本期的共同主题是“更大的模型如何走向可用”：一边是 Meta 把大规模多模态模型做成开放权重并强调本地运行，另一边是微软继续扩展预训练规模，Liquid AI 则把稀疏模型和端侧代理结合起来。以下数字均为发布方口径。
1. Meta 发布 Muse Spark Open
事实。 Meta AI Research 于 10 月 15 日发布 Muse Spark Open，称其为开放权重模型；官方介绍称模型为原生多模态架构，总参数 8160 亿、每 token 激活 420 亿，上下文窗口为 100 万 token。Meta 还称，模型面向编程和代理任务，可在两台搭载 M5 Ultra 的 Mac Studio 上运行，并已通过多家 API 平台和模型权重渠道提供。
来源：Meta AI Research：Introducing Muse Spark Open
为什么重要。 “开放权重”与“本地可运行”被放在同一发布叙事中，说明模型竞争不只围绕云端榜单，也在争夺开发者自己的计算环境。原生多模态和长上下文则让代码、屏幕与长流程代理成为同一产品的目标场景。
待观察。 两台 M5 Ultra 的硬件门槛、实际吞吐和完整评测方法仍决定它是否真的适合个人开发者；Meta 页面披露的是发布方测评，不能替代独立复现。
2. Microsoft AI 完成 MAI-Base-2 预训练
事实。 Microsoft AI 10 月 15 日公布 MAI-Base-2 的预训练总结：这是一个总参数 2.8 万亿、激活参数 800 亿的 MoE 基础模型。官方称该模型在其留出评测中超过所测试的开放权重模型，并在 2026 年 8—9 月使用 1.6 万张 GB200 GPU 训练 38 天；模型目前仍在后训练阶段。
来源：Microsoft AI：Frontier Pre-training at Microsoft AI
为什么重要。 微软把数据来源、模型训练和基础设施协同作为产品能力的一部分，显示闭环训练管线正在成为企业模型竞争的核心资产。更值得注意的是，文章公布的是“预训练完成”而非面向用户的最终模型，基础模型与产品模型之间仍有一段后训练距离。
待观察。 目前没有完整公开最终模型的能力报告、权重或独立测试结果；训练效率、能耗与后训练后的实际成本，需要等后续发布验证。
3. Liquid AI 推出面向端侧代理的 LFM2.5-24B-A2B
事实。 Liquid AI 10 月 13 日发布 LFM2.5-24B-A2B：总参数 240 亿、每 token 激活 20 亿，定位为开放权重的推理模型和端侧代理模型。公司称其在 LiveClaw 得分 48.09、AutomationBench 得分 27.69，并报告在 Apple M5 Max 上达到 184 tokens/s；这些是发布方在自有评测条件下给出的结果。该版本上下文窗口从 32,768 扩展到 131,072 token。
为什么重要。 这条路线没有单纯追求总参数，而是用稀疏激活把工具调用、推理和本地隐私放进同一优化目标。对代理应用来说，稳定吞吐和部署成本可能比通用知识榜单更直接地影响体验。
待观察。 速度和基准分数取决于硬件、量化、提示词和代理框架；端侧长上下文的真实内存占用、持续运行稳定性及多语言表现，仍需要第三方测试。
今日判断
今天的信号不是“参数越大越好”，而是模型公司在分别寻找规模的落点：Meta 用开放权重和本地多模态扩大模型边界，微软押注训练基础设施与数据闭环，Liquid AI 则把稀疏激活转成端侧代理效率。接下来值得盯住的，是这些发布方口径能否在公开权重、独立评测和真实工作流中兑现。
来源说明
本期主要使用 Meta AI Research、Microsoft AI 和 Liquid AI 官方发布页；量子位 WordPress API 本次返回 403，Hacker News Firebase 可用于发现条目，但未把缺少独立官方正文的条目作为核心事实写入。