语言的支持，并新增面向软件工程、SQLite 和 COBOL 迁移的评测。相关工作聚焦低资源编程语言，旨在推动 ChatGPT 编码能力的进一步提升。
Interconnects精选AI 评分7979 Meta借Muse Spark Open重塑前沿模型竞争格局
Meta凭开放权重模型Muse Spark Open重新进入美国开放模型前沿，并与闭源模型Muse Wonder、Muse Wonder Full形成开放与闭源并行的布局。
推荐理由：文章结合性能、许可证与模型格局，分析Meta凭开放和闭源模型重新参与前沿竞争的条件。
Latent SpaceAI 评分4646 Latent Space 试播 AI 新闻节目 High Taste Testers 第 1 集
Latent Space 试播 High Taste Testers 第 1 集，汇总 10/15/2026-10/16/2026 的 AI 模型与产品动态。重点涵盖 Muse Spark Open、Reflection Beam 1.0 和 Gemini 4 Argon，也涉及 Haiku 5.5 降价与 GPT-6 Astra Pro 更新。
Hugging Face：deepseek-ai 新模型精选AI 评分6565 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。
Apple Machine Learning Research精选AI 评分7878 Apple 使用 MLX 与 Thunderbolt RDMA 在 Mac Studio 上进行本地及分布式 LLM 推理
Apple 使用 MLX v0.30.1 和 Thunderbolt 5 RDMA 在 Mac Studio 集群上运行 Muse Spark Open、Mistral Medium 3.5 与 Qwen 3.8，并比较流水线并行和张量并行方案。
推荐理由：文章提供单机和多机推理方案、配置命令与对比数据，便于评估大模型在 Mac Studio 集群上的部署表现。
Apple Machine Learning ResearchAI 评分4444 工具增强 LLM 智能体的工具发现架构：先规划还是先检索？规模研究
一项规模研究比较工具增强 LLM 智能体的 Retrieve-then-Plan 与 Plan-then-Retrieve，发现单工具查询更优的是 RtP，多工具查询更优的是 PtR。这一交叉在 ToolBench 的全部检索预算（k=1 至 20）、1k 至 47k APIs 规模及 Gemini 2.5 Flash、gpt-oss-120b 上均成立；PtR 的额外发现调用约使推理成本翻倍。
Lenny's Newsletter / PodcastAI 评分5959 Meta Muse Wonder 模型评测：智能体表现突出，设计输出较弱
Claire Vo通过How I AI bench评测Meta Muse Wonder与Muse Wonder Full，覆盖近20项原型开发、智能体工作流、编码、写作和创意任务，并结合LLM-as-a-judge与语音笔记给出初步结果。
Google DeepMind Blog精选AI 评分8383 Google DeepMind 开始广泛推出 Gemini 4 Argon
Google DeepMind 开始广泛推出 Gemini 4 Argon，并扩大 Fairwind Program，向更多受信任的网络安全防御者开放。Argon 在 12 个端到端模拟网络攻击场景中全部解决，较上一代的 5 个有所提升；其 Prompt Injection 防护在 Gray Swan 的 IPI 基准中将 15 次自适应攻击的成功率降至 0.7%。
推荐理由：文章系统介绍了 Gemini 4 Argon 的能力边界、滥用防护、实时失配监控与 Prompt Injection 防护，并公开了相关测试结果和安全机制。
Google AI Blog精选AI 评分8787 Google 发布 Gemini 4 Argon 前沿模型
Google 发布 Gemini 4 Argon，向全球开发者和企业开放，首发价格为 $2 per million input tokens 和 $10 per million output tokens，并提供 1M 统一输入输出 token 上限。
推荐理由：Gemini 4 Argon同时给出模型能力、真实工程案例、开放渠道与定价，便于开发者评估复杂任务的可用性和成本。
Import AIAI 评分4545 Import AI 476：创造力、递归自我改进、中国开源权重模型与太空 AI
Import AI 476 聚焦视觉推理、模型研究品味与太空 AI 带来的战略优势。HSS 基准包含 522 道题，人类的 pass@1 为 93.1，GPT 6 Astra 为 53.6，GLM-5.3-flash 与 Kimi K3 分别为 26.8 和 25.5。
GitHub 新星仓库AI 评分2929 retro-arg-engine：Project Stardust 的 15-Gate LLM 密码学基准
retro-arg-engine 以 Project Stardust 形式构建 CRE-7 主题的 15-Gate LLM 密码学基准，覆盖位运算、模 65536 求和、Motorola 68000 指令反演和 Luby-Rackoff Feistel 密码。
硅谷101AI 评分5757 再访阿里国际站总裁张阔：模型变强为何商家体感有限
阿里国际站总裁张阔在访谈中表示，模型通用评测成绩接近满分，但真实经营中的能力提升并不明显。团队整理了报价比较、钓鱼邮件识别、订船和交易纠纷等107个任务，最前沿模型在无人干预下的通过率约为61%。访谈还讨论了Accio Work的任务边界、模型与工程联合优化，以及人类在经营判断中的角色。
Import AIAI 评分5252 Import AI 475 评述智能体集群扩展、Google DeepMind 生物水印与 AI 科学经济
Import AI 475 汇总了 AI 智能体集群扩展、AI 监管民调、Google DeepMind 的 SynthID Bio、自动科学实验基准 SciUniverse，以及面向自主科学发现的科学经济研究。
硅谷101AI 评分4949 E253｜谁在给大模型出题、卖题、判卷？聊聊 AI 数据行业的野蛮生长
《硅谷101》邀请 Scale AI 研究总监何允中及加州大学伯克利分校博士后孙一铀，拆解大模型训练数据、评测与强化学习环境背后的产业逻辑。AfterQuery 估值从今年4月的3亿美元升至9月的32亿美元，Bespoke Labs 种子轮与A轮融资合计4000万美元。
Import AIAI 评分5656 Import AI 473 综述超级智能战略、异种脑实验与 AI 治理研究
Import AI 473 汇总多篇研究，探讨美国超级智能战略、人类脑组织移植小鼠、AI 发展节奏治理、无审查开放权重模型及递归自我改进的动态。RAND 建议美国以保持选择空间为核心投入人机生态、安全架构和应急能力，相关论文还讨论不同治理工具的激励、验证与退出机制。
AI Explained精选AI 评分8080 AI Explained 评测 GPT-6 Astra 的性能与安全争议
AI Explained 分析 GPT-6 Astra 的成本效率、基准表现及链式思维可监控性变化。视频将其与 Fable 5.1 对比，并讨论 ARC-AGI 3、FrontierMath 等评测中的结果以及 AI 安全研究方面的担忧。
推荐理由：围绕基准结果、交易表现与 CoT 可监控性展开对比，帮助读者理解 GPT-6 Astra 引发争议的具体维度。
Hugging Face：deepseek-ai 新模型精选AI 评分7373 DeepSeek 发布 DeepSeek-V4-Flash-Vision-Exp 实验性多模态模型
DeepSeek 发布 DeepSeek-V4-Flash-Vision-Exp，这是 DeepSeek-V4 系列首个实验性多模态模型。该模型在 ApexBench 的 Pass@1 得分由 26.2 提升至 36.5，Agents' Last Exam 得分由 25.2 提升至 27.3，文本 Agent 任务表现与 DeepSeek-V4-Flash-0731 相当。
推荐理由：仓库提供提示词编码、最小推理实现和基准结果，并给出 vLLM、SGLang 部署方式，便于评估与复现。
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。
Anthropic News精选AI 评分6161 Anthropic启动500万美元AI用户福祉研究资助计划
Anthropic启动500万美元资助计划，支持独立研究AI对用户福祉的影响。项目将提供模型访问和技术支持，研究成果以开源项目形式发布，评测需覆盖预防措施与伤害风险，并纳入临床及领域专家验证。申请截止时间为9月21日，进入完整提案阶段的申请人将于10月5日获通知。
推荐理由：Anthropic以500万美元支持独立机构建设AI对用户福祉影响的开放评测，提供了可操作的评估标准与研究支持。