Mistral AI 開源萬億參數多模態模型 Mistral Large 4
Mistral AI 於 10 月 29 日在歐洲正式開源 Mistral Large 4(ML4)模型權重,模型總參數達 1 萬億,啟用參數為 520 億。
推薦理由:材料並列模型參數規模、基準表現與 Token 消耗變化,亦交代 MIT 修改版許可和 MaaS 轉售授權條件,呈現評測資訊與商用限制。
文本之外的能力:視覺理解、圖文混合、音訊與影片的輸入輸出的模型與產品進展。
Mistral AI 於 10 月 29 日在歐洲正式開源 Mistral Large 4(ML4)模型權重,模型總參數達 1 萬億,啟用參數為 520 億。
推薦理由:材料並列模型參數規模、基準表現與 Token 消耗變化,亦交代 MIT 修改版許可和 MaaS 轉售授權條件,呈現評測資訊與商用限制。
Mistral AI 於 10 月 29 日公開 Mistral Large 4(「Le Chonk」)完整權重,模型有 1 trillion 總參數、約 52 billion 活躍參數及 1 million-token 上下文窗口。
推薦理由:文章並列發布前後的 Terminal-Bench 變化與第三方榜單結果,呈現 Mistral Large 4 在編碼表現上的進步及其排名邊界。
Mistral AI 正式開放 Mistral Large 4(ML4,代號 le Chonk)模型權重;模型有 1 萬億總參數及 490 億激活參數,連同嵌入層和輸出層則為 520 億。
推薦理由:文中並列編碼智能體評分、每項任務的 Token 用量變化及權重授權條件,方便讀者對照模型指標與不同用途的使用限制。
AWS Machine Learning Blog 介紹如何在 Amazon EKS、EKS Auto Mode 和 SageMaker HyperPod EKS 上部署 NVIDIA Nemotron 模型,以支援智能體 AI 工作流程。
推薦理由:文章以並行度測試比較聚合與分離式部署,並示範如何根據 TTFT、ITL 和吞吐量規劃容量及判斷擴展方向。
Mistral AI 於 2026 年 10 月 29 日發佈 Mistral Large 4 權重,這款 1-trillion-parameter 原生多模態模型可在 Hugging Face 下載作自託管,亦可透過 API 及合作平台使用。
推薦理由:文章並列權重授權限制、API 定價與編碼基準成績,方便對照 Mistral Large 4 的商用部署條件和官方公佈表現。
Mistral Large 4(Le Chonk)以開放權重形式登上 Hugging Face,提供 FP8 和 NVFP4 兩個官方版本。模型是多模態、多語言 MoE,約有 1T 總參數、49B 活躍參數及 1M tokens 上下文窗口,支援文字和圖片輸入並生成文字。
推薦理由:文章整理 Mistral Large 4 在 Transformers、vLLM 和 llama.cpp 的部署方式,並附上不同硬件配置與上下文長度下的實測速度,提供實際部署參考。
Mistral AI 發佈改進版 Mistral Large 4(Le Chonk)的開放權重;這款 1-trillion-parameter 原生多模態模型提升了編碼、防禦性網絡安全及推理效率。
推薦理由:文章把編碼基準成績與 tokens 使用效率並列,並交代開放權重模型的自託管及企業託管服務選項,呈現能力比較與部署方式。
Liquid AI 發佈 LFM3 新一代模型系列,以共享骨幹涵蓋文字、視覺、音訊、全模態及決策模型。LFM3-1.7B 以少 35% 參數超越 LFM2.5-2.6B;文字模型的上下文窗口為 256K,所有模型均可在單張 GPU 微調。LFM3 全系列採開放權重,現已在 Hugging Face 提供。
推薦理由:LFM3 將文字、視覺、音訊與決策模型建基於同一骨幹,並支援單張 GPU 微調及端側部署,呈現小型模型按任務專門化的實作路徑。
Property Finder 評估將視覺 AI 工作負載遷移至 Amazon Bedrock 時,發現 96.8% 的評測標籤直接沿用單一模型預測,因而重新建立專家標註的評測集。
推薦理由:文章以房地產影像分類案例,説明專家標註、多標籤設計和逐輪提示詞優化如何減少評測偏差,並讓不同模型的比較更貼近實際正確性。
OpenAI 推出 GPT-6.1 Terra,支援理解圖片和螢幕,以及操作瀏覽器、桌面和應用,API 價格亦低於 GPT-5.6 Terra。
推薦理由:文章並列 GPT-5.6 Terra 對照任務的耗時、token 用量與帳單,再比較綜合測試得分和成本,呈現降價、速度與評測表現之間的差異。
OpenAI 發佈並開始提供 GPT-6.1 Terra,強化視覺推理、電腦操作和文字表達,標準 API 價格為 GPT-5.6 Terra 的一半。在 Agents' Last Exam 中,medium 推理設定較 GPT-5.6 Terra 高 15 分,成本約為三分之一;low 設定下的事實錯答率約為 GPT-5.6 Terra 的三分之一。
推薦理由:文章以基準結果和定價對照 GPT-6.1 Terra 與 GPT-5.6 Terra,呈現視覺操作和工作任務表現提升時的成本變化。
OpenAI 發佈 GPT-6.1 Terra,主打更快的回應速度、視覺理解和電腦操作能力,以及較低使用成本。
推薦理由:文中並列 GPT-6.1 Terra 在基準測試、電腦操作任務及 API 定價上的數據,呈現其與旗艦模型在能力、速度和成本上的取捨。
OpenAI 於 10月27日推出 GPT-6.1 Terra,主打以較低成本完成複雜電腦操作,尤其是需要視覺推理及操作桌面軟件的工作。
推薦理由:多項基準與定價數據並列比較 GPT-6.1 Terra、前代及同系列模型,呈現其在桌面操作、推理和編碼任務上的表現與成本差異。
OpenAI 發佈 GPT-6.1 Terra,這款中端模型結合精細視覺推理、精準電腦操作及更自然的寫作,面向日常辦公任務。模型已向 ChatGPT Plus、Pro、Enterprise 和 Edu 用戶開放,可在 ChatGPT Work 與 Codex 使用;開發者亦可透過 OpenAI API 以 gpt-6.1-terra 調用。
推薦理由:文章以 Agents'Last Exam、OSWorld 2.1 等基準對照前代及旗艦模型,呈現 Terra 在推理、電腦操作與任務成本上的差異。
OpenAI 發佈 GPT-6.1 Terra,主打以較低成本完成複雜電腦操作任務,並提升事實準確性和編程能力。在 Agents’ Last Exam 中,採用中等推理強度時,Terra 得分較 GPT-5.6 Terra 高 15 個百分點,任務成本約為後者三分之一;在最高推理強度下,每項任務成本約為 Claude Opus 5.5 的九分之一。
推薦理由:多項基準成績、成本與錯誤率對比,呈現 Terra 在桌面操作、視覺推理及編程任務上的表現及適用邊界。
OpenAI 發佈 GPT-6.1 Terra,這款更快、成本更低的模型面向日常電腦工作,能理解螢幕內容、點擊、輸入及在應用程式間切換。模型即日起供 ChatGPT Plus、Pro、Enterprise 和 Edu 用戶使用,亦可在 Codex 使用;開發者每百萬個輸入 tokens 收費 $1,每百萬個輸出 tokens 收費 $5。
推薦理由:文章把螢幕操作、圖像理解及多項成本和表現比較放在一起,並交代測試由 OpenAI 自行進行且未經獨立核實,呈現模型定位與數據來源限制。
Moonshot 發佈多模態 MoE 模型 Kimi K3.1 Pro,總參數量為 2.8T、活躍參數為 104B,並稱上下文窗口為 1-million-token;權重尚未公開,承諾於 2026 年 11 月 4 日公開。
推薦理由:文章把獨立基準成績、任務成本與權重尚未公開的狀態並列,呈現模型評測表現與實際部署條件之間的差異。
月之暗面正式推出 Kimi K3.1 系列首款模型 K3.1 Pro 及高速版 Kimi K3.1 Pro Highspeed;K3.1 Pro 是公司迄今能力最強的 3 萬億級參數模型,支援 100 萬上下文,高速版輸出速度約為 2~3 倍。
推薦理由:材料列出 Terminal-Bench 4.0、BenchCAD 等基準的具體分數及對照結果,可從編碼和 3D 建模兩方面瞭解 K3.1 Pro 的能力表現。
月之暗面推出 Kimi K3.1 Pro 及高速版 Kimi K3.1 Pro Highspeed;Pro 是公司迄今能力最強的 3 萬億級參數模型,支援 100 萬上下文,Highspeed 輸出速度約為 2~3 倍。
推薦理由:文章整理編程智能體、3D 建模及金融工作流的多項基準結果,並説明測試任務範圍,可作為理解其能力主張的比較依據。
Google Research 介紹其結核病篩查工作,從胸部 X 光 AI 工具的臨牀部署,延伸至 MedGemma、MedSigLIP 等開放模型。合作方 Nexus AI 的工具已在六個國家約 40 間醫療機構運作,超過 90 名臨牀人員評估逾 25,000 張胸部 X 光影像,將處理時間由數週縮短至不足 45 秒。
推薦理由:文章串連臨牀驗證、監管認證與多國部署案例,呈現胸部 X 光篩查工具從研究成果走向醫療現場所需的合作與落地環節。