Thinking Machines Lab 發佈可在筆電運行的 Inkling 2 Mini 開放權重模型
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 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。
KobiMusic 開源的 Dettato 音樂轉錄模型可在 CPU 或 GPU 上把音訊轉成 MIDI,每種樂器各設一條音軌,另加一條鼓組音軌。
Baseten 發佈 bison-1 和 groundhog-1,兩款由 Gemma 4 後訓練的開放權重決策模型可為預設決策輸出校準機率,並支援文字、圖像及 131,072 tokens 上下文。
文章比較 inclusionAI 的 Duo v1 全雙工世界模型四組權重,建議研究者以 47.0 GB 的 FP8 Duo-1.0-distill-quant 作實驗起點。
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。
Baseten 推出基於 Google Gemma 4 的決策模型 bison-1 和 groundhog-1,兩者均支援 128k 上下文及文字、圖像輸入。在 Artificial Analysis Decision Index v2.1 中,bison-1 以 76 分排名 19 款決策模型首位,Brier score 為 0.14。
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。
VIDRAFT 在 Hugging Face 的官方排名中,於 17 個有成績的排名全部進入前三,並取得 12 個榜首。作者於 2026 年 11 月 20 日透過公開 API 重新統計;與 11 月 17 日相比,VIDRAFT 多參與了 2 個排名,兩者均進入前三。
inclusionAI/LingSante-Pulse-1.0 是一款以 MIT 授權釋出的生理訊號編碼器,使用模型資產前須安裝獨立的推理程式套件。套件會處理固定的 128-Hz 預處理,並分別輸出 CLS 和 PatchMean 特徵;設定 return_tokens=True 還可取得每隔 0.25 秒的 patch 特徵及有效性遮罩。模型不包括特定任務的預測頭。
ja-reading-tagger-v1 是一款日語同形異讀標註器,按語境逐段輸出供假名標註顯示的書寫讀音,以及供文字轉語音使用的發音讀音。在 5,000 句封存測試中,整體準確率為 0.9354,高於 Sudachi 的 0.9308;同形異讀測試為 0.7230,勝過字典的 0.5570,但普通文本略低於 Sudachi(0.9360 對 0.9432)。
提供的內容只有 DEV Community 的網站簡介及頁尾,沒有交代 webxos/ask-lattice-v1 的模型資訊或其他內容。
Google 推出 Gemini 4 Neon,定位為中階推理模型,旨在兼顧推理能力與成本。該模型在 Artificial Analysis 獲得 61 分,並提供 1M 上下文窗口。OpenCode 2.3.2 優化系統提示詞快取,Claude Code 2.1.327 則加入原生 stdin MCP 設定讀取功能。
Hugging Face 的 Daniel van Strien 比較 8 款 AI 文字識別模型,最新 LightOnOCR-3-0.8B 的每 1000 頁識別成本低於 0.1 美元,早期 RolmOCR 約為 0.51 美元。
Hugging Face研究員測試8款OCR模型處理歷史文獻,發現千頁識別成本已降至不足0.1美元,約0.67元人民幣。2025年4月發布的RolmOCR處理千頁約需0.51美元;2026年10月發布的LightOnOCR-3-0.8B成本更低。縮小圖像、均衡任務分配等運行方式優化,與模型升級同樣重要。
免費開放的 AI 模型大幅降低掃描書籍及檔案的文字識別成本,最新的 LightOnOCR-3-0.8B 每識別 1000 頁費用不到 0.1 美元。測試比較了 8 款模型,最新模型處理書籍頁面的準確率至少不遜於最早的 RolmOCR。優化頁面分配、縮小掃描圖像、更新軟件及使用更快的 GPU,也能節省成本。
DeepSeek-V4.1-Flash-1017-singprobe 是 DeepSeek-V4.1-Flash-1017 的串流防護探針,使用 10.10M 參數,逐個 token 評分查詢意圖、回應安全性及幻覺風險。它在查詢意圖分類取得 F1 0.8756,回應安全分類取得 F1 0.8668;串流安全的回應 AUC/token AUC 為 0.9907/0.9522。
Ling-3.1-flash-1019-singprobe 是 Ling-3.1-flash-1019 的串流安全探針,會在生成期間讀取基礎模型 3 層隱藏狀態,逐個 token 評分查詢意圖、回應安全性及模型幻覺風險。探針有 8.13M 個參數,查詢意圖分類 F1 為 0.8687,回應安全分類 F1 為 0.8707;串流安全的回應 AUC/token AUC 為 0.9844/0.9411。
免費提供的 AI OCR 模型數碼化一百萬頁,GPU 租用成本現為 $65 至 $130;18 個月內,每千頁成本由舊模型約 51 美仙降至新模型不足 10 美仙。
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。
Hugging Face 的 harness-hub 團隊發佈 Qwen3.8-27B-pi-adapted LoRA adapter;在 pi harness、關閉 thinking 的 SWE-bench Pro(hard 51)測試中,Qwen3.8-27B 的分數由 39.2% 升至 64.7%。
Rumble-2-Flash 以 Apache 2.0 授權開源,是支援 40+ 種語言的 0.5B 語音辨識模型。在 Open ASR Leaderboard 多語言賽道,它跨 9 種語言的平均錯誤率為 6.96%,優於 Meta 的 omniASR-LLM 7B 和 Whisper large-v3。
推薦理由:文章以多語言辨識榜單及真實客服通話基準比較 Rumble-2-Flash,呈現小型模型在不同語音條件下的錯誤率表現。
Reson8 免費開放下載語音轉錄模型 Rumble-2-Flash 的權重;模型有 500 million parameters,支援超過 40 種語言。據 Reson8 自行測試,模型在涵蓋德語、法語和荷蘭語等 7 種語言的多語測試中,平均詞錯誤率為 7.09%;在 10 種低資源語言測試中為 17.6%,而 Whisper Large V3 在同一測試為 39.82%。
Vidraft_lab 用 Hugging Face 公開 API 重算《每日經濟》報道的數據,核對出 Darwin 在 57 個排行榜中有 12 個居首。Darwin 參加的 15 個排行榜均列前三;作者按分數重算名次,並把同分計作共同第一。截至 11 月 18 日,記錄數為 1,462,較報道所列 11 月 17 日的 1,458 多 4。
OVHcloud 推出首個 AI 模型家族 Olala,並開源發布首個成員 Olala mini 7A1B。該模型採用結合 Differential-TPA 和 Mamba-3 的混合注意力機制,總參數 70 億、激活參數 10 億,初始版本上下文長度為 32K。預計今年底推出的 1.1 版本將擴展至 128K 上下文,並具備更好的數學能力。
inclusionAI/Duo-1.0-distill-quant 收錄 Duo 1.0 的 FP8 量化、四步蒸餾 Realization 權重,供全雙工多模態世界模型使用。這些權重須配合 inclusionAI/Duo-1.0-causal-base;執行環境需支援 ModelOpt FP8 格式或等效轉換路徑。
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。
SingVL-4B GGUF 是基於 Qwen3.5、採用 4B 參數的多模態決策模型 GGUF 版本,可處理文字或 JSON 問題及最多四張圖片。模型以一次完整前向傳遞評分候選答案,支援選項選擇、是非判斷及分級評分。檔案提供 BF16、Q8_0 和 Q4_K_M 三種精度,並附共用視覺投影器;目前 GGUF 驗證涵蓋 9 個示例及 11 條問題,完整公開評分仍待公佈。
LLMON 隨兩款基於 Granite 4.1 base models 的實驗預覽模型推出:granite-4.1-3b-LLMON-preview 和 granite-4.1-8b-LLMON-preview,支援讀取及生成 LLMON 標記文本。
推薦理由:文章説明 LLMON 如何以明確分隔指令與資料的方式應對靜態間接提示詞注入,並列出相對前沿及開源模型的基準比較。
inclusionAI 提供以 llama.cpp 轉換的 ZoomGain-4B GGUF 格式權重,語言模型、視覺編碼器及投影器均有 FP16、Q8_0 和 Q4_K_M 版本。輸入圖片時,須同時提供語言模型和相應的 mmproj 檔案;量化可能影響準確度。
ZoomGain-9B 的權重已轉換為 GGUF 格式,語言模型及視覺編碼器與投影器均提供 FP16、Q8_0 和 Q4_K_M 版本。處理圖片輸入時,須同時提供語言模型和相應的 mmproj 檔案,並使用支援 Qwen3.5 多模態功能的 llama.cpp;量化可能影響準確度。
Zyphra 發佈 ZONOS3-Mini,這是一款採用 MoE 架構、支援零樣本聲音克隆的實時 TTS 模型。
螞蟻靈波開源觸覺基礎模型 LingBot-Touch,將不同感測原理的訊號轉為統一觸覺 Token,供不同靈巧手及動作模型使用。在 Sharpa Wave 和 XHand1 兩款靈巧手的26項真機測試中,四種動作模型接入後的平均任務成功率,較不使用觸覺時提高約14至26個百分點。
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。
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。
Ricursive Intelligence 發佈 Ripple-65B Preview,一款面向智能體編碼的 65B 開放權重密集型 Transformer 模型。
Ricursive Intelligence 訓練的開源語言模型 Ripple-65B Preview 已在 Hugging Face 以 Apache 2.0 授權提供。
Kakao 於 2026 年 11 月 6 日在 Hugging Face 發佈 Kanana-2-v-decide,這款面向 AI 智能體的決策模型以結構化決策值取代句子生成。