Meta 推出基於 Muse Wonder 訓練、供 Muse 與 Meta AI 使用的專用模型版本
Meta 宣佈推出基於 Muse Wonder 訓練的現有模型專用版本,並將主動記憶與主動專注全面推送至 Muse 和 Meta AI 用戶。Muse 升級後的模型遺忘達成目標所需關鍵資訊的問題降低了 2.4 倍;日常任務遇到意外狀況時,任務完成率提升了 67%。
Meta 宣佈推出基於 Muse Wonder 訓練的現有模型專用版本,並將主動記憶與主動專注全面推送至 Muse 和 Meta AI 用戶。Muse 升級後的模型遺忘達成目標所需關鍵資訊的問題降低了 2.4 倍;日常任務遇到意外狀況時,任務完成率提升了 67%。
Preferred Networks(PFN)於2026年11月9日以開放權重方式發布金融領域專用的8B參數模型 PLaMo 3.0 Fin。模型以 PFN 與 NICT 共同開發的 PLaMo 3 NICT 8B Base 為基礎,經日本金融數據持續預訓練及 SFT、DPO 後訓練,支援以日語逐步輸出推理過程,並可調用網頁搜尋、計算及內部數據庫等工具。
基元律動發布 Agent 原生模型 NeoHorse-1.5-Flash Preview,延續 NeoHorse 系列對遞歸自我改進(RSI)的探索,進入第二輪迭代。
SuperCLUE 發佈 2026 年 11 月月度評測,標題列出 Kimi-K3.1-Pro 為中國第一,並稱韓國模型 Darwin 首次上榜。Darwin-180B-RSI-R3 在數學與科學推理以 73.68 分排名 19 款模型第二,僅低於 GPT-6.1-Sol 的 76.32,並居開放權重模型之首。
騰訊 Hy4 正式版在實測中展現更強的視覺與 Agent、Coding 能力,但複雜工作流程仍需人工協助。相比預覽版,DeepSWE 從 64.3 升至 74.9、Terminal-Bench 從 26.3 升至 44.4;OSWorld 為 78.9,MMMU-Pro 為 78.6。
千問 Qwen4 系列部分型號在遊戲開發創造力評測 GameFeel Bench 中,跑分超越 Opus 5.5。Qwen4-Flash 得分 49.9,高於 Opus5.5xHigh 的 47.2;Qwen4-27B 得分 44.6,接近 Sonnet5.5 的 45 分。完成同等任務的成本分別約為 0.4 美元及 0.16 美元,低於 Opus5.5 的 2.6 美元。
Cogent Security 的 VR-1.1 在 LiveCVEBench 的 190 個 CVE 測試中取得 57.9% 準確率,超過 Claude Code(Claude Opus 5.5)和 Codex(GPT-5.6 Cyber)的 45.3%。
阿里巴巴旗下 AI 編程智能體與開發平台 Qoder 推出「隱形」語言模型 Qoduck,並向個人用戶開放。Qoduck 與 Qoder 平台綁定,目前免費提供,但屬限時開放;模型能力及開放截止時間尚未披露。
北京人形「慧思開物」平台正式發布 Hi-WBC 通用全身控制模型,結合人體動作參考與真實物理約束,讓機器人跟隨運動意圖,並按負載、外力及地形變化調整執行方式。模型聚焦技能拓展、強交互與大負載,以及複雜地形自主適應,並以兩段 Demo 展示控制能力與應用實踐。
OpenAI 向 Daybreak Red 特定客戶開放網絡安全模型 GPT-6 Cyber,以 Agent 形式協助安全研究人員測試漏洞;測試越界率低於 1%,而 GPT-5.6 Cyber 約為 5%。
上週全球 AI 大模型調用量排名前五中有四款中國模型,DeepSeek V4.1 Flash 1017 連續三週排名第一,週調用量達56萬億 Token。
北京人形「慧思開物」平台發布 Hi-WBC 通用全身控制模型,結合人體動作參考與真實物理約束,讓機器人可跟隨運動意圖,並因應負載、外力和地形變化調整動作。模型探索以 MoE 和策略蒸餾擴展技能,並將外部接觸力預測及地形感知融入全身控制。發布的 Demo 展示「綜合五項」連續作業,以及機器人完成會議室整理長程任務。
LG AI 研究院宣佈免費向外開放 K-EXAONE 2.5 模型 API,供用戶用於服務開發及研究。開發者、企業及研究機構等任何用戶均可免費使用;該模型在今年 8 月發布的原版基礎上追加訓練。
Preferred Networks 發佈金融專用小型語言模型 PLaMo 3.0 Fin,並以開放權重形式上架 Hugging Face,供用戶在 PLaMo 社羣授權範圍內使用。
作者以 OpenCode 和六項 Python 任務比較 Claude Opus 5.5 與 GPT-6.1 Sol,兩者在 24 次執行中均通過所有隱藏測試。Opus 平均每項用時 82 秒、成本 $0.094,Sol 則為 152 秒和 $0.098。測試只涵蓋六項小型、自成一體的 Python 任務,作者表示無法據此判斷兩者在更難任務上的表現。
FFR旗下具身智能大腦OmniMind在全球機器人模型評測平台RoboColiseum的綜合評測中排名第一,擊敗英偉達GR00T N1.7、GPT-6 Astra及Claude Opus 5.5等模型。OmniMind總分為0.8698(滿分1分),指令跟隨、空間推理和擾動適應得分分別約為0.99、0.92和0.96。平台排名不代表機器人已具備同等的真實世界能力,實際表現仍需部署和長期驗證。
作者比較 TwIL-8B 與 Qwen3.5-9B 的模型卡數據,指出 TwIL 的 LiveCodeBench 81.6 分來自 verbose 版本,預設 balanced GGUF 並沒有已公佈的對應成績。
Anthropic 推出 Claude Fable 5.2,面向高要求推理及長期智能體工作;Claude Mythos 5.2 提供相同能力,但只供通過 Anthropic 驗證計劃的機構使用。
推薦理由:開發者可對照 Claude Fable 5.2 與 Claude Mythos 5.2 的定價、可用平台和 thinking block 相容規則,掌握採用兩款模型時的成本及遷移差異。
Qoder 上線身份未公開的匿名模型 Qoduck,新老用戶由 11 月 7 日起可免費試用三天,每日免費額度不消耗積分。實測中,Qoduck 建立了 3D 鵜鶘騎單車場景及夜間重慶場景。用戶無需訂閲,在 Qoder 的模型選擇器選取 Qoduck 即可使用。
ModelPriceWatch 的 LLM Price Index 10 月維持 $5.14,11 月 7 日兩款較低價旗艦接替原有席位後,下跌 4.9% 至 $4.89。
Ricursive 推出 Ripple 65B Preview,這款從零訓練的密集模型有 65B 參數、1M 上下文窗口,在 TerminalBench 2.1 得分 80.52。
作者在 16GB MacBook Pro 上測試 K2 Horizon 3.7B,評估它處理文字問題及簡單編碼任務的表現。4-bit 版本大小約 2–3 GB,載入後使用約 4 GB RAM,具備 512k 上下文窗口,採用 Apache 2.0 授權。K2 Horizon 7B 的編碼任務約需 11 分鐘,超出作者納入測試的時間上限。
千問 Qwen4 系列大模型的 GameFeel Bench 跑分曝光,Qwen4-Flash 得分高於 Opus 5.5 xHigh。Qwen4-Flash 得分 49.9,Opus 5.5 xHigh 得分 47.2;Qwen4-27B 得分 44.6,接近 Sonnet 5.5 的 45 分。完成任務的成本分別為 0.4 美元、2.6 美元及 0.16 美元。
Anthropic 發佈 Claude Sonnet 4.6,定價維持每百萬 token $3/$15,並提供 beta 版 1M token 上下文窗口。Anthropic 的早期測試稱,Claude Code 用戶約有 70% 的時間偏好它而非 Sonnet 4.5,對 Opus 4.5 的偏好率為 59%;作者沒有進行實測。
推薦理由:文章並列 Anthropic 早期測試的用戶偏好比例、Sonnet 4.6 的定價及 Opus 4.6 的任務定位,呈現日常工作與深度推理的選型差異。
OpenAI 的 o3 和 o4-mini 推理模型與研究人員合作,在 Linux 核心中找出 948 個達 CVE 級別的漏洞,並自主完成其中一個漏洞的利用。
OpenAI 的 GPT-6.2 Astra 和 Sol 未如傳聞於 11 月 6 日發佈,安全與對齊問題的傳聞未獲官方確認。Vals AI 於 11 月 5 日稱,多家前沿 AI 實驗室的模型存在嚴重安全問題,但未公開涉及的實驗室或模型。
OpenAI 的 GPT-6.1 Sol 參與活體小鼠腦部手術實驗,經三次操作和外科醫生回饋後,定位誤差由 0.6 毫米降至 0.3 毫米。識別關鍵解剖標誌的耗時由 169 秒減至 86 秒,人工糾正由 4 次減至 2 次;改善來自沿用過往圖像、測量數據及修正記錄,並非重新訓練或更新參數。
Nous Research 推出 Arete-27B,這是一款經過後訓練、旨在強化西方價值觀的 Qwen3.8-27B 模型。該公司稱,底層中國模型的偏見層較淺。
Grain64 在 300 項公開工具調用任務中測試 Mistral Small (2603),其中 58 項在重試兩次後仍沒有可解析回覆。Mistral Small 每項成功任務成本為 $0.000098,高於 GPT-6 Luna 的 $0.000051;後者通過率為 93.0%,且不需重試。
Nous Research 發佈 Arete-27B,這款以 Qwen3.8-27B 為底座進行監督式微調的 27B 開放權重模型,在 Nous 的 803 個提示詞評測中,含宣傳內容的回答比例由 22% 降至 0.9%。
SWE-2 Flash 與 GLM 5.3 Flash 在 Cognition 公佈的八項評測中各勝四項,平均分分別為 51.7 和 52.0。GLM 5.3 Flash 在 OpenRouter 的最低價格為每百萬輸入 token $0.0285、輸出 token $0.0923,並提供開放權重;SWE-2 Flash 未公佈 API 價格,權重亦未公開。
OpenAI 稱,其自動化流程以 $1,213,430 API credits 產生 948 個 Linux 核心本地權限提升漏洞利用,並為每項附上候選修補程式。五階段流程將 2,308 項發現收窄至上述成果;10 日內,上游已修補 61 項,另有 43 項列入待處理、299 項公開討論。另在 11 月 3 日,美國 10 個州的 41 項數據中心相關公投中,選民有 40 項投票反對數據中心發展。
在真實小鼠腦部手術定位實驗中,GPT-6.1 Sol 經三輪操作後,尋找解剖標誌的時間由 169 秒縮至 86 秒,定位誤差由 0.6 毫米降至 0.3 毫米。每輪由外科醫生修正定位,模型保存圖像、測量數據和修正記錄供下一輪參考,所需糾正動作亦由 4 次減至 2 次。實驗只有 3 次操作,團隊未披露經驗記錄如何接入模型,亦未説明是否涉及模型權重更新。
DeepSeek V4.1 Pro 已開始灰度測試,LobeBench 測試顯示目前 V4 Pro 的成績較 V4 Pro-0813 版大幅提升。兩者分別答對 50 道題中的 32 道和 24 道,得分為 64% 和 48%;連續三次完成任務的表現差距更明顯。文章推測目前 V4 Pro 的更新版本可能就是 V4.1 Pro,正式發布時間尚未確定。
VIDRAFT 公開發佈 Darwin-180B-RSI-R3 的權重;這款 180B 參數 MoE 模型經三輪遞歸自我改進,主打數學與科學推理。據 VIDRAFT 公開模型卡,其在 SuperCLUE 2026 年 11 月評測得分 73.68,排名開放權重模型第一、總排名第二;基礎模型得分為 57.89。其五領域綜合指數為 43.08、總排名第九,材料指出長上下文處理和指令遵循是相對弱項。
GINIGEN AI 公佈三項公開數據:Darwin-180B-RSI-R3 在 SuperCLUE 數學與科學推理測試得分 73.68,ViKernel 拒絕 290/290 個攻擊負載,POCKET 端側版本下載量逾 3.15M 次。
作者在電池供電的 M1 MacBook Air(16GB 統一記憶體)上,測試多款本地模型用於 Agent 工作流時的 TTFT 與 E2E 延遲。Gemma 4 E2B 的 TTFT 最快,為 0.152s;Apple fm system 的 E2E 最快,為 0.886s。
Thinking Machines Lab 於 2026 年 11 月 5 日發佈 Inkling 2 Small,這款 594B 參數模型在 Artificial Analysis Intelligence Index 得分 31。
一個本地運行的 65B 模型在評測中取得 80.52,分數高於同一輪測試的 501B 模型;作者拍攝操作演示,展示評測過程。兩者回答相同的 200 道選擇題,温度設為 0,但推理路徑不同;65B 模型在 20 個類別中勝出 14 個。重現 501B 模型的 API 測試每輪約需 $12,65B 模型則需約 40 分鐘 GPU 時間及電費。
MaxxBench 質疑 DeepSWE 的理想評分是否反映真實能力。Hacker News 討論者指出,基準測試與真實編程能力可能存在差距,亦有人分享使用 DeepSeek 的負面體驗;另有留言提到,該基準由兩兄弟建立。