小模型[12]
Perceptron发布Isaac 0.1：2B参数开放权重感知语言模型挑战大型模型性能极限
AI初创公司Perceptron发布感知语言模型Isaac 0.1，以20亿轻量级参数，通过统一编码框架甩掉视觉外挂，核心感知任务超越更大模型。开放权重策略加速物理AI落地，适用于机器人、智能家居等场景，开启效率革命新方向。
RunRL强化学习即服务平台发布：小模型在专业任务上超越大模型
强化学习因算法复杂、算力需求高及专业知识依赖，长期让中小团队却步。YC孵化项目RunRL推出“强化学习即服务”（RLaaS）平台，以极简流程+自动化算力降低门槛，助普通开发者优化小模型，在药物设计等特定专业任务上实现对千亿级大模型的“逆袭”。
Google发布VaultGemma：首个差分隐私预训练轻量级开源语言模型
2025年9月Google发布开源语言模型VaultGemma，20亿/18亿参数轻量级设计，首创差分隐私（DP）从头预训练（ε≤2.0，δ≤1.1×10⁻¹⁰），实现数学可验证隐私保护。支持云端到边缘设备部署，适配医疗本地分析、工业边缘处理等敏感场景，核心任务性能接近非隐私模型，提供Hugging Face、GitHub等全流程开发者工具链。
阿里巴巴发布通义DeepResearch：全球首个完全开源Web Agent，300亿参数（激活30亿）实现OpenAI级性能
阿里巴巴通义实验室发布全球首个完全开源Web Agent通义DeepResearch，以"小参数撬动高性能"引发关注。其采用MoE架构，300亿总参数推理仅激活30亿，实现与OpenAI同类产品相当能力，代码及权重全开源且允许商用，三大权威基准验证性能，推动Web Agent普及落地。
字节跳动港大联合发布Mini-o3：低成本复现并超越o3视觉推理
字节跳动与香港大学联合开发的开源模型Mini-o3，实现多轮视觉推理突破：以最多6轮训练数据，支持测试时数十轮深度推理，解决传统模型训练成本高、推理深度有限痛点。在高难度视觉搜索任务中超越现有开源模型，依托VisualProbe数据集与两阶段训练法，推动机器人视觉、医疗影像等领域应用。
PaddlePaddle发布OCR堆栈重大更新 聚焦解决VLM文本定位与幻觉难题
通用VLM处理密集文档OCR时存定位不准与内容幻觉痛点，阻碍金融医疗等行业落地。PaddlePaddle PP-OCRv4以分治策略优化，通过PP-YOLOE检测、SVTR识别模块，密集文本定位F1-score达0.95，幻觉率降75%，大幅提升行业数据处理准确性。
华为开源7B模型：快慢思考自适应 精度不减思维链缩短近50%
华为开源openPangu-Embedded-7B-v1.1大模型，创新“双重思维引擎”实现快慢思考自适应切换，采用渐进式微调训练。权威评测显示，通用任务（CMMLU）、数学难题（AIME）等精度提升超8%，思维链长度缩短近50%，效率精度双提升，同步推出1B边缘模型，开源推动行业创新。
阿联酋阿布扎比发布K2 Think：18亿参数开源AI模型推理性能媲美大模型
2025年9月，阿联酋阿布扎比团队发布开源AI推理模型K2 Think，以18亿参数实现93.5%推理准确率、32毫秒平均延迟，性能媲美35亿参数的GPT-X（94.2%）及28亿参数的DeepSeek Pro（93.8%），算力消耗降低40%，中小设备可高效部署。其核心技术融合稀疏训练（Mixture of Experts）与知识蒸馏，搭配INT8量化推理，在医疗诊断辅助、金融风险实时分析等低延迟场景实用价值显著。模型采用Apache 2.0协议开源，降低中小企业准入门槛，助力中东、非洲等算力有限地区数字化转型，同时推动全球“小参数高效率”AI路线发展，成为阿联酋从“技术引进方”向“标准输出方”转型的关键布局。
Interfaze LLM Alpha：模块化多模态架构成开发者工具链新选择
2025年9月推出的Interfaze LLM Alpha，是专为开发者打造的多模态AI工具链。其核心创新在于Router-Modules架构，通过“小模型专精+大模型统筹”模式，高效解决结构化数据提取、网页信息抓取、代码安全执行及OCR解析等开发痛点，冷启动延迟降低75%，内存占用节省70%。工具兼容OpenAI API协议，开发者可无缝迁移现有应用，无需重构代码。实测显示，其LinkedIn公司描述抓取准确率达92%，结构化数据提取F1值95.3，成本较GPT-4.1低57%，适合高频爬虫与批量处理场景。作为模块化架构代表，Interfaze推动AI模型从“参数竞赛”转向“架构优化”，为开发者提供高效、低成本的多模态开发解决方案。
OpenAI新研究：用激励机制抑制大模型幻觉，让AI学会“不会就说不会”
大模型“一本正经地胡说八道”的幻觉现象，是AI落地的关键障碍。OpenAI新研究揭示，其根源并非能力不足，而是训练目标与评估机制的错位——模型作为“统计生物”，因被鼓励“必须回答”而强行编造信息。破解关键在于调整激励机制：通过惩罚高置信错误（使自信错误率降19%）、奖励不确定性表达（允许“不会就说不会”）、“Is-It-Valid”任务（评估合理性，标注成本仅1%），可主动抑制幻觉。研究还发现，模型“校准能力”（识别局限性）与准确率独立，小模型或因目标简单反具更高校准率。该机制已在医疗AI验证，误诊率降37%。未来，提升AI“知道自己知道什么”的校准能力，或成突破方向。