🚀 新模型发布与权重
Gemini 4 Argon
支持 100 万输出 token 的大模型，专为编码、知识工作和网络安全设计。在多数基准测试中超越 GPT-6 Astra 和 Claude Opus 5.5。目前访问仍受限，需申请 Fairwind 项目权限。
GPT-6.1 Sol
GPT-6 Sol 的升级版本，在智能体编码、计算机使用和专业工作方面达到接近 Astra 的效果，但价格仅为 Astra 的五分之一。输入 $2/百万 token，输出 $10/百万 token，缓存输入降至 $0.10。
BLIP3-o
开源多模态模型，采用扩散 Transformer 架构统一图像理解和生成。训练速度提升 30%，在文档 OCR 和图表分析等复杂任务中达到 95% 准确率。配套发布 BLIP3-OCR-200M 数据集（200 万带标注文本密集图像）。
Kolibri-1
英德双语 MoE 模型，78.1B 参数仅激活 3.46B。支持 100 万 token 上下文，具备请求级推理努力控制。FP8 权重可在单卡 B200/H200 上运行。
apex-flash-1
专为漏洞研究训练的开源模型，基于 Z.ai 模型强化学习微调。在 60 个保留漏洞任务中解决 40%，展示了开源模型在安全研究领域的潜力。
MiMo-V2.6-Pro / MiMo-V2.6-Flash
小米多模式模型系列，Pro 版本在 Text Arena 达到 1496 Elo 分数。支持 1.1M 上下文长度。
GLM-5.3 系列
智谱 GLM-5.3 系列发布，包含多个规模版本。在 Text Arena 达到 1490 Elo 分数，展现出强大的中文理解和英文能力。
Cloudflare Clef & Clef-flash
决策模型，返回类型化概率而非文本。Jev-API 兼容，接受图像输入，可在 Workers AI 上运行。
NVIDIA Kumo Tabular
表格基础模型系列，支持分类和回归任务。单前向传播即可预测新行，对标 TabPFN 和 TabICL。
📑 按方向分类论文列表
🤖 Agent 研究
VISTA: A Visual Harness for Reasoning in an Interactive World
赋予多模态模型长视距视觉和无损记忆，显著提升复杂交互环境推理能力。
OmniSeek: Native Tool Integration for Multi-turn Audio-Visual Reasoning
多轮视听推理智能体框架，支持自适应跨模态证据检索。
HyperBrowseComp: A Multilingual and Multimodal Stress Test for Web-Browsing Agents
13 语言多模态浏览基准，测试 agent 在异构来源中的信息搜寻能力。
Selection-Based Structured Reasoning: Toward Efficient Multimodal Search Agents
将推理重构为选择过程实现并行评分，每轮推理延迟降低 90% 以上。
🧠 推理与多模态
CLIMB: Confidence-Guided Complementary Evidence for Multimodal RAG
训练无关的推理时框架，通过置信度控制的迭代精炼提升多模态 RAG 性能。
Senses Wide Shut: A Representation-Action Gap in Omnimodal LLMs
发现全能大模型的表征-行动差距：模型能理解电影但无法根据理解做出正确行动。
DeepMMSearch-R1: Empowering Multimodal LLMs in Multimodal Web Search
首个支持按需多轮网页搜索的多模态 LLM，可基于图像裁剪发起图像搜索。
CoVisco: Codec-Native Vision Encoder with Native Token Compression
编解码器原生视觉编码器，统一图像-视频理解的标记压缩方法。
Platonic Task Arithmetic
通用任务描述符，实现跨架构任务算术与组合，无需逐图标签。
🔒 安全与对齐
Proactive defense against LLM Jailbreak
主动防御 LLM 越狱攻击的研究。
Autonomy Reshapes How Personalization Affects Privacy Concerns and Trust in LLM Agents
研究自主性如何重塑个性化对隐私关注和信任的影响。
Emergent Unfaithfulness: How Alignment Training Causes Language Models to Silently Override Task Faithfulness
揭示对齐训练如何导致语言模型 silently override 任务忠实度的现象。
Tutoring Large Language Models to be Domain-adaptive, Precise and Safe
指导 LLM 实现领域自适应、精确性和安全性的博士论文预印本。
📊 基准评测
HyperBrowseComp: A Multilingual and Multimodal Stress Test
首个多语言多模态浏览压力测试基准，评估 agent 在开放网络中的持久信息搜寻能力。
OmniExtractBench: Fixing Bias and Opacity in Extraction Benchmarks
修复抽取基准中的偏见和透明度问题的新基准。
Do Not Trust the Benchmark: Limitations of General LLM Rankings
质疑通用 LLM 排名的局限性，提倡任务特定评估。
CraftBench-UE: Deterministic Evaluation for Coding Agents in Unreal Engine
面向 Unreal Engine 中编码 agent 的确定性评估基准。
⚡ 新方法与技术
AF-Muon: An AdamW-Free Muon Optimizer for Tied-Embedding Models
无 AdamW 的 Muon 优化器，专为 tied-embedding 模型设计。
CoVisco: Codec-Native Vision Encoder with Native Token Compression
统一图像-视频理解的编解码器原生视觉编码器与标记压缩。
Platonic Task Arithmetic: Cross-Architecture Task Transfer
通用任务描述符实现跨架构任务算术与组合。
ELF-REG: Scaling Continuous Diffusion Language Models to Reasoning Tasks
将连续扩散语言模型扩展到推理任务。
Mitigating Forgetting Between Supervised and Reinforcement Learning Yields Stronger Reasoners
缓解监督学习与强化学习间的遗忘，产生更强的推理器。
📈 排行榜变动
🏆 Chatbot Arena (LMSYS) 英文文本榜 Top 5
| 排名 |
模型 |
Elo 分数 |
变化 |
发布者 |
| #1 |
Gemini 4 Argon (High) |
1533 ± 14 |
🆕 新增 |
Google |
| #2 |
Claude Opus 4.6 (High) |
1514 ± 5 |
↔️ - |
Anthropic |
| #3 |
Claude Fable 5 (High) |
1513 ± 6 |
↔️ - |
Anthropic |
| #4 |
Claude Opus 4.7 (High) |
1510 ± 5 |
↔️ - |
Anthropic |
| #5 |
Claude Opus 4.6 |
1507 ± 4 |
↔️ - |
Anthropic |
🎯 Agent Arena 新加入模型 (2026-10-01 ~ 2026-10-03)
新增榜单模型
• Claude Sonnet 5.5 (Max) - Anthropic
• GPT 6.1 Sol (Max) - OpenAI
• Grok 4.7 Image 2.0 (canvas) - xAI
• Gemini 4 Argon (High) - Google
• GPT 6.1 Sol (Max) - OpenAI
💡 值得关注的趋势
开源模型崛起
• MiMo-V2.6-Pro (小米) 以 MIT 协议登顶开源榜前列，Arena Elo 达 1496
• GLM-5.3 (智谱) 以 1490 Elo 展现强劲中文能力
• DeepSeek V4.1 Flash (MIT 协议) 持续优化性价比，定价仅 $0.30/$1.20 per M tokens
• Kimi K3 (Moonshot) 在编码领域竞争力显著
🔬 Hinton RSI 论文：智能爆炸警告
递归自我改进加速
Geoffrey Hinton 等 22 位顶尖学者发表论文指出：AI 系统正在快速接管 AI 研发流水线。Anthropic 数据显示，AI 生成的获批代码占比从 2025 年 1 月的低个位数升至 2026 年 5 月的 80%+。Claude 自主完成内部 AI 研发工作的比例从 2026 年 3 月的约 1% 升至 8 月的 26%，半年增长逾二十倍。
核心结论：若 AI 达到顶级研究员水平，现有算力可支撑数百万名等价 AI 研发劳动力。研究回报率 r 约 1.2-1.9，意味着一旦越过临界点，今天一年的进步未来可能只需 5 周。论文呼吁各国政策制定者在"窗口期关闭之前"建立监管框架。