Artificial Analysis 评测 Google DeepMind 新模型 Gemini 4 Argon，其在 Artificial Analysis Intelligence Index 得 53 分，追平 GPT-6 Astra（max），高于 GPT-6.1 Sol（52），为 Google 超 7 个月来首个高于 Flash 档的专有模型。
最新进展10月1日 05:48Gemini 4 Argon (High) 在 Arena 榜单表现优异
推荐理由：第三方评测给出了智能指数、单位任务成本、幻觉率等多项横向数据，可用于比较 Gemini 4 Argon 与竞品的实际表现。
Google DeepMind 宣布新前沿模型 Gemini 4 Argon，先通过 Fairwind Program 向可信网络防御者开放，再逐步扩展至开发者、企业和消费者。
推荐理由：原文给出定价、1M 输出上限和多项基准成绩，读者可据此评估该模型在编码与防御性网络安全上的实际表现。
OpenAI 发布 GPT-6.1 Sol，定位接近 Astra 的智能水平，面向编码、计算机操作和专业工作场景，价格为其标准 API 输入和输出 token 价格的五分之一。
最新进展10月1日 02:42GPT-6.1 Sol在Code Arena WebDev榜单表现及成本效率分析
推荐理由：原文点出 GPT-6.1 Sol 的定位与价格对比，读者可以据此判断它在编码等场景的成本取舍。
xAI 发布旗舰语音模型 grok-voice-think-fast-1.0，可通过 API 使用。该模型面向客服、销售等复杂多步骤语音工作流，原生支持 25+ 种语言，在 τ-voice Bench 排行榜上排名第一。后台推理不影响响应延迟。该模型已为 Starlink 提供电话客服与销售：销售转化率 20%，客服自主解决率 70%，单个智能体使用 28 个工具。
推荐理由：官方给出了基准成绩、多语言支持和 Starlink 实际运营数据，可帮助读者评估这款语音模型在真实客服场景的可用性。
xAI 将编码模型 grok-build-0.1 以公开测试形式上线 xAI API，该模型专为智能体编码任务训练，支持 Web 开发、调试和 MCP，也是驱动 Grok Build 的同一模型。
推荐理由：xAI 官方公告给出了 grok-build-0.1 的定位、速度、定价和适配工具，读者可据此评估是否接入自己的编码工作流。
xAI 宣布其最强模型 Grok 4.5 当日起在 grok.com、X 以及 iOS 和 Android 应用上可用。官方称该模型更准确理解提问、能跟踪更长对话并更快给出答案，可完成制作电子表格、把大纲转为幻灯片和图表、撰写文稿、提炼长 PDF 要点等任务，并通过 Microsoft 365 插件在 Word、Excel、PowerPoint 和 Outlook 中直接使用。
最新进展9月30日 23:42xAI 发布 Grok 4.5 模型
推荐理由：xAI 官方说明 Grok 4.5 的能力改进和全平台可用范围，读者可据此评估在日常问答和知识工作中的使用方式。
xAI 发布 Grok Voice Think Fast 2.0，称其在 Artificial Analysis 语音到语音质量指数达 82.9%，高于上代 75.7% 及对比模型；出声延迟 0.70s，转录准确率较 Deepgram Nova 3 和 ElevenLabs Scribe v2 提升 1.5–2.0×，推理 token 效率为上代 0.4×。
推荐理由：原文给出 Artificial Analysis 对比数据和价格迁移细节，读者可据此评估它在语音智能体场景的替换成本。
xAI 发布 Grok 4.6，在 Grok 4.5 基础上重点提升长程智能体和交互视觉类任务能力，在 Artificial Analysis Intelligence Index 上与 GPT-5.6 Sol 持平（61 分）。
推荐理由：官方公告给出了各基准对比数字、API 定价和开放入口，读者可据此评估 Grok 4.6 在智能体编码上的位置。
Suno 发布 v5.5 模型，同时推出 Voices、Custom models 和 My Taste 三项个性化功能。
推荐理由：原文给出 Voices 的验证与隐私细节和两项新个性化功能，读者可以判断这些能力如何改变自己的创作流程。
Prime Intellect 发布 INTELLECT-1，一个在五大国家、三大洲用最多 112 张 H100 协作训练的 10B 参数语言模型，训练 1T tokens 历时 42 天，基于 Llama-3 架构。
推荐理由：原文给出分布式训练的关键数字与方法细节，读者可以了解社区协作训练大模型的可行路径。
Prime Intellect 发布 INTELLECT-2，称其为首个通过全球分布式强化学习训练的 32B 参数推理模型，在异步、异构的分布式算力网络上训练，性能较 QwQ-32B 在数学与编码基准上有提升。
推荐理由：官方发布首个通过全球分布式强化学习训练的 32B 推理模型，并开源训练框架、代码和数据，适合关注开源分布式训练路线的读者。
Prime Intellect 发布 INTELLECT-3，一个 106B 参数的 MoE 模型，在 GLM 4.5 Air 基座上经过 SFT 和大规模 RL 训练，在数学、代码、科学和推理基准上达到同规模最先进水平，超越许多更大的前沿模型，如 AIME24 90.8 分、AIME25 88.0 分、GPQA-Diamond 74.4 分。
推荐理由：原文同时放出模型权重、训练框架和全部环境，读者可以看到大规模 RL 后训练的完整可复用配方。
MiniMax 发布 MiniMax-M2.5，在 SWE-Bench Verified 得分 80.2%、Multi-SWE-Bench 51.3%、BrowseComp 76.3%，完成 SWE-Bench Verified 评测比 M2.1 快 37%，与 Claude Opus 4.6 的 22.9 分钟持平。
推荐理由：官方公布了 M2.5 在编码、搜索和办公场景的成绩与价格细节，读者可以据此比较它与同类模型的性价比。
MiniMax 发布 M2.7 模型，已在 MiniMax Agent 和 API 平台全面可用。该模型在 SWE-Pro 得分 56.22%（接近 Opus 4.6），VIBE-Pro 55.6%，Terminal Bench 2 57.0%，GDPval-AA ELO 1495 为开源模型最高，MM Claw 准确率 62.7%。
推荐理由：官方给出了各基准的具体分数和自进化工作流细节，读者可以据此与同档模型做直接比较。
METR 对 OpenAI o3 和 o4-mini 进行了发布前三周的初步自主能力评估。在更新版 HCAST 上，o3 和 o4-mini 的 50% 时间视界约为 1.5 小时和 1.25 小时，分别约为 Claude 3.7 Sonnet 的 1.8 倍和 1.5 倍，是已测公开模型中的最高点估计。
推荐理由：METR 用 HCAST 和 RE-Bench 给出 o3 与 o4-mini 的自主能力数据，并披露 o3 的 reward hacking 案例，为安全评估提供了具体证据。
SGLang 和 Miles 宣布对 NVIDIA Nemotron 3 Ultra 提供 Day-0 支持。该模型为开源 MoE 混合 Transformer-Mamba 架构，总参数 550B、激活 55B，上下文最长 1M tokens，支持 NVFP4 与 BF16 权重，面向长程自主智能体优化。
推荐理由：原文给出架构、部署配置和 RL 训练细节，读者可以据此评估该模型在长程智能体场景的可用性。
Liquid AI 发布新一代 Liquid Foundation Models（LFM2），定位市场上最快的端侧生成式 AI 基础模型，采用混合架构，包含 10 个双门控短程卷积块和 6 个分组查询注意力块。
推荐理由：官方博客给出了 LFM2 的架构细节、CPU 推理对比和训练方法，读者可以据此评估它在端侧部署中的实际取舍。
Liquid AI 发布 LFM2.5-2.6B，一个可完全在设备端运行的 2.6B 参数智能体模型，Base 与后训练版本已在 Hugging Face 开放。
最新进展9月30日 23:28Liquid AI 发布 LFM2-8B-A1B 端侧 MoE 模型
推荐理由：原文给出完整的四阶段后训练流程、多基准对比和 CPU 与手机端实测速度，读者可据此评估它对端侧 Agent 部署的适配度。
Meta 发布 Muse Glimmer 30B 开源模型（Apache 2.0），并已在 Fireworks 提供 serverless 和按需部署。
推荐理由：原文给出 Muse Glimmer 的架构细节、基准对比和推荐参数，读者可据此评估它是否适合长期运行的多轮 Agent 工作流。
Fireworks AI 发布对 DeepSeek V4 Pro 0813 的评测，SWE-Bench Verified 得 95.2%（Fable 5 为 85.4%），SWE-bench 单任务成本 $0.309 对 Fable 5 的 $0.808。
推荐理由：Fireworks 用自家同一套评测对比 DeepSeek V4 Pro 与 Fable 5，给出单模型与 oracle 路由的成本和准确率数据，可作选型参考。