Surge AI 推出 DAYJOB: Tax 基准，用 50 个专业税务任务评测 AI Agent，覆盖个人税、小企业税、合伙企业、房产投资、遗产赠与信托、国际税、公司交易、税务审查争议八个领域。评测采用 pass@1、95% 评分标准阈值，即一次尝试需满足至少 95% 的任务标准才算通过。排行榜上 Claude Sonnet 5.5 以 10.8% 通过率居首，Claude Fable 5.1 为 9.6%，Claude Opus 5.5 为 9.2%。文中举例：在 Anna 卖房案例中，Astra 五次尝试均…
推荐理由最高通过率仅 10.8%，说明税务等专业场景的 Agent 仍远未可用，选型时别高估。
Artificial Analysis 重构了其 Intelligence Index 评测体系，改版后 Kimi K3.1 Pro 的排名下降 5 位。原文信息有限，未披露新指数的具体指标、权重变化及其他模型的排名变动，也未给出开源与闭源模型差距扩大的具体数据。
推荐理由榜单改版直接改变模型排名，Kimi K3.1 Pro 掉 5 位，选型前先看新口径
Artificial Analysis 推出 Intelligence Index v5，新增 2 项基准测试、升级 3 项，首次让指数的大部分基于私有数据集构建，覆盖编码与科学等任务。Claude Opus 5.5（max 模式）以 58 分排名第一。原文信息有限，未披露其他模型的分数与完整榜单。
推荐理由看榜单换版后 Claude Opus 5.5 的 58 分处在什么位置，选模型前先确认评测口径变了
Polymathic AI、普林斯顿大学、USC ISI、NYU 和 Flatiron Institute 的研究者发布 FlashMap 投机解码草稿模型，用连续流映射替代离散扩散草稿器，一次前向传播生成 16 个 token 的完整块。在 Qwen3-8B 上，GSM8K 任务报告最高 6.14 倍无损加速（temperature 0，接受长度 7.69 token）；最差情况是 Alpaca 在 temperature 1 下的 2.28 倍。草稿器参数量 0.5B（Qwen3-8B 用 500M，Qwen3…
推荐理由有 Hugging Face 权重和 vLLM/SGLang 插件，部署 Qwen3-8B 可直接试 6.14…
帝国理工、杜克、港中文等机构研究者发布 GEAR，一个面向 LLM Agent Harness 递归自我改进的开放通用进化架构。框架把自我改进组织为两层元学习：内层循环中 rollout agent 用任务反馈改进单个任务内的推理、规划与行动；外层 Meta Agent 跨任务识别重复失败与有效策略，提出可复用改进并评估推广。进化搜索被拆成可替换的算法组件，Staged GEPA 是其中一个实例。在 GPT 5.6 Luna medium 上，营销任务通过率 27%→40%，客服 17%→25%，编码 52.8%→…
推荐理由三个场景通过率提升 8-13 个百分点，做 Agent Harness 的可以直接参考这套两层循环设计
加州大学伯克利分校 Sky Computing Lab 开源 LEANN 向量索引，它不在磁盘上保存 embedding，而是在查询时重新计算。仓库基准显示，6000 万条 Wikipedia 分块的索引从 201 GB 降到 6 GB；论文中 76 GB 语料的方案只需 4 GB，而 HNSW 需 188 GB。该论文获 MLSys 2026 最佳研究论文奖。代价是检索变慢：NQ 数据集上检索耗时 2.48 秒，HNSW 为 0.05 秒，端到端延迟从 20.95 秒升至 23.34 秒；在 Mac 上，Hotp…
推荐理由存储省 97%，代价是检索慢几十倍；在笔记本上跑个人数据 RAG 值得试
Ai2 发布研究《Old Ideas, Novel Problems》，并公开基准、数据和代码，用于测试 LLM 作为“新颖性评审”的可靠性。测试覆盖 GPT-5.1、GPT-5.2、GPT-5.4、Claude Sonnet 4.5、Claude Opus 4.5、Claude Opus 4.6 六个模型，结果显示：评估设置稍有变化，同一批想法的判断就会大幅不同；仅改动提示词中的几个词，模型判断两个想法哪个更新颖的准确率变化就超过 50 个百分点。检索和额外推理并不能稳定提升判断质量，两个专门构建的新颖性评估系统…
推荐理由做 AI 科研助手或自动审稿的人该看：提示词改几个词，准确率就波动 50 个百分点
苹果发布搭载 M6 芯片的新款 14 英寸 MacBook Pro，起售价 1999 美元，续航 24 小时，支持 Wi-Fi 7 和蓝牙 6。M6 采用 12 核 CPU 和 12 核 GPU，图形性能比 M5 快 30%，AI 负载快 25%，LLM 提示处理速度是 M1 机型的 13 倍。统一内存 16GB 起、最高 32GB，带宽 170GB/s。同时发布 M6 版 iMac，起售价 1499 美元，端侧 AI 性能是 M4 版的 5 倍。两款产品 10 月 28 日开启预售，11 月 6 日发售。
推荐理由M6 的 LLM 提示处理速度是 M1 的 13 倍，本地跑大模型的用户可据此判断是否换机
前 DeepMind 研究员 Thore Graepel 创立 Metis Reasoning，在英伟达柏林 GTC 上提出用 AlphaGo 的「预测网络 + 系统搜索」框架改造大模型推理。其论文方案核心是「显式知识账本」：记录已知内容、置信度和未解问题，由独立模块用计算、形式化证明或实证证据校验新条目，假设失效时重新评估所有依赖它的结论。系统把提问、实验、质疑假设都当作「落子」，优先选最能降低不确定性的动作，最终给出答案或有依据的弃答。Metis 称该方案能减少幻觉、提供带引用的解释，并支持不重训就修改或删除知…
推荐理由想了解幻觉治理另一条技术路线的人可看：把 AlphaGo 的搜索与验证机制搬到通用推理，附论文思路。
苹果为入门款 14 英寸 MacBook Pro 换上 M6 芯片，起售价 1999 美元（16GB 内存 + 1TB 存储），与上代 M5 款持平。M6 是苹果首款 2nm 芯片，CPU 从 10 核增至 12 核，多线程性能最高提升 1.2 倍；配备双 16 核神经引擎和 12 核 GPU（每核内置神经加速器），主打端侧 AI 任务。新机还通过 Apple N1 无线芯片升级到 Wi-Fi 7 和蓝牙 6，此前该芯片仅用于 M5 Pro/Max 机型。受内存涨价影响，存储升级变贵：2TB 加 500 美元，4T…
推荐理由想买 Mac 跑本地 AI 的人可以看：M6 首次上 2nm、双神经引擎，但 4TB 加价涨到 1500 美元。
OpenAI 邀请外部专家担任结果的「shepherd」（把关人），并按其建议对不同学科分别处理。数学和计算机科学的证明已被翻译成 Lean，由计算机逐步校验；但 Lean 只检查证明是否确立了它被写成的那个命题，命题本身是否对应原问题仍需专家判断。计算机科学部分的核心结论是：指数时间假设（ETH）不成立。ETH 断言 SAT 问题在最坏情况下不存在实质捷径，数百篇图论、计算生物学、数据库论文以其为前提；若证明成立，这些结论将失去证明基础。OpenAI 称该结果或有助于寻找更优算法，但转化为实际收益仍需大量研究。
推荐理由ETH 是计算复杂性理论的支柱假设，若被推翻，数百篇论文的结论将失去证明基础，值得了解这一理论动向。
英伟达参与印度初创公司 Simplismart 的 1400 万美元 B 轮融资，本轮由 Dallas Venture Capital 领投，Accel、Shastra VC、Micromax 跟投，公司估值约 1 亿美元。Simplismart 的软件位于 AI 模型与算力基础设施之间，自动调整模型的响应速度、并发量和算力消耗，支持在自有平台或客户已有的云和本地环境中部署、微调、弹性扩缩容和监控。公司称帮助 AI 视频平台 InVideo 将 GPU 服务成本降低 56%，客户还包括 HeyGen、Higgsfi…
推荐理由GPU 成本降 56% 的具体案例，做推理部署和成本优化的团队可以直接参考
OpenAI 公布数学、计算机科学、物理三个领域的「重大」发现，并首次引入外部专家「shepherd」把关。数学方面发布「欧氏波动方程的局部光滑性」证明，直接公开模型输出；计算机科学方面声称证明「指数时间假设（ETH）为假」，给出固定宽度 CNF 公式满足赋值计数的次指数时间确定性算法，3-SAT 情形即推翻 ETH，由 Russell Impagliazzo、Ramamohan Paturi、Ryan Williams 组成独立小组审阅；物理方面称得到含规范场与费米子的四维相互作用量子场论（含 QCD 与标准模型…
推荐理由ETH 被推翻若成立将改写计算复杂性理论，可关注 Impagliazzo 等原提出者的审阅结论。
Google DeepMind 的 AI 飓风预报模型在预测飓风 Isaias 登陆佛罗里达时，表现优于传统预报模型。NPR 报道称，飓风预报人员正越来越多地使用人工智能进行预测，并表示这项技术正在迅速改变这一领域。原文未披露具体误差数据或对比模型名称。
推荐理由想知道 AI 在气象预报上到底比传统数值模型强多少，可看这条真实登陆案例
OpenAI 宣布其内部模型在调和分析、复杂性理论和量子场论三个方向取得新发现，并首次尝试让外部学术专家担任「牧羊人」，为三项成果分别设计不同的发布方式：数学成果直接公开 AI 输出，由研究者自行组织解读；计算机科学成果组建外部合作组负责解释，同时公开 AI 输出供人检验；物理成果则组建外部合作组，并由该组决定材料何时发布。合作遵循透明、不取学术署名、给予贡献者认可、独立自愿无报酬四项原则。计算机科学组的自然语言证明和 Lean 形式化已直接发布到 OpenAI 的 GitHub 仓库；物理组决定暂不公开 AI 产…
推荐理由AI 生成的数学证明首次以「原始研究数据」形式交给学术界验证，Lean 形式化已公开可查。
OpenAI 推出 GPT-6.1 Terra，定位为快速、低成本模型，标准 API 价格比 GPT-5.6 Terra 和 GPT-6.1 Sol 低 50%。在内部诱导错误基准上，低推理强度下错误率从 GPT-5.6 Terra 的 53.6% 降至 16.7%，最高推理强度下为 4.3%。在 Agents' Last Exam 上，中等推理强度得分比 GPT-5.6 Terra 高 15 个百分点，成本约为其三分之一；最高强度下每任务成本约为 Claude Opus 5.5 的九分之一，速度快三倍以上。Ter…
推荐理由API 价格减半、错误率降近 37 个百分点，高频批处理任务可直接换模型算成本
一位皮肤科医生用 200 个经活检确认的病灶（来自 2025 年公开数据集 MILK10k）对比测试了 GPT-6 Astra、Claude Fable 5.1 和一个微调过的 Inception v3（Google 2015 年发布的 CNN）。CNN 在 6 类诊断中答对 125 个（62%），两个前沿 LLM 分别答对 84 和 85 个（42%）。CNN 的微调只用了约 20 分钟。其中一个厚度不足 0.8 mm 的侵袭性黑色素瘤，两个 LLM 都判为无害的脂溢性角化病并建议无需治疗，CNN 判对。
推荐理由医疗场景选模型别只看参数：20 分钟微调的老 CNN 比前沿 LLM 高 20 个百分点
斯坦福和 UC Berkeley 研究者发布 TokenGate，一种可插拔的 token 剪枝模块，让已有 LLM 只对重要 token 做完整计算。在 Qwen3-1.7B 上测试最长 128k 上下文，首 token 延迟（TTFT）提速 1.4 至 11.3 倍，预填充峰值显存降低 1.5 至 3.4 倍，且无精度损失。最佳场景为 NIAH 16k：TTFT 快 11.3 倍、显存降 3.42 倍；128k 时 TTFT 提速达 13.0 倍。在 5 个任务上对 6 个基线达到帕累托最优，对比次优基线 TT…
推荐理由长上下文推理可直接降本：128k 场景 TTFT 快 13 倍，代码已开源可试
Anthropic 联合创始人、Import AI 通讯作者 Jack Clark 依据基准数据，把递归自我改进（RSI）可能出现的时间从 2028 年提前到 2027 年。他引用的 TasteVal 基准由 P-Zero Research 设计，用“算力倍数”衡量模型的研究品味，即模型达到专家分数所需算力与专家实际用量的比值。表现最好的模型是 Anthropic 的 Opus 5.5，算力倍数为 2.3，统计区间为 1.15 至 4.37，单次运行成本约为专家尝试的三十分之一。自 2025 年 12 月以来，该倍…
推荐理由一个可量化的指标：Opus 5.5 用不到一半算力达到专家分数，每三个月翻倍
一项 arXiv 论文用心理语言学特征分析 AI 生成文本，发现 9 个前沿及准前沿模型都比人类写作更频繁使用无生命主语搭配有生命动词、低频 n-gram，多数模型还使用更长依存距离、更多名词堆叠和缩减宾语关系从句，且不同模型家族差异明显。作者提出假设：人类语言为沟通优化，AI 文本则被数学、代码、推理等目标推向高信息密度。用长度惩罚微调语言模型的实验初步支持该假设。
推荐理由解释了为什么 AI 写的文字读起来累，并给出可验证的语言学指标，写 prompt 和做内容的人可直接参考
月之暗面发布推理模型 Kimi K3.1 Pro，在 Artificial Analysis 智能指数上得分 55，比 Kimi K3 提升 11 分，排名第四，仅比 Claude Opus 5.5（58 分）低 3 分。若按计划在 2026 年 11 月 4 日开源权重，它将成为得分最高的开源权重模型，开源与闭源模型的差距将从 12 分缩小到 3 分。同步推出速度提升 2-3 倍的 Highspeed 版本，两者均已上线 Kimi.ai、Kimi Work、Kimi Code 和 API。API 定价为输入每百万…
推荐理由API 输入每百万 token 2 美元，Agent 任务得分接近 Claude Opus 5.5
Sakana AI 在 Modal 上部署约 1 万亿参数的 MoE 模型 Sakana Namazu，面向日本商业场景、实时网页搜索和代码执行。Modal 团队针对日语保留调优 NVFP4 量化：只量化路由专家，注意力、路由器和共享专家保持 BF16；校准数据以日语对话为主，覆盖全部 23,040 个专家。量化后日语指令跟随能力与生产检查点持平。另训练定制 DFlash 草稿模型用于投机解码，通用草稿模型接受率不足 40%。服务运行在 Modal 全球 GPU 池上，无需预留容量。
推荐理由万亿参数 MoE 的量化与投机解码实操细节，做大规模推理部署的团队可直接参考
MIT 科技评论指出，企业 AI 的竞争重点正从模型能力转向围绕模型搭建的 serving harness，即架构、内存管理、调度与优化决策。文章认为，生产环境中的延迟、并发、内存压力、GPU 利用率和基础设施成本等约束，比模型准确率更能决定部署成败；一个准确率略高但推理成本翻倍的模型未必是更好的生产选择。文章建议先明确工作负载，再由约束决定架构，把 serving 架构视为投资决策。原文正文在此处截断，后续内容信息有限。
推荐理由做企业 AI 部署的架构师和 CTO 可据此重新分配预算：先看延迟和 GPU 成本，再选模型。
微软 AI 诊断系统 MAI-DxO 在《Science》发表的研究中，对《新英格兰医学杂志》疑难病例的模拟诊断准确率为 83%，而单独工作的全科医生和内科医生为 36%。该系统协调多个 AI Agent 扮演医生小组，通过问诊、开检查、辩论得出诊断。研究同时显示，提升主要来自底层模型本身：GPT-5 单独使用准确率 78.9%，DxO 仅提升约 4 个百分点，每例成本约 8400 美元、节省约 3000 美元；GPT-5.5 单独 72%，配合 DxO 升至近 87%。急诊病例上 DxO 无明显增益。研究未与专科…
推荐理由83% 对 36% 的数字背后，DxO 只贡献约 4 个百分点，真正决定效果的是底层模型
Liquid AI 发布 Liquid RIPL（Real-time Inference Pipeline），一个在实时请求路径中运行 Liquid Foundation Models（LFM）的低延迟推理引擎，端到端返回完整生成结果低于 50 ms，并称在峰值负载下持续有请求到达时延迟仍能保持。支持 LFM2.5 系列 230M 到 2.6B 参数模型，运行在 NVIDIA H100、H200、B200 和 RTX PRO 6000 上，基准测试用单张 B200。据其自测，p95 延迟比 vLLM 上的 Qwen…
推荐理由做搜索排序、风控、支付授权这类毫秒级场景的团队，可参考其 6 个实时工作负载的延迟预算数据
Cohere 发布 Rerank 5 重排序模型，分 Pro 和 Fast 两档，支持 32K 上下文、100 多种语言，可对 JSON、表格、YAML 等半结构化数据重排，升级无需重建索引。新增 Context Focus 功能，返回文档内相关段落的字符区间；在 30 个 QA 数据集测试中，删掉一半检索文本仍保留 96% 的答案质量。分数改为可校准概率，ECE 约 0.06，低于 Voyage AI Rerank 3 的 0.234。Pro 在 Cohere 自评的 46 个数据集中 39 个排名第一，BRIG…
推荐理由做 RAG 的可以用 Context Focus 砍掉 19%–34% 的 token，还能按概率阈值过滤
MIT Technology Review 指出，AI 基础设施成本讨论长期聚焦 GPU，而推理产生的后端数据存储成本被忽视。西部数据（WD）内部测量显示，一段 8 秒视频返回给用户的是 3.97MB 的 720p 文件，但后端留下超过 500MB 关联数据，包括日志、缓存上下文、即时渲染、备份和安全记录，是用户所见文件体积的 130 倍。麦肯锡预测，到 2030 年 AI 推理需求年复合增长 35%，训练为 22%，推理将占数据中心总需求 40% 以上。WD 委托 IDC 对 763 名 IT 与业务决策者的调查…
推荐理由做 AI 基础设施预算的人可以直接引用：8 秒视频后端数据是输出文件的 130 倍，存储增速可能超过算力预算。
IBM 在 Hugging Face 发布 Granite Timeseries Ensemble，把四个预训练 Granite 时间序列模型（PatchTST-FM-r1/r2、FlowState-r1.1、TTM-r3）组合成一个集成预测接口，无需重新训练、无需拟合集成权重，直接输出点预测和 0.1 到 0.9 分位数预测。默认提供概率集成和自适应 IQR 集成两种方案，接口可扩展接入其他兼容预测器，代码与默认成员模型均为宽松许可。安装 granite-tsfm 0.3.11 及以上版本即可加载，首次运行需下载…
推荐理由pip 装完就能用四个开源模型做零训练预测，直接拿到分位数区间
Perplexity 与 NVIDIA 团队提出后训练方法 JOLT（Joint On-policy Learning and Teaching），让同一个模型同时扮演教师和学生两个角色：教师能看到特权信息，学生看不到，而且教师本身也会被训练，以保证其反馈始终可用。在 MATH 上，JOLT 达到 GRPO 的准确率，但处理的训练 token 少 6.5 倍。测试覆盖 Qwen3-0.6B、Qwen3-4B-Instruct、Qwen3-8B、Qwen3-30B-A3B-Instruct 和 DeepSeek-V2…
推荐理由做 RL 后训练可省 6.5 倍 token，AppWorld 通过率高 9.9 个百分点
NVIDIA 推出预训练关系型基础模型 Kumo Relational，可直接在企业数据库上做预测：给定预测查询，它收集最多 1 万条历史样本作为上下文，一次前向传播即可输出流失、需求、欺诈等结果，无需任务特定训练、特征工程或表展平。在 15 个数据库的 41 个任务上，它超过监督式关系深度学习和专家特征工程的梯度提升树；在 SAP SALT 企业基准上，MRR 比 AutoGluon 集成高 8%。可扩展至 5000 亿行以上数据库，通过 NVIDIA 开源 GPU 原生 structured-data-mode…
推荐理由做流失、欺诈预测的团队可关注：免训练、免特征工程，SALT 基准 MRR 比 AutoGluon 高 8%。
Dharma AI 在生产环境的葡萄牙语作文评分系统上验证：基于 Qwen3-4B，仅重建词表、保持基座模型、数据和训练配方不变，实测推理成本下降 77%。原因是通用词表存在两种浪费：一是碎片化，JSON 外壳、能力名称等高频重复内容被切成多个 token；二是冗余，模型每生成一个 token 都要对 151,669 个词表条目打分，其中大量条目该任务几乎不用。VocabX 按每个 token 的成本而非出现频率来构建词表。论文仍在评审中，数字可能变动。
推荐理由词表是训练前就能改的成本杠杆，做垂类小模型的人可以先算自己 JSON 输出占多少 token
Inception 发布扩散语言模型 Mercury 3，称在 12 项基准测试中赢下 8 项，速度是 GPT-6 Luna 和 Claude Haiku 5.5 的 4 到 8 倍。在 IFBench 指令遵循测试中得分 76.84，比 GPT-6 Luna 高 15 分；在 SWE-Bench Atlas 自主编码测试中得分 51.08，对手分别为 33.33 和 32.26。但 Claude Haiku 5.5 在长编码测试 DeepSWE 和长文本检索上胜出，GPT-6 Luna 在 Artificial …
推荐理由扩散模型首次在指令遵循和编码基准上正面挑战主流模型，1068 token/s 的速度数字值得做 Agent 的人评估
NVIDIA 发布 Kumo Forecast（原 NV-Tesseract Forecasting），一个多变量时间序列预测模型，采用 Apache 2.0 许可，模型代码与权重已在 Hugging Face 开放。模型以 MOMENT-1-large 为骨干，约 3.4 亿参数编码器加可训练预测头，编码器与嵌入层权重冻结，只训练预测头。除直接预测外，还提供 DARR 模式：用最近邻从历史数据中检索相似模式，与直接预测结果融合，并可通过配置调整两条路径的权重。库提供 DataFrame 优先的 API、可配置预测…
推荐理由做时序预测的团队可直接下载权重，用 Apache 2.0 免费商用，还带可解释性输出。
Anthropic 的 Claude 在 Claude Science 研究环境中基本自主完成了针对蝎毒神经毒素的蛋白结合体设计。蝎子蜇伤每年致死超 3250 人。Claude 针对 4 种蝎子的 5 种毒素生成 318484 个设计，首次提示后自主工作 24 小时，团队随后追加指令引导。Claude 选出 180 个候选，团队另加 31 个，实验室测试 211 个设计中有 17 个符合结合体标准。最强的两个与墨西哥蝎毒素 Cn2 结合极紧密，作用位点与已知能中和 Cn2 的抗体相同或相近。是否真能作为抗毒血清尚未…
推荐理由318484 个设计、24 小时自主工作、211 个实测中 17 个命中，看 AI 做湿实验前筛选的真实命中率
一篇技术博客指出，许多 Agent 设计者让 LLM 输出概率或置信度分数，但这个数字没有可信依据。文章用天气预报类比说明：置信度应是对同一类判断的长期校准，比如在预报「70% 会下雨」的那些日子里，实际约 70% 下了雨；而 LLM 给出的分数无法通过这种校准检验，因此不应作为决策依据。原文信息有限，正文只展开了置信度定义与校准方法部分。
推荐理由做 Agent 时若用 LLM 自评置信度做路由或兜底，这篇说明该做法为何失效
IBM 研究团队发布 ALTK-Evolve：不更新模型权重，仅靠 GPT-4.1 自动从任务尝试中提炼行为规则并追加到系统提示，就让标准 ReAct 客服 Agent 在 τ²-bench 零售域达到 67.5% Pass^4（四次独立尝试全部成功），高于 2026 年 10 月 12 日榜单快照中所有零售条目。规则由同一模型从成功与失败案例中蒸馏，无需人工标注。τ²-bench 由 Sierra 提出，要求 Agent 在政策约束下完成下单、退款、改签等操作，最终数据库状态匹配才算通过。
推荐理由不换模型、不微调，只加一段自动学到的提示词就把 GPT-4.1 拉到榜首，做客服 Agent 可直接复用这套思路
OpenAI 研究员 Jason Wei 撰文预测，未来十年放射科会改变，但放射科医生不会很快被自动化取代。理由一：放射科是高度多任务领域，单凭 X 光可诊断的疾病至少上百种，CT 和 MRI 可达数千种，AI 会先掌握常见病，罕见病受数据量限制，因此会先做分诊工具，从分诊到全自动最快也要 3-5 年。理由二：单位成本下降会带来弹性需求（杰文斯悖论），放射科医生可能只需读 20% 的影像，但影像总量可能增至 5 倍。长期看，廉价快速的读片还会推动更便宜的扫描设备。
推荐理由Hinton 2016 年预言五年取代放射科医生，如今需求反而更高；文章给出 3-5 年分诊过渡和 5…
Inception 发布 Mercury 3，这是其第四代扩散语言模型，采用并行生成而非逐 token 输出，在 NVIDIA GPU 上达到 1068 token/s，上下文窗口 100 万 token。据 Inception 自测，在 12 项基准中 8 项领先 GPT-6 Luna 和 Claude Haiku 5.5：SWE-Bench Atlas 51.08（领先约 18 分）、IFBench 76.84、GPQA Diamond 89.23；但在 DeepSWE v1（46.31）和 MRCR v2（7…
推荐理由扩散模型首次在 agent 编码任务上大幅领先主流模型，做高吞吐 Agent 和语音机器人可关注其 API
开源项目 Strot 提出「编译期用 Agent、运行期不用 Agent」：先用 LLM 把意图和样本编译成冻结的 Python 产物，之后每条记录都由本地 144M 小模型在 CPU 上做分类、打分、路由，约 60 ms，边际成本为零，低置信度记录会弃权而不是猜测。实测在 398 条记录的路由上，编译后准确率 92.5%，朴素做法为 74.8%；AG News 未见标签上为 86.7% 对 72.7%。已发布 PyPI 包 strot-ai。
推荐理由需要大批量分类或路由、又不想按 token 付费的团队，可以看这个「一次编译、本地推理」的省成本方案
研究者提出 Hybrid Reasoning Agents（HybridAgents），让 Agent 在潜空间推理与文本交互之间动态切换。架构上用一个轻量模块 HybridLink 衔接两种模式，并用连续工作记忆在多轮对话中保留无损的混合上下文，使潜空间思考可直接检查，同时保留调用工具的能力。配套训练方法 HybridSFT 和 HybridRL 分别负责稳定混合生成、学习何时潜空间思考何时文本行动。在 3 个模型规模、11 个基准（数学、科学、医学、搜索、Agent 推理）上，性能平均提升 10.4%，toke…
推荐理由token 省 35%-55%、成本降 2.7-3.7 倍，做 Agent 推理成本优化可参考其混合架构