Mistral 发布 Mistral Large 4 预览版：1T 参数、49B 激活的多模态开源模型
Mistral 放出了 1T 总参、49B 激活的多模态模型预览版，说是欧美最强开源权重模型，月底连权重一起放出来，做开源部署的可以盯着。
#推理模型
共 2001 条 · 7 天 180 条 · 30 天 655 条 · 话题观测 →
10月6日
DiffusionGemma 在 DGX Spark 上对比 Jev，vLLM 定制补丁完成评测
有人在 DGX Spark 上用自写的 vLLM 补丁跑 DiffusionGemma 和 Jev 对比，vLLM 官方都转发了，想看扩散模型推理性能的可以点进去。
蚂蚁集团发布 Ling 3.1 Flash：智能指数翻倍至 41 分
蚂蚁的 Ling 3.1 Flash 智能分直接从 20 涨到 41，智能体能力能跟 GLM-5.3-Flash、DeepSeek V4.1 Flash 掰手腕，权重还快开源了。
Mistral AI 预告今日发布新模型，称网安表现优于中国竞品
法国 Mistral AI 直接放话新模型网安能力超过中国模型，欧洲厂商开始下场对标，看看它拿什么跟 DeepSeek 掰手腕。
IT之家原文
研究：特定起始 token 提示可让 base 模型接近 RL 训练后的推理表现
不用 RL 训练，只在开头加个 "Okay" 就能让 Olmo-3-7B 数学成绩翻近一倍，这篇论文把原因挖得很透，做模型训练的值得看看。
OPPD 蒸馏法让模型单次生成即达 power sampling 64 候选的效果
一篇有意思的论文：不靠每次采样几十个候选，而是把 power sampling 的锐化直接蒸进模型，单次生成就超过 64 候选采样，数学和代码基准都有实测数字。
Nvidia 投资的 Reflection 发布 Beam 模型
Nvidia 投资的 Reflection 出了新模型 Beam，官方说推理成绩能打平 Z.AI 的 GLM-5.2，想看美国初创怎么追赶中国模型的可以看看。
从推理链哪一步重启更划算？arXiv 论文量化扩展位置的选择收益
论文发现重启推理链的位置本身就有讲究，选对位置在 MATH-500 上能用更少算力超过 self-consistency，做推理成本优化的人可以看。
Beam 被指是 DeepSeek V3 的等算力复现：23B 参数 × 23.8T tokens
有人算出 Beam 和 DeepSeek V3 总训练算力几乎一模一样，等于是两年后的复现，但效率差挺远，评论区还挺热闹。
Reflection AI 发布 501B 参数开源模型 Beam
Reflection AI 放了个 501B 总参、23B 激活的开源模型 Beam，主攻编程和智能体任务，权重这个月就放，做本地部署的可以盯一下。
Reflection 开放 Beam 模型，Artificial Analysis 独立基准测试中
Reflection 新模型 Beam 正在被 Artificial Analysis 独立测试，早期数据显示它是同级开源模型里最省 token 的之一。
Agent Arena 发布智能体任务榜单：Anthropic 模型居 Code、Work、Chat 三类榜首
Arena.ai 更新了 Agent Arena 榜单，Anthropic 和 OpenAI 的模型在真实任务上谁强谁弱，一目了然。
Reflection 发布首个开源权重模型 Beam，推理对标 GLM-5.2
Nvidia 投资的 Reflection 出了首个开源权重模型 Beam，号称推理打平 GLM-5.2 还更省算力，权重这个月就放。
Simon Willison 重跑长数字加法实验，测试本地 Qwen 3.8 27B
Simon Willison 用 Colin Fraser 的老加法实验测本地 Qwen 3.8 27B，还对比了开不开推理模式的结果，想本地跑模型的可看。
GPT-6-Astra 与 GPT-6.1 Sol 生成速度提升至 50 token/秒
GPT-6-Astra 和 GPT-6.1 Sol 速度从 30 提到 50 token/秒，日常用起来明显更跟手，这次只提速不重置。
Qwen3.8 27B 开启推理后在 DGX Spark 上算对 169 位数加法实验
有人在 DGX Spark 上重跑了 GPT-4o 的文字加法实验，Qwen3.8 27B 开推理后 169 次只错 2 次，还能看到逐位进位的思考过程。
10月5日
TypeSafe AI 决策模型 Jev 日处理量达 1 万亿 token，OpenAI 等跟进
不生成文本、只做分类决策的 Jev 三周就跑到日处理 1 万亿 token，OpenAI 和 Cloudflare 都出了同路线产品，挺值得了解的新方向。
D2K-Bench 基准测试：LLM Agent 能否把专家设计转化为高效 GPU 内核
arXiv 上的新基准 D2K-Bench，26 个任务测 LLM 写 GPU 内核，加上专家指导后 GPT-6-Astra 等模型的加速比从 1.69 倍冲到 2.49 倍，结果挺有意思。
Mustafa Suleyman 预言：10 亿美元级训练时代将至，全球仅 5/6 家实验室玩得起
微软 AI 负责人 Suleyman 说 10 亿美元训练跑马上来，全球就 5、6 家实验室凑得出吉瓦级算力，听听头部怎么看算力军备赛。
GPT-6 Astra、GPT-6.1 Sol、Gemini 4 Argon、Claude Fable 5.1 四款前沿模型怎么选
四个前沿模型各有所长：Astra 擅长操作电脑，Argon 强在法律金融，Sol 写代码最便宜，看完就知道该用哪个。
评论：Reflection AI 能否训出匹敌 GLM 5.3 的前沿模型存疑
一条关于 Reflection AI 能不能追上 GLM 5.3 的讨论，拿 Nvidia 和 Thinky 当反面例子，看法挺克制。
10月4日
Google 发布 Gemini 4 Argon，对标 OpenAI 与 Anthropic
Google 悄悄上线了 Gemini 4 Argon，主攻推理和安全方向，就是冲着 OpenAI 和 Anthropic 的旗舰模型去的，可以看看它到底强在哪。
AI 圈本月密集发布：GPT-6 Astra、Grok 4.7、Fable 5.1 等多个模型亮相
一条推文把本月各家新模型全列齐了，GPT-6 Astra、Grok 4.7、Gemini 4 Argon 都在，想快速扫一遍本月发布看这条就够。
Google 发布 Gemini 4 Argon，支持 100 万输出 token
Google 放出了新旗舰 Gemini 4 Argon，一次能输出 100 万 token，主打编码和企业场景，现在只有 Fairwind 测试者能先摸到。
决策类 AI 模型解析：TypeSafe Jev 对比 Fastino GLiDE 与 GLiNER2.5-Decide
想给业务加自动判断能力的话看这篇，Jev 每百万 token 才 0.042 美元，还跟 GLiDE 等 5 家开源方案对比了。
Gemini 4 临近正式发布，GLM、DeepSeek、Kimi 一段时间没有动静
Gemini 4 快来了，而且 Anthropic 博客都还在引用 GLM-5.3 的网络能力，国产模型这条线索值得关注。