| 模型 / 厂商 | 类型 | 参数量 | 开源协议 | 要点与成绩 | 来源 |
|---|---|---|---|---|---|
| Claude Fable 5.1 / Mythos 5.1（Anthropic） | 推理 / Agent 型 LLM | 未公开 | 闭源（未发布权重） | 9-01 发布。100 万 token 上下文、最高 12.8 万 token 输出；Terminal-Bench 4.0 55.8%（Mythos 版本 60.9%）、CursorBench 3.2.0 73.4%、HLE 60.9%（无工具）/65.0%（有工具）、OSWorld 2.0 41.7%。缓存读取价降至 $0.25/M。Mythos 5.1 为更高护栏等级版本，仅限授权机构。 | 官方公告 |
| DeepSeek-V4-Flash-Vision-Exp（DeepSeek） | 多模态（视觉理解）LLM | 未公布（权重约 168GB / 48 分片） | MIT，权重全开放 | 8-31 权重正式开源（V4-Flash 架构 + 视觉模块，覆盖 Vision Encoder/DFlash/MoE/Hyper-Connections/DSpark）。100 万 token 上下文、384K 输出；此前 8-21 已以 API 上线。 | HF 仓库 |
| 腾讯混元 Hy4 Preview 轻量版（Tencent） | LLM（MoE 长上下文） | 基于 770B/49B 压缩（权重 1.5TB→约 214GB） | Apache 2.0 + GGUF | 9-01 发布轻量版：长文/长上下文检索与原始版持平，数学有小幅回落；配套 AngelSlim 压缩工具链开源，含 GGUF 量化库。 | 报道 · GitHub |
| 讯飞星火 X2.5-4B / 1.7B（词元星火） | 端侧 LLM（混合注意力） | 4B / 1.7B | 已开源（详见模型卡） | 9-01 开源，面向车载/智能硬件/机器人；端侧首个原生 100 万 token 上下文，基于国产算力全流程训练（约 20 万亿 token 数据）。X2.5-1.7B 在 Domux 智能家居测试集指令执行正确率 90.3%、平均响应 0.85 秒。 | HF 仓库 · 报道 |
| Mercury 2.5 Preview（Inception，法国） | 推理 LLM（扩散式 dLLM） | 未公开 | 闭源 API | 8-31 发布。扩散式并行多 token 生成（非自回归），256K 上下文，宣称标准 GPU 最高 1,107 tokens/s；API 价 $0.20/M 输入、$0.75/M 输出。 | 官方博客 |
| World Labs Atlas | 3D 世界模型 | 未公开 | 未公开权重（合作伙伴早期访问） | 9-02 宣布：从少量照片生成/重建/模拟 3D 场景，可输出 1440p 最长 60 秒视频及点云/3D 高斯表示，支持机器人 real-to-sim。官方称 75% 人类评估者偏好优于 MiniMax H3；重建误差中位数 25.3 领先 Pi3X/VGGT-Ω。 | The Decoder |
| Instella-MoE Technical Report（AMD 完全开源 MoE，16B/2.8B 激活） AMD · 2609.00791 | abs ↗ |
| From Rollouts to Recipes: Self-Contained Post-Training for LLMs（Self-Routing：依据自身 rollout 置信度路由到 GRPO/自蒸馏/正则化/跳过，无需外部教师） EMNLP 2026 · 2609.01422 | abs ↗ |
| Residual Sparsification via Output Importance for Compressing MoE LLMs（PARSER：以输出重要性导向的 MoE 残差压缩，同显存下精度差距缩小 1.41x/1.44x） 高丽大学等 · EMNLP 2026 Main · 2609.00575 | abs ↗ |
| QTEA: Ternary LLMs with Sparse Residual Salient Weight（三值化+稀疏残差，1.7 bit/权重，Qwen3-14B 精度提升 16.7%，生成比 FP16 快 7.2x） 圣母大学 · EMNLP 2026 Main · 2609.00224 | abs ↗ |
| SMELT: Scaling Laws for Compute-Matched MoE Looped Transformers（MoE 循环 Transformer 缩放定律，计算最优前沿节省 6.8–18.0% 训练 FLOPs） 多机构 · 2609.01343 | abs ↗ |
| Solaris: Towards Interfaces That Are Generated, Not Coded（Runway 界面世界模型：鼠标交互条件生成 UI） Runway · 2609.00776 | abs ↗ |
| ZimaBlue: Evolving Generalizable World Action Models（视频预训练世界动作模型，零样本成功率 36.1%→77.8%） 多机构 · 2609.00188 | abs ↗ |
| Qwen-Drive-1.0: Vision-Language Foundation Model for Autonomous Driving（QwenLM/阿里自动驾驶 VLM 基础模型，BEV 3D 感知+VQA+运动规划） QwenLM/阿里 · 2609.00111 | abs ↗ |
| Benchmarking VLMs for Automated Pathology Diagnosis and Report Generation（REG 2025 病理报告生成基准，55 人跨国合作，~10,500 对全切片图像-报告） MICCAI 挑战 · 2609.00866 | abs ↗ |
| Facet-0: A Robotic Foundation Model for Contact-Rich Precise Manipulation（"动作-腕部扳手力"联合表征，亚毫米装配任务成功率 15%→82%，0.5mm 放置精度） 南洋理工 NTU Pine Lab · 2609.01596 | abs ↗ |
| EmbodiedSkills: A Unified Framework for Orchestrating, Training, and Deploying VLA Agents（技能=可校验"执行提案"，RoboTwin 2.0 成功率 86.2%、LIBERO 97.4%） 浙江大学等 · 2609.01281 | abs ↗ |
| ChatDev 2.0: A No-Code Multi-Agent Platform（OpenBMB 无代码多智能体平台，声明式可执行图+循环感知执行引擎，EMNLP 2026 Demo） OpenBMB · 2609.00714 | abs ↗ |
| Dr. Claw: An AI Scientist Workspace for Vibe Research（AI 科学家工作台：持久化状态+可复用技能库，人机协同科研闭环） OpenLAIR · EMNLP 2026 Demo · 2609.00365 | abs ↗ |
| From Base Rollouts to RL Reasoning: A Budgeted Search Perspective（BOPTR：统一解码框架揭示 RLVR 收益≈"基座+更多搜索预算"，Qwen2.5-7B 迁移误差 3.41pp） EMNLP 2026 Findings · 2609.01274 | abs ↗ |
| One Policy, Any Budget: Internalizing Budget-Aware Search via RL（AnySearch：预算状态注入+课程 RL，单策略自适应任意推理预算） 复旦大学等 · 2609.00813 | abs ↗ |
| Escaping Redundant Reasoning: Structure-Aware Search for Inference-Time LLMs（BASIN：无训练结构感知选择，Game of 24 最高 +22pp、MuSR +6.7pp） 2609.00738 | abs ↗ |
| Vision Is Not Overhead: One-Pass Block Drafting for Lossless Speculative Decoding in VLMs（GLANCE：VLM 无损单遍分块投机解码，最快 2.93x，视觉零开销） 高丽大学等 · 2609.00355 | abs ↗ |
| EvoFlint: An Evolutionary Atlas of Multi-Turn LLM Vulnerabilities（进化 QD 搜索多轮越狱，Claude Sonnet 4.6 / GPT-5.4 / Qwen3-32B 上 ASR 达 35.8% / 59.7% / 94.3%） 多机构 · 2609.00487 | abs ↗ |
| Validity-Aware Jailbreak Evaluation for Large Language Models（SEAV：步骤级有效性验证，公共基准中 22.1%–51.0% "成功"样本被重判无效） EMNLP 2026 Main · 2609.00498 | abs ↗ |
| When Safety Routing Breaks: Alignment Fragility under Benign Fine-Tuning（Fisher 几何解释良性微调致拒绝行为崩塌的机理） EMNLP 2026 Findings · 2609.01455 | abs ↗ |
| Uncovering and Mitigating Aggregation-Induced Reward Hacking in Multi-Reward RL（AMRP：在线重分配聚合权重缓解多奖励奖励攻击） 2609.00213 | abs ↗ |
| Confess What You Know: Forget-Set Misalignment with Model Knowledge in LLM Unlearning（CONFS：数据盲构造模型对齐遗忘集，缓解欠遗忘/越界遗忘） EMNLP 2026 Main · 2609.00605 | abs ↗ |
| HiveTraceGuard-Pro: A Compact Generative Guardrail（0.6B 双语生成式护栏：俄语注入召回 0.999，中位延迟 14.3ms，权重托管于 HF） HiveTrace · 2609.01046 | abs ↗ |
| Who Judges the Judges? A Chinese Safety QA Benchmark（C-SafeQA：538 基础题+8,877 对抗题的响应级中文安全基准，审计 7 个自动裁判） 2609.01210 | abs ↗ |
| Efficient SWE Agent Benchmarking via Trajectory-Aware Evaluation（PTA-IRT：历史执行轨迹作为特权信息融入项目反应理论，低预算下大幅提升排名恢复质量） 中山大学等 · 2609.01603 | abs ↗ |
| Adaptive Critical Token-Aware Retrieval for Repository-Level Code Generation（ACToR：关键 token 感知的仓库上下文检索，RepoExec +8.4%、CoderEval +15.4%） 中山大学等 · 2609.01601 | abs ↗ |
| 榜单 | 变动 | 详情 | 截止时间 |
|---|---|---|---|
| Chatbot Arena（总榜） | 榜首 Claude Fable 5（1508±5） | Anthropic 包揽前三（Fable 5、Opus 4.6-high 1504、Opus 4.7-high 1502）；Meta Muse Spark 1.2 作为新上榜黑马升至第 4（1498），在软件&IT 行业快照中达 1528。Gemini 3.7 Flash（1490, #9）、Kimi K3 Max（1489, #10）、GLM-5.3 Max（1487, #13）、Qwen3.8 Max（1481, #19）均在榜。 | 08-22 快照 |
| Arena+（openlm.ai） | 新榜首 Claude Fable 5.1（Elo 1516） | 9-01 发布的 Fable 5.1 次日即登顶 Arena+，AAII 66、MMLU-Pro 92.4、ARC-AGI 90；头部第二梯队：GPT-5.6 Sol 1509、Grok-4.6 1507、Kimi K3 1506（开源）、Qwen3.8-Max 1506（开源）、GLM-5.3 1505（MIT 开源）——开源阵营首次在前 20 名占据 4–5 席。 | 09-01 快照 |
| Open LLM Leaderboard（HF） | 暂无更新（已归档） | 官方榜单已归档冻结，8–9 月无新数据。替代参考（DataLearner 开源榜 08-28）：GLM-5.3 以 HLE 62.50 居开源第一，Qwen3.8-Max 56.20 第二，Kimi K3 56.00 第三。 | 已归档 |
| C-Eval | 官方暂无更新 | 官方榜单冻结；聚合跟踪榜（llm-stats.com）：Qwen3.6 Plus 93.3% 登顶（厂商自报），Qwen3.5-397B-A17B 93.0%、Kimi K2 Base 92.5% 随后。 | 08-27 |
| MMLU | 官方暂无更新 | 官方榜单自 2022 年起冻结；聚合快照（llm-stats.com）：GPT-5 92.5% 居首（原榜首 o1 91.8% 降至第二）。 | 2026 年 8 月 |