Sutton批评LLM扩展，AI社区对扩展路线产生分歧
图灵奖得主Richard Sutton发文指出仅靠算力不足以实现智能，AI科学需要新的巧妙方法且远未完成。他批评合成数据是错误，主张智能体通过世界模型从自身经验中持续学习。
#推理
The DecoderAI 评分7070 The DecoderAI 评分4242 Thinking Machines Inkling 2 Small 在基准测试中频繁出现脏话
Vals AI 研究人员在 Thinking Machines Inkling 2 Small 的 2,655 次基准测试运行中发现 316 处脏话。其中 241 处来自两次失控运行，包括一次生成 50 万字符的重复响应。尽管 46 次含脏话的运行中 48 次失败，但约 75% 的运行本就失败，且 96% 的失败运行不含脏话，表明脏话并非有效的失败预警信号。
AWS Machine Learning Blog精选AI 评分7272 SageMaker Inference 支持 Multi-Instance GPU 以最大化模型端点 GPU 利用率
Amazon SageMaker Inference 新增 GPU 分区功能，利用 NVIDIA MIG 将物理 GPU 划分为独立分区，支持在单 GPU 上部署多个隔离模型。测试显示，H100 的 mig-3g.40gb 分区在吞吐和延迟上优于整卡 A100-40GB，且在长上下文高并发场景下成本降低 18%–34%。
推荐理由：SageMaker Inference 引入 MIG 分区，允许在单 GPU 上部署多个隔离模型，并提供了 H100 分区与 A100 整卡的性能与成本对比数据。
The DecoderAI 评分7272 百度发布 2800 亿参数开源基座模型 ERNIE 5.5 Flash Base
百度发布开源基座模型 ERNIE-5.5-Flash-Base，采用 2800 亿参数 MoE 架构，每输入激活 140 亿参数。该模型在 33.5 万亿 token 上预训练，支持最长 100 万 token 上下文，权重已在 Hugging Face 以 FP8 和 BF16 格式开放。
The DecoderAI 评分5757 开源基准 CloudOpsBench 揭示推理是 AI 云运维最大瓶颈
密歇根大学团队发布开源基准 CloudOpsBench，用于评估 AI 智能体在 AWS 云环境中的 DevOps 任务处理能力。v1.0 版本包含 45 项任务，最佳模型 Claude Fable 5.1 解决率为 60%，GPT-6 Astra 为 53%。分析显示约 80% 的失败源于推理缺陷，如误判任务范围或未检查所有相关服务，仅 20% 为错误操作。
Latent Space同新闻AI 评分8787 Google DeepMind 发布 Gemini 4 Carbon 并优先向网络安全防御者开放
Google DeepMind 发布 Gemini 4 Carbon，该模型在 Artificial Analysis 综合基准中位列第一，并优先通过 Fairwind 计划向受信任的网络安全防御者开放。独立评测显示其在网络安全漏洞发现与利用任务上表现突出，但幻觉率从上一代模型的 4% 上升至 11%。
The DecoderAI 评分6767 Artificial Analysis 新智能指数拉大开源与闭源模型差距
Artificial Analysis 全面改版其智能指数，导致 Kimi K3.1 Pro 排名从第四跌至第九，开源模型与榜首的差距从 3 分扩大至 12 分。
The Verge · AI精选AI 评分8282 研究人员对 OpenAI 限制其突破性成果访问感到疲惫
OpenAI 宣布在数学、计算机科学和物理领域取得突破性进展，但研究人员对其限制访问的发布策略感到不满。OpenAI 称正与专家合作决定如何分享成果，其中数学结果已发布，计算机科学结果将由外部团队解释，物理结果则暂缓发布。多位专家指出，尽管成果令人印象深刻，但 OpenAI 应公开所有材料以供社区审查，而非仅由少数指定专家先行查看。
推荐理由：文章梳理了 OpenAI 在数学、物理和计算机科学领域的最新突破，并呈现了学术界对其发布策略的批评与分歧。
TechCrunch · AI精选AI 评分9292 前沿 AI 实验室称模型推翻指数时间假设，这意味着什么？
OpenAI 和 Anthropic 声称其模型提出了亚指数级算法，推翻了计算机科学中关于计算难度的指数时间假设（ETH）。MIT 教授 Ryan Williams 指出，若该结论成立，将挑战 P vs NP 问题的基础直觉，并可能影响依赖特定密钥长度的加密系统，但 OpenAI 表示已检查且未发现现有加密系统因此失效。
推荐理由：文章通过计算机科学家视角解析了模型推翻指数时间假设对计算复杂度和密码学的潜在影响。
The DecoderAI 评分5252 前 DeepMind 研究员 Thore Graepel 提出用 AlphaGo 思路构建知识账本以解决 AI 幻觉
前 DeepMind 研究员 Thore Graepel 创立的 Metis Reasoning 提出借鉴 AlphaGo 的搜索机制，通过构建显式知识账本和独立验证模块来减少 AI 幻觉。该方案主张将知识从模型权重中剥离，使推理过程可追溯且支持动态更新，旨在解决当前大语言模型在医疗、金融等高风险领域缺乏可验证性的根本问题。
The Decoder精选AI 评分9292 OpenAI 邀请外部专家验证 AI 在数学、计算机科学与物理领域生成的证明
OpenAI 邀请包括诺贝尔奖得主在内的外部专家作为“牧羊人”，验证其 AI 在数学、计算机科学与物理领域生成的证明。
推荐理由：文章梳理了 OpenAI 引入外部专家验证 AI 数学与物理证明的流程，展示了大模型在基础科学领域应用时的信任建立机制。
The DecoderAI 评分6262 OpenAI 员工 Ted Sanders 分享 GPT 模型选型经验法则
OpenAI 员工 Ted Sanders 解释了 GPT 模型命名逻辑，指出模型性能是多维度的，不能简单用单一 IQ 分数概括。他建议用户根据价格敏感度选择模型：追求极致质量选 Astra，对价格稍敏感选 Sol，对价格非常敏感选 Terra 或 Luna。
OpenAI News精选AI 评分8282 OpenAI 与学术社区合作构建科学理解
OpenAI 分享了模型在 Kakeya 猜想、指数时间假设和量子色动力学上的结果，并说明了研究者如何验证和基于这些结果继续工作。
推荐理由：OpenAI 展示了模型在数学与物理猜想上的具体结果，并说明了研究者如何验证和基于这些结果继续工作。
The Decoder精选AI 评分9090 OpenAI 发布 GPT-6.1 Terra，API 价格减半且性能超越前代
OpenAI 发布 GPT-6.1 Terra，其 API 输入和输出价格分别为每百万 token 1 美元和 5 美元，是 GPT-5.6 Terra 的一半。
推荐理由：GPT-6.1 Terra 将 API 价格降至前代一半，并在推理效率和编码基准上显著超越 GPT-5.6 Terra。
The Verge · AIAI 评分4242 Kevin Roose 出版《The AGI Chronicles》并创办新播客 Machine Gods
记者 Kevin Roose 出版新书《The AGI Chronicles》，深入报道前沿实验室在 AGI 竞赛中的文化转变。他与 Casey Newton 离开《纽约时报》，联合 NPR 推出视频优先的新播客 Machine Gods。
The Verge · AI精选AI 评分8282 SpaceX 与 Tesla 拟合并，马斯克意在整合 AI 基础设施并扩大控制权
SpaceX 与 Tesla 已成立特别委员会讨论合并，马斯克称此举旨在协同开发超级智能软件。SpaceX 第三季度 AI 部门收入达 75.6 亿美元，其中大部分来自算力租赁；Tesla 则连续两季度利润下滑，重心转向机器人和自动驾驶。分析指出，合并将使马斯克通过 SpaceX 获得对 Tesla 的投票控制权，并可能触发其巨额薪酬包的加速归属条款。
推荐理由：文章梳理了 SpaceX 与 Tesla 合并传闻背后的 AI 基础设施协同逻辑，以及马斯克借此获得的控制权与财务收益。
Microsoft Research精选AI 评分8585 Microsoft Research 证明 31 年前提出的 KLS 猜想
Microsoft Research 研究人员与合著者共同证明了困扰数学界 31 年的 KLS 猜想，确立了高维几何中普适的几何原则。该成果通过人类主导的 AI 智能体研究流程实现，AI 系统探索了超过 100 种候选方法，研究人员负责评估、剪枝和重定向搜索。独立研究者已验证该研究，并发布了基于 Lean 4 的形式化验证，确认了结果的可靠性。
推荐理由：展示了人类主导 AI 探索数学路径并解决高维几何核心难题的过程，为 AI 辅助科研提供了具体范式。
The DecoderAI 评分6868 DeepMind 创始人 Hassabis 将 AGI 时间线从三到五年缩短至两到三年
Google DeepMind 创始人 Demis Hassabis 表示，AGI 可能在两到三年内到来，这比他今年早些时候预测的三到五年更短。他将 AGI 定义为匹配人类大脑全部认知范围的系统，并提出了“爱因斯坦测试”作为衡量标准，即系统仅基于 1901 年前的知识能否复现爱因斯坦 1905 年的论文。
The Decoder精选AI 评分8080 Inception 发布 Mercury 3 扩散语言模型，宣称在多项基准上超越 GPT-6 Luna 和 Claude Haiku 5.5
Inception 发布扩散语言模型 Mercury 3，宣称在多项基准测试中超越 GPT-6 Luna 和 Claude Haiku 5.5，且生成速度提升 4 至 8 倍。
推荐理由：文章对比了 Mercury 3 与 GPT-6 Luna 及 Claude Haiku 5.5 的基准测试表现，并展示了其在智能体场景下的低延迟应用案例。
AWS Machine Learning Blog精选AI 评分7070 i14 在 AWS Trainium2 上训练和部署 Laplace 3B 线性注意力模型
i14 利用 TorchNeuron Native 在 AWS Trainium2 上实现了 Laplace 3B 线性注意力模型的训练与推理。该模型将推理状态固定为每序列 29.5 MB，在单台 trn2.48xlarge 实例上实现了约 120,000 tokens/s 的训练吞吐和 11,544 output tokens/s 的推理吞吐。
推荐理由：展示了线性注意力模型在 AWS Trainium2 上的训练与推理工程细节，为长上下文场景提供了可复用的部署参考。
AWS Machine Learning Blog精选AI 评分6767 在 Amazon SageMaker HyperPod 上微调 GPT-OSS-20B 实现多语言推理
AWS 团队在 Amazon SageMaker HyperPod 上通过 SFT 和 GRPO 微调 GPT-OSS-20B，将多语言推理正确率从 22% 提升至 100%。SFT 解决了模型默认用英语推理的问题，GRPO 进一步将答案语言正确率从 62% 提升至 70%。
推荐理由：文章给出了 SFT 与 GRPO 在能力缺口下的分工结论，读者可据此判断何时使用强化学习微调。
The DecoderAI 评分6767 Cloudflare 发布文档数据提取模型 Clairic
Cloudflare 发布名为 Clairic 的 AI 模型，旨在以比大语言模型更快、更低的成本从文档中提取数据。该模型目前在 Workers AI 上提供预览，采用单次遍历而非逐 token 生成，能直接返回指定字段的值及置信度。在包含提取、决策和回复的 Agent 链中，Clairic 将处理时间从 61.7 秒缩短至 19.3 秒，成本降低近一半。
Ars Technica · AI精选AI 评分8282 Gemini 4 Argon 开始在 Gemini 应用和 Antigravity 中向付费用户推送
Google 开始向付费用户广泛推送 Gemini 4 Argon，低层级订阅用户无法获得完整访问权限。该模型在内部应用中表现突出，例如通过消除冗余表情符号渲染使 YouTube 服务器负载降低 45%，并在 Project Wing 无人机物理模拟器中发现了自 2018 年存在的关键代码缺陷。
推荐理由：文章梳理了 Gemini 4 Argon 的付费开放策略，并列举了其在 YouTube 和 Project Wing 等内部场景中的具体应用案例。
The Verge · AI同新闻AI 评分9090 Google 发布 Gemini 4 Argon 模型
Google 正式发布 Gemini 4 Argon 模型，宣称其在复杂工作流推理及编码、网络安全等基准测试中优于 GPT-6 Astra 和 Claude 系列模型。该模型即日起向 Pro 和 Ultra 订阅用户开放，输入 token 定价为每百万 2 美元，约为竞争对手的五分之一。
AWS Machine Learning Blog精选AI 评分7878 在 Amazon Bedrock 上使用 Grok 4.7 构建长时程智能体
AWS 发布教程，指导如何在 Amazon Bedrock 上构建基于 Grok 4.7 的工具调用智能体，并评估不同推理强度（reasoning effort）对长时程任务的影响。在三个需要搜索而非查表的合成任务中，智能体在 72 次运行中答对 67 次，其中 xhigh 强度下 18 次全部正确，而 low 强度下答对 15 次且输出 token 仅为 xhigh 的约八分之一。
推荐理由：原文给出了在 Amazon Bedrock 上构建 Grok 4.7 智能体的完整流程，并展示了不同推理强度下的准确率与 token 消耗对比。
The DecoderAI 评分7575 Sakana AI 提出 MASS 方法实现模型递归自我改进，但存在共享盲点风险
Sakana AI 与 UC Berkeley 研究人员提出 MASS 方法，让单一语言模型通过解决任务、评估结果和优化工作流实现递归自我改进。测试显示该模型在多个基准上胜率从 53.9% 提升至 69.9%，但研究发现模型在三个角色中共享的盲点可能导致错误被误判为进步并进入下一轮训练，作者因此呼吁引入独立检查机制。
The DecoderAI 评分6565 Anthropic 的 Andrej Karpathy 称外部世界只看到了 AI 能力的预览
Andrej Karpathy 指出公众对 AI 能力的认知存在巨大断层，外部世界仅看到了 AI 实际能力的预览。他将 LLM 用户分为四层，其中约 5000 人能访问内部前沿系统，目睹数千个智能体协作完成软件项目、发现零日漏洞及推进数学前沿。Karpathy 认为当前 LLM 能力在数字、可验证且具经济价值的领域（如编码和数学）达到峰值，这源于基于可验证奖励的强化学习。
The Decoder精选AI 评分8888 Google DeepMind AlphaProof Nexus 解决数十个开放数学问题并通过同行评审
Google DeepMind 的 AlphaProof Nexus 在《Science》发表的研究中独立解决了数十个开放数学问题，包括 9 个 Erdős 问题和 44 个 OEIS 猜想。该系统基于 Gemini 3.1 Pro 构建，利用 Lean 形式化语言进行证明起草与修订，并通过了严格的同行评审，这与 OpenAI 近期将 AI 证明直接上传 GitHub 的做法形成对比。
推荐理由：该研究通过同行评审验证了 AI 在解决开放数学问题上的能力，并展示了与 OpenAI 不同的学术发布路径。
Latent Space精选AI 评分9393 OpenAI 发布 722 篇数学论文，Mistral 推出 Large 4 模型
OpenAI 发布 722 篇数学论文，声称解决了 500 个顶级未解数学问题中的 90 个，包括准黎曼猜想。Mistral 同期发布 Large 4 模型，拥有 1T 总参数和 49B 激活参数，支持原生多模态，API 定价为每百万输入/输出 token 1.36/4.18 美元。
推荐理由：汇总了 OpenAI 数学成果与 Mistral 新模型发布，读者可快速掌握本周 AI 领域关键进展。
Google DeepMind精选AI 评分9292 Google DeepMind 发布 Gemini 4 Argon 前沿模型
Google DeepMind 发布 Gemini 4 Argon，该模型通过 Fairwind 计划向受信任的网络安全防御者开放，旨在处理复杂的软件工程、企业知识工作及网络安全防御任务。
推荐理由：原文给出了 Gemini 4 Argon 在长程推理、企业工作流及网络安全防御上的具体基准表现，读者可据此评估其前沿能力边界。
Berkeley AI ResearchAI 评分2020 2026 BAIR 研究生展示会
伯克利人工智能研究实验室（BAIR）展示 2026 届博士毕业生成果，研究涵盖机器人、大语言模型推理、计算机视觉及 AI 安全等领域。毕业生去向包括 OpenAI、Mistral AI、Physical Intelligence 等机构及高校教职。
Berkeley AI Research精选AI 评分6767 自适应并行推理：高效推理扩展的下一个范式
Berkeley AI Research 发布关于自适应并行推理（APR）的研究综述，探讨模型如何自主决定任务分解、并行线程数量及协调方式。文章对比了 Multiverse 和 ThreadWeaver 等方案在 KV cache 管理与推理引擎修改上的差异，并分析了通过强化学习训练模型掌握并行控制流的奖励机制设计，指出 APR 在降低延迟与提升准确率方面的潜力及当前存在的稳定性挑战。
推荐理由：文章梳理了自适应并行推理范式，对比了不同推理引擎实现与训练奖励机制，为优化推理效率提供了技术参考。
Berkeley AI ResearchAI 评分5252 GRASP：面向世界模型的长时域梯度规划方法
GRASP 提出了一种基于梯度的规划器，通过提升轨迹至虚拟状态实现时间维度的并行优化，并直接对状态迭代添加随机性以增强探索。该方法通过重塑梯度，仅利用动作梯度而避免高维视觉模型中脆弱的状态输入梯度，从而解决了长时域规划中的病态优化问题。在 Push-T 任务中，GRASP 在 H=40 时以 8.5 秒的中位时间达到 59.0% 的成功率，优于 CEM 和 GD 等基线方法。
Berkeley AI ResearchAI 评分5252 SPEX 和 ProxySPEX 实现 LLM 大规模交互识别
SPEX 和 ProxySPEX 利用稀疏性和低阶性假设，通过信号处理与编码理论在大规模下识别 LLM 的关键交互。ProxySPEX 利用层级结构将消融次数减少约 10 倍，在特征归因、数据归因和注意力头剪枝任务中均优于现有方法，代码已集成至 SHAP-IQ 仓库。