K2 Horizon 375B-A23B（IFM/K2-Horizon-375B-A23B）：2026-09-03 由阿布達比 Institute of Foundation Models（MBZUAI 旗下）發佈，375B 總參數／23B 啟用（MoE）、512K（524,288 tokens）原生 context、Apache-2.0 全開源（權重、程式碼、訓練資料配方、中繼 checkpoint 全公開），官方未提供 API 定價（開源自架）；Terminal-Bench 2.1 70.2%、SWE Bench Pro 42.6%、SWE-Atlas-QnA 48.4%（開源模型最高分）；同系列還有 36B-A4B（新 MoVA 稀疏注意力架構）、32B、7B、3.7B、0.9B 共六款模型一次發佈
Gemini 3.8 Flash（gemini-3.8-flash）：2026-09-02 上線，1,048,576 tokens input／64,000 tokens output，input $0.75、output $3.75 per 1M tokens（優惠價至 2026-12-31，之後 $1.50／$7.50，與 3.7 Flash 同價）；Terminal-Bench 2.1 90.8%（前代 81.6%）、DeepSWE v1.1 73.7%（前代 65.3%）；同步推出僅限受信任防禦者透過 Fairwind Program 申請的資安變體 Gemini 3.8 Flash Cyber，CWE-Bench pass@1 47.2%、真實 20 語言漏洞挖掘成功率逾 70%
Muse Voice Transcribe（muse-voice-transcribe-1.0）：Meta Superintelligence Labs 首款即時語音感知模型，2026-09-01 上線；閉源，僅提供 API，$0.18／小時音訊（$3.00／千分鐘）；Streaming 最終逐字稿 WER 3.1%（Artificial Analysis AA-WER Streaming 第一，優於 Cartesia Ink-2 的 3.4%），語音結束到出稿延遲僅 0.16 秒；單一模型同時做 ASR、20+ 人 diarization、endpointing，取代過去需串接三套系統的作法
Gemini Omni 1.1 Flash（gemini-omni-1.1-flash）：2026-08-27 正式 GA，取代 6/30 上線的 preview；閉源，按輸出秒數計費：360p $0.03、720p $0.10（預設）、1080p $0.15、4K $0.30（皆為 upscale）；Artificial Analysis Text-to-Video Arena 無音訊榜第一（1322 Elo），含音訊榜第二（1237，落後 Wan3.0 的 1241）；新增 scene extension（10 秒上下文、累積可延伸到 40 秒）與 first/last frame interpolation 控鏡
DeepSeek-V4-Flash-Vision-Exp：284B 總參數／13B 啟用參數 MoE，1M context、384K 最大輸出；定價與 V4-Flash 完全一致（Input $0.44／Output $1.32，尖峰；離峰對半）；文字 agent benchmark 7 項中贏 6 項（DeepSeek 甚至以 59.3 分超越 Opus-4.8 的 58.0）；多模態 agent 貼近 Opus-4.8（ApexBench 落後 2.9 分、ZeroBench 反超）；每張圖片壓縮到最多 384 tokens、約 800×800 解析度上限，代價是細節辨識力
Breeze TTS 2：開放權重（Apache 2.0 程式碼／研究非商用權重授權），Artificial Analysis Provider Voices 榜單開放權重第一（1,215 Elo，領先 Fish Audio S2 Pro 90 分），Voice Design（Role Fit 78.02）與 Voice Direction（4.25 分）雙雙第一；TTFA p50 133.6ms／p95 163.3ms，RTF 0.32（H100）；官方托管 API $34／百萬字元（比 Fish Audio S2 Pro 貴逾兩倍）；支援 50 種語言，商用需另向 RESONIA, INC. 取得授權
Tencent Hy4 preview：770B 總參數／49B 活躍參數（MoE，78 層），Context Window 1,048,576 tokens；API 定價 input $0.834／output $2.501（每 100 萬 tokens，cache hit $0.042）；Apache 2.0 開源權重已上 HuggingFace；163 位工程師盲測 2.99/4.00 些微領先 GLM-5.3（2.92）與 Kimi K3（2.94）；第三方 BenchLM 綜合評分 79.2/100，全站排名第 7（228 個模型中）；官方首度揭露模型參與自己的訓練優化與推理系統調校，吞吐量提升 31.8%
GLM-5.3-Flash：320B 總參數／18B 活躍（MoE），1M context／131K 最大輸出，支援文字＋圖片＋影片輸入，MIT 授權權重已上 HuggingFace；標準定價 input $0.15／output $0.50（每 100 萬 tokens，即日起到 9/9 五折 $0.075／$0.25），比同家 GLM-5.3 便宜約 9 成；Terminal-Bench 2.1 達 84.3（僅次 Opus 4.8 的 85.0），DeepSWE 1.1 從 GLM-5.2 的 46.2 跳到 63.4；前身「Ox Alpha」匿名期間曾拿下 OpenRouter 單週 token 占比第一
Wan3.0：單次生成長度從 Wan2.7 的 15 秒翻倍到 30 秒、最高 1080P、支援 doc/xls/ppt/pdf/md 文件與網頁當生成素材、定價 480P $0.05／720P $0.10／1080P $0.20（每秒），比 Google Veo 3.1 標準檔便宜約 50%，但改為閉源 API-only，且尚未經第三方獨立測試
Qwen3.8-Flash-Next：Qwen4 架構開放權重預覽、125B 總參數僅活躍 6B（另加 51B N-gram embedding）、262K 原生 context 可擴展到 1M、Qwen Community License 1.0（非 Apache 2.0）、官方 benchmark 顯示 Agentic coding（DeepSWE 1.1）58.7 分超越自家 27B 稠密模型與 397B 的 Qwen3.7-Plus、CoWorkBench 長時序辦公任務 73.9 分為表列最高，但目前仍無正式 API 定價與第三方獨立測試
GLM-5.3：沿用 GLM-5.2 base model、純 post-training 提升、1M context／128K 最大輸出、定價維持 $1.4 input／$4.4 output（每 100 萬 tokens）不變、Terminal-Bench 3.0 從 4.6% 跳到 28.3%（開源 SOTA）、CyberGym 漏洞挖掘 84.5% 超越表列所有閉源前緣模型，官方因此把權重釋出延後到安全評估完成（約 8/28）
Muse Spark 1.2：1M context window、input $1.25/output $4.25 per 1M tokens（與 1.1 相同）、AA Intelligence Index 57、GDPval-AA v2 Elo 大跳 260 分到 1631（全場第 5），搭配首款程式碼 agent Muse Code 主打長時間多 agent 協作
Grok 4.6：context window 500K tokens、input $2/output $6 per 1M tokens（與 4.5 相同）、AA Intelligence Index 61（追平 GPT-5.6 Sol Max）、GDPVal-AA v2 1753 Elo 全場最高，但 DeepSWE、Terminal-Bench 仍落後 GPT-5.6 Sol 與 Claude Fable 5
Muse Glimmer（HF：meta-models/Muse-Glimmer-30B）：29.6B 參數、131K+ context、Apache 2.0 全開源，本地部署零 token 成本；MCP Atlas 75.5 分（同級 Gemma4-31B 54.2、Qwen3.6-27B 62.5）、SWE-Bench Pro 51.2 分領先同級，但 OSWorld-Verified、TerminalBench 2.1 落後 Qwen3.6-27B；4-bit 量化後 20GB 內可跑，RTX 5090 上 DFlash 投機解碼提速 3.1 倍
Gemini 3.7 Flash（API ID：gemini-3.7-flash）：1M input／64k output context，input $0.75、output $3.75 per 1M tokens（優惠價至 2026-12-31，之後回到 $1.50／$7.50，與前代 3.6 Flash 同價）；DeepSWE v1.1 65.3%（前代 48.6%）、AutomationBench 30.4%（前代 17.0%）、FrontierCode 1.1 43.6%，多項 agentic/企業自動化 benchmark 超越 Claude Sonnet 5 與 GPT-5.6 Terra