本期概览

这是首个在消费级硬件上无需云端即可运行的、整合了完整代理能力（推理、工具调用、故障恢复）的 300 亿参数模型，可能改变了代理类应用的部署模式，降低了对云端的依赖。

榜首成绩达到88.06%，明显高于第二名80.56%，且唯一越过85%的Bonus Prize门槛，说明ARC-AGI-2上的领先幅度已从接近水平拉开为较大差距，也意味着85%这一奖励线开始具备实际区分作用。

dots3-note preview 是 dots3 系列首款开放权重模型，提供 512K 长上下文和多模态支持，且为最轻量级成员，可能降低多模态推理成本。其出现可能丰富开源模型生态，为开发者在长上下文和多模态场景提供新选择，但作者未知，需关注其来源与可信度。

Mistral Large 4 在真实智能体会话评测中排名较前代有所提升，实验室整体进入前十五，但净改进分仍为负值，说明其相对基线尚未实现正向改进。

这是 Claude Haiku 5.5 (High) 首次出现在 Arena 的 Code Arena: WebDev 评测中，给出了可比较的分数与名次。1587 分和略处 Pareto 前沿之外的位置，说明该模型在 WebDev 代码任务上已进入榜单可竞争区间，但尚未达到前沿效率边界。

Nano Banana 2.1 在文生图与图像编辑两个评测维度同时进入前四，且价格降至前代一半，意味着同等预算下可调用次数或覆盖场景明显扩大，对依赖图像生成能力的应用在设计选型上出现新的性价比选项。

此前小参数模型通常在编码、数学、长上下文与工具调用上明显落后于更大模型。该模型宣称在保持 2B 规模的同时，于这些能力上优于同尺寸模型，并可对标 4B 级模型，意味着本地部署可用的能力下限被抬高，端侧方案的选型空间发生变化。

此前多模态检索通常需要 OCR 或单独的视觉编码流程，文本与图像往往不在同一嵌入空间。这次开源提供了同一空间内的文本与图像多向量嵌入，并同时覆盖服务端索引与端侧查询两种规模，9B 与 0.6B 的组合让多模态检索的部署选择更明确。

GLM-5.2 首次在开源模型中提供稳定的百万 token 上下文，推理能力（如数学竞赛 AIME 2026 得分 99.2）达到顶尖水平，相比前代 GLM-5.1 有质的飞跃。纯开源 MIT 许可消除了地域和技术获取障碍，使长上下文模型更易被开发者和企业采用。

GLM-5.3 是开源权重模型，其编码能力显著提升，并首次在漏洞发现方面展现 SOTA 表现。这改变了开源模型在复杂任务上的能力上限，对依赖开源模型的开发者与产品团队有实质影响。

相较 Mistral Large 3，Mistral Large 4 在 Code Arena: WebDev 上的得分从第 130 名升至第 45 名，分数提高 304 分，且同时覆盖 Agent Arena 与 Code Arena 的 WebDev、Text、Vision 三个方向。这是 Mistral 开放权重模型在竞技场评测中一次可量化的位置变化。

此前多模态模型多依赖预训练视觉编码器并均匀采样视频帧，导致实时流式感知时计算开销大、速度慢。Mage-VL 直接从零训练视觉编码器，并依据编解码器原理动态分配视觉标记，大幅减少标记数量，提升推理速度，为视频理解提供新的高效思路。

相较 V4 Flash，V4.1 Flash 在两项 ARC-AGI 评测上都有提升，且 ARC-AGI-2 的提升幅度明显大于 ARC-AGI-1，说明其在更难的抽象推理任务上进步更突出；同时每任务成本上涨约 250%，能力与成本之间的权衡关系发生变化。

Gemini Robotics 2 是 DeepMind 最先进的视觉-语言-动作模型，提供全身智能、高级灵巧性和多机器人协作能力，相比此前仅能控制单一形态或简单动作的模型，它试图用一个通用大脑控制多种机器人，可能降低机器人的开发门槛。

此前文档解析模型多分别面向数字文档或拍摄文档，TeleOCR 试图用单一约 1.2B 参数框架覆盖两类场景，并已放出权重与技术报告。若作者所述评测结果成立，开源方案在文档解析上的可选范围会进一步扩大。