NVIDIA 發佈 Nemotron-Labs-Sigma 開放權重連續擴散語言模型系列
NVIDIA 發佈 Nemotron-Labs-Sigma 開放權重連續擴散語言模型系列,涵蓋 3B 和 8B 兩種尺寸,共 14 個檢查點。模型在學習所得的 16 維嵌入空間逐塊去噪,每塊經多輪去噪後輸出 64 tokens,再處理下一塊。
NVIDIA 發佈 Nemotron-Labs-Sigma 開放權重連續擴散語言模型系列,涵蓋 3B 和 8B 兩種尺寸,共 14 個檢查點。模型在學習所得的 16 維嵌入空間逐塊去噪,每塊經多輪去噪後輸出 64 tokens,再處理下一塊。
騰訊混元團隊表示,Hy4仍有很大改進空間,正投入大量精力進行大規模強化學習,並計劃訓練更大規模的模型。團隊稱,Hy3和Hy4表明,做得紮實的小模型也能超過更大的模型,而且成本更低。
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 發佈 DaisyRose-27B,該模型以 Qwen3.8-27B 為基礎,經 18 天訓練後在 Terminal-Bench 4.1 的得分由 5.6% 升至 12.0%。
Japan Open Data Lab 發佈 ja-pii-ner-v1,可在瀏覽器或本機 CPU 偵測日文文本中的 18 類個人資料。模型有 111M 參數;在 10,001 份合成文件的測試集上,span F1 為 0.9770,並在 2,068 份不含個人資料的文件中錄得 0 次誤報,ONNX fp32 每份文件的推理時間為 224 ms。
NVIDIA 的 Kumo Tabular 是一組開放權重表格基礎模型,可在單次前向傳播中對新數據集分類或回歸,無需訓練、超參數搜尋或特徵工程。論文報告 Kumo Tabular-L 在 8 個表格基準均排名第一;模型以表格中已標記的資料列作上下文,預測未標記查詢列的結果。
美國艾倫人工智能研究所發佈新一代地球觀測基礎模型 OlmoEarth v1.3,並免費開放全球預先計算數據及分析工具。模型以每個10米網格的128個數值表徵年度地表特徵,另提供成本較低的64維版本;跨六大洲27項地表識別評測中,兩個版本分別有20項及18項領先同場對手,GPU耗時則降至v1.2的約53%。
Alibaba 發佈大語言模型 Qwen4-Max,稱其輸出品質高於前代、成本更低,並採用 Qwen4 架構及升級的注意力機制。模型骨幹包含 2.4 trillion parameters,每次只啟用 71 billion;Alibaba 內部基準測試中,它完成任務最多少用 35% tokens,在 Terminal-Bench 4.0 少用 49%。
Alibaba 發佈 Qwen4-Max,稱其相較 Qwen3.8-Max 將專業任務平均成本降低 62%,並加入針對攻擊性網絡安全能力及其他高風險用途的防護措施。
阿里巴巴於 2026 年 11 月 16 日推出 Qwen4-Max,稱平均每項任務成本較 Qwen3.8-Max 低 60%,輸入價格為 $0.075 per million tokens。模型採閉源,沒有可下載權重;阿里巴巴亦稱訓練加入網絡安全檢查及 CBRN 風險緩解措施。編碼成績、安全措施及 48 小時自主研究結果均來自阿里巴巴的説法,文中指出尚無獨立驗證。
阿里巴巴稱,已過濾 Qwen4-Max 的訓練數據,移除攻擊性網絡能力,並降低化學、生物、放射性及核風險。
清華大學自動化系江瑞課題組發布單細胞蛋白組基礎模型 ProtCell,並在摩爾線程 MTT S5000 智算卡上完成全流程預訓練復現。模型匯集約 3.8 億個細胞及 98 個公開數據集作預訓練與評估,可映射細胞狀態、推斷未測蛋白表達。主要定量評測指標與國際主流 GPU 平台的差異僅約 0.2%。
Perplexity 發佈 Decider v1.3 和 Decider Flash v1.3,兩款決策模型支援分類與評分,並可經 Hugging Face(Apache 授權)、OpenRouter 及 Perplexity Decisions API 使用。
Translated 發佈研究模型 Lara Mini,以 6 trillion tokens 訓練,涵蓋英語及另外 44 種語言;模型有 7.2 billion parameters,每個 token 啟用 600 million parameters。
Kronos 是專為金融 K 線打造的開源基礎模型,利用來自 45 多個交易所的數據預測價格和成交量。模型先將 K 線數據轉為分層離散 token,再以自回歸 Transformer 預訓練。項目採用 MIT 授權,提供不同規模的預訓練模型,並設有 BTC/USDT 未來 24 小時預測示範。
Google DeepMind 發佈基因組研究 AI 模型 AlphaGenome 2,根據指定生物狀態預測 DNA 序列及變異對特定細胞類型的影響。
Google DeepMind 發佈新一代 DNA 序列模型 AlphaGenome 2,將基因變異影響預測由組織平均層面推進至單個細胞類型與細胞狀態層面。模型以超過1億個單細胞圖譜數據訓練,涵蓋68個組織的人類與小鼠樣本;在28種原代免疫細胞測試集中,因果變異識別比例由16%升至30%,在90%精度下召回率翻倍。模型現免費開放予非商業研究,商業研究須申請私有預覽,且未獲臨牀或診斷用途許可。
Google DeepMind 於 11 月 11 日發佈 AlphaGenome 2,將基因變異影響預測由組織平均細化至指定細胞類型或細胞狀態。TenK10K 測試中,其因果變異比例為 30%,高於單細胞數據微調後第一代 AlphaGenome 的 16%,效應方向預測則為 43% 對 23%。
DeepMind 發佈新一代 DNA 序列模型 AlphaGenome 2,加入單細胞數據以預測遺傳變異在不同細胞類型及狀態下的影響。在涵蓋 28 種原代免疫細胞的測試中,模型識別出約 30% 的相關因果變異,第一代經單細胞數據微調後為 16%;AlphaGenome 2 已透過 AlphaGenome API 向非商業研究開放,商業研究則處於私有預覽階段。
Google DeepMind 推出 AlphaGenome 2,可按目標組織、細胞類型或細胞狀態,預測 DNA 序列及其變異的影響。模型以超過 1.07 億個人類及小鼠單細胞圖譜訓練,覆蓋 68 種組織;在 28 種原代免疫細胞的 TenK10K 測試中,致病因果變異識別率為 30%,上一代微調後為 16%,基因表達變化方向識別率則為 43%,上一代為 23%。
Runway 開源機械人模型 Praxis-1,採用影片預訓練,並以 Apache 2.0 授權發布。Runway 公佈的 RoboLab-120 成功率為 46.2%,高於 FLUX 3 Action 的 42.9%、Nvidia Cosmos3 Nano 的 36.8% 及 Physical Intelligence π0.5 的 28.0%;這些基準數字尚無獨立核實。
Google DeepMind 發佈 AlphaGenome 2,預測 DNA 序列及其變異對特定人類細胞類型的影響,連接單細胞生物學與人類遺傳學。模型以來自 68 種組織、超過 1.07 億個細胞的單細胞資料訓練,可按指定細胞類型或狀態預測基因表達等讀數,並新增 DNA 甲基化預測。
推薦理由:AlphaGenome 2 在 TenK10K 數據集上將因果變異識別率由 16% 提升至 30%,呈現其針對特定免疫細胞解析變異效應的改進。
Google DeepMind 於 2026年11月11日發佈 AlphaGenome 2,按指定組織、細胞類型或細胞狀態預測 DNA 變異對基因調控的影響。
Google DeepMind 發佈 DNA 序列模型 AlphaGenome 2,從寬泛組織平均預測轉為按單一細胞類型或狀態進行條件式預測。模型以超過 1.07 億個單細胞圖譜訓練,較此前最優模型可識別近兩倍數量、能改變細胞基因表達的變異。目前模型透過 AlphaGenome API 開放非商業研究,商業研究仍處於私密預覽階段;模型僅供研究,未經臨牀或診斷用途驗證與審批。
Google DeepMind 發佈新一代 DNA 序列模型 AlphaGenome 2,可預測 DNA 序列及其變異對特定人體細胞類型的影響。在 TenK10K 數據集測試中,模型識別因果變異的比例為 30%、基因效應方向判斷準確率為 43%,初代 AlphaGenome 分別為 16% 和 23%。
Google DeepMind 推出 AlphaGenome 2,使用逾 100M 個、涵蓋 68 種組織的細胞特徵檔案進行訓練,以預測遺傳變異的影響。模型供非商業研究使用。
Baseten 與 Genspark 將 Qwen3.5-397B 後訓練為深度研究模型,在 Genspark 評分器上得分 0.759,高於 Opus 5.5 的 0.738。
Amazon 發佈第二代表格基礎模型 Mitra-v2,支援分類與回歸,並在 Hugging Face 以 Apache-2.0 授權開放微調模型及推理、微調程式碼。
Nous Research 於 2026 年 11 月 6 日發佈 Arete 27B;在其 803 條提示詞評測中,宣傳式回答比例由 22% 降至 0.9%,事實平均分由 2.32 升至 2.98(滿分 5 分)。
Nous Research 發布以 Qwen3.8-27B 為基礎的開源模型 Arete-27B,調整政治價值觀後,測得宣傳率下降,能力測試與原版大致持平。在 803 條提示的評估集中,事實分由 2.32 升至 3.07,帶有中國官方框架的回答比例由 22% 降至 0.6%。
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。
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。
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%。
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。
Nous Research 使用 53 million tokens 微調 Alibaba 的 Qwen3.8-27B,推出 Arete-27B;測試中帶有宣傳內容的回答比例由 22% 降至 0.9%。
Thinking Machines 發佈可自動化 AI 訓練工作的 Inkling 2 Small,模型現已透過 Tinker 雲端服務提供。模型有 594 billion 個參數,提示詞輸入時約 17 billion 個參數會啟用,並可分析圖像及視覺檢查生成圖像;公司稱它在 4.5 小時內令 Qwen3.5-4B 的預測評分翻倍。
MIT 與 BASF 研究人員開發開源分子基礎模型 CheMeleon,透過預訓練學習化學關係,再以少量特定任務數據微調,預測分子性質。模型約有 10 million 個參數,在 58 個基準數據集的統計比較中勝過傳統基準模型及現有基礎模型。CheMeleon 可透過 ChemProp 下載及微調,但仍須實驗確認候選分子的實際性質。
VIDRAFT 的 Darwin-180B-RSI 是一個 180B 參數語言模型,透過遞迴自我改進(RSI)更新,據稱只修改約 0.02% 的參數,其餘約 99.98% 權重保持凍結。模型以 SSD 串流方式在筆記型電腦上推理,速度為 4.17 tokens/second;來源未提供標準基準測試分數或公開存取方式。
百度正式開源基座模型文心5.5 Flash Base(ERNIE 5.5 Flash Base),模型總參數為2800億,每個Token實際啟用140億參數。模型以33.5萬億個Token完成預訓練,預訓練上下文最高128K,微調後推理上下文最長支援100萬Token;公佈的測試包括MMLU 93.3分、MMLU-Pro 78.4分。
具身智能公司源策未來發佈全身控制模型 Anchor 1,將其定位為全身智能架構的 System 0(S0),負責把動作指令穩定轉化為全身動作。在 72 段全身操作真機測試中,其手腕和腳踝全局位置誤差較此前最佳對比方法分別低約 28% 和 39%;踢紙箱遙操作示範採集成功率則由 37.5% 提升至 98.0%。