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。
DeepSeek 推出 V4.1-Flash-1017 模型，网页端、APP 与 API 已同步上线，并以 MIT 许可证在 HuggingFace 与 ModelScope 开源权重。新版本缩短了运行时间与输出长度以降低单次调用成本，并通过自反馈强化学习提升了在极少提示词和参考素材下从零构建游戏与 3D 建模等完整项目的编程能力。
Why it matters: 新版本强化了少提示词下的整项目生成能力并降低调用耗时，开发者可直接评估其在自动化编码中的提效表现。
谷歌正式面向开发者、企业及付费用户开放新一代旗舰大模型Gemini 4 Argon，重点强化长流程工程任务执行、多模态空间推理与代码维护能力。在Artificial Analysis智能指数中其Argon High版本得分达53分，且在自研智能体框架ADK优化中实现了长会话内存准备开销降低40%。首发阶段API价格享受五折优惠至11月30日，每百万输入token为2美元、输出token为10美元。
Why it matters: 该模型强化了长流程代码维护和多模态空间推理能力，评测整体对标主流前沿模型，限时优惠也降低了调用成本门槛。
优必选发布多模态具身世界模型 Thinker-WM，并在 WorldOlympiad、EWMBench 和 WorldArena1.0 三大基准评测中位列榜首。
Why it matters: 原文展示了放弃传统接口拼接、在表征层将视觉与动作统一建模的架构方案，为具身世界模型设计提供了可复用的结构参考。
英伟达开放740亿参数Nemotron 3.5 Bolt模型权重，将原本约148GB的权重压缩至22.1GB以支持24GB级本地部署，同时搭载RTX Spark芯片的笔记本正式全球发售。
Why it matters: 原文展现了通过结构裁剪与混合精度量化将74B大模型压至端侧的实现路径，便于读者评估本地智能体的硬件门槛。
Black Forest Labs 正式开源 5.6B 参数的文本到图像生成与编辑模型 FLUX 3 Image Klein，支持原生 4K 生成、像素级编辑及最多 10 张多参考图生成。
Why it matters: 材料展示了该模型在参数压缩与端侧轻量部署上的实测数据，便于评估消费级显卡的本地运行成本。
Meta 发布多模态开放权重模型 Muse Spark Open，总参数达 8160 亿，激活参数为 420 亿，支持 100 万 Token 上下文。该模型基于苹果开源数组框架 MLX 优化统一内存架构，两台最高配 512GB 内存且搭载 M5 Ultra 芯片的 Mac Studio 即可容纳完整模型，目前已在 Hugging Face 开源上线。
Why it matters: 原文给出了模型总参数、激活参数规模与具体硬件部署方案，读者可以据此评估本地大显存端侧部署可行性。
Reflection AI 推出面向智能体编码与长周期任务的开源权重模型 Beam，并在 Amazon SageMaker JumpStart 与 HyperPod 提供部署支持。
Why it matters: 提供了 Beam 501B 稀疏架构的参数规格，以及在 AWS 上基于 JumpStart 与 HyperPod 进行分布式多节点部署的具体选型路径。
Reflection AI 在 Hugging Face 正式上线首个开源权重模型 Beam 1.0，面向编码、推理和智能体任务构建。本次公开了 Beam-1.0-501B-A23B 主模型权重，并同步提供了 FP8、NVFP4 及 DFlash2 等多个衍生与量化版本。
Why it matters: 原文列出了 501B 规模及其量化权重版本，读者可以据此评估本地部署的显存要求与运行门槛。
Reflection 联合 Hugging Face 开源 501B 参数混合专家模型 Beam，遵循 Apache 2.0 协议并主打编码与 AI 智能体任务。
Why it matters: 该模型以开源协议提供了前沿规模的混合专家架构与长上下文推理能力，适合需要在自有硬件部署并微调编码智能体的团队。
腾讯混元宣布智能体记忆框架 Hy Memory 升级至 2.0 版本，并全层开源专用模型 Hy-Memory-30A3B、记忆框架 SDK 及本地管理应用 MemHub。
Why it matters: 该方案通过开源专用记忆模型与本地应用，为解决多智能体工具间的上下文割裂提供了完整参考。
阶跃星辰正式开源大模型 Step 5 Preview，并在 Hugging Face 与 ModelScope 同步上线 BF16 和 FP8 权重。该模型采用稀疏 MoE 架构，总参数量 600B、激活参数 27B，支持 100万Token 上下文窗口。
Why it matters: 原文解析了窄深架构配合稀疏注意力的设计细节，为长上下文大模型的工程优化和训练稳定提供了可参考的实现方案。
Meta 正式开源原生多模态模型 Muse Spark Open，采用 MoE 架构，总参数量 816B、激活参数 42B，支持 1M token 上下文窗口及文本、图像、视频和音频输入。该模型专为长程任务、代码工程与复杂推理设计，可通过两台搭载 M5 Ultra 芯片的 Mac Studio 连接实现本地运行，并在主流推理框架与云平台上同步开放权重下载与 API 接入。
Why it matters: 原文给出了超大 MoE 架构在消费级桌面硬件上的部署规格与实测吞吐，为大模型本地化运行提供了具体参考。
可灵AI正式上线视频生成模型Kling 4.0，支持单镜头最长30秒一镜到底直出与最多10帧画面的多帧参考。模型在连续位移、障碍物碰撞及打斗等复杂动态中提升了物理规律理解，并支持在保留运镜的同时替换画面主体与场景。生成成本方面，1080P规格30秒视频消耗450积分（约16元），后续还将支持10-bit 4K HDR规格输出。
Why it matters: 实测展现了长镜头连续运动与多帧参考的表现，创作者可以据此评估复杂镜头的成片质量和单次生成的积分成本。
清华大学陈文光教授与吕凯风教授团队开源了 2B 参数模型 Puro-2B 的全流程预训练方案，完整公开训练数据、框架、配置与模型权重。该方案基于消费级显卡 RTX 5090 集群完成最多 1.4 万亿 token 的预训练，以约 4400 美元和 6900 美元的计算成本分别实现了超过 Qwen2-1.5B 和接近 Qwen2.5-1.5B 的 15 项任务综合表现。
Why it matters: 原文给出了基于消费级显卡训练十亿级模型的软硬件协同方案，读者可以据此评估小团队低成本复现预训练的可行性。
Meta 联合苹果发布原生多模态开源模型 Muse Spark Open，总参数量达 816B 且激活参数为 42B，支持 1M 上下文窗口。该模型利用苹果 MLX 框架进行了针对性优化，支持在两台搭载 M5 Ultra（512GB）芯片的 Mac Studio 上本地运行，并适配了 SGLang、vLLM 及 llama.cpp 等主流推理框架。
Why it matters: 原文梳理了该大模型在两台苹果硬件上的端侧部署细节，并客观比较了其在智能体任务与基础编程指标上的实际表现差异。
快手可灵（Kling）4.0 正式在 klingai.com 全量上线，单次生成视频最长可达 30 秒，且支持多次续拍延展至 2 分钟。模型支持单次组合输入最多 10 张图片、5 段视频与 7 个主体进行协同参考，并支持 10 张多关键帧控制、8000 tokens 提示词输入以及立体声音频生成。
Why it matters: 新版本大幅扩展了视频单次生成时长与多素材参考能力，有助于创作者评估长镜头叙事与复杂主体控制的工作流可行性。
Meta 正式发布开放权重 AI 模型 Muse Spark Open，采用原生多模态架构，总参数量达 816B 且激活参数为 42B，支持 1M token 上下文窗口。
Why it matters: 原文披露了总参数与激活参数配比及本地硬件部署门槛，读者可据此评估长上下文多模态智能体模型的适配成本。
蚂蚁百灵开源推出 Ling-3.1-flash 模型，主打面向复杂真实业务流的高智效比。该模型采用 560B 总参数、每 Token 激活约 25B 的稀疏 MoE 架构，并以线性 Attention 配合 Gated MLA 支持最高 1M 上下文窗口。通过混合精度量化，其权重占用从约 534GB 降至 292GB，对应 Hopper 部署环境由 8 卡降至 4 卡。
Why it matters: 模型采用混合线性注意力加稀疏MoE架构并支持1M上下文，展示了兼顾长序列推理与降低计算开销的具体工程方案。
Granite Switch 4.1 系列模型（8B 与 30B）正式发布，将通用决策 aLoRA、安全决策 Guardian aLoRA 以及语音识别模型整合至单一托管端点。适配器与基座模型共享显存并复用基座生成的 KV cache，可在对话响应、多步骤决策及语音转文字等任务间快速切换。该系列模型支持开箱即用，官方后续还将发布 Adapter SDK 供社区训练与组合自定义适配器。
Why it matters: 原文展示了多适配器共享显存与缓存的架构设计，读者可以参考如何以低开销在单端点组合多任务工作流。
Meta 推出开源权重模型 Muse Spark Open，具备 816B 参数与 1M token 上下文窗口，专为复杂编码和 Agent 任务设计并支持在 Mac 上本地运行。
Why it matters: 原文给出了 816B 参数量与至少 1TB 内存的本地门槛，读者可据此评估大参数开源模型在 Mac 工作站端侧落地的软硬件要求。