StartLux 开源了决策模型 StartLux-Decision，并一次性发布了 0.8B、2B、4B、9B、27B 五个参数版本。在 Decision Index 0.2.1 评测中，其 27B 版本得分 63.88，在 38 项基准中有 31 项高于 Jev 1.13；在另一套七项评测中平均准确率达 91.82%。
推荐理由：原文提供了详细的基准测试对比和多种规格的量化版本，读者可以评估其在不同部署场景下的适用性。
Google DeepMind 发布了 Gemini 4 Argon 模型，专注于编码、企业知识工作和网络防御，并提供了 100 万 token 的输出上限。模型在 19 项可信基准测试中的 13 项取得领先，标准定价为每 100 万输入/输出 token 4/20 美元，目前通过 Fairwind 项目向政府用户和可信网络防御者提供有限预览。
推荐理由：原文汇集了 Gemini 4 Argon 的发布详情、基准测试、定价和初步评测，读者可以了解其定位、能力与当前市场竞品的对比。
谷歌发布新一代旗舰模型 Gemini 4 Argon，输出Token上限提升至100万，重点面向软件工程、法律、金融及网络安全等复杂任务。
推荐理由：原文提供了多个基准测试成绩和内部应用案例，读者可以据此判断该模型在企业级复杂任务中的能力边界和成本优势。
Gemini 4 Argon 正式发布，官方称其在写作、知识和长文本能力上领先，输出上限达 100 万 token，幻觉率降至 15%，API 定价为输入 2 美元/百万 token、输出 10 美元/百万 token。
推荐理由：原文提供了 Gemini 4 Argon 的能力分布、输出上限和定价，读者可以据此判断其在写作与长文本任务中的相对优势和适用场景。
Google DeepMind 宣布推出前沿模型 Gemini 4 Argon，旨在处理复杂、长周期的跨领域工作流。该模型在 DeepSWE v1.1 上达到 77.9% 的 SOTA 水平，输出 token 上限提升至 100 万，定价为每百万输入 token 2 美元、输出 token 10 美元。
推荐理由：原文详细列举了模型在软件工程、金融法律和网络安全等领域的性能表现及定价，读者可以据此评估其实际应用潜力。
Google 发布 Gemini 4 Argon 模型，该模型在复杂软件工程、企业知识工作和网络安全防御中实现前沿性能，支持长达 100 万 token 的输出，已通过内部测试并面向受信任的网络安全团队逐步开放，定价为输入 token 每百万 2 美元，输出 token 每百万 10 美元。
推荐理由：原文明确了模型在复杂任务中的性能跃升和安全防护机制，读者可据此评估其在实际工作流中的应用潜力。
Anthropic 发布了 Claude Opus 5.5 模型，擅长复杂的多步骤软件任务和知识密集型工作负载。其定价为每百万输入 token 4 美元、输出 token 20 美元，比 Opus 5 降价 20%，但仍高于同日发布的 OpenAI GPT-6 Sol 和 GPT-6 Luna。
推荐理由：原文提供了新模型在编码任务上的具体性能数据、价格变化以及与竞品的详细对比，读者可以据此评估其性价比。
Anthropic 发布 Claude Opus 5.5，宣称其在多数工作上达到 Fable 5.1 的性能水平，且运行成本降低约 40%。模型输出速度比 Opus 5 快 30% 以上，token 价格降低 20%，订阅用户的 5 小时使用额度增加 20%。Anthropic 强调该模型在安全对齐方面有显著改进，并引入了针对网络安全和生物研究的验证程序。
推荐理由：文章引用了多家企业客户的实际测试数据，为评估 Claude Opus 5.5 在成本、效率和安全性方面的提升提供了具体参考。
DeepSeek发布多模态Mixture-of-Experts模型DeepSeek-V4.1-Flash，拥有552B参数，支持最多100万token上下文。模型采用CED架构，通过SWA Bounded Replay和CSA2技术将全局KV缓存降至890字节/token，约为前代的1/4。
推荐理由：模型在KV缓存压缩和多模态能力上实现突破，支持百万token上下文和可调推理努力，对长上下文智能体应用有直接价值。
OpenAI 发布了专注于计算机使用和网络安全的 GPT-6 Astra 模型，称其为对齐程度最高的模型，能更好地理解用户意图和模型行为。该模型可以执行填写在线表格、更新 CRM 记录、组织日程、在线研究和起草邮件摘要等任务。
推荐理由：原文提供了关于模型安全能力、潜在风险及行业趋势的第三方分析，有助于理解这类智能体的能力边界和竞争格局。
面壁 MiniCPM5-2B 模型发布，为2B参数量级的密集Transformer模型，支持131,072上下文长度，适用于本地部署和资源受限场景。模型在2B规模中达到开源SOTA，平均分53.9，优于多个4B模型，在代码、数学、长上下文、工具调用和智能体任务中表现突出。
推荐理由：原文给出了模型参数、训练数据、评测基准和多芯片部署方案，读者可以据此判断它在2B规模模型中的性能定位和本地部署可行性。
智谱发布 GLM-5.3-BF16 模型，基于 GLM-5.2 基座通过后训练提升能力，在编码、长链任务和智能体场景中表现显著增强。在 Z.ai Code Bench 上编码能力提升 50%，在 Terminal Bench 3.0、Agents' Last Exam、DeepSWE 等多个公开基准上达到开源模型 SOTA。
推荐理由：原文提供了与前代模型的基准对比和本地部署方案，读者可据此判断其在编码和智能体任务中的实际能力提升与应用适配性。
智谱发布 GLM-5.3-Flash，为 GLM-5 系列首个原生多模态模型，拥有 320B 总参数和 18B 活跃参数，支持 300,000 token 上下文，采用混合稀疏与线性注意力架构及 mHC 技术，部署框架包括 SGLang、vLLM、TokenSpeed 等，可通过 reasoning_effort 参数控制推理预算，API 服务可在 Z.ai 平台使用。
推荐理由：原文给出了模型参数、架构创新和部署框架，读者可以据此判断其在多模态和长上下文场景下的实际应用潜力。
智谱发布 GLM-5.3 模型，基于 GLM-5.2 的基础模型，通过后训练提升能力，在编码、长链任务和智能体基准上表现显著增强。在 Z.ai Code Bench 上编码能力提升 50%，在 Terminal Bench 3.0、Agents' Last Exam、CyberGym 等多个公开和内部基准中达到开源 SOTA。
推荐理由：原文提供了与多个主流模型的基准对比数据和本地部署方案，读者可据此判断其在编码和智能体任务中的相对位置与可用性。
千问发布 Qwen3.8-Flash-Next-FP8 模型，为基于 Qwen3.8-Flash-Next 架构的 FP8 量化版本，支持 262,144 令牌上下文，可扩展至 100 万令牌。
推荐理由：原文公开了新架构的量化模型权重、技术细节和基准结果，读者可据此评估其在长上下文和多模态任务中的效率与性能表现。
DeepSeek-V4-Pro-0813 正式发布，取代预览版，集成 DSpark 推理加速模块，在 HLE、Terminal Bench、DeepSWE 等多个基准上表现提升，尤其在生产环境和智能体任务中显著增强。
推荐理由：原文提供了性能对比数据、推理参数和部署方案，读者可据此评估其在生产环境中的实际应用潜力。
美团 LongCat 发布 LongCat-Flash-Lite-Sparse 模型，为非思考型 MoE 架构，总参数 69B，每 token 激活约 3B 参数，支持原生 1M 上下文。
推荐理由：原文提供了模型架构、性能基准和部署指令，读者可据此判断其在长上下文和智能体任务中的实际可用性。
DeepSeek-V4-Flash-0731 正式发布，取代预览版，具备增强的智能体能力，模型结构包含 DSpark 推理加速模块。在 Terminal Bench、NL2Repo、Cybergym 等多个基准上表现优于 DeepSeek-V4-Pro（预览版），且激活参数更少。
推荐理由：该模型在多个基准上超越了预览版，且参数激活量更小，读者可依据其推理能力与部署方式判断其在智能体场景中的适用性。
美团发布 LongCat-2.0 大模型，总参数量达 1.6 万亿，激活参数约 480 亿，采用 MoE 架构与 LongCat Sparse Attention 技术，支持 1M 上下文训练，预训练覆盖超 35 万亿 token。
推荐理由：原文给出了模型参数规模、架构创新和评测基准，读者可以据此判断其在长上下文和智能体任务中的实际能力边界。
美团 LongCat 发布 LongCat-2.0，1.6 万亿参数 MoE 模型，激活参数约 480 亿/Token，支持 1M 上下文，引入 LongCat Sparse Attention 和 N-gram Embedding，提升长序列推理与编码能力。
推荐理由：原文给出了模型参数规模、架构创新和评测基准，读者可以据此判断其在长上下文和智能体任务上的实际能力边界。