蚂蚁百灵官方团队发布原生多模态模型 Ling-3.2-flash，560B 总参数、25B 激活参数、1M 上下文窗口，支持图像、文本与视频输入。
官方只给了基准分数和定价，没给训练配方或部署细节；能拿走的是 560B 总参数、25B 激活的 MoE 配比和 1M 上下文，以及兼容 OpenAI 与 Anthropic 协议的接入方式，可用来评估替换现有视觉理解与长程 Agent 调用链的成本。
腾讯发布新一代大语言模型 Hy4，称其已进入全球领先开源模型行列，模型权重和系统卡将在未来几天放出。Hy4 首次引入视觉理解与 computer-use 能力，可操作命令行和图形界面，并针对 Blender、CAD 等专业软件做了专项训练，在指令遵循、长上下文和长程智能体任务上有明显提升。
Hy4 首次加入视觉理解与 computer-use，并在 Blender、CAD、UE/Unity/Godot 上做专项训练，可接到视频产线和本地模型部署两条线；权重和系统卡要等几天后才放出，现在只能走 API 或腾讯云。
美团正式发布 LongCat-2.5，这是一个面向长程智能体任务的原生多模态模型，总参数量 1.6 万亿，每个 token 激活约 480 亿参数，在 LongCat-2.0 基础上强化了原生视觉理解与智能体编程能力。
可借鉴的是长程 Agent RL 的 partial rollout 异步训练与 F2P/P2P 环境合成流水线，能落到软件工厂的代码任务训练；代价是需自建可交互环境并处理样本陈旧性带来的梯度偏置。
小米开源轻量级文档理解模型 Xiaomi-OCR-0，参数规模 0.8B，权重与推理代码已上线 Hugging Face 和 GitHub，单一模型覆盖文档解析、关键信息抽取与 OCR 视觉问答三类任务。
0.8B 单模型同时做文档解析、字段抽取和 OCR 视觉问答，输出 Markdown/LaTeX/JSON，还带 MCP 服务和 Agent Skill 包，能直接换掉文档解析链路里拼多个模型的方案；代价是要自己验证古籍手写和复杂表格上的实际表现。
商汤开源 Code2Video，一个基于 Qwen3.8-27B 微调的 27B 模型，不直接生成像素，而是为每个镜头写程序、渲染、看帧后改代码。文字、公式和图表数字从源数据输入，避免乱码；每个元素是命名对象，改一处只需小编辑而非整段重生成。
能拿走 skill 文件、需求转 brief 模板和含消息与工具调用的生产日志，复刻写代码渲染再改的产线；代价是只适合动效与图表类视频，实拍风格不适用。
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。
Liquid AI 发布 LFM3 新一代 Liquid Foundation Models，把文本、视觉、音频、omni 和决策模型统一到 2B 参数级的同一 backbone 上，全部开源权重并已在 Hugging Face 上线。
六个 2B 级模型共用一个 backbone，单卡微调即可落地，文本模型 4-bit 约 1GB 可塞进端侧；代价是各模态需分别选型，d1 系列只输出结构化判断而非生成文本。
OpenAI 发布 GPT-6.1 Terra，标准 API 输入 1 美元/百万 Token、缓存输入 0.05 美元/百万 Token、输出 5 美元/百万 Token，价格约为 GPT-5.6 Terra 的一半。
能拿走的是按任务档位选模型的成本账，medium 档跑专业软件操作、max 档留给复杂编程，代价是复杂任务仍要切回 Sol 或 Astra。
OpenAI 于 10 月 27 日发布新模型 GPT-6.1 Terra，主打以更低成本完成复杂电脑操作任务，擅长视觉推理和桌面软件自动化。
能拿走的是按推理强度分档选模型的成本账，低档跑发票、图纸类桌面自动化，高档才上 Sol 或 Astra；代价是最高难度编程任务仍要换更贵的模型。
Moonshot AI 发布 Kimi K3.1 Pro，在 Artificial Analysis 智能指数上拿到 55 分，比 K3 高 11 分，排名第四，落后 Claude Opus 5.5 的 58 分 3 分。
能拿走的是 API 降价 33% 与 100 万 token 上下文这两个可算账的参数，可落到本地模型部署和 Agent 长上下文任务；代价是 2.8 万亿参数对硬件要求高，且开源权重版剔除了网络安全数据，漏洞类任务会弱一截。
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%。
NVIDIA 扩展开源模型家族，覆盖语言、机器人、生物和量子计算，包括 Nemotron 3.5 Super VL、Nemotron 3.5 Bolt、Nemotron Retriever、Kumo、Cosmos 3.5、Alpamayo 2 Edge、BioNeMo RFD4-Proteina 和 Ising。
能拿走的是 Nemotron 3.5 系列加 Kumo、Cosmos、Ising 的开源权重与 NIM 打包方式，可落到本地模型部署和 Agent 数据管线；代价是多数模型要自己用本地数据后训练，Bolt E4B 4GB 还要等到 10 月 23 日。
NVIDIA 发布开源小模型 Nemotron 3.5 Bolt E4B 4GB，面向在 RTX、Jetson 和 Spark 硬件上本地运行的语音助手、游戏 NPC 和机器人界面。
能拿走纯 RL 后训练配方、2:1 非推理/推理样本配比和 Q4_K_M 量化加 DFlash 投机解码的部署组合，落到本地模型部署和 Agent 工具调用这条线；代价是 4GB 只是显存目标，GGUF 实际 6.18GB，Tau2-Bench 落后 Qwen3.5-4B 约 20 分。
MemT 1.0 记忆原生大模型开源发布，上线 8 天总下载量达 100K。
能拿走的是 MemT 的部署路径和记忆读写机制，Nano 版两张 GPU 起、SGLang 单节点启动，记忆快照存到 memt-state 目录；代价是 Nano 权重约 70 GB，需 Linux CUDA 和 Python 3.11 环境。
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。
Cloudflare 的 27B 多模态决策模型 Clef 已在 Ollama 上线，用户可在本地或 Ollama 云端运行。Clef 由 Qwen3.8-27B 微调而来，采用 Apache 2.0 许可，接收文本、JSON 或图像输入，一次读取即对所有问题同时打分，兼容 Jev 与 System One API。
能拿走的是把决策任务改成一次前向打分而非逐词生成，配合 schema 定义问题；可落到本地模型部署和 Agent 工具调用前置校验，代价是 27B 模型本地跑需足够显存，且基准数据来自 Cloudflare 自评。
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。
NVIDIA 发布开源 120B 参数模型 Nemotron 3.5 Super VL，主打多模态智能体任务，官方称吞吐量最高为同类模型 5 倍，参数量约为其最大推理模型的五分之一。
开源权重加训练配方和数据集，可拿 120B 的 Super VL 做多模态文档解析与工具调用，或把 Bolt 74B-A9B 用 2-bit 量化塞进 24GB 本地跑 agent，代价是要自己接 NeMo 做后训练。
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。