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。
Kimi 正式发布 2.8T 参数的新一代旗舰模型 Kimi K3.1 Pro，支持 100 万 Token 上下文，完整模型权重预计于 11 月 4 日前开放。API 定价为输入每百万 Token 13 元、输出 68 元，并同步推出输出速度提升 2 至 3 倍的 Highspeed 版本。作者实测指出，该模型在 Web 3D 交互建模、空间理解漫游以及长时长科普动效视频生成方面展现出显著提升。
Why it matters: 原文实测了空间建模与长动效视频生成案例，读者可以直观对照其在多模态视觉任务上的落地表现。
月之暗面正式推出全新 K3.1 系列首个模型 Kimi K3.1 Pro 及其高速版，参数量达 3 万亿量级并支持 100 万 token 上下文，完整模型权重计划于 11 月 4 日前发布。
Why it matters: 月之暗面公开了 3 万亿参数基座的大规模后训练细节与全套基准对比，展现了强化学习在长程编程和 3D 参数化建模上的实际能力跃升。
月之暗面正式推出 Kimi K3.1 系列首个模型 K3.1 Pro 及其 2 至 3 倍输出速度的高速版，定位 3 万亿级参数并支持 100 万上下文。在 Terminal-Bench 4.0 编程智能体评测中取得 65.7% 得分，同时具备编写脚本进行 CAD 与 Blender 参数化建模、以及端到端金融分析能力。
Why it matters: 原文汇总了模型在终端编程与参数化建模等多项基准上的具体表现，读者可借此评估其工程任务可用性。
月之暗面正式推出 Kimi K3.1 系列首个模型 Kimi K3.1 Pro 及其高速版 Kimi K3.1 Pro Highspeed。该模型拥有 3 万亿级参数并支持 100 万上下文，在代码编写、3D 创作、金融研究和长程 Agent 任务上表现显著提升，完整模型权重将于 11 月 4 日前发布。目前用户与开发者已可通过 Web、App、桌面端及 API 接入使用。
Why it matters: 月之暗面推出首个3万亿级参数模型并承诺开源权重，重点增强了代码与长程智能体能力。
月之暗面（Moonshot）Kimi K3.1 Pro 正式上线 Kimi API，并承诺将在 2026 年 11 月 4 日前开源完整模型权重。
Why it matters: 材料汇总了该模型对标前沿闭源水平的跑分与定价，并确认了开源计划，有助于评估高性价比推理方案的选型。
月之暗面发布新一代推理模型 Kimi K3.1 Pro 及其实时版本 K3.1 Pro Highspeed，在 Artificial Analysis 智能指数上取得 55 分，排名第四且仅落后 Claude Opus 5.5 三分。
Why it matters: 该模型展示了大幅增加后训练算力对智能体与推理任务的提升幅度，有助于评估开源权重模型与闭源旗舰的差距变化。
高德与阿里ATH事业群发布基于开放世界行为的全身基座模型λ0，仅依靠人类行动数据即可让机器人协同学习移动、姿态与双手操作。该方案采用佩戴消费级设备的无本体数据采集方式，将单任务采集用时由约100秒缩短至29秒，真机任务成功率较基线提升22.5%，并构建了500小时的HumanVerse-500数据集。目前硬件配置代码已在GitHub开源，相关数据样例已上线Hugging Face。
Why it matters: 该方案通过消费级设备采集人类行动数据并进行跨形态对齐，为降低人形机器人全身协同控制的训练与采集门槛提供了落地参考。
模思智能和 OpenMOSS 团队开源 5B 参数 DiT 生图模型 MOSS-Image，上线 4 天在海外社区下载量突破 130 万次并登上 Hugging Face 趋势榜前列。
Why it matters: 该模型通过剔除合成数据提升自然度，并结合结构化排版和长提示词输入，为可控视觉设计与复杂构图提供了实用路径。
Kimi Code 正式全面上线 K3.1 Pro 与 K3.1 Pro Highspeed，具备 3T 级参数量并支持最高 1048576（1M）上下文窗口与图像、视频多模态输入。
Why it matters: 原文给出了新模型的参数规模、强制思考模式和额度消耗倍率，读者可据此评估代码接入与用量成本。
设计平台 Canva 推出首款自研图像生成模型 Canva Craft，主要基于数百万设计模板而非普通照片从头训练而成。该模型最高支持 2K 分辨率与 30 多种画幅比例，支持 55 种语言的文字渲染，并允许用户通过 Magic Layers 将生成结果拆分为可编辑图层。
Why it matters: Canva 转向基于自有多模态设计模板自研模型，读者可以了解垂直设计平台摆脱第三方模型依赖的技术路径。
田渊栋参与创立的 Recursive_SI 正式发布专为本地运行打造的开源编程模型 Flint-40B-A2B，总参数量为 400 亿且每个 token 仅激活 25 亿参数。
Why it matters: 展示了自动化研发系统辅助小团队构建端侧模型的完整工程路径，为离线低延迟编程工具提供了可落地的稀疏架构参考。
模思智能与OpenMOSS团队开源文生图模型MOSS-Image，上线4天在海外社区收获130万次下载并登顶Hugging Face文生图趋势榜。该模型采用从零预训练的5B参数DiT架构，搭配Qwen3.5-9B文本编码器与FLUX.2 VAE，并在国产PPU算力平台完成训练。
Why it matters: 原文解析了剔除AI合成数据训练与JSON布局控制的设计，读者可据此了解开源生图在排版与画风真实感上的最新进展。
田渊栋联合创立的Recursive开源首个本地编程MoE模型Flint，总参数40B且单token仅激活2.5B，从零训练历时4个月。模型支持512k上下文，在配套开源推理引擎rec优化下可在MacBook Pro实现至少125 tokens/s生成，并在SWE-bench Verified取得74.2%得分。运行环境目前支持M4 Pro等芯片，需至少48GB统一内存和30GB空闲存储空间。
Why it matters: 原文给出了模型参数结构与推理引擎适配细节，有助于开发者评估在端侧硬件上离线运行代码智能体的可行性。
MiniMax 宣布开源 MiniMax M3.1 Flash 模型权重，总参数 428B，激活参数 23B。该模型采用稀疏注意力、路由 MoE 专家 W4A4 量化感知训练与功耗调度优化来提升推理效率，上线 72 小时内处理了超 100 万亿 Token。相关权重已上线 Hugging Face 与魔搭社区，并联合海内外多家芯片厂商和云平台推进首日接入。
Why it matters: 原文列出了稀疏注意力与低比特量化等工程优化手段，读者可以借此了解大参数 MoE 模型的轻量化部署路径。
Canva 正式推出首款图像生成模型 Canva Craft，采用两阶段架构在生成前先规划设计布局，支持最高 2K 分辨率和超过 30 种长宽比。该模型基于平台内数百万个人工模板训练，提升了文字可读性与元素摆放精度，目前已在 Canva 的 Dream Lab 向全球用户开放。后续 Canva 还计划支持通过 MCP 接入 AI 智能体，并推出响应更快的衍生轻量版本。
Why it matters: 两阶段先规划后生成的架构重点优化了排版与文字可读性，展现出垂直设计平台研发专用图像生成模型的工程取向。
Canva 发布首个图像生成模型 Canva Craft，采用先规划版面结构与文本信息再渲染图像的两阶段生成方案。该模型支持最高 2K 分辨率与 30 种纵横比，依托平台模板训练并可直接转换为分层设计文件。目前该模型已在 Dream Lab 面向所有用户开放，后续将提供 API 并通过 MCP 支持 ChatGPT 与 Gemini 等第三方应用。
Why it matters: 原文给出了两阶段生成与模板训练实现分层设计的方案，读者可以据此评估垂直场景下生成模型的能力路径。
AllenAI 正式发布开源卫星嵌入模型 OlmoEarth v1.3，同时开放覆盖全球 10 米分辨率的年度预计算嵌入向量及浏览器探索工具。该模型读取 Sentinel-1 雷达与 Sentinel-2、Landsat 多光谱时间序列生成 128 维特征，在跨 6 大洲的 27 项评测中有 20 项取得 SOTA，且训练算力开销仅为 v1.2 的 53%。
Why it matters: 提供现成的全球高分辨率卫星嵌入让环境监测和地表分类摆脱了海量原始图像的处理开销，降低了遥感建模门槛。
AI 初创公司 Recursive 发布首个语言模型 Flint，该模型由名为 Eureka Machine 的自主 AI 系统历时 4 个月研发完成。
Why it matters: 材料呈现了由自主AI研发系统主导架构选型与定制算子产出的端侧MoE模型，提供了本地编码推理的性能与部署参考。
Hugging Face 联合中关村学院及那不勒斯腓特烈二世大学推出开源生物模型 Carbon-X，允许用户通过自然语言对话分析 DNA 变异对基因活性与健康的影响。
Why it matters: 该模型将基因序列与自然语言对齐并压缩至14B参数，使研究人员无需上传敏感基因数据即可在本地完成对话分析。
IBM 推出开源时间序列集成方案 Granite Timeseries Ensemble R1，无需重新训练即可联合四种不同架构的 Granite 预训练模型输出点预测与分位数预测。
Why it matters: 该方案无需重新训练或拟合权重，通过组合四种互补架构即可直接输出稳健的分位数和点预测。