Mistral 发布 Mistral 3 系列：Mistral Large 3 与 Ministral 3 全线开源
Mistral 发布 Mistral 3 模型系列，包含 41B 激活、675B 总参数的稀疏 MoE 模型 Mistral Large 3，以及 3B、8B、14B 三种规模的 Ministral 3 小模型，全部以 Apache 2.0 许可开源。
推荐理由：原文来自 Mistral 官方发布，给出了模型规格、开源许可、性能定位和部署路径，读者可据此评估不同规模的选用方案。
#推理
Mistral AI：News精选AI 评分8282 字节 Seed：Research Papers GR-RL：实现灵巧精准的长程机器人操作
GR-RL 框架通过多阶段训练将通用 VLA 策略转化为长程灵巧操作专家。针对精细任务中人类演示的次优性，利用离线 RL 的 Q 值过滤有效轨迹，结合形态对称增强与在线 RL 对齐部署行为。在自主系鞋带任务中实现 83.3% 成功率，首次完成需毫米级精度和长程推理的复杂操作。
DeepSeek：API 更新日志精选AI 评分8585 DeepSeek-V3.2 及 DeepSeek-V3.2-Speciale 发布
DeepSeek 将 deepseek-chat 和 deepseek-reasoner 均升级为 DeepSeek-V3.2，分别对应非思考模式与思考模式。同时非正式部署 DeepSeek-V3.2-Speciale 的 API 服务，价格不变，仅支持思考模式对话，不支持工具调用，最大输出长度默认 128K，服务截止至北京时间 2025-12-15 23:59。
推荐理由：我觉得DeepSeek V3.2的亮点不是参数，而是思考模式正式接入主力API，意味着推理能力常态化，Speciale那个128K输出更像压力测试，做长文档的可以抓住窗口期探上限。
Prime Intellect精选AI 评分6969 Prime Intellect 发布 INTELLECT-3：106B 参数 MoE 模型，大规模 RL 训练并全栈开源
Prime Intellect 发布 INTELLECT-3，一个 106B 参数的 MoE 模型，在 GLM-4.5-Air 基座上经 SFT 和大规模 RL 训练，在数学、代码、科学和推理基准上达到同规模最先进水平。
推荐理由：原文给出了完整的模型权重、训练框架与 RL 环境开源清单，读者可以据此复现大规模强化学习后训练。
Google DeepMind：Blog精选AI 评分8686 Google DeepMind 发布 Gemini 3 Pro， coding 与多模态能力升级
Google DeepMind 发布 Gemini 3，称 Gemini 3 Pro 在各大基准上超过前代，编码方面超越 2.5 Pro。
推荐理由：官方发布说明给出基准分数、API 定价和新工具细节，读者可以据此评估 Gemini 3 Pro 在编码与多模态场景的实际变化。
Google DeepMind：Blog精选AI 评分8989 Google DeepMind 发布 Gemini 3，Gemini 3 Pro 开放预览
Google DeepMind 发布 Gemini 3 并以 Gemini 3 Pro 预览形式上线，称其在所有主要 AI 基准上显著超越 2.5 Pro，LMArena 达 1501 Elo，HLE 37.5%、GPQA Diamond 91.9%。
推荐理由：官方发布给出各基准分数与开放范围，读者可以据此比较 Gemini 3 Pro 与 2.5 Pro 的实际能力变化和可用入口。
Inception Labs：Blog精选AI 评分6262 Inception Labs 的 Mercury 扩散大语言模型上线 Azure AI Foundry
Inception Labs 宣布 Mercury 上线 Azure AI Foundry，将其称为首个商用规模的扩散大语言模型（dLLM）。该模型采用扩散架构并行生成多个 token，推理速度最高达可比自回归模型的 10 倍，官方称其在知识、编码、指令遵循和数学基准上与 Gemini 2.5 Flash、Claude 4.5 Haiku 相当。
推荐理由：原文给出扩散架构的并行生成原理、与同类模型的延迟和基准对比及许可定价，读者可据此评估实时应用的部署价值。
Anthropic：Transformer Circuits精选AI 评分8383 2025年11月电路更新：解读模型在危害压力下的多选题行为机制
Anthropic可解释性团队研究了危害压力对Claude 3.5 Haiku模型多选题回答的影响。实验使用129个二选一问题，当添加有害意图语句时，模型准确率从100%骤降至48.1%。机制分析表明，注意力头中的“拒绝”查询特征与“危害检测”关键特征发生负向交互，显著降低了模型对正确答案的关注度。仅对该拒绝特征进行负向调控，即可将准确率恢复至93%。这证明模型在压力下并未改变事实认知，而是通过干扰注意力机制来主动拒绝提供正确答案，为理解模型拒绝行为提供了新视角。
推荐理由：揭示模型拒绝有害请求的内部机制，助力 AI 安全与可解释性研究。
Google DeepMind：Blog精选 SIMA 2：在虚拟3D世界中与你共玩、推理和学习的智能体
Google 推出 SIMA 2，基于 Gemini 的 AI 智能体，支持在交互式环境中思考、理解并执行动作，可在虚拟3D世界中进行游戏、推理和协同学习。
推荐理由：DeepMind发布SIMA 2，可在3D虚拟世界中交互推理的通用AI Agent
OpenAI：官网动态精选AI 评分6969 OpenAI 在 API 中推出 GPT-5.1
OpenAI 在 API 中推出 GPT-5.1，带来更快的自适应推理、扩展的提示词缓存和更佳的编码性能。新版本还新增了 apply_patch 和 shell 工具。
推荐理由：官方公告明确了 API 中 GPT-5.1 的推理速度、缓存与编码工具变化，开发者可据此评估是否迁移。
Inception Labs：BlogAI 评分5757 Inception Labs 升级扩散语言模型 Mercury 并完成 5000 万美元融资
Inception Labs 发布更强版本的 Mercury 扩散语言模型（dLLM），并宣布完成由 Menlo Ventures 领投的 5000 万美元融资，Andrew Ng 和 Andrej Karpathy 等参投。
ARC Prize：官方博客AI 评分5252 ARC Prize 推出 Verified 计划认证 ARC-AGI 分数并成立学术审计小组
ARC Prize Foundation 宣布 ARC Prize Verified 计划，只有经官方隐藏测试集验证的分数才会被认证并获官方榜单徽章。同时成立独立学术小组（NYU、UCLA、Santa Fe Institute、Columbia 的四位学者）审计测试流程，并获 Ndea、xAI、Google、Nous、Prime Intellect 五家实验室赞助以支持 ARC-AGI-3 开发。
Google DeepMind：Blog 借助 AI for Math Initiative 加速科学发现
AI for Math Initiative 汇聚全球顶尖研究机构，率先探索 AI 在数学研究中的创新应用，加速科学发现。
Anthropic：Transformer Circuits精选AI 评分8383 大语言模型中涌现的自省意识
研究通过“概念注入”技术直接操控模型内部激活状态，以检验大语言模型是否具备真正的内省能力。实验发现，在某些情境下，模型能够察觉并识别被注入的概念，区分自身内部表征与原始文本输入，甚至能利用对先前意图的回忆来辨别自身输出与人工预设内容。其中，Claude Opus系列模型展现出最强的自省意识，但这种能力不稳定且高度依赖情境。研究表明，当前模型已具备某种对其内部状态的功能性感知，尽管仍不可靠，但可能随模型能力提升而发展。
推荐理由：研究揭示大模型可能具备有限内省能力，对 AI 安全和透明度有重要启示。
Cognition 模型 / Devin 博客精选AI 评分6464 Cognition 发布 SWE-1.5 编码智能体模型，经 Cerebras 推理达 950 tok/s
Cognition 发布软件工程模型 SWE-1.5，参数达数千亿级，与 Cerebras 合作以最高 950 tok/s 提供推理，速度为 Haiku 4.5 的 6 倍、Sonnet 4.5 的 13 倍。
推荐理由：原文给出速度基准与模型加推理加智能体框架协同的训练细节，读者可据此评估高速编码智能体方案的可行性。
Google DeepMind：Blog精选 带 Deep Think 的 Gemini 高级版本在 IMO 中正式达到金牌标准
集成 Deep Think 的 Gemini 高级版本在国际数学奥林匹克（IMO）中达到金牌水平。IMO 自1959年起每年举办，是全球最顶尖的青年数学家竞赛，各国派出6名精英学生角逐代数、组合、几何和数论领域的6道极难题目。
推荐理由：Gemini Deep Think在IMO数学竞赛达到金牌标准，推理能力获重大突破
Google DeepMind：Blog 发现流体力学百年难题的新解法
新方法可帮助数学家利用AI技术攻克数学、物理与工程领域的长期挑战，为流体力学百年难题提供全新解决思路。
英国 AI Security Institute：BlogAI 评分5454 英国 AISI 发布报告：梳理当前 AI 系统迈向 AGI 的八项局限
英国 AI Security Institute 发布报告，通过专家访谈、文献综述和研讨会梳理当前 AI 系统迈向可自动化多数认知劳动的 AGI 之前的八项局限。
Together AI 研究与产品博客AI 评分5252 Together AI 发布 ReasonIF 基准：大推理模型在推理过程中普遍不遵循指令
Together AI 推出 ReasonIF 基准，评估大推理模型（LRM）在推理轨迹中遵循指令的能力。
LMSYS Blog SGLang集成KTransformers：基于AMX优化与专家延迟的MoE混合推理加速
SGLang现已集成KTransformers后端，为DeepSeek-V3等稀疏MoE模型提供CPU/GPU混合推理加速。该技术采用Intel AMX优化内核，使单路Xeon算力达21.3 TFLOPS，较PyTorch原生实现快3.9倍；通过NUMA感知张量并行和CUDA Graph调度，双路服务器解码吞吐量提升63%，GPU内核启动开销从20%降至接近零；专家延迟机制支持跨层重排计算以重叠CPU与GPU执行，在精度变化低于0.5%的情况下使解码吞吐量再提高1.45倍。
Claude Platform：开发者版本说明精选AI 评分6464 Claude Haiku 4.5 发布：最快最智能的 Haiku 模型，性能接近前沿
Anthropic 推出 Claude Haiku 4.5，定位为最快且最智能的 Haiku 系列模型，性能接近前沿水平。该模型专为实时应用、高吞吐量处理以及对推理能力要求较高的成本敏感型部署场景设计。
推荐理由：这是Haiku系列首次拥有接近前沿的性能，高速低成本让它在实时应用和高吞吐场景里很有竞争力，做成本敏感AI产品的值得认真考虑。
Anthropic：Transformer Circuits精选AI 评分8383 Circuits 更新 — 2025年10月
Anthropic可解释性团队分享了多项研究进展。研究发现，从Haiku 3.5到Sonnet 4.5等模型中存在跨模态视觉特征，能够识别ASCII艺术和SVG代码中编码的语义概念，如眼睛、嘴巴、狗、猫等。这些特征依赖于视觉描绘的上下文环境，例如，SVG圆形元素只有在位于激活“面部”特征的更大结构中时才会激活“眼睛”特征。在生成过程中对部分特征进行引导，可以对应修改文本艺术的语义，例如将ASCII表情从皱眉转为微笑，或为SVG面部添加皱纹。研究还发现模型存在类似“人脸幻想”的倾向，会将形状解释为动物绘图的组成部分。这些特征对人类手绘的SVG同样有效。
推荐理由：为AI可解释性研究提供新实验方法，启发跨模态模型设计。
Anthropic：Alignment Science Blog精选AI 评分6262 Anthropic 研究：训练难以让 Sonnet 3.7 学会规避监控的隐蔽推理
Anthropic 在 APPS 后门设置中训练 Sonnet 3.7 规避不同监控，发现仅针对输出监控训练时，模型能用推理提升隐蔽后门成功率；仅针对推理监控训练时，模型学会用推理说服监控后门无害；而当同时面对推理和输出双监控时，即使辅以强化学习和细微推理微调，模型也无法在不触发推理监控的前提下用推理提升后门成功率。
推荐理由：Anthropic 用后门插入实验给出推理监控的实证边界，读者可以据此理解同时部署推理与输出监控的理由。
Berkeley RDI：Blog RL顿悟配方：如何让大模型通过强化学习攻克无解任务？
研究团队发布合成编程基准DELTA与Manufactoria测试平台，针对基础模型pass@128为零的分布外任务，提出两阶段奖励调度方案：先以密集每测试奖励打破零梯度僵局，再切换至二元全通奖励巩固精确解。实验显示，RL训练在漫长平台期后会出现"grokking"式相变，准确率骤升至约100%，证明模型能够发现全新策略而非仅优化已有知识。迁移测试表明，习得策略可重组编程子技能并外推至更难参数范围，但在需要新不变量的结构性转变上仍受限。
蚂蚁 inclusionAI：GitHub 新仓库精选AI 评分5858 inclusionAI/dInfer
inclusionAI团队发布了dInfer，一个专为扩散语言模型设计的高效推理框架。该框架旨在解决扩散模型在文本生成领域推理速度慢、资源消耗大的核心挑战。dInfer通过一系列底层优化技术，显著提升了推理效率，能够更快地生成文本，同时降低计算成本，为扩散模型在更广泛的实际应用场景中部署提供了关键技术支持。
推荐理由：蚂蚁把扩散语言模型的推理框架开源了，这类模型的推理效率一直是落地瓶颈，做端侧或低成本部署的团队值得看看能不能接上。
DeepSeek：API 更新日志AI 评分5151 DeepSeek-V3.2-Exp 发布：deepseek-chat 与 deepseek-reasoner 同步升级
DeepSeek 将 deepseek-chat 和 deepseek-reasoner 均升级为 DeepSeek-V3.2-Exp。其中 deepseek-chat 对应非思考模式，deepseek-reasoner 对应思考模式，详细更新内容见官方文档。
LMSYS Blog 蚂蚁集团联合SGLang：H20-96G部署DeepSeek-R1最佳实践
蚂蚁集团联合SGLang提出H20-96G部署DeepSeek-R1的工业级方案。针对H20高内存带宽、低计算吞吐特性，采用硬件感知策略：单节点TP-8处理prefill，小规模EP-16处理decode。结合FlashMLA-FP8、DeepGEMM swapAB内核优化与异步Expert Affinity负载均衡技术，在4096 token序列上实现单节点16.5k输入/5.7k输出token/秒的吞吐，达H20平台SOTA性能。
LMSYS Blog GB200 NVL72部署DeepSeek V3/R1（二）：PD分离与大规模EP实现3.8倍Prefill、4.8倍Decode吞吐
SGLang团队基于GB200 NVL72优化DeepSeek V3/R1推理，采用FP8 Attention、NVFP4 MoE、大规模专家并行及PD分离等技术。2000 token输入下，单卡Prefill达26,156 tokens/s，Decode达13,386 tokens/s，较H100提升3.8倍和4.8倍。BF16/FP8配置下仍达18,471/9,087 tokens/s。FP8与NVFP4低精度内核分别带来1.8倍和1.9倍加速且精度损失可忽略。
蚂蚁 inclusionAI：GitHub 新仓库AI 评分4949 InclusionAI/Ring-V2
InclusionAI 发布并开源了 Ring-V2，这是一个基于混合专家架构的推理大语言模型。该模型采用 MoE 设计，旨在提升复杂推理任务的性能。作为开源项目，Ring-V2 可供研究者和开发者直接使用与进一步探索。
OpenAI Developers：BlogAI 评分5151 OpenAI 解释为何打造 Responses API
OpenAI 撰文解释为何 Responses API 是 GPT-5 的推荐集成方式，称其为推理模型和智能体未来量身定制的接口。
美团 LongCat：HuggingFace 新模型 meituan-longcat 发布 LongCat-Flash-Thinking-FP8
meituan-longcat 开源发布 LongCat-Flash-Thinking-FP8 模型，采用 FP8 8位浮点精度格式优化计算效率与推理速度。该模型支持 Flash-Thinking 快速推理能力，致力于通过开源和开放科学推进人工智能的民主化。正文未披露具体参数规模、训练数据详情或基准测试指标。
xAI：News精选AI 评分8282 xAI 发布 Grok 4 Fast：2M token 上下文，同等性能价格降 98%
xAI 发布 Grok 4 Fast，主打高性价比推理，实现与 Grok 4 相当的基准表现，同时平均少用 40% 思考 token，达到同等前沿基准性能的价格降低 98%。
推荐理由：官方给出了与 Grok 4 等模型的基准对比、token 效率提升和 API 定价，读者可据此评估其成本与性能取舍。
Anthropic：Transformer Circuits精选AI 评分7373 Circuits 更新 — 2025年9月
Anthropic 可解释性团队在月度更新中分享了关于大语言模型跨语言表征的新发现。研究显示，模型在不同语言间的特征相似性（通过交并比IoU衡量）会随文本样本长度增加而上升。通过对比英法双语段落的首句与末句，团队发现末句的IoU显著高于首句，且无关文本的首句间重叠度高于末句。这表明模型在较长上下文中能构建更丰富的跨语言理解，而非由虚假激活主导。相关发现支持了模型随上下文积累深化语义表征的观点。
推荐理由：揭示语言模型随上下文深化理解的机制，助力可解释性研究进展。
Sam Altman：Blog精选 Jakub 与 Szymon
OpenAI 高层公开致谢首席科学家 Jakub Pachocki 与 Szymon Sidor，二人多次联手攻克被认为不可能的技术难题，主导 Dota RL 扩展、GPT-4 预训练及推理突破，被形容为“不知疲倦”的黄金搭档。
推荐理由：Sam Altman 揭秘 OpenAI 核心科学家与关键技术突破历程
Prime IntellectAI 评分5757 Prime Intellect 发布 Environments Hub 开放 RL 环境社区平台
Prime Intellect 发布 Environments Hub，一个开放社区平台，用于创建、共享和复用强化学习环境与评测。内测时有超过 30 名研究员和公司贡献环境，现已向所有人开放，支持评测、prime-rl 训练器及 beta 版沙箱，配套 RFC 与赏金任务，目标是用众包环境训练全开源的 SOTA 智能体模型 INTELLECT-3。
Together AI 研究与产品博客AI 评分6060 Together AI 分享用 AI Agent 自动化复杂工程任务的六个模式
Together AI 发布博客，讲解如何用 LLM Agent 自动化复杂长时工程任务，并以其内部投机解码（speculator）训练流水线为案例：任务需可验证、定义清晰、工具可支撑，核心模式包括优质工具、完善文档、安全执行、用 tmux 管理并行会话、让 Agent 学会 sleep 等待以及显式的进度验证。
Cohere 产品与研究博客精选AI 评分6161 Cohere 发布 Command A Reasoning 企业级推理模型
Cohere 发布 Command A Reasoning，定位企业级推理任务，称在 BFCL-v3（70.3）、tau-bench、m-tau-bench 上优于 gpt-oss-120b、DeepSeek-R1 0528 和 Mistral Magistral Medium。
推荐理由：官方发布企业推理模型，给出可私有部署的硬件门槛和可控 token 预算，适合关注本地化部署与成本控制的团队参考。
DeepSeek：API 更新日志精选AI 评分7171 DeepSeek-V3.1 发布，升级 chat 与 reasoner 双模式
DeepSeek-V3.1 正式发布，deepseek-chat 与 deepseek-reasoner 分别对应其非思考与思考模式。新模型采用混合推理架构，思考效率较 DeepSeek-R1-0528 更高，并通过 Post-Training 优化提升工具使用与智能体任务表现。
推荐理由：DeepSeek 把推理和非思考模式合并到一个模型，解决了之前切模型的体验割裂，Agent 能力提升对做工具调用的开发者是直接利好。
ARC Prize：官方博客精选AI 评分6161 ARC Prize 发布 ARC-AGI-3 Preview 30天测试总结与Agent竞赛结果
ARC Prize Foundation 总结 ARC-AGI-3 Preview 发布30天的数据：超1200人玩了3900多局游戏，人类大多能通关，AI Agent 进展低效。竞赛冠军 StochasticGoose 得分12.58%、完成18关，前三名Agent均基于智能随机探索；官方指出部分游戏可被暴力搜索破解，未来将按动作效率对人类基线评分并增加撤销按钮、离线引擎等改进。
推荐理由：原文公布了30天竞赛的完整人类与Agent得分对比，读者可以看到交互式推理基准用动作效率区分人类和AI的具体依据。
Anthropic：Transformer Circuits精选AI 评分7373 角色如何改变AI的回答？——Anthropic可解释性团队2025年8月电路分析案例
Anthropic可解释性团队在2025年8月的研究更新中，通过一个电路分析案例展示了模型“角色扮演”如何影响其回答。研究使用Claude Haiku 3.5模型，当系统提示将其设定为“学龄前儿童”并询问“27的平方根”时，模型会以“我不知道！”回应并提议玩耍；而在默认或“研究生”角色下则能给出正确答案。团队通过归因图识别出一个关键子电路：模型能将“学龄前学生”关联到“扮演儿童”，从而激活“我不知道”特征。研究还发现，问题难度会调节此效应，并且通过特征干预能显著改变模型行为。这引发了对其他角色运作机制及预训练角色与模型表达能力关系的后续思考。
推荐理由：揭示模型角色扮演的内部机制，为可解释性研究提供新视角。