OpenAI 发布 GPT-6 Cyber 网络安全模型
OpenAI 发布 GPT-6 Cyber，用于发现安全漏洞，并称其测试中越界率低于 1%，低于 GPT-5.6 Cyber 的约 5%。
#推理
The Verge AIAI 评分7575 TechCrunch AIAI 评分6969 Axiom Math 完成 Stacks Project 约 1600 万行 Lean 代码的形式化验证
Axiom Math 宣布完成 Stacks Project 的形式化验证，将其约 7,654 页数学资料转译为约 1,600 万行经计算机检查的 Lean 代码。
TechCrunch AIAI 评分5252 Discovered Materials 设立总额 $1M 的 AI 材料科学挑战
Discovered Materials 设立总额 $1M 的 AI 材料科学挑战，征集五项材料科学未解难题的解答。题目涉及铜氧化物超导、硅与二氧化硅界面结构、晶粒结构与热性质映射、光照改变材料行为以及改进密度泛函理论，验证这些成果有助于跟踪模型在该领域的进展。
MarkTechPost精选AI 评分8080 Together AI 发布 Together Compiler，以 AI 智能体持续优化推理性能
Together AI 发布 Together Compiler，通过编码智能体持续重写模型前向传播，并在生产流量变化时重新优化推理配置。
推荐理由：文章梳理了 Together Compiler 的持续编译机制、软硬件覆盖与自报性能，展示了生产流量驱动推理优化的实现路径。
量子位精选AI 评分7676 百度开源文心5.5 Flash Base，多项基准达到同尺寸模型 SOTA
百度正式开源文心5.5 Flash Base（ERNIE 5.5 Flash Base），采用 MoE 架构，总参数量2800亿，每个 Token 激活140亿参数。
推荐理由：文心5.5 Flash Base公开了模型架构、训练规模与关键优化，为开发者评估其能力边界和微调价值提供了具体信息。
量子位AI 评分5252 Matthew Honnibal 质疑 MIT Astra 修改 Qwen 权重的实验表述
spaCy 作者 Matthew Honnibal 质疑 MIT Astra 研究的误导性表述，称读取小网络权重与修复 Qwen 大模型依赖不同技术路径。Astra 在 Qwen3.5-0.8B 数学修复实验中被允许使用 Python 并进行最多 50 次前向测试，而非只读取原始权重。论文报告的数学成绩从 7.9% 提升至 48.1%，但文章认为模型借助工具诊断和修改权重的能力本身仍具有工程价值。
雷峰网AI 评分5656 Google 与 Mercor 的 PLE 研究揭示工程 Agent 交付瓶颈
Google 与 Mercor 近日发布 Physical-Engineering's Last Exam（PLE），用 85 项机械、电气、土木与结构工程任务评估 Agent 的实际交付能力。
雷峰网AI 评分6363 上海交大邓志杰解析扩散语言模型的并行生成与加速方法
上海交通大学副教授邓志杰在 CNCC 2026 讲解扩散语言模型如何在保证生成质量的同时提升速度，并介绍跨块并行、后训练和推理系统优化等方法。文中涉及 LLaDA、Dream、D2F、MultiBD、CForce、LightningRL、Fast-dLLM 和 LoPA 等路线，以及流式视频、语音修复、多模态和智能体应用探索。
MarkTechPostAI 评分6363 webAI 发布 TwIL-8B 推理模型，MATH-500 得分 98.2
webAI 发布基于 IBM Granite 4.2 8B 后训练的 TwIL-8B 推理模型，参数量为 8.79B，MATH-500 得分 98.2。模型提供 Balanced 和 Verbose 两个版本，Q4_K_M 构建为 4.98 GiB，支持在 CPU 或显存较小的 GPU 上运行。
The DecoderAI 评分6161 CloudOpsBench 开源基准揭示 AI 智能体云运维中的推理瓶颈
CloudOpsBench 1.0 是面向 AWS 云端 DevOps 任务的开源基准，由 experienced DevOps engineers 构建，包含 45 项任务。
雷峰网AI 评分4747 Prophetlab 获数千万元天使轮融资，常春藤资本等机构投资
AI 预测引擎公司 Prophetlab 获常春藤资本等机构数千万元天使轮融资。其早期项目利用大模型预测世界杯，部分模型准确率达 75% 左右；Prophet Engine 登顶 FutureX 总榜，并已获得数百万商业化订单。
SiliconANGLE AIAI 评分7474 Tencent 发布 Hy4 大语言模型，新增视觉理解与计算机操作能力
Tencent 发布 Hy4 大语言模型，首次加入计算机操作能力，并通过视觉理解、推理和工具调用强化长程智能体表现。Hy4 采用 770B 总参数、49B 激活参数和 100 万 token 上下文窗口，相比 Hy4 Preview 在 GameDev bench 和 GameLogic 基准上分别提升 19.1% 和 9.8%。
The Decoder精选AI 评分8080 MIT 研究用 GPT-6 Astra 直接修改其他 AI 模型权重
MIT 研究人员展示 GPT-6 Astra 无需传统再训练，即可直接分析并修改其他 AI 模型的内部权重，并将其称为 Weight-Space Programming。
推荐理由：研究以 Qwen3.5-0.8B 为例展示了直接修改模型权重的实验效果，也明确呈现了方法受限于模型已有能力的边界。
The DecoderAI 评分6868 Anthropic 开源 FlashProve 原型，用密码学验证 AI 响应来源
Anthropic 发布开源研究原型 FlashProve，通过 zkSNARK 证明 AI 响应是否由指定模型生成，同时不暴露模型权重。该系统目前只支持最长 1,024 tokens 的上下文，并仅适用于模型选择最高概率下一 token 的场景。
量子位AI 评分7171 招商局狮子山实验室发布具身推理模型「驭物™ Lion-ER-35B-A3B」
招商局狮子山实验室发布具身推理视觉语言模型「驭物™ Lion-ER-35B-A3B」，总参数约35B，每个Token仅激活约3B参数，并在十项具身相关基准上实现全部指标提升。
爱范儿精选AI 评分7878 爱范儿实测腾讯 Hy4 在 WorkBuddy 中复刻《王者荣耀》
爱范儿在 WorkBuddy 中实测腾讯 Hy4 正式版，模型可依据录屏复刻网页迷你 MOBA，并完成办公文档、3D 场景及应用开发等长程任务。测试覆盖多模态视觉理解、连续电脑操作和错误后的计划调整，作者认为其日常办公与创意任务的交付能力明显优于 preview，但复杂流程仍可能需要多轮交互。
推荐理由：通过办公、编程、3D 建模和游戏复刻等实测，呈现 Hy4 接入 WorkBuddy 后的长程执行与多模态表现。
雷峰网AI 评分5656 MIT CSAIL 以权重空间编程局部修复 Qwen3.5-0.8B 推理循环
MIT CSAIL 让 GPT-6 Astra 定位并编辑 Qwen3.5-0.8B 中与推理循环相关的参数，仅改动约 0.016% 的权重，使 MATH-500 成绩从 7.9% 提升到 48.1%。研究还覆盖游戏网络、车辆控制和 Gemma 3 270M 对照实验，并将这种从权重中识别计算路径、直接生成或修改参数的方法称为 Weight-Space Programming。
雷峰网AI 评分4848 严骏驰团队提出 JTok 与 xHC 两条 Transformer 架构扩展思路
严骏驰团队在 CNCC 2026 提出 JTok 与 xHC：前者以可学习参数表扩展 token 容量，后者以十六路残差流、稠密读取和稀疏写回扩展模型容量。实验显示，JTok-M 达到相同损失可节省约 35% 训练算力，但推理延迟增加约 7%；xHC 在 18B MoE 上将平均分从 44.8 提升至 48.8，并较标准 Transformer 节省约 33% 训练算力。
MarkTechPostAI 评分7070 Anthropic 开源 FlashProve，用加密证明验证模型回复来源
Anthropic 发布开源研究原型 FlashProve，通过 zkSNARK 证明回复来自已承诺权重的模型，同时不泄露权重。FlashProve 在 Llama 4 Maverick 的 400B MoE 模型上使用 1 张 H100 实现约 110 tokens/second 证明，生成 18.78 MB 证明，并可在 CPU 上用 17 秒完成验证。
MarkTechPostAI 评分6464 NVIDIA 分享在 DGX Spark 上加速 Ling-3.0-flash MoE 推理的三种方法
NVIDIA 通过 Humming MoE 内核、FP8 LM head 和 MTP 推测解码三种优化，将 Ling-3.0-flash 在单台 DGX Spark 上的 GSM8K 解码吞吐量从 37.81 提升至 53.89 tokens/s，增幅 42.5%，平均延迟下降 24.5%。
The DecoderAI 评分6868 Stanford研究称44%的LLM既有研究结论已失效
Stanford研究人员用20个模型检验50项广泛引用的LLM结论，其中44%已失效，另有34%显著减弱，仅16%仍成立且6%增强。22项可估计失效时间的结论平均仅维持15.7个月，其中推理能力限制类结论失效最快。研究团队建议将LLM实证结论视为特定模型在特定时间点的观察，并公开模型版本、日期、提示词与分析代码以便复测。
MIT Technology Review AIAI 评分5050 “反向博弈论”如何约束 AI 智能体
一种被称为“反向博弈论”的机制设计方法，正尝试通过交叉检查、竞争和求解者与审计者分工，激励 AI 智能体遵守规则并减少测试伪装。该方法不要求完全理解模型内部机制，但依赖对智能体行为理性的假设。研究者也指出，智能体可能串谋、寻找漏洞，且面向单项任务设计的机制能否迁移到真实前沿模型仍不明确。
爱范儿AI 评分6262 GPT-6 Astra 直接修改 Qwen 权重提升数学成绩
MIT CSAIL 团队让 GPT-6 Astra 直接修改 Qwen3.5-0.8B 的 131072 个权重参数，将 MATH-500 成绩从 7.9% 提升至 48.1%，GSM8K 从 13.8% 提升至 67.1%。
爱范儿AI 评分6565 苹果财报揭示 AI 成本向订阅与硬件定价传导
苹果在 2026 财年创下 4788 亿美元营收，同时 AI 云端推理和内存涨价推高研发与制造成本。公司正探索在 iCloud+ 中加入进阶 AI 能力、调用阈值和扩容方案，并通过提高硬件定价、调整新品节奏及本地算力产品应对成本压力。
