coding

Spark-X2.6-4B 是一款紧凑的 4B 端侧语言模型，以 GGUF 格式发布。它针对代码、智能体、长上下文和多语言任务进行了改进的后训练，并支持可控的思考预算。据称在同等规模的开源模型中达到了最先进性能，可匹敌甚至超越约 9B 参数的模型。

团队发布了 MemT 2.0——一个 293B 的记忆原生 MoE 模型，将历史信息压缩为持久内部记忆状态，在前向传播中通过 memory attention 完成读写更新，无需梯度或重新训练，36B 与 293B 版本已上线 Hugging Face。

Nordwand Mono 是一款紧凑的 neo-grotesk 等宽字体，专为程序员设计，完全通过 Python 生成，融合了 Univers 的比例与受 JetBrains Mono 启发的布局。它支持可自定义的字度量、替代字符、极简连字以及西里尔字母。

XtrCom 发布了 XT-Luna 1B v1，这是一个基于 MiniCPM5 1B 面向智能体（agentic）和编码任务微调的模型，并在模型卡中提供了与官方 MiniCPM5 1B SFT 以及 Qwen 3.5 4B 的对比基准测试。

DeepSeek 发布 DeepSeek-V4.1-Flash-1017，作为 DeepSeek-V4.1-Flash 的小幅更新，在推理、编码、智能体任务与视觉基准上均有提升，同时缩短执行时间与输出长度，进一步优化性能-成本帕累托前沿。

MiniMax-M3.1-Flash 是一个原生多模态混合专家（MoE）模型，约 428B 总参数（每 token 激活 23B），支持文本、图像和视频输入及 1M 上下文窗口，面向编码、智能体工作流、计算机使用和网络安全任务，并通过稀疏注意力、量化感知训练和 DSpark 投机解码提升推理效率。

Reflection AI 的 5010 亿参数开放权重 MoE 模型 Reflection Beam（230 亿激活参数）现已在 Modal 平台上线，支持 100 万词元的上下文窗口，专注于编码、智能体工作流和推理任务。

Reflection 开源发布 Beam 1.0，一个 501B 参数（23B 激活）的 MoE 大模型，支持 1M token 上下文、Apache 2.0 许可，并附带 Rust harness、vLLM/SGLang/transformers 第一天支持以及 SFT 和 RL 训练配方。

Garry Tan 分享了 Alexandr Wang 的公告：Muse Spark Open 是目前美国最强大的开放权重模型，拥有 816B 总参数、42B 激活参数、100 万 token 上下文窗口，并具备原生多模态能力，专为编码和智能体任务打造。

Meta 发布了号称美国最强的开源权重模型 Muse Spark Open，拥有 8160 亿参数和 100 万 token 上下文窗口，专为在 Mac 上本地运行设计（至少需 1TB 内存）。该模型原生多模态，面向复杂编码与智能体任务，并已通过 API 平台开放使用。

Meta 的 Muse Spark Open（816B 总参数/42B 激活）与 NVIDIA Nemotron 3.5 Super VL（120B 总参数/12B 激活）现已上线 Dell Enterprise Hub，分别支持 SGLang 与 vLLM 部署，面向编码、智能体任务及文档与视频理解。

Meta 发布 Muse Spark Open，宣称是美国最强开源权重模型：总参数 816B（激活 42B）、1M token 上下文、原生多模态，面向编码与智能体任务，且首次可在两台 Apple M5 Ultra Mac Studio 桌面端本地运行。

Aaron Levie 庆祝 Meta 发布 Muse 开源权重模型，称这是美国开源 AI 的重大进步，将使企业能够混合搭配前沿模型和自定义后训练模型，从而推动整个技术栈的 token 消耗增长。引用的帖子详细介绍了 Muse Spark Open，称其为美国能力最强的开源权重模型，拥有 816B 总参数/42B 激活参数、100 万 token 上下文窗口、原生多模态以及智能体编码能力。

Meta 发布 Muse Spark Open，号称迄今最强大的美国开放权重模型，专为编码与智能体任务打造，拥有 8160 亿总参数（420 亿激活参数）、100 万词元上下文窗口及文本/图像/视频/音频多模态能力，并支持多种推理引擎与微调框架。

Meta 发布 Muse Spark Open，一个约 816B 总参数、42B 激活参数的开源多模态 MoE 模型，支持文本、图像、音频和视频输入，专为智能体式编程优化，上下文窗口达 100 万 token。

发布了 Qwen 3.8 27B 的两个后训练版本 Sabi-Noema 与 Sabi-Noema-MLA，在代码、智能体和工具调用能力上有所提升，同时将回答冗长度和推理 token 消耗减少约一半，并通过无需训练的 MLA 注意力转换将 KV cache 最多压缩 8.4 倍。

JetBrains Mellum 2.1 12B A2.5B MoE 被评价为一款表现优秀的编码模型，能在 M4 Max 上以 130k 全上下文跑出 60 TPS，在 9070XT 上达到 140 TPS，且可在 8GB/12GB 显卡上流畅运行。

Sundar Pichai 展示了 Google 员工使用 Gemini 4 Argon 构建的用例，强调其在编码和多步工具调用方面的能力，例如通过 Blender MCP 从 Pixel CAD 文件生成爆炸视图动画。

一位用户盛赞 Muse 的 muse-wonder-full-1.0，认为 Meta 刻意淡化了它的编码能力而侧重其智能体助手优势，声称其编码水平已达 Fable 级别，速度更快，且使用额度更加慷慨。

一则广为传播的科技观点认为，高度自动化的代码库是为了帮助人类更快地将产品决策落地，并引用了 Kent C. Dodds 的说法：借助 AI 智能体，他独自一人每天就能提交 60 多个 PR。