10月12日-10月18日大模型发布追踪：Muse Wonder、Argon 全量开放与 GLM-Legal (2026)

覆盖窗口是 2026 年 10 月 12 日至 10 月 18 日（UTC+08:00）。

这一周 Meta 第一次把自己放进前沿。10 月 12 日它发布 Muse Wonder 与 Muse Wonder Full，第三方评测记为智力指数 52 与 56；三天后又开放 Muse Spark Open 的权重，一个 8160 亿参数的模型。同一周 Google 把 9 月 30 日只在限制名单里发放的 Gemini 4 Argon 推给全球开发者。

国内两家走的是另一条路。智谱 10 月 12 日发布 GLM-Legal，把 GLM-5.3-Flash 压成一个只做法律工作的开放权重模型，用 0.15 美元一次的评测成本挤进 Harvey LAB 前十。DeepSeek 10 月 17 日把 V4.1-Flash 升到 1017 版本，价格一分没动。

文中的「智力指数」是第三方机构 Artificial Analysis 用十项评测加权得到的综合分；「每任务成本」是跑完这套评测平均每次任务的花费，输入、缓存、推理与输出的 token 价格都算在里面。Harvey LAB 是 Vals AI 维护的法律智能体基准，采用「全通过」评分：一项任务里识别争点、引用法条、构建论证、按格式交付，任何一环出错整题记零分。同一家机构的 Vals Index 把金融、法律、税务与编码等专业任务合成一个总分，用来排模型在真实职业工作里的位置。

先看价格、状态和边界

模型与发布	发布与定位	关键变化	评测信号	价格与可用性	先测什么
Muse Wonder 与 Muse Wonder Full 1	10 月 12 日发布；Meta 超级智能实验室的首个前沿模型系列，官方定位是个人与职业智能体	两者均为 1M 上下文，输入支持文字、图像、语音、视频，输出只有文字；主打 Active Memory（跨会话记住用户信息）与 Active Focus（长任务里换方法、绕开阻塞）；Wonder 走 Meta 一方 API 与 Muse Code，Full 只给 Muse Code 订阅者 2	智力指数 Wonder 52、Full 56，六周前的 Muse Spark 1.3 是 48；Full 在十项评测里六项进前三，Terminal-Bench 4.0 由 33% 升到 57%；知识类偏弱，AA-Omniscience 为 30 与 25 3	Wonder 每百万 token 输入 $4、缓存输入 $0.20、输出 $20，每任务 $4.52；Full 未公布按 token 价格，Vals 按同一价格估出每测 $8.56 4；首 token 延迟 33.8 秒，单次评测耗时 37 至 57 分钟	用自家最长的几类任务量一次真实 token 消耗：Wonder 每任务输入 token 是同类模型的 2 至 7 倍，省钱的路径在减少重试
Muse Spark Open 5	10 月 15 日开放权重；Meta 称其为迄今最强的美国开放权重模型	816B 总参、42B 激活的原生多模态 MoE，1M 上下文；权重放在 Hugging Face、SageMaker AI、Google Cloud Model Garden 与 Microsoft Foundry；两台 M5 Ultra Mac Studio 可在本地跑起来 6	智力指数 39，在美国开放权重里排第一，低于 GLM-5.3 的 45、Kimi K3 的 44 与 Qwen3.8-Max 的 45；AutomationBench 类任务强，Terminal-Bench 4.0 只有 8.1% 7	API 每百万 token 输入 $1.25、输出 $4.25，缓存输入折 88%，每任务 $0.84；Muse Model License，商用允许但附条件	先逐条读许可条款；自建按 816B 的显存预算估算，桌面能跑不等于推理便宜
Gemini 4 Argon 全面开放 8	10 月 13 日；9 月 30 日发布时只对部分企业、研究方与 Fairwind 计划开放，本期推向全球开发者与消费者	1M 输入输出统一上限，配一套长解码续写协议；Google 称其在 Vals Index 排第一，ERQA 具身推理 87%；Fairwind 计划同日扩到数百家防守方	智力指数 53（high 档），每任务 $1.99；幻觉率 15%，是智力 45 分以上模型里最低的一个	入门价每百万 token 输入 $2、输出 $10，缓存输入减 95%；2026 年 11 月 30 日之后转为 $4 / $20；开发者走 AI Studio 与 Gemini 平台，应用侧给 AI Ultra 与 Pro 订阅者	在 11 月 30 日之前量出真实 token 用量，再决定涨价后哪些任务要降档
GLM-Legal 9	10 月 12 日；基于 GLM-5.3-Flash 的法律垂域模型，开放权重	中期训练灌法律语料，后训练在数万个法律任务环境里做强化学习，与 Agent Harness 双向迭代；文本输入，1M 上下文、128K 最大输出 10	Harvey LAB 全通过率 19.2%，基座 6.7%、Kimi K3 12.9%、GPT-6 Astra 5.4%；LegalBench 86.2、PLawBench 77.3；Vals 独立记录 Harvey 第 7（共 79 个）、LegalBench 第 14（共 150 个）	Beta 阶段需申请 API，正式价格未公布；Vals 记录按量价每百万 token 输入 $0.075、输出 $0.25，Harvey 每测 $0.15，是前十名里最便宜的	拿一份真实合同跑端到端，重点看条款能不能落到可签字的文本，以及 37 分钟延迟放不放得进工作流
DeepSeek V4.1-Flash-1017 11	10 月 17 日；同一模型名下的版本升级，API 与网页端同步	调用方式与价格不变，任务耗时与输出长度下降；同时开放自建搜索引擎的搜索与抓取 API	HLE 无工具 42.6（上一版 36.8）、Terminal-Bench 4.0 42.3（31.2）、DeepSWE v1.1 77.0（74.2）、ProgramBench 29.1（20.3）、Automation-Bench 60.5（54.8）	缓存未命中输入每百万 token 高峰 $0.30、非高峰 $0.15，输出高峰 $1.20、非高峰 $0.60；搜索与抓取每千次成功请求 $0.75，经官方 Harness 等调用在 11 月 1 日前免费 12	原来跑过的评测集值得重跑：同价位的分数抬了 7 到 11 个点，上一轮被刷掉的任务可能已经够了

注：价格按美元或人民币原币列示，不做汇率换算。表格「评测信号」一列把厂商自报与第三方独立数据分列，两者口径不同；「每任务成本」是跑完智力指数的加权平均，和厂商按单个基准算出的每测成本不能直接相比。

Meta：第一次站到前沿，落在第一名后面两分

Muse Wonder 与 Muse Wonder Full 在 10 月 12 日发布，是 Meta 超级智能实验室第一次拿出能和前三家放进同一张表的模型。两者的上下文都是 1M，输入支持文字、图像、语音与视频，输出只有文字。1

官方把它们定位成给个人与职业智能体用的模型，两个机制被反复提到。Active Memory 让模型跨会话记住用户的偏好与背景，Active Focus 让它在长任务里换方法、绕开阻塞，并在执行重要动作前先确认。2

第三方给出的位置更清楚。Artificial Analysis 记录 Wonder 的智力指数是 52，Full 是 56；同一家机构六周前记录的 Muse Spark 1.3 是 48。

Full 在十项评测里六项进前三：CritPt 33% 与 GDP.pdf 33% 是两个第一，GDPval-AA v2.1 以 1857 Elo 排第二，AA-Briefcase 1729 Elo、AutomationBench 71%、SciCode 63% 排第三。提升最大的是终端操作，Terminal-Bench 4.0 从 33% 升到 57%，与 Gemini 4 Argon 的 high 档持平。3

放到整张榜上看，56 分仅次于 Claude Opus 5.5 的 58 分，与 Claude Sonnet 5.5 并列第二。Wonder 的 52 分与 GPT-6.1 Sol 相同，低于 Gemini 4 Argon、GPT-6 Astra 与 Claude Fable 5.1 的 53 分。Meta 一步跨进了前沿队列，Wonder Full 站到了第二位。13

Artificial Analysis 的智力指数条形图与「智力—成本」散点图。Muse Wonder Full 的 56 分与 Claude Sonnet 5.5 持平，Muse Wonder 的 52 分落在每任务约 $4.5 的位置，右侧是 Opus 5.5、Fable 5.1 与 GPT-6 Astra 的价格带。3

弱项在知识类。AA-Omniscience 上 Full 得 30 分、Wonder 得 25 分，低于 Claude Opus 5.5 的 46、GPT-6 Astra 的 43 与 Gemini 4 Argon 的 42。分数低的原因在答得保守：Full 的幻觉率 23%，是智力 45 分以上模型里第二低的，Wonder 为 27%。3

成本是这一组模型最容易被忽略的地方。Wonder 每百万 token 输入 $4、缓存输入 $0.20、输出 $20，单价比上一代 Muse Spark 1.3 的 $1.25 / $4.25 高出三倍多。每个任务平均吃掉 769 万输入 token，是 Gemini 4 Argon、GPT-6.1 Sol 与 GPT-6 Astra 这一组的 2 到 7 倍，每任务因此来到 $4.52，约是 Muse Spark 1.3 的 2.8 倍、Gemini 4 Argon 的 2.3 倍。3

Vals AI 的记录补上另一面。Full 在 Vals Index 上以 64.57% 排第 5，Wonder 以 61.06% 排第 10；Wonder 在 CyberBench v1.1 上以 80.36% 排第一，Full 在 Harvey LAB 上以 21.67% 排第四、LegalBench 87.42% 排第四，在 ProgramBench 上只有 0.50%。4 14

两家机构对 Full 的价格记录不一致。Artificial Analysis 写它不按 token 计费，因此没有每任务成本；Vals AI 按与 Wonder 相同的 $4 / $20 估算，得出每测 $8.56。15

时间上还有一条要记。Artificial Analysis 测到 Wonder 的首 token 延迟是 33.8 秒，Vals 记录单次评测平均耗时 37 分钟，Full 为 56 分钟。这组模型适合让它在后台跑长任务，不适合等一句话的场景。15

Meta：把美国最强的那套开放权重也放出来

三天后，10 月 15 日 Meta 开放了 Muse Spark Open 的权重，称其为迄今最强的美国开放权重模型。它是 8160 亿总参、每 token 激活 420 亿的 MoE，原生多模态，1M 上下文。权重放在 Hugging Face、Amazon SageMaker AI、Google Cloud Model Garden 与 Microsoft Foundry，推理可走 Baseten、Fireworks、Groq、Modal、Nebius、OpenRouter 与 Together。5

「美国最强」这个限定词决定了它的位置。Artificial Analysis 记录它的智力指数为 39，高于同一天发布的 NVIDIA Nemotron 3.5 Super VL（26）与第二天的 Reflection Beam（30）；放到全球开放权重里，它低于 GLM-5.3 的 45、Kimi K3 的 44 与 Qwen3.8-Max 的 45。7 16 17

它最特别的一项能力在本地。Meta 用两台各带 512GB 统一内存的 M5 Ultra Mac Studio，配合 MLX 框架把整个模型跑在桌面上，并演示了用它改一个开源 iOS 应用、逐帧剪片。演示说明 8160 亿参数的模型已经能落进桌面级设备，推理速度与量产的每 token 成本另算。5

按标准 API 走，每百万 token 输入 $1.25、输出 $4.25，缓存输入折 88%，每任务 $0.84；首 token 延迟 0.8 秒，输出速度 141 token/秒，都比同价位模型快。许可为 Muse Model License，允许商用并附条件，做产品前要逐条读。6 7

Google：Argon 从限制名单走到所有人

Gemini 4 Argon 在 9 月 30 日发布时只开了小口子：企业、部分研究方和 Fairwind 计划的网络安全防守方。10 月 13 日 Google 把它推到全球——开发者用 AI Studio 与 Gemini 平台的付费档调用，企业走 Gemini for business，普通用户在 Gemini 应用与搜索的 AI Mode 里由 AI Ultra 与 Pro 订阅拿到。8

价格在开放当天给的是入门价：每百万 token 输入 $2、输出 $10，缓存输入减 95%；2026 年 11 月 30 日之后改为 $4 / $20。同一篇公告还写了一条对外部使用者最实在的参数：1M 的输入输出统一上限，配一套新的长解码续写协议，长任务可以在同一个请求里连续写下去。8

这一轮最有说服力的材料来自 Google 自己的工程团队。Chrome 团队用它把约 600 万行的旧浏览器功能目录从核心网页处理里拆出来；ADK 团队给它一份规则手册和一句目标，它整夜跑出把长会话预处理提速 40%、冷启动导入提速 21% 的改动，已合并进 google/adk-python；xTB 量子化学包的结构预测快了 2.3 倍。8

评测侧，Artificial Analysis 记录 Argon 的智力指数 53、每任务 $1.99、幻觉率 15%，是智力 45 分以上模型里最低的一个；Google 自己引用的 Vals Index 上它排第一，ERQA 具身推理基准上以 87% 领先。8 18

Fairwind 计划同日扩编到数百家防守方，这批机构拿到的是去掉网络护栏的同一款模型。8

智谱：把通用模型压成一个法律专家

10 月 12 日智谱发布 GLM-Legal，底座是 8 月 26 日上线的 GLM-5.3-Flash（320B 总参、18B 激活）。

做法分两步。中期训练灌入高质量法律语料，把法律概念、成文规则与解释框架吃进底座；后训练在数万个法律任务环境里做强化学习，并与 Agent Harness 双向迭代——训练里暴露的边界情况改进 Harness，Harness 的改动又反过来塑造模型。9

它交出的成绩集中在 Harvey LAB。这个基准模拟律所工作流，覆盖 24 个执业领域，采用全通过评分：识别争点、引用法条、构建论证、按规定格式交付，任何一环出错整题零分。GLM-Legal 拿到 19.2%，比基座 GLM-5.3-Flash 的 6.7% 高 12.5 个百分点。同一张官方图里，Kimi K3 是 12.9%，Claude Fable 5 是 11.3%，GPT-6 Astra 是 5.4%。9

智谱官方图：GLM-Legal 与基座及四款前沿模型在三项法律基准上的对比 — 智谱官方图：GLM-Legal 与基座、Kimi K3、Claude Fable 5、GPT-6 Astra 在 Harvey LAB、LegalBench、PLawBench 上的对比。左图采用全通过评分，19.2% 意味着约每五件任务有一件从头到尾零瑕疵。9

另外两项基准上它的位置不同。LegalBench 的 86.2% 与 Kimi K3 的 86.2% 持平，低于 Claude Fable 5 的 88.6% 与 GPT-6 Astra 的 87.1%；PLawBench 的中文法律任务上它拿到 77.3%，与 Claude Fable 5 的 77.7% 相差 0.4 个百分点，把 GPT-6 Astra 的 69.1% 拉开 8 分。三项合起来说明它的强项在中文实务与端到端交付，条款级解析与前沿闭源模型同一水平。9

Vals AI 的独立评测把名次和价格一起给了出来。Harvey LAB 上它排第 7（共 79 个模型），每次评测花 $0.15，是前十名里最便宜的；LegalBench 86.24% 排第 14（共 150 个），Legal Research Bench 41.83% 排第 24（共 78 个）。同一份记录里，它的单次评测延迟是 37 分钟。10

获取方式目前是 Beta。官方开放 API 申请，之后接进桌面端的 AutoClaw，直接在 Word 里出修订与批注。Vals 记录的按量价是每百万 token 输入 $0.075、输出 $0.25；智谱自己的发布页还没有给正式价格。9 10

DeepSeek：同一个价格，把跑分再抬一档

10 月 17 日 DeepSeek 把 V4.1-Flash 升到 1017 版本，模型名仍是 deepseek-flash，调用方式与价格都不变，网页端与 App 同步更新。11

分数是这一轮的重点。与 9 月 10 日的上一版相比，HLE 无工具从 36.8 升到 42.6（纯文本子集 44.0），Terminal-Bench 4.0 从 31.2 升到 42.3，DeepSWE v1.1 从 74.2 升到 77.0，ProgramBench 从 20.3 升到 29.1，NL2Repo-Bench 从 65.4 升到 68.2，Automation-Bench 从 54.8 升到 60.5，Agents' Last Exam 从 31.8 升到 35.4。官方同时说任务耗时与输出长度都降了。11

价格没动：缓存未命中的输入每百万 token 高峰 $0.30、非高峰 $0.15，输出高峰 $1.20、非高峰 $0.60，缓存命中 $0.006 与 $0.003；1M 上下文、384K 最大输出。高峰时段按 UTC 时间的 01:00—04:00 与 06:00—10:00 划出，周末与中国法定假日全天按非高峰计。12

同一份更新里还开了自建搜索。DeepSeek 的网页与 API 搜索原本由内部引擎承担，现在对外开放搜索与抓取接口，每千次成功请求 $0.75；经 DeepSeek Harness、Claude Code 或 Codex 调用时暂时免费，2026 年 11 月 1 日 0 点（北京时间）起按次收费。12 19

配套要求也写进了发布说明：官方建议把 DeepSeek Harness 升到 0.2.1-rc.1 以上，并说明这次针对 DeepSeek Harness、腾讯 CodeBuddy、WorkBuddy 做了专门优化。同一个模型在不同 harness 里的分数差别，这一条讲得很直白。11

本期其他条目

OpenAI：GPT-Live 可以用一句话生成音色

10 月 16 日 OpenAI 给 GPT-Live 开放 prompt-to-voice：用一段文字描述生成自定义音色，在 API 或语音 Playground 里建好，之后在 GPT-Live 会话里复用。生成音色本身免费，语音合成按常规会话计费；同日加了九种自然音色，覆盖德语、法语、印地语、日语与韩语。

前一天 10 月 15 日，GPT-Live 接上了 Decisions 的本地调用，应用可以在用户说话的当下执行分支，或读取转写增量触发决策。这一周 OpenAI 没有发布新模型，另一条官方消息是给美国高校实验室的 GPT-Rosalind 学术计划，最多 30 个免费席位、为期一年。20 21

Reflection：第一个模型 Beam 排到美国开放权重第二

10 月 16 日 Reflection 发布 Beam，5010 亿总参、230 亿激活，1M 上下文、纯文本。智力指数 30，在美国开放权重里只低于 Muse Spark Open 的 39，全球排第十，落后阿联酋 K2 Horizon 的 31 一分。它每个任务只输出约 2.6 万 token，是同级里最省的一档；AutomationBench-AA 48.5%，Terminal-Bench 4.0 只有 3.0%。17

英伟达：Nemotron 3.5 Super VL 与 Bolt 74B A9B

10 月 15 日英伟达发布两款开放权重模型。Super VL 得分 26，当天它是美国开放权重里的第一；随后的 Muse Spark Open（39）与 Reflection Beam（30）发布后，它落到第三。Bolt 74B-A9B 得分 21，Artificial Analysis 暂无成本数据。16

xAI：Grok Voice 3.0 同价替换 2.0

10 月 14 日 xAI 上线 grok-voice-3.0，支持语音到语音，价格与 Grok Voice 2.0 相同；grok-voice-latest 已指向新版本，用别名的会话自动升级。同一天 Grok Voice 2.0 进入弃用状态。22

Anthropic：小模型在物联网设备上自我复制的研究

10 月 12 日 Anthropic 的前沿红队发布一组实验：9B 级模型在他们测试的 9 类硬件上有 8 类把推理跑了起来。15 台约 55 美元的杂牌 Android 电视盒子拼起来，能让一个 26B 模型以每秒 0.39 个 token 运行。

30B 以下的模型能完成复制的多数单步，端到端串联仍会出错；在简化评测里 GLM-5.2 及更强的模型已经能跑完整个复制链。这一周 Anthropic 没有发布新模型。23

通义：Qwen-MT-Lumen 把参赛翻译模型开源

10 月 14 日阿里 ATH MaaS 与 Qwen 团队把 WMT26 的参赛模型 Qwen-MT-Lumen 放上 Hugging Face。它是 Apache 2.0 许可的 148 亿参数稠密模型，基于 Qwen3-14B，覆盖 WMT26 全部 23 个翻译方向，上下文只有 4096 token。

论文给出的整体均分是 4.60（1—5 分制），并称在翻译质量与指令遵循上接近领先闭源系统。据快科技报道，阿里提交的两套系统在受限赛道与全赛道分列综合第一，23 个方向里拿到 18 项第一。24 25 26

本期未纳入条目与覆盖说明

本期严格执行 2026 年 10 月 12 日至 10 月 18 日的时间窗核验，各厂商的筛查结果如下。

OpenAI：窗口内没有模型级发布。API 变更日志只有 GPT-Live 的两条功能更新，官网发布页是客户案例与学术计划。20
Anthropic：窗口内没有新模型，官方新闻页最新几条是新加坡办公室、独立评测方更新与公益基金。27
月之暗面：开放平台的模型列表仍是 Kimi K3、K2.7 Code 与 K2.6，K3.1 到 10 月 18 日没有上线。28
MiniMax：官网模型列表仍是 M3、M2.7、M2.5 与 Speech 2.8 等既有条目，窗口内没有出现新的模型名。29
智谱：官方发布记录页最近一条仍是 8 月 26 日的 GLM-5.3-Flash；本期的 GLM-Legal 走的是 Z.ai 研究博客与 AutoClaw 渠道，未进那张表。30
Artificial Analysis 收录：窗口内新收录的是 Muse Wonder、Muse Wonder Full、Muse Spark Open、GLM-Legal、Reflection Beam 与英伟达 Nemotron 3.5 两款。18

面向技术选型的三项行动建议

Meta 这一组先算成本，再谈能力。 Wonder 每百万 token 输入 $4、输出 $20，每任务 $4.52；Full 只走 Muse Code 订阅，没有单独报价。想用它的人，先用自家最长的几类任务量一次真实 token 消耗，再和每任务 $0.72 的 GPT-6.1 Sol、$1.99 的 Gemini 4 Argon 比。3 15
垂域模型按「每测成本 × 延迟」两个数字决定接不接。 GLM-Legal 在 Harvey LAB 上 19.2%、每测 $0.15，是前十名里最便宜的，代价是单次评测 37 分钟。合同审阅这类可以排队跑的活，值得先接一个试点；要即时回答的场景留给通用模型。10
同价升级的那一类，先重跑自己的评测集。 DeepSeek 这次没有改价，Terminal-Bench 4.0 与 ProgramBench 分别抬了 11.1 与 8.8 个百分点；上一轮因为分数不够被刷掉的候选任务，这一轮值得重新进一次测试集。11

References

1
Meta：Muse Wonder 前沿模型
research.meta.ai
2
Meta 新闻室：推出 Muse Wonder 系列
about.fb.com
3
Artificial Analysis：Muse Wonder 与 Muse Wonder Full
artificialanalysis.ai
4
Vals AI：Wonder Full
vals.ai
5
Meta：Muse Spark Open 开放权重
research.meta.ai
6
Hugging Face：Muse-Spark-Open-816B-A42B
huggingface.co
7
Artificial Analysis：Muse Spark Open
artificialanalysis.ai
8
Google：Gemini 4 Argon 面向所有人
blog.google
9
智谱：GLM-Legal
z.ai
10
Vals AI：GLM Legal
vals.ai
11
DeepSeek API 更新日志
api-docs.deepseek.com
12
DeepSeek：模型与价格
api-docs.deepseek.com
13
Artificial Analysis：Muse Wonder 模型页
artificialanalysis.ai
14
Vals AI：Wonder
vals.ai
15
Artificial Analysis：Muse Wonder Full 模型页
artificialanalysis.ai
16
Artificial Analysis：Nemotron 3.5 Super VL 与 Bolt
artificialanalysis.ai
17
Artificial Analysis：Reflection Beam
artificialanalysis.ai
18
Artificial Analysis：模型发布列表
artificialanalysis.ai
19
DeepSeek：搜索与抓取指南
api-docs.deepseek.com
20
OpenAI API 变更日志
developers.openai.com
21
OpenAI：GPT-Rosalind 学术计划
openai.com
22
xAI：发布说明
docs.x.ai
23
Anthropic：AI 模型可能无需数据中心即可自我复制
anthropic.com
24
arXiv：Qwen-MT-Lumen 在 WMT2026
arxiv.org
25
Hugging Face：Qwen-MT-Lumen
huggingface.co
26
凤凰网转快科技：WMT26 赛果
feng.ifeng.com
27
Anthropic 新闻页
anthropic.com
28
Kimi 开放平台：快速开始
platform.moonshot.cn
29
MiniMax 新闻
minimax.io
30
智谱：模型与产品发布记录
docs.bigmodel.cn