招商局狮子山实验室发布具身推理模型驭物,激活参数约 3B
招商局先进技术研究院下属狮子山人工智能实验室发布具身推理视觉语言模型「驭物™ Lion-ER-35B-A3B」。该模型采用 MoE 架构,总参数约 35B,每个 Token 仅激活约 3B。训练集覆盖实体、空间、时序等 8 个一级领域和 39 项二级能力,监督样本共 31.2 万条。在十项公开具身基准上,该模型全部指标上涨,等权综合均分为 65.29。
招商局先进技术研究院下属狮子山人工智能实验室发布具身推理视觉语言模型「驭物™ Lion-ER-35B-A3B」。该模型采用 MoE 架构,总参数约 35B,每个 Token 仅激活约 3B。训练集覆盖实体、空间、时序等 8 个一级领域和 39 项二级能力,监督样本共 31.2 万条。在十项公开具身基准上,该模型全部指标上涨,等权综合均分为 65.29。
NVIDIA 在技术博客中展示了在 DGX Spark 上加速 MoE 推理的三项优化,测试模型为 inclusionAI 的 Ling-3.0-flash。该模型为 124B 参数 MoE,每 token 激活 5.1B。按披露数据,在 GSM8K 1319 题测试中,解码吞吐从 37.81 tokens/s 提升至 53.89 tokens/s,增幅 42.5%,平均延迟下降 24.5%,准确率分别为 96.89% 和 96.82%。
AI 基础设施公司 Prime Intellect 发布可训练扩展 Prime Mega MoE,基于 DeepSeek 开源 Mega MoE 内核开发。在 DeepSeek 原本仅支持前向传播的基础上,该内核加入快速且重叠的后向传播,可用于训练。Prime Intellect 称,在 prime-rl 训练器中,Qwen3 MoE 模型完整训练步骤速度最高提升 34%,相较 TorchTitan 最高提升 55%,并支持 NVIDIA Hopper 与 Blackwell GPU。
AI 初创公司 Recursive 发布首款语言模型 Flint。该模型采用 400 亿参数专家混合架构,面向本地编码场景,由前 DeepMind 研究人员开发。报道还称,Flint 借助 Recursive 内部 AI 系统 Eureka Machine,在 4 个月内完成研发,该系统可独立测试并优化模型架构。
MemT 1.0 系列已开源,包含 36B 参数的 Nano 型号和 288B 参数的 Flash 型号。该模型在 Transformer 中加入并行记忆计算通路,把经验编码为内部动态状态并通过训练学习读写。团队称,这一设计首次完成近 300B 参数规模的记忆原生工程验证。基准测试显示,MemT-1.0-Nano 在 SWE-bench Verified 等任务中的关键断点平均成功率为 69.73%。
AI 初创公司 StepFun 已发布旗舰模型 Step 5 Preview 的开源权重,FP8 与 BF16 检查点已上线 Hugging Face 和 ModelScope。该模型为 6000 亿参数的稀疏混合专家架构,每 token 激活 270 亿参数,支持最长 100 万 token 上下文,面向长周期智能体任务,可用于代码生成、文档分析和金融工作流。按 StepFun 自评结果,其在 DeepSWE v1.1 和 FrontierFinance 上分别取得 67.7 和 66.4%,表现接近 GLM-5.3 与 Kimi K3。
微软宣布完成自研模型 MAI-Base-2 的预训练,模型总参数达 2.8 万亿,采用 MoE 混合专家架构,每次激活 800 亿参数。微软称,该模型在代码、问答、数学和理工文本预测指标上超过 DeepSeek-V4-Pro-Base、Kimi K3 和 Qwen3.8。公司还表示,MAI-Base-2 的预训练基座已强于支撑 GPT-5.6 Sol 的 OpenAI 模型,而训练算力仅为后者的 1/4。
Liquid AI发布LFM2.5-24B-A2B,继续采用240亿总参数、单次激活约20亿参数的设计,重点提升本地Agent推理与工具调用能力。新模型预训练数据从17万亿增至33万亿Token,上下文扩至131K,并在多种Agent框架中进行强化学习。官方测试称,其在苹果M5 Max上生成速度可达每秒184 Token,部分Agent基准成绩高于Qwen3.6-35B-A3B,但在SWE-bench Verified编程测试中仍落后于后者。