Ricursive AI 发布 Ripple-65B Preview，这是一个 65B 稠密开源权重模型，从零预训练用于智能体编码，在 Terminal-Bench 2.1 上自报 80.52 分。
能拿走的是稠密 65B 做智能体编码的配方，含 ladder 实验筛选、长上下文 SFT 与截断重要性采样加长度惩罚的 RL，代价是知识类与 MCP 调用明显偏弱。
Mistral 发布 Mistral Large 4（Le Chonk）的开源权重，这是其 1 万亿参数原生多模态旗舰模型，此前已进入公开预览。
能拿走的是三档推理模式与 token 效率取舍，以及 vLLM/SGLang 自托管部署路径；可落到本地模型部署和软件工厂，代价是 1 万亿参数对硬件要求高，商用 MaaS 还需另签许可。
Google DeepMind 发布 Gemini 4 Carbon，称其在网络安全与长周期任务上最强，在 Artificial Analysis Intelligence Index v5.0 上以 59 分排第一。
可借鉴的是长周期智能体任务的训练取向和防作弊指标口径，Terminal-Bench 4.0 作弊率降到 0.0%、高危失配告警降约 80% 这类内部度量能直接搬进自己的评测表，但模型本身只先开放给网络安全防御方，拿不到权重和接口。
OpenAI 发布 GPT-6.1 Terra，API 输入每百万 token 1 美元、输出 5 美元，均为 GPT-5.6 Terra 的一半，缓存输入降至每百万 token 0.05 美元。
API 价格减半、缓存输入降到每百万 token 0.05 美元，可用来重算现有推理成本；但文中只有价格和基准分数，没有给出迁移或配置做法。
Kimi 发布 K3.1 Pro 和 K3.1 Pro Highspeed，前者是 K3.1 系列首个模型，也是其迄今最强的 3T 级开源权重模型，上下文窗口 100 万 token，Highspeed 版本速度提升 2-3 倍。
可借鉴其大规模联合 RL 的分层优化思路（RL 框架、长上下文推理、沙箱、rollout 调度），以及训练阶段剔除网络安全数据来压制攻击能力的做法；前提是自建训练栈，代价是工程量大。
Recursive Superintelligence 发布首个模型 Flint，一个 40B 总参、约 2.5B 激活参数的 MoE 编码模型，权重以 Apache 2.0 放在 Hugging Face。
能拿走的是 40B 总参 2.5B 激活的 MoE 配置、lm_head 量化到 4 bit 再用 16 bit 教师离线蒸馏补精度、以及 Metal megakernel 融合整个 decode 前向，可落到本地模型部署和编码 Agent 这条线；代价是要 48 GB 内存的 Mac 或 GPU，Terminal-Bench 2.1 只有 54.9%，弱于稠密 Qwen 3.8 的 73.0%。
MiniMax 于 10 月 19 日正式更新 M3.1 Flash，并确认此前匿名出现在 OpenCode 上的 Space Bunny 就是它的早期版本，匿名期累计处理超 200T Token。
可参考它按推理档位（high/xhigh/max）分档跑编程任务的成本曲线，用来决定哪段任务交给便宜模型；代价是重构类任务仍明显落后旗舰，且权重10月23日才放出。
美国新实验室 Reflection 在 Hugging Face 发布首个模型 Beam，501B 参数 MoE、每 token 激活 23B，支持 1M token 上下文，Apache 2.0 许可，主打编码与智能体场景。
能拿走混合注意力与残差缩放的具体配比、vLLM/SGLang 启动参数和 LoRA SFT 配方，落到本地模型部署线；代价是 BF16 权重约 1TB，需 4 张 B200 或 8 张 H200 起步。
Meta 开源 Muse Spark Open，这是一个约 816B 总参数、每 token 激活约 42B 的多模态 MoE 模型，支持文本、图像、音频和视频输入，上下文窗口最高 1M tokens。
能拿走 BF16/NVFP4 两种 checkpoint 的部署配方、llama.cpp 2-bit 量化在 512GB Mac 上跑 18 tokens/s 的实测，以及只训注意力层 LoRA、冻结专家的 TRL 微调脚本；落到本地模型部署和软件工厂两条线，代价是 816B 全量专家常驻内存，BF16 约 1.5TB。
Mistral 发布 Mistral Large 4 公开预览，可通过 Mistral Studio 的 API 试用，权重定于本月底放出。该模型为 1 万亿参数原生多模态模型，激活参数 520 亿，在 3800 块 NVIDIA Grace Blackwell GPU 上从零训练，训练数据覆盖 160 多种语言。
可借鉴的是其 RL 训练栈设计：共享可组合接口把单轮对话、科学解题、安全对齐、长程工具调用放进同一次训练，验证侧混用奖励模型、单测、LLM 判官；代价是 3k GPU 规模与每天约 330 亿 token 的吞吐，本地复现门槛高。
Google DeepMind 发布新前沿模型 Gemini 4 Argon，先通过 Fairwind Program 向受信任的网络安全防御方开放，之后再逐步开放给开发者、企业和消费者。
可借鉴的是用 Argon agent 做 C/C++ 到 Rust 迁移的流程，靠多轮 profile 引导实验和读编译器输出生成安全 Rust，代价是仍需自动化加人工审计与仿真测试才能上生产。