#推理

Hugging Face 与 Ai2 发布 BenchMIRT：从题目层面审计 LLM 基准究竟测了什么

Hugging Face 博客介绍 BenchMIRT，一种基于多维 IRT 在单个题目层面审计 LLM 基准的方法，训练数据覆盖 100 个 LLM、16 个基准和超过 34K 道题。

Anthropic 发布 Claude Fable 5.1 与 Claude Mythos 5.1：Terminal-Bench-Science 得分 52.6%，缓存读取降价 75%

Anthropic 发布 Claude Fable 5.1 和 Claude Mythos 5.1，两者为同一底层模型加不同安全层，Fable 5.1 全面开放，Mythos 5.1 仅限 Project Glasswing 内经过审核的美国组织。

Anthropic 发布 Fable 与 Mythos 5.1，成本更低限制更少

Anthropic 于周二发布 Fable 和 Mythos 5.1 双版本模型。Fable 5.1 即日起可在云平台和 Anthropic API 使用，Mythos 5.1 仍仅限网络安全或生命科学研究的注册合作伙伴。

Rohan Paul@rohanpaul_ai· 02:48AI 评分4343

Apodex 发布专有模型 Apodex 1.1，在 Artificial Analysis Intelligence Index 上得 44 分，但在衡量真实世界智能体工作的 GDPval-AA v2 上达到 1,348 Elo，超过多个通用智能分数更高的模型。

Anthropic 发布 Claude Fable 5.1 和 Claude Mythos 5.1

Anthropic 发布 Claude Fable 5.1 和 Claude Mythos 5.1，定位为面向编码和知识工作的最先进模型，并称其研究能力展示了 AI 模型将如何助力科学进步。

Artificial Analysis@ArtificialAnlys· 02:24AI 评分6161

Meta Superintelligence Labs 发布其首个流式语音转文本模型 Muse Voice Transcribe，以语音结束后 0.16 秒、3.1% WER 登顶 AA-WER Streaming 最终转写准确率榜首。

Google DeepMind 新任负责人 Koray Kavukcuoglu 称站在前沿是唯一要紧的事

Google DeepMind 负责人 Koray Kavukcuoglu 回应外界质疑，称“除了站在前沿，没有别的对我们重要的事”，并承认 Google 当前模型略低于前沿但具备团队、资源和全栈能力来缩小差距。

Google 发布 Gemini 3.8 Flash，四个月内第四款 Flash 模型

Google DeepMind 发布 Gemini 3.8 Flash，在 Artificial Analysis Intelligence Index 上以 high 推理得分 59，较 Gemini 3.7 Flash 提升 3 分。

Meta 发布 Muse Spark 1.3，Artificial Analysis 指数达 61/62 分逼近前沿

Meta 发布 Muse Spark 1.3，是其五个月内第四个 Muse Spark 版本。xhigh 版在 Artificial Analysis Intelligence Index 得 61 分。

百度 CFO 何海建：AI 业务有望很快带来与搜索业务相当的利润和现金回报

据彭博社报道，百度 CFO 何海建表示，AI 领域的大规模投入有望很快带来与搜索业务相当的利润和现金回报。目前百度 AI 相关收入占公司总收入一半以上，覆盖云计算、应用等领域；支持 AI 服务的新 GPU 集群投资预计两到三年内收回成本，云业务收入未来几个季度的增速至少快于行业平均水平，资本开支低于市场预期。

DogeDesigner@cb_doge· 23:18AI 评分5656

Grok Bot 汇总了马斯克今日在 G20 的演讲。他称 2027 年 AI 芯片电力缺口至少 15 gigawatt，AI 芯片产量年增约 40–50%，而中国以外电力增速仅 10–20%；Google、Anthropic 等已因 SpaceX 自建电厂而向其租用算力。

DogeDesigner@cb_doge· 22:48AI 评分4141

马斯克称 AI 正走向 2027 年的大规模电力短缺，分析师共识是届时 AI 芯片电力缺口至少 15 吉瓦。他解释称 AI 芯片产量每年增长约 40% 至 50%，而中国以外可用电力每年仅增长 10% 至 20%，增长更快的一方终将压倒增长更慢的一方。

OpenRouter@OpenRouter· 22:37AI 评分5757

Mercury 2.5 Preview 在 OpenRouter 独家上线，官方称其为最快的推理大语言模型，通过并行 token 生成达到 1,107 tokens/sec。该模型支持可调推理、并行工具调用和 schema 对齐的 JSON 输出，面向延迟敏感型工作负载。

蚂蚁 inclusionAI 发布 Ling-3.0-flash 原生混合推理模型

蚂蚁 inclusionAI 发布下一代原生混合推理模型 Ling-3.0-flash，总参数 124B、激活参数 5.1B，约为前代 1T 级旗舰 Ring-2.6-1T 的 12.4% 和 8.1%，在关键基准上持平或超越前代。

Tencent Hy@TencentHunyuan· 18:28AI 评分6767

腾讯混元发布 Hy4 preview，770B 总参数、49B 激活、1M 上下文，定位生产力场景，开源并保持稳定低价，提供 HuggingFace 和 GitHub 入口。作者补充称 Hy4 preview 在 AI 研究中自主发现推理瓶颈，通过算子融合与通信优化将端到端吞吐提升 31.8%，且在不同上下文长度和并发下保持稳定。

小红书与NVIDIA联合发布GR-Inference推理引擎，优化生成式召回

小红书与NVIDIA联合构建GR-Inference，一个面向长Context、短Decode、大Beam的生成式召回专用推理引擎，覆盖KV抽象、连续批处理、专用Decode Attention、受限生成与CUDA Graph等优化。

Ai2 发布 BenchMIRT：从题目层面审计 LLM 基准究竟在测什么

Ai2 推出 BenchMIRT，一种基于多维 IRT 的方法，在单题层面审计 LLM 基准，训练数据覆盖 100 个模型的 16 个基准、超 34K 道题，并独立恢复出安全与通用推理两个维度。

Rohan Paul@rohanpaul_ai· 12:48AI 评分6565

Google DeepMind 论文《Accelerating Scientific Research with Gemini in the Real-World》（arxiv.org/abs/2608.26701）显示。

上海AI实验室发布 InternLumina-U2：16B-A1B 多码本扩散统一多模态模型

上海AI实验室发布 InternLumina-U2，一个 16B 参数（激活 1B）的 MoE 扩散语言模型，用 8 码本全离散视觉表示统一覆盖文本问答、文生图、图像理解与编辑、视频及 3D 理解。

腾讯混元 Hy4 preview 轻量版发布，1.5 TB 权重压缩到 214 GB 并开源

腾讯混元发布 Hy4 preview 轻量量化版，用自研 Sherry 稀疏三值量化算法（平均 1.25 bit）和 MIX-STQ1_0 逐层混合精度策略，把约 1.5 TB 的权重压到约 214 GB。

科大讯飞开源词元星火 X2.5-4B 和 1.7B 端侧模型，原生支持 100 万 Token 上下文

科大讯飞旗下词元星火发布并开源星火 X2.5-4B 和 X2.5-1.7B 两款端侧通用大模型，原生支持最长 100 万 Token 上下文窗口。

Rohan Paul@rohanpaul_ai· 11:18AI 评分5050

Rohan Paul 转引 Atomic Bot 的对比实验：在 GLM 5.3 上用四个提示词让 OpenClaw 2.0 与 Hermes Agent 生成以 OpenClaw 吉祥物为主角的电影场景，OpenClaw 2.0 消耗约 2.1M tokens、约 $4.5、10 次自修复，Hermes Agent 消耗约 2.9M tokens、约 $4、20 次自修复。

消息称英伟达重启推理预填充芯片 Rubin CPX 项目，设计大幅调整

分析师郭明錤称，英伟达已重启 AI 推理预填充加速 GPU Rubin CPX 项目，设计大幅调整，预计 2027Q1 开始生产。

千问APP升级学习功能，新增作文辅导与教材精讲

千问APP在开学季升级学习功能，新增与教材同步的单元作文辅导、初中语文数学教材精讲，并将高中、大学数理化拍题讲解能力扩展至千问小讲堂，相关功能均免费开放。作文辅导通过逐步提问引导孩子梳理素材和结构；教材精讲可从章节或知识点切入，讲解中可随时打断追问，千问会根据具体问题调整讲解内容和节奏。

Rohan Paul@rohanpaul_ai· 06:18AI 评分6161

一篇论文在固定 12 个模型和 3,679 个问题的前提下，只改变提示词格式、选项顺序、打分方式等常规评测设置，结果排名大幅波动。gemma4-31b 得分在 31% 到 89% 之间，12 个模型中有 4 个至少在一种有效设置下排到第一；相邻模型平均 95.7% 的差距来自评测设置改变时会翻转答案的题目，最大不稳定来源是打分方式，即生成答案还是选最高似然选项。

Google Research 发布 TimesFM-3：330M 参数多变量时间序列零样本基础模型

Google Research 发布 TimesFM-3，一个 330M 参数、原生支持多变量预测的时间序列基础模型，在超过 1 万亿时间点上预训练，无需任务特定微调即可零样本接受多目标、过去协变量和过去-未来协变量。

Rohan Paul@rohanpaul_ai· 01:18AI 评分4444

论文提出“记忆增强压缩”（Memory-Augmented Compression）方法，将可复用推理从生成阶段转移到提示词中，无需训练即可降低思维链成本。该方法将已解示例蒸馏为可复用推理记忆，按查询检索并注入，使部分计算从自回归解码转移到更并行的预填充阶段。

Artificial Analysis 实测 Claude Fable 5.1 登顶智能指数但每任务成本高 20%

Artificial Analysis 评测 Claude Fable 5.1，其以 66 分登顶 Artificial Analysis Intelligence Index，超过 Claude Opus 5（63）、Fable 5（62）、GPT-5.6 Sol（61）和 Grok 4.6（61）。

NVIDIA 技术博客：如何为 AI 推理规划 GPU 规模并优化 TCO 避免超支

NVIDIA 技术博客发布一套 AI 推理 GPU 规模规划框架，围绕用例、token 模式、TTFT 等延迟指标、并发、缓存命中率、模型选择和部署策略给出 sizing 方法，并提出 core-and-flex 容量策略平衡 capex 与 opex。

AI 聊天机器人在按下回车与首个字出现之间发生了什么

在典型 LLM 中，一条消息在回复开始前要经过约十几个独立阶段。模型是无状态的，每次请求都需重建完整对话历史，导致输入 token 随轮次累积，成为对话产品的主要成本。输入文档的组装（即上下文工程）会影响回答质量，且不同产品基于同一模型也可能给出不同答案。

Rohan Paul@rohanpaul_ai· 22:48AI 评分5454

一篇论文提出FAR框架，将AI数学从“解题”转向“选题”，在文献中搜索开放问题并大规模尝试，再筛选出最值得专家关注的结果。在组合学试点中，该流程将51,110篇论文缩减至4,717个开放猜想，产出1,050个新解法，598个通过自动评判，77个推荐专家评审。人工抽查15项成果全部正确。

Rohan Paul@rohanpaul_ai· 22:18AI 评分4747

字节跳动新论文提出 Chain-of-Experience 方法，在上下文中保留先前尝试与反馈而非整理成简洁摘要。在 6 个数学、编程和知识基准上，自我反馈平均得分 71.0%，高于无反馈迭代求解的 66.8%；使用正确性或执行器反馈可达 79.3%。

Rohan Paul@rohanpaul_ai· 20:48AI 评分4646

亚马逊新论文表明，KV缓存策略不仅是推理优化，还能改变模型所需的训练方式。若模型推理时会遗忘部分上下文，训练时也应模拟这种遗忘——将微调与KV缓存策略匹配，可防止长上下文失效。在128k token测试中，全注意力微调模型在稀疏推理下常产生冗长无意义回答，而匹配缓存策略微调的模型能正常作答并停止；该方法支持任意缓存策略，可在40 GB A100上计算4B模型梯度。

Rohan Paul@rohanpaul_ai· 12:48AI 评分5353

一项实验让AI智能体在6天、3000美元预算内产出两篇研究论文，结果均遭拒稿。执行层面毫无问题——智能体运行了数百次实验、调试GPU集群并完成LaTeX排版，但判断力缺失导致其面对负面评审时只会收窄论点、添加免责声明，而非重新设计实验。两轮实验结束时预算均剩余过半，说明问题在于想法匮乏而非资源不足。

Rohan Paul@rohanpaul_ai· 11:18AI 评分5151

新论文提出 PILOT 框架，让智能体在任务运行中实时自我改进，而非等运行结束后才学习。监督者实时观察工作进程、可引导或中止，并将经验写入持久技能与记忆。在 6 项模型基准配置中 5 项排名第一，GLM-5.1 与 Kimi-K2.6 在 Terminal-Bench 2.0 上最佳通过率分别提升 14.6 和 12.4 个百分点，输出 token 量下降 42.9% 和 47.4%。

Rohan Paul@rohanpaul_ai· 03:18AI 评分4646

CritICL 方法让大模型通过小模型家族已知错误来提升推理能力。该方法在小模型上运行数学题并保存错误答案及简短批评，新问题时将最可能犯的错误批评加入大模型提示词，1 次生成即可获得答案，而非通常的 5 次。

Rohan Paul@rohanpaul_ai· 00:18AI 评分6060

Redwood 芯片由 AI 系统从规格说明自主完成设计、测试、固件与内核，2 位人类架构师仅编写规格，规格变更后 48 小时内即可在真实硬件上运行。

消息称字节跳动豆包大模型 2.2 将推迟发布，原计划 8 月推出

字节跳动原计划 8 月推出的豆包大模型 2.2 将推迟面世。延期原因是内部希望通过更充分的预训练和后训练，提升编程、工具调用和 Agent 能力，用更长研发周期换更明显的能力提升。Seed 团队目标是在年底前让 Coding 能力跻身第一梯队，产生类似智谱 GLM-5.2 和 Kimi-K3 的行业冲击力。

Rohan Paul@rohanpaul_ai· 22:18AI 评分6262

Semianalysis 报道，OpenAI 自研 Jalapeño 芯片将于 2026 年底部署于自有算力。该芯片在约 100 tok/s/user 下实现约 11M tok/s/MW，约为最佳 Blackwell 级配置的 2 倍，且采用单 token 预测（STP）而非多 token 预测（MTP），性能全面超越其他芯片。

研究：Claude Code 和 Codex 等 AI 智能体没有时间感知能力

一项新研究发现，Anthropic 的 Claude Code 和 OpenAI 的 Codex 等编程智能体无法准确预测任务耗时，也无法可靠判断自己已工作了多久。