Z.ai 于 6 月 13 日发布 GLM-5.2，这是 GLM-5 系列四个月内的第四款旗舰编码模型。核心亮点是可用的 100 万 token 上下文窗口（标识为 glm-5.2[1m]），每轮最多输出 131,072 token，约为 GLM-5.1 的 5 倍。新增 High 和 Max 两种思考强度级别，Max 推荐用于复杂多步编码任务。架构未在发布时公开，但社区指出 GLM-5 基础为 744B 参数的 MoE 模型，每 token 激活 40B 参数。Z.ai 未公布任何基准测试分数。GLM-5.2 兼容 Claude Code、Cline 等 8 种编码智能体工具，可通过 Anthropic 兼容端点直接替换使用，对所有 GLM Coding Plan 用户（Lite/Pro/Max/Team）开放。
富国银行报告指出，高通有望与亚马逊 AWS 深化合作，为其提供 AI200 等新一代 AI 芯片，以降低推理成本、提升运营利润率。高通于 2025 年 10 月发布 AI200，单颗支持 768GB 内存，并推出专为机架级 LLM、LMM 推理设计的方案。AI200 预计 2026 年扩大部署。AWS 已在提供性价比强劲的高通 AI100 Ultra 芯片服务，富国银行认为 AWS 有望成为高通最重要的超大规模云端合作伙伴。
StepFun@StepFun_aiAI 评分4848Step 3.7 Flash is Live on DeepInfra: An Agentic, Multimodal Model Built for Production
StepFun@StepFun_aiAI 评分4343Step 3.7 Flash is Live on DeepInfra: An Agentic, Multimodal Model Built for Production
通过OpenRouter融合的一组预算模型，在100个复杂研究任务上得分超过GPT-5.5和Claude Opus 4.8。
推荐理由：OpenRouter 的 Fusion API 用多个模型合成输出，基准测试里预算模型组合能接近前沿，这个思路对有质量要求又在意成本的开发者挺实用。
Google Research 推出 Gemini-SQL2，基于 Gemini 3.1 Pro，可将自然语言转换为可执行 SQL 查询。该模型在 BIRD 基准上达到 80.04% 准确率，大幅领先 OpenAI 和 Anthropic。Google 表示该技术将改进其数据服务的自然语言功能。
6月13日，科大讯飞在长三角机器人及自动化展览会上发布星火多模态大模型X2-VL。该模型基于全国产算力平台太湖星跃训练，采用专属MoE架构。面向高中各科图文结合试题，答题准确率近95%；挑战2026年高考数学全国I卷获148分，高于对比模型A-E（144、143、137、145、142分）。科大讯飞已在无锡高新区成立子公司负责日常运营。
13个AI模型（含Claude、DeepSeek、Gemini等）在经人工校对为LaTeX的2026高考数学全国一卷中重考，平均分139.4。8道单选全对，3道多选仅Q11翻车（GLM 5.1和Hy3误选ABCD得0分），3道填空全对，Q15-Q17解答题全部满分。Q18解析几何多数答案正确但过程扣分。压轴题Q19无人满分：GPT-5.5因迭代证明跳步扣2分最佳；Opus 4.8、DeepSeek、Gemini等7个模型因答案不完整扣7分。运行时间差异显著——Grok 4.3用时1分钟得134分，Qwen 3.7-Max用时15分钟与MiniMax m3用时2分钟均得138分。
Google Research发布Gemini-SQL2模型，基于Gemini 3.1 Pro，专攻自然语言转SQL任务。在BIRD单模型赛道执行准确率80.04%，超越此前Gemini-SQL。BIRD涵盖95个数据库、37个专业领域及12751组问题-SQL配对，含脏数据与外部知识需求。业务人员可用自然语言查询营收、流失等指标。谷歌尚未公布API、模型卡或技术报告，亦未确认产品接入。
SemiAnalysis 购买了 Anthropic 和 OpenAI 的全部订阅方案，模拟高强度编码任务直至触及每周上限。月费 200 美元的 Claude Max 20x 方案，按 API 价格换算最高可消耗约值 8000 美元的 token；ChatGPT Pro 20x 方案对应最高约值 14000 美元的 token。用户通过订阅可获取 40 至 70 倍的 API 价值，该机构指出这种价格体系在重度用户持续榨满上限后可能难以长期维持。
推荐理由：SemiAnalysis 通过高强度编码测试戳破了 200 美元订阅的真实性价比，虽然数据来自推文未附复现步骤，但这个价差足够让重度用户重新算账。
MiniMax (official)@MiniMax_AIAI 评分8080🎉 恭喜 @MiniMax_AI 发布 MiniMax M3！前沿的编程与智能体能力、原生图像和视频输入、计算机使用，以及 100 万 token 上下文窗口，全部集成在一个开放模型中。 M3 的核心是 MSA，一种全新的稀疏注意力架构：它不再对完整的 KV 缓存进行密集注意力计算，而是让每个查询对 128 token 的 KV 块打分，并仅对得分最高的块运行注意力。这正是让 100 万 token 上下文变得可实际服务的关键。 M3 在 vLLM 中实现首日支持，并已在 NVIDIA 和 AMD 硬件上验证： ✨ 带专用 prefill 和 decode 内核的 MSA 稀疏注意力 ✨ 支持前缀缓存和分块 prefill 的 100 万 token 上下文服务 ✨ BF16 和 MXFP8 检查点，同时为 Hopper 和 Blackwell 提供 MoE 后端 ✨ 原生多模态输入（图像 + 视频） ✨ 面向智能体工作负载的工具调用、推理解析和思考模式控制 这样的首日支持是真正的团队协作成果。感谢 @MiniMax_AI、@NVIDIAAI、@AIatAMD 和 @inferact 的团队，以及 vLLM 社区让这一切成为可能。🙏 深入了解实现细节、内核工作和部署方案： 🔗 https://vllm.ai/blog/2026-06-12-minimax-m3-vllm
Artificial Analysis@ArtificialAnlysAI 评分5959MiniMax (official)@MiniMax_AI精选AI 评分8282🎉 恭喜 @MiniMax_AI 发布 MiniMax M3！前沿的编程与智能体能力、原生图像和视频输入、计算机使用，以及 100 万 token 上下文窗口，全部集成在一个开放模型中。 M3 的核心是 MSA，一种全新的稀疏注意力架构：它不再对完整的 KV 缓存进行密集注意力计算，而是让每个查询对 128 token 的 KV 块打分，并仅对得分最高的块运行注意力。这正是让 100 万 token 上下文变得可实际服务的关键。 M3 在 vLLM 中实现首日支持，并已在 NVIDIA 和 AMD 硬件上验证： ✨ 带专用 prefill 和 decode 内核的 MSA 稀疏注意力 ✨ 支持前缀缓存和分块 prefill 的 100 万 token 上下文服务 ✨ BF16 和 MXFP8 检查点，同时为 Hopper 和 Blackwell 提供 MoE 后端 ✨ 原生多模态输入（图像 + 视频） ✨ 面向智能体工作负载的工具调用、推理解析和思考模式控制 这样的首日支持是真正的团队协作成果。感谢 @MiniMax_AI、@NVIDIAAI、@AIatAMD 和 @inferact 的团队，以及 vLLM 社区让这一切成为可能。🙏 深入了解实现细节、内核工作和部署方案： 🔗 https://vllm.ai/blog/2026-06-12-minimax-m3-vllm
推荐理由：M3把1M上下文从‘理论上能做’变成了‘今天就能部署’，MSA稀疏注意力是关键，开源社区和推理框架的深度合作值得关注。
Google Research 于 2026 年 6 月 12 日发布 Gemini-SQL2，基于 Gemini 3.1 Pro 驱动的文本转 SQL（Text-to-SQL）能力，在 BIRD 单模型排行榜上达到 80.04% 的执行准确率。
MiniMax (official)@MiniMax_AIAI 评分5050@MiniMax_AI M3 is live on Telnyx Inference 🚀 M3 is the first open-weight model combining frontier coding & agent capabilities, 1M-token context, and native multimodal understanding. M3's 1M context + Telnyx's owned GPU infrastructure = fast inference capable of processing entire codebases in one conversation. It’s time to start building https://telnyx.com/release-notes/minimax-m3
MiniMax (official)@MiniMax_AIAI 评分6464MiniMax M3 is live on Fireworks. Day-0, fastest endpoint for the MiniMax series. → Top open-weight model on the Artificial Analysis index → 512K context, native image + video input → MSA sparse attention: 9× faster prefill, 15× faster decode → Priced at parity with M2.7 Long-horizon agents, full-repo understanding, multimodal coding all in one model. Learn more: https://fireworks.ai/blog/minimax-m3-launch
Jeff Dean@JeffDeanAI 评分4848据 Jeff Dean 转发，Ido Aizenbud 与合作者的新研究发现，单个皮层神经元能够对猫狗进行分类、识别口语单词并解决 10 位奇偶校验——这些任务此前被认为需要整个网络才能完成。
What can a neuron compute? Real biological neurons are complex, but how capable are they? Using a new method, we found that a single cortical neuron can classify cats vs dogs, recognize spoken words, and solve 10-bit parity, all tasks thought to require entire networks. (1/15)
MiniMax (official)@MiniMax_AI同事件AI 评分8181推出 MiniMax M3：首个融合三项前沿能力的开放权重模型 - 编程与智能体前沿：59.0% SWE-Bench Pro，66.0% Terminal Bench 2.1，34.8% SWE-fficiency，28.8% KernelBench Hard，74.2% MCP Atlas - MiniMax Sparse Attention 将上下文扩展至 1M - 从第零步起原生多模态 API：http://platform.minimax.io Token 套餐：https://platform.minimax.io/subscribe/token-plan 🚀全新！MiniMax Code：http://code.minimax.io 权重与技术报告约 10 天后发布
同一件事，精选收录的是《MiniMax M3 获 vLLM 日零支持，1M 上下文窗口与 MSA 稀疏注意力》
英伟达已开始向中国客户推介其下一代数据中心 CPU Vera，该芯片不受美国出口禁令限制，最快今年 8 月上市，客户可启动下单。Vera 是英伟达首款独立 CPU，专为智能体 AI 和强化学习设计，运行速度达竞品 1.8 倍，已全面量产。中国客户计划先在海外数据中心部署测试，其中一家头部云服务商拟订购超 300 台双 Vera 服务器。单颗 Vera 售价超 2 万美元，满配 256 芯片机架约 1000 万美元。英伟达预计本财年 Vera 业务贡献约 200 亿美元收入。
沐曦股份董事会通过议案，拟发行H股并在香港联交所主板上市，初始发行规模不超过发行后总股本的5%，另设不超过15%的超额配售权。募集资金将用于新一代通用GPU研发、MXMACA软件生态建设、产业链投资等。该公司于2025年12月在科创板上市，2025年营收16.44亿元同比增121.26%，GPU累计销量超5.5万颗；2026年一季度营收5.62亿元同比增75.37%。新一代训推一体GPU曦云C600已量产销售。
Kimi.ai@Kimi_Moonshot精选AI 评分7070推荐理由：月之暗面这次把编码模型做到 K2.7 还直接开源，Bench 提升不小，关键是把「想太多」的毛病治了，推理 token 省了三成，做 coding agent 的可以立刻换上试试。
Zyphra 推出 Zamba2-VL 系列开源视觉语言模型，包含 1.2B、2.7B 和 7B 三种参数规模。采用混合 Mamba2 状态空间与 Transformer 骨干架构，基于 Apache 2.0 许可证开源。在保持与同类 Transformer VLM 相当性能的同时，首 token 生成时间（time-to-first-token）缩短约一个数量级。
华为在HDC 2026上发布开源盘古openPangu 2.0模型，拥有512K上下文，提供Pro和Flash两个版本：Pro总参数505B、激活18B，Flash总参数92B、激活6B。该模型更亲和昇腾算力，单卡吞吐率可达其他主流开源模型2倍；更适配鸿蒙，Agent任务更快更准更省。计划从6月30日起陆续开源7大组件，包括预训练代码、后训练代码、训练算子。余承东解释总参数仅505B，因算力大量支持国内其他企业，自身留用有限，且AI算力成本高，华为更聚焦时延和吞吐率提升。
Beren Millidge 撰文认为蒸馏对中国实验室进展的作用被夸大。他指蒸馏数据只用于 mid-training 和 SFT 的冷启动，真正的能力跃升来自 RLVR，RLVR 训练模型自身 rollout 而非蒸馏数据；DeepSeek-R1 论文和微软近期模型都证明了无冷启动、纯 RLVR 也能训练推理模型。
vLLM 宣布对 MiniMax M3 的 day-0 支持，覆盖 BF16 与 MXFP8 检查点，支持 1M-token 上下文、原生图像视频输入、minimax_m3 工具与推理解析器、EAGLE3 推测解码（草稿模型 Inferact/MiniMax-M3-EAGLE3）以及 TP/EP 部署和 Docker 镜像。
推荐理由：官方团队拆解了 MSA 稀疏注意力、MXFP8 MoE 与 EAGLE3 在推理引擎中的落地细节，部署者可以照此选择 NVIDIA 或 AMD 配置并理解瓶颈所在。
OpenRouter数据显示，企业正从单一LLM转向跨模型族推理，成本压力是推动路由决策的关键。Anthropic的Opus 4.7因tokenizer tax导致输入token增加约35%；新模型Fable（$10/M输入，$50/M输出）和OpenAI的GPT-5.5 Pro（$30/M输入，$180/M输出）定价更高。3月至4月间有90个新模型发布，进一步增加了可选性。
腾讯混元 AI Infra 团队开源升级 HPC-Ops 推理算子库，推出五大核心算子。Attention 采用运行时动态负载调度，长文本最高加速 2.95x，端到端 QPM 提升 17%；Router GEMM 以双 BF16 组合实现 FP32 精度，对比 CuBLAS FP32 最高提速 3.22x；FusedMoE 相对 vLLM、SGLang 性能提升 1.2x～1.6x；Fused AllReduce+Norm 对比主流方案最高提速 1.68x；Sampler 将解码采样融合为 2 个 CUDA Kernel，相对 vLLM 提速 4.0x～7.5x。所有能力均来自生产实践并完全开源。
推荐理由：腾讯混元把推理全链路的瓶颈都加速了一遍，Sampler 算子比 vLLM 快 4-7 倍，Attention 动态调度根治长尾延迟，这套开源算子库可以直接用，做推理部署的可以抄作业。
苹果在 WWDC 2026 推出 CoreAI 引擎，接替 CoreML，主攻端侧大语言模型推理。首批测试显示，M4 Mac 上运行 Qwen3 0.6B 时 CoreAI 解码速度约是 MLX 的 2.47 倍，iPhone 17 Pro 上约 1.6 倍；但模型升至 Qwen3 8B（M4 Max）时优势缩至 5%。持续负载下 iPhone 17 Pro GPU 降频，CoreML 配合苹果神经引擎（ANE）性能保持率反超。横向对比，谷歌 LiteRT-LM 运行 Gemma 达 55.4 tok/s，RAM 仅 641 MB，而 MLX 占用 2900 MB。
谷歌6月11日发布开源文本扩散模型DiffusionGemma，本地推理速度较自回归模型提升4倍。采用Apache 2.0许可证，可从Hugging Face下载权重。采样速度1479 tokens/秒，开销0.84秒。代码生成HumanEval达89.6%，数学AIME 2025达23.3%超越对比模型。在H100 GPU上每秒生成1000 token，DGX Station上可达2000 token。
Gemini 2.5 Flash API 支持配置思考预算（thinking budgets），用户可跨提供商进行比较，并在5分钟内完成首次API调用。
推荐理由：这是 OpenRouter 上接入 Gemini 2.5 Flash 的保姆级指南，把三家 Google 提供商的延迟和定价差异摆在明面上，需要做模型选型和成本估算的开发者可以直接抄里面的 quickstart 代码。
Google DeepMind 发布 DiffusionGemma，一款利用扩散模型加速文本输出的新模型，本地 AI 推理速度达到传统模型的 4 倍。
Google DeepMind 发布实验性开源模型 DiffusionGemma，参数量 26B，采用混合专家（MoE）架构，通过文本扩散（text diffusion）技术实现在 GPU 上最高 4 倍生成速度提升。模型权重已开放。
Rohan Paul@rohanpaul_aiAI 评分7070DiffusionGemma is an open, experimental model that brings our text diffusion research to Gemma 4. It’s a racehorse 🏇achieving up to 4x faster inference by generating entire blocks of text simultaneously vs predicting token-by-token (word-by-word) output!
ClaudeDevs@ClaudeDevs精选AI 评分6666Apple开发者新消息：Foundation Models支持现在可让开发者使用Apple的Foundation Models框架来调用Claude，进行多步骤推理、代码生成和更长上下文处理。
推荐理由：Apple 的 Foundation Models 框架终于纳入 Claude，iOS/macOS 开发者可以直接在原生环境调用强推理和长上下文能力，做 AI 应用的值得去试试集成效果。
Rohan Paul@rohanpaul_aiAI 评分6464Dive in 👇 📝 Blog: https://www.apodex.com/blog/apodex-1.0 📄 Tech report: http://www.apodex.com/pdf/20260608 💻 Github: https://github.com/ApodexAI/AgentHarness 🤗 Hugging Face: https://huggingface.co/collections/apodex/apodex-1 💬 Discord: https://discord.gg/TDJA59TCng2 ⏬ API Platform：https://platform.apodex.ai/
Google DeepMind 发布开源实验模型 DiffusionGemma，采用文本扩散技术，突破自回归逐 token 生成方式，每次前向并行生成 256 个 token。该 26B MoE 模型推理时仅激活 3.8B 参数，量化后适配 18GB 显存消费级 GPU。在 H100 上达 1000+ tokens/s，RTX 5090 上 700+ tokens/s，速度提升 4 倍。具备双向注意力和自我修正能力，面向内联编辑、代码填充等本地交互工作流，以 Apache 2.0 许可证开放。
推荐理由：DiffusionGemma 虽为实验性质，但它把文本生成从“串行打字机”变成了“并行印刷机”，本地推理速度 4 倍提升，对需要实时交互的开发者是个值得关注的方向。
DiffusionGemma 是 Google 基于 Gemma 4 架构的实验性文本生成模型，采用扩散式并行生成替代逐 token 自回归，实现更快推理、双向上下文感知和实时自我修正，并可在消费级 GPU 上部署。模型通过迭代去噪并行生成并细化 256-token 块，在处理数独等复杂约束任务上优于传统语言模型，且微调效果显著。它已集成 vLLM 等推理框架，为开发者提供一种高性能、高效长上下文扩展且易于定制部署的非自回归新方法。