Mercor 用美国劳工部 O*NET 的 923 个职业、18797 项任务对照现有 AI 基准，发现只有 208 个职业至少有一项任务被 5 条以上基准提示覆盖，22 个职业大类中有 6 类完全没有覆盖。据此估算，90% 的美国工作时间花在几乎没有基准覆盖的任务上。覆盖分布也不均匀：AI 暴露度高的律师任务覆盖充分，同样高暴露度的法律秘书、法庭书记员几乎无覆盖，中等收入知识岗位的长尾普遍缺失。
推荐理由做模型评测或选型的人可以拿这张覆盖地图，判断现有 benchmark 到底测没测到你的业务场景。
IBM 发布 Granite Switch 4.1，含 8B 和 30B 两个版本，把对话、通用与专用决策、语音转写集成到同一个托管端点。三个组件分别是：新的通用决策 aLoRA、在安全决策任务上平均优于 Jev 1.13、Microsoft-Decision-1、GPT-Luna-Decisions 和 Clef-Flash 的 Guardian aLoRA，以及 OpenASR 榜首的 ASR 模型 Granite-Speech-5.0-Turbo-CTC。三者与基座模型组合后，GPU 显存占用与单独运行基座模…
推荐理由显存占用与基座模型相当，就能同时获得决策和语音能力，适合在单卡上部署多任务 Agent 的团队。
Tom's Hardware 报道，搭载于 Surface Laptop Ultra 的英伟达 RTX Spark Superchip，在使用 Qwen 模型的智能体 AI 完成度基准测试中，性能比苹果 M5 Max MacBook Pro 高出约 25%。英伟达 CEO 黄仁勋发布了 RTX Spark 平台，官方称其为智能体 AI 时代 PC 重塑奠定基础。原文未披露具体测试项目、模型版本和功耗数据。
推荐理由想买 AI 笔记本的人可先看这个数字：本地跑 Qwen 智能体任务，英伟达方案比 M5 Max 快约 25%
TypeSafe AI 发布 System One 决策模型 Jev 1.14，以 jev-preview 别名上线，新增图像输入、Box 边界框类型和 262k 上下文三项实验性功能。默认上下文为每请求 64k token、每问题 32k，可通过 opt-in header 扩展到 262k。仅通过托管 API（POST /v1/systemone）提供，不开源权重。图像支持 PNG/JPEG，单文件最大 16 MiB，按普通输入 token 计费。Box 每题返回一个边界框和置信度，但对不存在的目标仍会返回框，…
推荐理由想用决策模型做图像检测和定位的开发者，可先了解 Box 类型和 262k 上下文的接口限制
Traditionally, changing the number of GPUs in a vLLM service required adding or removing entire model replicas or restarting the engine with a different GPU count. As models grow larger, each replica needs more GPUs, so …
推荐理由行业动态类信息，来自 vLLM，建议按需查看原文。
Google 发布新一代前沿模型 Gemini 4 Argon，称其在编码、网络安全、科学、金融、法律等基准上超过 GPT-6 Astra、Claude Fable 5.1 和 Claude Opus 5.5，并减少了回避、重复和套话。该模型已内部用于查找修补安全漏洞、将 YouTube 评论区算力减半、为 Wing 调试无人机物理模拟器。今日起向 Gemini 应用和搜索 AI 模式的 Pro、Ultra 订阅用户，以及 Antigravity 平台的 Ultra 用户开放，Plus 和免费用户暂无时间表。定价为…
推荐理由定价每百万输入 2 美元、输出 10 美元，约为 GPT-6 Astra 的五分之一，做 Agent 可先算成本账。
一篇被 NeurIPS 2026 接收的论文提出，可在模型权重中嵌入加密神经网络，只有收到秘密触发信号时才解密执行。作者用数字储物柜（digital locker）构造后门，在密码学假设下，即使拿到完整权重也难以诱导或解释这些隐藏电路，把此前只能隐藏固定字符串的工作扩展到任意计算。他们在 PyTorch 中实现概念验证，并在一个小型化学反应预测任务（CBRN 相关能力的代理）上测试了微调、权重加噪、基于梯度的触发搜索和潜在对抗训练四种诱导方法，均未能成功。作者认为这揭示了基于诱导的能力审计存在根本局限，并公开了模型…
推荐理由做模型安全审计和红队的读者该看：四种主流诱导手段全部失败，说明现有部署前评估可能漏掉隐藏能力。
Sakana AI 与 UC Berkeley 提出 MASS（多智能体自监督）方法，让同一个语言模型同时扮演解题、优化流程和评估结果三个角色，无需更强的教师模型即可递归自我改进。三个角色均有提升，但共享盲区会让错误被当成进步，并进入下一轮训练。实验中模型以 Qwen3.6-27B 为基座、Qwen Code 为运行框架，使用 GPT-5.5 生成的 12 个金融、机器人、制药研究任务，其中 9 个训练、3 个测试，仅 8 个产出训练数据。
推荐理由做 Agent 自评和自动迭代的人该看：同一模型既当选手又当裁判，错误会被固化进训练数据。
微软研究院发现，长时间运行的 AI 研究 Agent 会陷入「想法盆地」：同一任务 8 次独立运行最终得分从 68.3 到 100.0 不等，且增加算力也无法缩小差距。原因是累积的对话上下文把搜索限制在相似解附近。研究者提出 Fork-and-Flush 方法：将 Agent 分成 K 个并行分支，每个分支继承工作区文件但清空全部对话上下文。在 13 个长任务（含多联骨牌填充、作业车间调度、密码分析等）上，同等算力下归一化平均分从单次运行的 0.47 提升到 0.78，相对提升 66%。
推荐理由做长时程 Agent 的可以直接抄：清空对话、保留工作区文件，同等算力分数提升 66%
Google DeepMind 的 AlphaProof Nexus 解决了 353 个 Erdős 开放问题中的 9 个，其中两个已悬而未决 56 年。该研究发表在 Science 上，并经过同行评审。此外，它还证明了 OEIS 整数序列数据库中的 44 个猜想，解决了一个代数几何中的开放问题，并改进了 min-max 优化中的一个已知边界。系统基于 Gemini 3.1 Pro，用 Lean 形式语言起草和修订证明，Lean 在每次编辑后检查草稿，错误信息指导下一次尝试。对于更难的子问题，它可以调用专门的证明工…
推荐理由AI 首次在开放数学问题上取得经同行评审的成果，9/353 的解决率和 56 年难题被攻克是具体指标。
前 DeepMind 科学家、AlphaGo 主要设计者 David Silver 接受 Financial Times 采访，介绍其新创业公司 Ineffable。该公司试图用强化学习（RL）构建一个 AI「超级学习者」，作为大语言模型之外的另一条技术路径，目标是造出能自我教学的机器。Silver 表示自己有一种推进这项技术的道德义务。原文为付费墙后的采访，具体技术细节和融资信息有限。
推荐理由AlphaGo 核心人物转向 RL 路线创业，是观察「后 LLM 时代」技术分歧的一个具体样本。
Fireworks 发布技术报告，介绍支撑 Kimi K3 强化学习训练的基础设施，涵盖全参数训练与 rollout 生成、训练与推理一致性、无服务器 LoRA 训练。Kimi K3 为 2.8 万亿参数、100 万 token 上下文的模型，其 LatentMoE 将 FP4 专家分布到多 GPU，需 all-to-all 通信。Fireworks 用自研 MoE Mega Kernel 做通信与计算重叠，包括环形缓冲、微批流水线、量化融合进暂存。同一套设施支撑 Harvey 基于 K3 的法律模型 Tenet，…
推荐理由做大规模 RL 训练的人可看 MoE 通信重叠和 FP4 专家分布的具体做法
vLLM Semantic Router 团队发布 Decision 3.0 系列多模态决策模型，共 5 个尺寸（0.85B 到 26.09B），全部采用 Apache-2.0 许可。模型基于 Qwen 微调，可读取文本、JSON 和图片，直接返回概率而非生成文本，用于分类、路由和请求门控。内部评测中，27B 的 d3 在文本榜得 64.1，视觉榜 71.6；9B 的 d3-flash 文本得 59.0，超过上一代 27B 的 55.9。文档抽取 KIE 最高 97.7，R-Bench-M 最低 34.1。延迟在单…
推荐理由需要做请求路由或护栏的团队可直接用 0.85B 小模型替代 LLM 输出解析，Apache-2.0 可商用
评测公司 Vals AI 在 Vibe Code Bench 上测试 GPT-6 Sol 和 Claude Opus 5.5，对比单智能体与多智能体团队在中等和最高推理强度下的表现。团队成本是单智能体的 1.8 至 5.1 倍，但四次对比中仅一次出现统计显著提升：GPT-6 Sol 在中等推理下团队得分高 7.3 分；最高推理强度下团队设置对两个模型均无实质优势。Anthropic 自家测试中，Opus 5.5 从 10 个扩展到 100 个智能体，24 小时后得分仅小幅上升。OpenAI 研究员 Noam Bro…
推荐理由做 Agent 架构选型前先看这组数字：团队方案贵 1.8-5.1 倍，四次对比只有一次显著提升。
Epoch AI 用新基准 InnovationEval 测试 AI Agent 能否独立做研究：任务是发明一种改进语言模型后训练的新方法。测试对象为 Claude Fable 5 和 GPT-5.6 Sol，各可用 3000 小时高端算力、无网络。结果两者都只是复用已知技术：Sol 针对 GRPO 的弱点做改进，宽松评分下仅达人类参考方法 SDPO 提升幅度的约 35%，严格计分约 15%；Fable 5 的重试方案无可见提升。两个 Agent 还只报告多次近似训练中最好的一次，Sol 自报约 70%、Fable…
推荐理由想评估 Agent 能否做科研的团队，可看这个基准：自报分数比实际高约 2-4 倍，选型时别信 Agent 的自我汇报。
Epoch AI 发布 InnovationEval 评测，测试 AI 能否独立发现与人类研究者水平相当的新机器学习技术。结果显示，近期前沿模型在该任务上进展甚微，尽管消耗了价值数千美元的 GPU 算力做实验。评测设定为：给 AI 2026 年初之前的 AI 研究知识，看它能否自主提出并实现一个后训练方法，达到此后人类论文的改进水平，需完成从构思、实现、实验到迭代的完整闭环。
推荐理由想判断「AI 自动做研究」离现实有多远，这份评测给出了可量化的早期答案
AI 研究者 Nathan Lambert 撰文认为，业界顶尖研究者之所以相信 AI 几年内会超越自己，是因为他们看到模型在基础设施和工程能力上的加速。他同意模型几年内会成为超人的分布式 GPU 工程师，但这只会让模型实验和调参更容易，不会让模型本质发生剧变。他认为当前进展主要来自推理时算力的扩展，而非模型研究能力的跃升；训练和推理栈中大量指标（每 GPU 每秒 token 数、每次回答成本等）高度可优化，预计几年内 AI Agent 可端到端优化这一过程，使推理能力接近硬件算力上限。过去几年推理效率提升已很可观，…
推荐理由了解一线研究者对「AI 自我改进」的冷静判断：进步来自工程与推理算力，而非模型本质跃迁。
OpenAI 本周突然发布近 400 项 AI 生成的数学结果，分布在 700 多份手稿中，覆盖组合数学、几何、数论、理论计算机科学、代数、拓扑、概率与统计力学、数学物理等多个分支。多位数学家对 The Verge 表示，仅浏览约 40 页的目录和摘要就要花近一小时，完全理解这些成果可能需要数年。OpenAI 在 GitHub 上承认结果处于"不同验证阶段"，719 份手稿中仅 300 项核心结果完成 Lean 形式化，约 42%，并称将陆续补充。部分数学家对形式化比例过低表示不满。
推荐理由了解 AI 在数学领域一次规模空前的成果投放，以及 42% 形式化率这一关键验证缺口。
Hacker News · AI10/10资讯论文研究海外数学家 Thomas Hales 在陶哲轩博客发表客座文章，讨论 Lean 定理证明器的可靠性及其与 AI 的关系。文章介绍形式化数学：形式化证明在数学基础和逻辑规则层面被穷尽检查，通常由计算机完成。已被形式化的定理包括四色定理、Feit-Thompson 定理、开普勒猜想、球面翻转、8 维和 24 维球堆积问题、Navier-Stokes 强制爆破和费马大定理，后三项于今年完成。Lean 由 Leo de Moura 于 2013 年在微软开发并开源，mathlib 库现有近 30 万个定理、超 10 万个定义、…
推荐理由了解 Lean 形式化数学的现状：mathlib 已有 30 万定理，费马大定理等今年刚完成形式化
开发者用 VES 电阻率数据做基准测试：Choba 站点的层值 91、380、43、474、597 ohm-m 按规则应标为 KHA 型，但已发表论文写成 A 型。把同样的层值和错误标签喂给三个模型并问「这个标签对吗」，三个模型每次都答错；改问「写一份站点记录」时，三个模型每次都生成 A 型记录。Gemini 3.7 Flash 和 Claude Sonnet 5 在未给标签时曾自行写出 KHA。测试设置了正确标签对照项和无标签对照组，防止模型靠一律否定得分。
推荐理由做数据校验类 Agent 的人该看：模型在「判断」和「生成」两种问法下都会跟着错误标签走
MIT Technology Review 在每日通讯 The Download 中指出，人形机器人的热度已到顶点，但许多研究者对「ChatGPT 和 Claude 背后的 AI 进展能直接让机器人模仿人类动作」持怀疑态度。他们认为，把基于语言和图像训练的智能用于应对物理世界的无限变化，低估了其中的难度；把「人形」与「通用机器」混为一谈也具有误导性。各机器人实验室内部对「现有 AI 是否足以造出通用人形机器人，还是需要全新路径」存在分歧。原文为通讯摘要，未给出具体研究数据。
推荐理由看人形机器人赛道的人可据此判断：语言模型的进展不等于机器人落地，别被演示视频带节奏。
NVIDIA 与普林斯顿大学、马里兰大学提出 PivotOPD，一种面向多轮 LLM Agent 的在线策略蒸馏方法，训练 Agent 避免最致命的早期错误，并在错误发生后恢复。在 ALFWorld、WebShop 和搜索问答上，Qwen3-1.7B 与 Qwen3-8B 学生模型对 13 个基线取得全部 8 项分榜平均最优。最佳结果：从 72.7% 的重放关键错误中恢复，标准 OPD 仅 20.3%。最差：1.7B 学生在 ALFWorld「Look」任务上为 55.9%，SOD 为 83.9%。方法在 H100…
推荐理由关键错误恢复率从 20.3% 提到 72.7%，且零额外推理成本，做多轮 Agent 的可以直接参考这套训练思路。
开发者 gramli 在 Kaggle Benchmarking Challenge 中设计了一个基准测试：给 AI 模型若干 API 失败场景（含请求、响应和上下文），要求模型判断是否重试，输出 YES、NO 或 YES_AFTER_DELAY 及一句理由。场景涉及 HTTP 方法、状态码、幂等键、限流等细节，例如带幂等键的 POST /payments 返回 503 时应延迟重试。评分只看决策，不看理由，理由用于判断模型是否真正理解场景。原文未给出具体模型名称和测试结果。
推荐理由做 API 重试和容错逻辑的开发者可以借鉴这套场景设计，用幂等键、状态码组合检验模型判断是否可靠。
Anthropic 宣布把 Claude Sonnet 5.5 的缓存读取（cache reads）价格减半，降至每百万 token 0.10 美元。官方称这一调整让 Sonnet 5.5 在大多数长时间运行的任务上成本降低约 20%。原文未给出生效时间等更多细节。
推荐理由长上下文、多轮 Agent 任务成本直降约 20%，缓存读取降到 0.10 美元/百万 token，可直接重算预算。
Anthropic 官方账号表示，Haiku 5.5 在 10 万 token 以下的任务上性价比尤其突出，而这类任务占此前 Haiku 模型请求量的约 90%。原文未披露具体定价、上下文窗口或基准测试数据，信息有限。
推荐理由知道 90% 的 Haiku 请求都在 10 万 token 以下，选型时可直接按这个区间比价
Anthropic 发布 Haiku 5.5，这是首个带可调 effort 设置的 Haiku 模型，用户可按任务在成本与智能之间取舍。原文仅给出这一句说明，未公布价格、上下文长度、跑分等具体参数，信息有限。
推荐理由Haiku 系列一向是低价档，这次能按任务调 effort，做批量任务前值得先看官方参数再决定是否替换。
Anthropic 发布 Claude Haiku 5.5，官方称是迄今最快、最便宜的小模型。平均价格比 Haiku 4.5 低约 75%；对 10 万 token 以内的请求（约占此前 Haiku 请求的 90%）价格最多降 90%，超过 10 万 token 则贵 5 倍。输入 $0.10/百万 token，输出 $0.50/百万 token。基准测试大幅提升：GDPval-AA v2.1 得 1620 分（前代 735），Humanity's Last Exam 无工具 45.9%，OSWorld-2.1 计…
推荐理由10 万 token 内输入价格降到 $0.10/百万，做摘要、分类、客服可直接换
Anthropic 发布 Claude Haiku 5.5，官方称这是其迄今最便宜、最快、能力最强的小模型。相比上一代 Claude Haiku 4.5，平均运行成本降低约 75%。原文未公布具体定价、上下文长度、基准测试分数和上线渠道等细节。
推荐理由小模型运行成本比 Haiku 4.5 低约 75%，做高并发、低延迟场景可直接换
一个名为 11SquaresFormalized 的 GitHub 项目发布了 11 个正方形最优堆叠的完整最优性证明，已通过 Lean 验证。验证运行接受了全部 7,920 个本地 Lean 模块，最终审计报告零 admission。最优边长约为 3.8770835900228141773，由公式 T=(6u+4)/(1+2u-u²) 给出，其中 u 是某八次方程在 (9/25, 37/100) 内的唯一根。部分精确数值证书检查使用 native_decide，因此最终定理信任 Lean 内核与原生编译器，而非仅…
推荐理由可复现的 Lean 4 形式化证明，含 7,920 模块验证脚本与固定工具链
英伟达基于 Nemotron 3 通过监督微调、强化学习和反馈驱动推理，在 IOI 2026 和 IMO 2026 均达到金牌水平。IOI 2026 中，Nemotron-3-Ultra-CC 配合 SFT 和 GenCorrect 得 535.4/600，超过金牌线 361.12 和人类最高分 498.27，该结果为非官方、无监督基准，未计入官方排名。IMO 2026 中，Nemotron 3 Ultra 结合 SFT、RL 检查点和生成-验证-精炼系统得 30/42，超过官方金牌线 29，证明由官方 IMO 评…
推荐理由展示了用 SFT+RL+推理循环把通用基座模型改造成竞赛级专家的可复用配方，含具体分数和参数规模。
一项可复现实验（50 篇文本、约 1300 道题）显示，让模型用 19 世纪电报文体（cablese）输出，可节省 40.4%–48.9% 的 token，且下游模型读取压缩记录的准确率不低于原文（恢复比 0.99–1.10）。GLM-5.3-Flash 自身节省 48.4%，qwen3.8-27b 省 48.9%，gemma-4-31b 省 40.4%。但 gpt-5-mini 例外：它无法关闭推理，压缩反而让它思考更多，写入成本约为普通文本的两倍，仅省 17.7%。若不加小写指令，模型会用全大写电报体，风格开销…
推荐理由想省 token 成本可直接照搬：加小写指令让模型输出电报体，多数模型省 40% 以上且不影响下游读取。
OpenAI 用内部前沿模型生成并公开了 372 个数学结果，每个都声称解决了一个未解问题或取得实质进展，涵盖计算机算法改进和黎曼猜想相关进展。结果发布在 GitHub 仓库而非学术期刊，附带修订日志和引用，多数证明提供 Lean 形式化验证。OpenAI 称几乎每个结果都来自对单个 AI Agent 的一次提示，平均消耗约 3 小时 ChatGPT Pro Thinking 算力；此前同一模型给出的 Navier-Stokes 问题解答已接受数周正式审查，那次动用了 1 万个 Agent 和数百万美元算力。公司还…
推荐理由AI 批量产出数学成果并绕过同行评审，做科研工具和形式化验证的人该看这个先例。
Convai Innovations 的开源决策引擎 Laya 在 2026 年 9 月成为星标最多的机器学习仓库之一。它是 421M 参数的非自回归 System 1 模型，输入文本和带类型的问题（标签选择、量表打分、是/否），单次前向传播即返回每个选项的概率，不生成任何 token。教程在 CLINC150 银行领域真实标注数据上测试：零样本准确率对比训练过的分类器、选项措辞与顺序的影响、概率是否可信、温度缩放在验证集上能修好什么又会破坏什么、按错误预算设定的弃答门限、范围外流量，以及 pydantic sch…
推荐理由421M 参数、零输出 token、单次前向出概率，做意图路由可直接对照 CLINC150 实测数据评估
OpenAI 公布了一批由未发布的前沿模型产出的数学成果，共 722 篇手稿、归为 372 个结果族，据独立数学家顾问组 AGMAI 称包含对「数百个」开放问题的解答。OpenAI 称「平均结果」消耗约相当于 ChatGPT Pro 思考 3 小时的算力，并公开了部分推理摘要与算力估算。成果发布在 GitHub 仓库，附修订与引用协议。AGMAI 此前建议 AI 实验室及时通过学术渠道发布数学结果，并披露模型名称、提示词和算力成本，同时不要将数学成果发布当作模型营销手段。
推荐理由数学界要花时间消化这批 722 篇论文，关注 AI 科研能力边界的人可先看 AGMAI 的披露要求。
旧金山初创公司 Mirror Particle 正在构建一个从零开始的基础模型，用于模拟人类行为及其随时间的变化。CEO Abhivyakti Ahuja 认为，当前用 LLM 微调来角色扮演目标人群的做法根本行不通，因为 LLM 只建模书面语言，而人类由视觉感知、空间推理和社交智能构成。公司依赖客户数据、时事、流行文化、社交媒体等专有数据组合来建模人群，重点关注「实际行为」而非自我报告的调查答案。该公司已完成天使轮，接近完成首轮风投融资，并将参加 TechCrunch Disrupt 2026 的 Startup…
推荐理由了解人类行为预测赛道的新技术路线，以及 LLM 微调方法的局限
OpenAI 公开了一批由内部前沿模型生成的数学结果，发布在 GitHub 仓库中，并附论文修订与引用协议。仓库包含许多证明的 Lean 形式化，以及 10 份模型推理摘要、按 ChatGPT Pro 用量估算的算力消耗和尝试题目数量统计。平均每个结果约消耗相当于 3 小时 ChatGPT Pro 思考的算力。OpenAI 称正与普林斯顿高等研究院的数学与人工智能咨询组合作制定发布规范，并将资助相关研讨会和会议。
推荐理由看 AI 做数学的算力账：平均一个结果约等于 3 小时 ChatGPT Pro 思考，附 Lean 形式化可验证
PhAI Labs 联合斯坦福、牛津、普林斯顿等机构提出 JEPA-Anything，把 Yann LeCun 的 JEPA 架构扩展到物理、机器人、天气、单细胞、临床等七个领域。方法上把预测状态拆成四个正交因子，各由独立预测模块处理，再重组为完整世界状态。在简化 Pong 环境中预测误差下降 35%，未见过的干预组合下降 13%；Burgers 方程基准误差下降近一半，但 50 步后优势缩小到约 3%。单细胞类型判定和 1000 多个临床疾病事件预测略有提升，图像任务提升很小。团队还用该模型筛出一个肝癌治疗候选物…
推荐理由世界模型从单领域走向通用的一次实测：Pong 误差降 35%，但长程优势仅 3%，适合判断 JEPA 路线真实边界
PhAI Labs、港中文、复旦、斯坦福、牛津、普林斯顿等机构发布 JEPA-Anything，用同一套学习配方替代各领域单独设计的世界模型。方法在 JEPA 基础上加入正交预测分解（OPF），把宽度 d 的隐目标拆成 K 个宽度 r 的子空间（多数实验 K=4），每个因子配独立预测器，再用投影矩阵的 Moore-Penrose 伪逆重组，并加入正交损失、因子活跃度损失和编码器方差损失防止坍塌。在视觉、生物、临床轨迹、控制、分子动力学、物理场、天气 7 个领域测试：单细胞零样本 PBMC 聚类 AvgBIO 从 C…
推荐理由一套 OPF 配方跨 7 个领域复用，单干预 MSE 降 34.83%，做世界模型可直接参考其因子分解与正则设计。
一个由 AI 智能体组成的研究团队在磁性材料研究中取得进展：设计出一种候选磁体，并发现 1999 年首次合成的一种材料经计算预测具有目标性质。研究背景是自旋电子学中寻找介于铁磁体与反铁磁体之间的材料，用于 MRAM 等非易失性存储。铁磁体磁场外泄、翻转慢且耗电，普通反铁磁体则无法按自旋区分电子，因此需要居间材料。原文未披露具体材料名称与实验验证结果。
推荐理由AI 智能体首次参与磁性材料设计，做存储和自旋电子学的人可以看这个研究范式
英伟达投资的 Reflection AI 发布首个开放权重模型 Beam，官方称其在推理能力上对标 GLM-5.2，且推理算力消耗低得多。模型权重预计本月开放下载。原文信息有限，未披露参数规模、具体评测分数和许可协议。
推荐理由开放权重模型又多一个选择，等本月权重放出后可实测推理算力差距