開發者將微型 Transformer 模型放進軟碟,讓 486 舊電腦也能使用 AI
開發者 WollyMonjac 將 Tiny 2.1 微型問答 Transformer 模型放進軟碟,讓運行 DOS 的 486DX 和 Pentium 舊電腦也能使用 AI。模型有 36.7 萬個參數,採用 4 層網絡及 8 位量化,大小約 380 KB;運行需要約 540 KB 可用常規記憶體。軟件以 MIT 許可證發布,並提供訓練文件夾,供用戶自行補充訓練資料。
開發者 WollyMonjac 將 Tiny 2.1 微型問答 Transformer 模型放進軟碟,讓運行 DOS 的 486DX 和 Pentium 舊電腦也能使用 AI。模型有 36.7 萬個參數,採用 4 層網絡及 8 位量化,大小約 380 KB;運行需要約 540 KB 可用常規記憶體。軟件以 MIT 許可證發布,並提供訓練文件夾,供用戶自行補充訓練資料。
Thinking Machines Lab 開放權重發佈 264 億參數的 Inkling 2 Mini,可由文字或圖片生成文字及程式碼。模型共 24 層,每個 token 會將中間 12 層依次運行 3 次,合計經過 48 層;每個 token 使用 34 億個參數,計入重用權重則合計 54 億個。
推薦理由:文章將 Inkling 2 Mini 與 Qwen3.8-27B、Gemma 4 31B 的單 token 參數用量及基準成績並列,方便比較循環層設計的計算取捨。
阿里雲於 2026 年 11 月 11 日上線通義千問第四代旗艦 Qwen4-Max 預覽版,預覽期內模型調用按標準費率的 20% 計費。模型支援 100 萬 Token 上下文及文字、圖片、影片輸入,並具備原生 Agentic 能力。優惠至 2026 年 11 月 25 日 24:00(UTC+8);屆時 qwen4-max-preview 模型標識將下線,正式版會採用全新模型名稱。
Gemini 3.5 Flash-Lite 和 Gemini 3.1 Flash-Lite 各自處理 9 個 GitHub bug,合共呼叫模型 964 次,兩個模型都只修復 1 個 bug。按付費牌價計算,每個成功修復的 bug 分別花費 $0.561 和 $0.426;作者指出,未計入快取的工作流程計算器估算成本高出 2.4 倍和 1.8 倍。
Thinking Machines Lab 發佈 Inkling 2 Mini,這款開放權重模型約佔 20GB 記憶體,可在筆電運行。
推薦理由:文章並列 Inkling 2 Mini 的基準成績、循環計算取捨與監察測試結果,呈現其本機運行效率和推理可監察性的不同面向。
Thinking Machines Lab 發佈 Inkling 2 Mini,這款開放權重 Looped Transformer 有 26.4B 總參數,模型檢查點約 20GB,可在 32GB Mac 上運行。
Thinking Machines Lab 發佈 Inkling 2 Mini 開源模型,採用 26,4B 參數的 Looped MoE,checkpoint 約 20GB。
2026年,阿里雲百煉平台上線 Qwen4-Max,並將其接入 Token Plan 訂閲體系,首發新客首購套餐優惠為 5 折。Qwen4-Max 支援文字、圖像理解、工具調用、聯網檢索和結構化輸出;預覽版僅可透過 Token Plan 調用,暫不提供單獨按量計費。
阿里雲開發者社區文章介紹 Qwen3.8-Max 的模型定位、主要能力、適用場景及計費方式,並列出按量 API 和 Token Plan 兩種模式。文章稱,Qwen3.8-Max 採用 2.4 萬億參數 MoE 架構,支援百萬 Token 上下文、文字、圖片及影片輸入,並針對智能體、編碼和專業辦公等複雜任務。
Qwen3.8-Max是面向智能體及複雜長週期任務的旗艦基座模型,採用2.4萬億參數MoE架構,支援百萬Token上下文及文字、圖片、影片輸入。文章列出按量API及Token Plan兩種使用方案:按量輸入為12元/百萬Token、輸出為36元/百萬Token,個人Lite套餐月費39元。
Thinking Machines 發佈開源混合專家模型 Inkling 2 Mini,採用循環式 Transformer。24 層中的 12 層會連續執行三次;公司稱,這可在不生成更多文字的情況下延長內部推理,並以較少 token 找到答案。
RadixArk 推出開源模型 DaisyRose-27B,以純強化學習進行後訓練,完全省略 SFT 和知識蒸餾;模型有 27B 參數,基於 Qwen3.8-27B。Terminal Bench 4.1 的 pass@1 分數由 5.6% 升至 12.0%,互動上下文窗口最高支援 1 million token。模型採用 Apache 2.0 授權,可用於內部 CLI agent 流程。
Thinking Machines Lab(TML)以 Apache 2.0 許可開放 Inkling 2 Mini 權重;模型總參數為 26B,支援文字和圖像輸入,最大上下文窗口為 100 萬 token。
Vidraft 公開 POCKET-27B-Pi 編碼模型,其 16.5GB Q4_K_M 版本在 48 項共通 Terminal-Bench 2.1 任務中完成 28 項(58.3%)。
Thinking Machines Lab 與 Hugging Face 發佈 Inkling 2 Mini,一款支援 1M-token 上下文及圖像、文字輸入的本地多模態 MoE 模型。
推薦理由:文章拆解 Inkling 2 Mini 如何重用中間層權重、透過跨輪訊息逐步修正計算,讓 24 個實體層執行相當於 48 個邏輯層的計算,呈現循環式架構的設計。
Thinking Machines Lab 於 2026 年 11 月 20 日發佈開放權重模型 Inkling 2 Mini,總參數量為 26.4 billion parameters、記憶體佔用約 20GB,面向在消費級筆記簿型電腦本地運行。
Thinking Machines Lab 發佈 Inkling 2 Mini 開放權重模型,採用循環 Transformer 架構,總參數量為 26.4B,記憶體佔用約 20GB。
推薦理由:Inkling 2 Mini 以循環架構增加每個 token 的內部計算,團隊並以可變循環版本測試其無 CoT 能力及思路可監督性,提供理解兩者關係的實驗觀察。
Hugging Face 發佈供 Qwen3.8-27B 編碼智能體使用的 LoRA 適配器,分別在 pi、Hermes Agent 和 OpenCode 的 harness 內經強化學習訓練。
RadixArk 本週發佈首款開放權重模型 DaisyRose-27B,這款智能體編碼模型以 Qwen3.8-27B 為基礎,僅經強化學習後訓練。模型卡稱訓練未使用 SFT 或知識蒸餾;Terminal Bench 4.1 pass@1 由基座模型的 5.6 升至 12.0,分數由 RadixArk 自行報告。
Google 於 2026 年 11 月 18 日推出 Gemini 4 Neon,將其置於 Hydrogen 與 Carbon 之間,面向複雜編碼、分析推理及企業工作流程。
DeepSeek V3 是具備 671B 參數、每次推理啟用 37B 參數的開放權重 MoE 模型;評測指其在編碼與數學基準上表現突出,HumanEval 得分為 82%。其 API 輸出價格為每百萬 tokens $1.10,約為 GPT-4 的十分之一,但模型只支援文字,且自託管需要至少 8x A100 80GB。
Nova 完成監督式微調(SFT),並以 57.2M 個參數達到 100% 嚴格 JSON schema 工具呼叫準確率,消費級硬件上的 token 生成延遲低於 50ms。
Kilo 作者用同一提示詞,透過 Kilo 比較 GPT-6.2 Astra 和 GPT-6.2 Sol 建造互動式 3D 金字塔的表現;兩款模型都以 Three.js、Vite 和 TypeScript 建成有 204 塊石、8 層的金字塔。
Gemini 4 Hydrogen 與 Sonnet 5.5 的比較顯示,Google 公佈的九項基準中 Hydrogen 勝出六項,Sonnet 5.5 則在三項終端及電腦操作測試領先。
Kimi-K3 定位為面向長程編程、知識工作及推理的旗艦模型,最大輸入和輸出均為 1,048,576 Token,並已上架阿里雲百煉。它採用 KDA 混合線性注意力與注意力殘差,支援原生視覺理解,但只有思考模式。華北2(北京)/全球的輸入、輸出及快取命中價格分別為 20、100、2 元/百萬 Token,且沒有免費額度。
DeepSeek-V4.1-Flash 是一款 552B MoE 模型,已在阿里雲百煉上架;其架構、基準表現、適用場景及計費方式均有詳細説明。它在多項編程、終端及自動化基準上的表現高於 V4-Pro,但知識問答類表現略低;上下文窗口為 1M,最大輸出為 384K。快取命中輸入價為未命中的 1/50,阿里雲百煉與 DeepSeek 官方的忙閒時段定義不同,排產須按調用入口區分。
阿里雲 Qwen3.8-Max 定位為面向複雜任務和智能體開發的旗艦基座模型,提供按量 API 及 Token Plan 訂閲兩種使用方式。模型採用 2.4萬億參數 MoE 架構,支援百萬 Token 上下文及文字、圖片和影片輸入,並面向編碼、文件處理和工具編排等場景。
Magnus 比較 Gemini 4 Argon、Carbon、Hydrogen 和 Neon 的公開評測,分析推理、編碼、多模態任務及每項通過驗收結果的成本。
阿里雲百煉平台上線 Qwen4-Max 預覽版,並將其接入 Token Plan 訂閲體系;新用戶首購套餐可享5折優惠,至11月30日。Qwen4-Max 支援文字、圖像理解、工具調用、聯網搜尋及結構化輸出,適用於複雜文檔解析、代碼開發和智能體任務。預覽版目前只可透過 Token Plan 調用,不開放單獨按量計費;Lite 套餐折後每月19.5元,含20000 Credits。
Qwen4‑Max 預覽版相較 Qwen3‑Max,差異集中在任務定位、原生多模態、智能體動作範圍、發布流程及訂閲計費五方面。預覽版透過 Token Plan 訂閲 Credits 調用,不開放按量計費,並會於 11 月 25 日下線。文章指出,參數量、上下文窗口、完整基準跑分、開源規劃及正式版定價尚未由官方公佈,其他 Qwen4 型號的測試成績不能代表 Qwen4‑Max 的表現。
Qwen4-Max 預覽版於 2026 年 11 月 11 日發布,經 Token Plan 首發接入,並同步登陸千問辦公、Qoder、千問 App 與 QwenStudio。
Google 發佈 Gemini 4 Neon,將其定位於 Carbon 與 Hydrogen 之間,主打接近旗艦的能力、較快速度和較低成本。Artificial Analysis 測得 Neon 輸出速度約每秒 110 token,Carbon 約 57 token;Neon API 輸入、輸出價格分別為每百萬 token 3 美元和 15 美元。
Microsoft 發佈自家編碼模型 MAI Code 2,稱其在四項由 Microsoft 選定的編碼基準上,平均表現達 OpenAI GPT-6.1 Sol 的 98%,價格為其 40%。
作者比較 Gemini 4 四款模型的速度、價格與能力,建議 Agent 循環及大量編碼使用 Hydrogen,最難的多步除錯選 Carbon。
Google 發佈 Gemini 4 Neon,定位介乎 Gemini 4 Hydrogen 與 Gemini 4 Carbon 之間,並開始在 Gemini API、Gemini for business、Google Antigravity 及 Gemini app 推出。
推薦理由:文章以 Carbon 為參照比較 Neon 的排名、輸出速度與任務成本,並指出成本較低源於 token 定價較低,而非答案較短。
Mika 於 2026-11-19 透過 OpenRouter 對 9 款 AI 模型進行即時基準測試,以三項開發者任務比較表現、延遲與成本,總花費為 $0.3727。
Google 發佈 Gemini 4 Neon,並稱其在編碼及智能體等多項基準測試中超越 Claude Opus 5.5。
推薦理由:文章並列 Gemini 4 Neon 的基準領先項目、Claude Opus 5.5 保有優勢的測試及 API 價格,可對照其能力表現與使用成本。
Google 於 2026 年 11 月 18 日發佈 Gemini 4 Neon,定位為快速完成軟件工程、知識工作及科學任務的前沿模型。
推薦理由:Activepieces 獨立測試中,Neon 完成 3/3 項任務,GPT-5.4 mini 完成 2/3;但 Neon 中位延遲為 6.4 秒、單項成本約高 54 倍,呈現自動化流程的取捨。
Google DeepMind 發佈 Gemini 4 Neon,稱其速度近乎 Gemini 4 Carbon 的兩倍、在多數基準測試表現更佳,價格亦更低。Neon 在 xhigh 的 Intelligence Index 得 61 分,高於 Carbon 的 60 分;每項任務成本為 $6.44,較 Carbon 未折扣價格低約 17%,但輸出 token 用量多約 15%。
Gemini 4 Neon(xhigh)在 Artificial Analysis 的 Intelligence Index 得分 61,較 Gemini 4 Carbon(high)高 1 分。