Mistral 發布 Timestral：僅 209M 參數的時間序列基礎模型在三大基準測試中領先
Mistral AI 於 2026 年 10 月推出首個時間序列基礎模型家族 Timestral，其最大版本僅有 2.09 億參數，卻在 GIFT-Eval、TIME 和 fev-bench 三大公開基準測試中排名第一。該模型支援多變量機率預測與協變數處理，能在標準伺服器 CPU 上高效執行，無需 GPU 即可進行即時推論。
最新 AI 新聞
第 2 / 61 頁，依本站收錄時間整理（台灣時間），不代表原文發布時間。
CERN與Mistral簽署意向書，合作開發大型物理基礎模型
歐洲核子研究組織（CERN）與AI公司Mistral於2026年10月15日簽署戰略合作意向書，目標是開發首個用於對撞機物理的基礎模型。該模型將利用大型強子對撞機（LHC）模擬的數十億次質子碰撞數據進行訓練，旨在整合現有的粒子重建流程並提升分析效率。
研究提出混合推理代理架構，結合潛空間思考與文字互動以提升效率
研究團隊發表 Hybrid Reasoning Agents (HybridAgents)，讓大型語言模型代理在生成過程中動態切換於潛空間推理與文字互動之間。測試顯示此方法在多個基準上平均提升 10.4% 效能，同時減少 35.5% 至 54.7% 的 Token 使用量並加速推論速度。
Jack Clark 在 IMF 演講主張 AI 奇點已開始，預測科學研究將大幅加速
Anthropic 共同創辦人 Jack Clark 於曼谷國際貨幣基金組織（IMF）會議發表 Per Jacobsson 講座，宣稱人工智慧已進入「奇點」初期階段。他指出 AI 系統在數學、生物學及物理學等前沿科學領域展現出超越人類專家的能力，並預測這將導致全球科研產出與經濟成長速度出現前所未有的加速。
SteerTTS推出23M參數英語語音合成模型，支援即時CPU執行與數值化風格控制
開發者WhissleAI發布了僅有2300萬參數的英語文字轉語音（TTS）模型SteerTTS，主打能在一般CPU上實現即時生成。該模型允許使用者透過標準分數（z-scores）精確調整語速、音調與音量等12項聲音特徵，並內建2,825種匿名化語音供選擇。
研究人員開發 Cajal-1 模型，可預測全腦對影音刺激的神經反應
研究團隊訓練出一個擁有 2.18 億參數的模型 Cajal-1，能根據受試者觀看影片時的 fMRI 數據進行學習。該模型可在無需掃描器的情況下，以每 1.49 秒一次的頻率預測人類大腦皮層 20,484 個點的神經反應。
Google開源Harness2框架，讓AI代理自動優化自身設定
Google發布開源專案Harness2，旨在讓AI代理透過自我迭代來改進其運作環境（harness），而非僅依賴固定設定。該框架允許模型在不改變權重的情況下，針對不同任務自動調整系統提示、工具與記憶等組件，並已在法律與辦公場景基準測試中顯示出效能提升。
Anthropic 設立公共利益基金，承諾捐出 20% 股份
Anthropic 宣布成立一個公共利益基金，並承諾將公司 20% 的股份捐贈給該基金。此外，若公司估值每增加 50%，可能再額外捐贈 2% 的股份。
Netflix 建立可觀測性本體論知識圖譜，縮短故障排查時間
Netflix 技術團隊開發了基於 W3C 標準的「可觀測性本體論」（Observability Ontology），將分散在多個監控系統中的數據統一為機器可讀的知識圖譜。此舉旨在解決跨系統資料定義不一致導致的排查瓶頸，透過自動化關聯分析，將原本需數小時的人工上下文組裝工作大幅縮短。
Qwen3-4B 推出移除 AI 寫作習慣的訓練版本
開發者發布了經過特殊處理的 Qwen3-4B 模型，旨在消除被稱為「AI 腔調」或「Slop」的特定寫作模式。該專案透過對比原始模型與修改後模型在四十個測試提示下的回答，展示如何減少重複且易被辨識的 AI 特徵。
若不自行運行 LLM 代理，如何掌握系統運作狀況？
文章作者主張，開發者若僅依賴供應商提供的前端介面（如 TUI、GUI 或語音通話）與訂閱服務來使用大型語言模型（LLM），將難以獲得足夠的工程級別數據以進行決策。作者批評現有供應商提供的分析面板往往只是干擾項，缺乏具備時間序列的 Token 使用統計數據，無法滿足工程師的需求。 作者提出自行運行 LLM 代理（Proxy）的五個主要理由： 1. 在單…
開發者利用 ConvNext 搭配 DINOv3 預訓練權重提升箭靶偵測準確率
一位 Reddit 使用者分享其歷時一個月的專案成果，指出使用在 DINOv3 上預訓練的 ConvNext 模型，在箭靶目標註冊與落點偵測任務中表現優於 ResNet 及純 ViT。該系統最終在測試集達到 96.6% 的 F1 分數，且整張圖片完全正確（無漏檢或誤檢）的比例為 80.5%。
Cohere 宣布 North Micro Vision Instruct 視覺編碼器支援 llama.cpp
Cohere 工程師 Nick Frosst 在 Reddit 社群宣布，已將 North Micro Vision Instruct 模型的視覺編碼器合併至 llama.cpp 專案中。這使得 Cohere 最新的模型架構全面相容於 llama.cpp，讓使用者能在本地端執行包含視覺處理能力的最新模型。
開源排行榜分析指 AI 實驗室自報基準分數平均比獨立測試者高 6.4%
開發者建立開源 AI 排行榜 whatmodel.sh，透過比對 1,629 筆已發布的基準測試結果，發現 AI 實驗室自行報告的分數平均比獨立測試者高出 6.4%。該分析涵蓋 180 個模型在 103 項基準上的 611 組配對比較，所有數據與程式碼均以開放授權釋出。
MiniMax 發布 M3.1 Flash 模型，權重預計於 10 月 23 日開放
MiniMax 正式推出 M3.1 Flash 語言模型，並確認先前在 OpenRouter 上以「Space Bunny」代號出現的測試版本即為該模型的早期版本。官方宣稱新模型成本僅為前一代 M3 的三分之一，速度則提升至三倍，權重預計於 10 月 23 日發布。
inclusionAI 發布 Ming-3.0-audio-flash：支援長音訊理解與多模態推理的原生語音語言模型
inclusionAI 推出原生音訊語言模型 Ming-3.0-audio-flash，採用混合專家架構（MoE），總參數達 126B 但每次推論僅啟動 6.5B。該模型以 MIT 授權發布，主打處理中英文、方言及噪音環境下的複雜語音辨識與長錄音理解，並支援可選的語音合成輸出。
一週內四款開放權重模型發布，僅 NVIDIA Nemotron 3.5 Bolt 符合 24GB VRAM 門檻
過去 72 小時內，Meta、NVIDIA、Reflection AI 與 DeepSeek 接連發布大型開放權重模型。其中只有 NVIDIA 的 Nemotron 3.5 Bolt 經過量化後能裝入一般消費級顯示卡的 24GB VRAM，其餘模型均需數百 GB 記憶體或高階工作站硬體才能執行。
inclusionAI 發布 Ming-3.0-audio-tiny：9.3B 參數原生音訊語言模型支援語音辨識與推理
inclusionAI 推出名為 Ming-3.0-audio-tiny 的緊湊型原生音訊語言模型，採用混合專家架構（MoE），總參數量為 9.3B，每次推論僅啟動 2.7B 參數。該模型以 MIT 授權發布，主要支援中文與英文，具備語音辨識、長音訊理解及多維度聲音感知能力。
Reddit 用戶分享僅 600 萬參數角色渲染器，單張參考圖生成一分鐘影片
Reddit 使用者 AsyncVibes 發布一款僅有 600 萬參數的角色渲染模型，能從單張參考圖片生成長達一分鐘的影片。該專案聲稱已透過 Blender 生成的真實數據進行測試驗證。
Blockway 開發自研推理引擎，讓 32B 模型在 16GB VRAM 預算下維持長上下文
香港團隊 Blockway 發布自研推理引擎 Agens Engine，透過修改模型架構將部分層改為固定大小狀態，試圖讓 32B 參數的 Volundr 模型在受限顯存中處理長對話。該團隊展示了一段未剪輯的執行影片，顯示讀取 110K token 小說約需 69 秒，後續提問回應僅需 0.5 秒，但強調測試是在 48GB 顯卡上模擬 16GB 預算進行，尚未在真實 16GB 硬體驗證。
DeepSeek V4.1 Flash 量化版在雙 RTX 3090 跑出每秒 26 token
使用者利用 dsx 引擎推出 DeepSeek V4.1 Flash 的 2.61 bpw 量化版本，專攻程式編寫與代理任務。該模型搭配 Engram 技術在雙 RTX 3090 上達到每秒 26 token 的生成速度，但載入權重需耗時約兩小時。
社群測試顯示 Nemotron 3.5 Super VL 在冷門遊戲知識問答表現優於多款主流模型
Reddit 使用者分享一項針對 1998 年遊戲《Anno 1602》規則的內部基準測試結果，指出 NVIDIA 的 Nemotron 3.5 Super VL 120B-A12B 在禁止網路搜尋的情況下，對細節知識的準確度明顯高於其他五款測試模型。該使用者同時提供在雙 RTX 5060 Ti 顯卡環境下的推論速度數據，並列出各模型使用的量化格式與推理引擎版本。
菲爾茲獎得主Borcherds評OpenAI證明：人們因意識到自身不足而歸咎於AI
菲爾茲獎得主Richard Borcherds針對OpenAI解決Navier-Stokes問題引發的學術界爭議發表看法，認為大眾的不安源於對自身能力的重新認知。他強調這種情緒反應並非AI技術本身的過錯，而是人類面對現實落差時的投射。
AI 編碼代理破解《超級瑪利歐64》噴泉銘文之謎，確認字體為 Palatino Bold Italic
開發者利用 Claude 作為編碼代理，透過建立正向模型比對 ROM 像素與候選文字，成功解讀《超級瑪利歐64》城堡噴泉上長期爭議的銘文。結果顯示該文字並非網路傳聞中的「L is real 2401」，而是「Eternal Star / We hope so」，並確認原始字體為 Adobe Palatino Bold Italic。
TwelveLabs Pegasus 1.5 模型上架 Amazon Bedrock
Amazon Web Services (AWS) 宣布 TwelveLabs 的 Pegasus 1.5 模型已可在 Amazon Bedrock 上使用。
S&P Global 警告：頂級雲端服務商 AI 相關債務恐高於現行認知
標準普爾全球評級（S&P Global）發出警告，指出頂級超大型雲端服務商（hyperscalers）與人工智慧相關的負債規模，可能比目前外界所知的更高。
vLLM 推出雙向 KV 傳輸技術以改善多輪代理工作負載的 TTFT
Amazon Web Services (AWS) 發布 vLLM 新功能，透過雙向 KV 傳輸機制優化多輪代理（agentic）工作負載的首字延遲（TTFT）。
DeepSeek推出搜尋與抓取API，每千次成功請求收費0.75美元
DeepSeek正式開放Search API與Fetch API，讓開發者能透過其內部搜尋引擎取得即時網路內容。這兩項服務採用按成功請求計費的模式，每1,000次成功請求收費0.75美元，失敗或無結果的請求不計費。
Meta 修改條款移除「訓練」字眼，法律專家指仍保留廣泛抓取權限
Meta 在 Nieman Lab 報導指出新條款允許廣泛抓取網站後，修訂商業帳戶服務條款並刪除「train」（訓練）一詞。然而多位法律專家警告，修訂後的條款仍授權 Meta 將抓取內容用於開發「廣告與商業產品」，且未明確保障 robots.txt 檔案的效力，可能使新聞機構難以阻止 AI 模型使用其內容。
數學家撰文警示：LLM 若缺乏人類理解恐致科學「黑暗時代」，呼籲建立公共科研基礎設施
紐約大學數學教授 Francesco Maggi 在陶哲軒部落格發表客座文章，指出大型語言模型（LLM）雖能生成複雜數學證明，但若知識產出脫離人類理解與獨立評估，可能導致科學活動集中化與空心化的「黑暗時代」。文章強調，要實現赋能新世代科學家的「黃金時代」，必須建立由學術界主導、具備透明度與保密保護的公共 LLM 基礎設施，而非僅依賴少數私營企業。