研究发现推理模型（LRM）的安全风险源于其推理结构本身，而非简单的好/坏行为模仿。提出 AltTrain 方法——通过改变推理结构实现有效安全对齐，仅需监督微调（SFT），无需复杂强化学习。实验表明在改变推理结构后，有害查询的拒绝率从 ~50% 提升至 95%，同时基本保持有用查询的回答质量。
arXiv:2604.18946 →首个针对多模态基础模型（如 CLIP）的条件安全对齐框架。根据不同模态的实际安全状态（而非样本来源）进行安全微调，提出 ViSUv2 数据集（19.5 万四联样本，578 个概念，28 类）。在跨模态检索、文生图（SD 1.4/SDXL）和图生文（LLaVA）上均优于现有安全对齐方法。
arXiv:2609.39688 →通过 token 级感知接地优势估计强化多模态推理能力，将视觉感知信号与推理过程深度融合，提升多模态大型语言模型在复杂视觉推理任务上的表现。
arXiv:2609.39168 →支持文本/图像/视频/音频联合理解与生成，基于 Transformers 5.18.0 正式支持。随 v5.18.0 发布，集成音频说话人分离（Diarization）能力。
文档 →NVIDIA Nemotron 3 系列新增说话人分离模型，支持流式和离线两种模式，帧粒度为 10ms 倍数，可直接用于语音转写和会议分析场景。
文档 →NAVER 的 HyperCLOVAX Vision V2 模型，在视觉理解任务上支持思维链（CoT）推理，配合 GTE 双向编码器家族（RoPE + gated MLP）提升嵌入质量。
文档 →小米推出的 DeepSeek/Claude 竞品：309B 参数 MoE 架构，混合注意力（sliding window + full attention 比例 5:1），上下文 256K。在 SWE-bench Verified 达 73.4%，位列开源第一。2026-09-28 加入 Chatbot Arena Vision Arena。
Hugging Face Blog →DeepSeek 推出的高效多模态 MoE 模型：采用 Causal Encoder-Decoder 架构，FP4 量化 + CSA2 跨层注意力复用，KV cache 压缩至 ~890 字节/token（约 8 倍压缩）。上下文 1M token，输出可达 384K。API 峰值价格仅 $0.30/$1.20 per Mtok。
官方公告 →面向桌面/Web/移动端统一计算机使用的 Agent 模型，基于 Qwen3.8 架构，支持 GUI、代码、MCP 和 API 多接口交互。OSWorld 得分 85.2%（27B，$0.08/任务）。提供 BF16/FP8/NVFP4/4-bit GGUF 多格式。
Hugging Face →| 排名 | 模型 | Elo 分 | 变化 |
|---|---|---|---|
| 1 | Claude Opus 4.6 | 1504 | — |
| 2 | Claude Opus 4.7 | 1490 | ↑ |
| 3 | Gemini 3.1 Pro | 1480 | — |
| 4 | Gemini 3 Pro | 1479 | — |
| 5 | GLM-5 | 1472 | ↑ |
| 6 | GPT-5 | 1471 | ↓ |
| 7 | GPT-5.4 | 1469 | — |
| 8 | Gemini 3 Flash | 1466 | — |
| 10 | Mimo-V2.6-Pro (小米) | 1491±9 | 新开榜 |
| 12 | Muse Spark 1.3-Max (Meta) | 1490±6 | ↑ |
| 17 | Qwen3.8-Max | 1481±5 | — |
| 18 | GLM-5.3-Max | 1475 | ↑ |
数据来源：lmarena.ai · 更新时间：2026-09-25 批次数据