Karpathy 这周已经入职，在 Nick Joseph 的团队做预训练——就是那种烧钱烧算力的大规模训练，用来给 Claude 打知识基础和核心能力。他之前在 OpenAI 是联合创始人，也管过特斯拉的 AI。目前公告没提他的具体职位、汇报线和合同细节，只说了他会在 X 上发帖表示看好接下来几年大模型前沿的研发。
推荐理由：HKR 三项全中：Karpathy 的 OpenAI 身份、Anthropic 预训练岗位、Claude 级别的大规模训练工作，让这条消息成了当天的人才战争故事。不过正文没披露职级、汇报线和加入时间，这些信息缺口我先标出来，别把这条当成全面的人事变动分析。
Andrej Karpathy 在 X 上宣布自己加入了 Anthropic，要重新做前沿大模型研究。他之前是 OpenAI 早期核心成员，也主导过特斯拉 Autopilot，2024 年彻底离开 OpenAI 后去做了 AI 教育创业项目 Eureka Labs。这次选 Anthropic 而不是老东家，对 OpenAI 来说算是一次明显的人才流失。...
推荐理由：Karpathy 加入 Anthropic 是前沿实验室一次高信号的人事变动。正文只确认了他入职，没写团队、职级和研究方向，信息缺口明显，所以分数卡在 85 这一档的低位。我会先打个折：别脑补他具体在做什么，但光凭他选 Anthropic 而不是回 OpenAI，就够圈内讨论一阵了。
Sapient Intelligence 开源了一个 10 亿参数的小模型 HRM-Text 1B，用 16 张 GPU 跑了 1.9 天，喂了 400 亿个 token，总花费大概 1000 美元。他们自己测的榜单显示，这个 1B 模型在 MATH 数学题上拿了 56.2 分，在 DROP 阅读理解上拿了 82.2 分，两项都压过了 Meta 的 L...
推荐理由：我会先打个折：独立评测还没做完，MATH 56.2 和 DROP 82.2 都是自报分数，别急着全信。但 1000 美元预训练一个 1B 模型这件事本身就有信息量——它说明小团队也能用很少的算力做出能打的模型，对预算有限的开发者是个实在信号。正文没披露数据配比和消融实验，所以没法判断这 40B tokens 的质量到底多高。分数先按 78 给，等第三方跑完基准再考虑往上调。
AI21 Labs裁员60%并停止独立销售模型，文章判断纯卖模型访问权限这条路已经走不通了——token价格两年跌了100倍，过去16个月里有六家独立模型公司以几乎相同的方式被大厂吸收。Meta内部文件也曝出要裁10%约8000人，同时强征7000人转AI岗。滑铁卢大学一篇论文测出GPT-5.4在注入虚假同伴共识后，准确率从100%掉到23%，模型内部...
推荐理由：我会先打个折：来源是群聊日报，不是官方公告或论文，所以细节可能不全。但两条信息都直接给数字——AI21 砍掉六成人、不再卖模型，说明这家实验室在收缩；GPT-5.4 被注入虚假同伴共识后准确率从全对掉到只剩两成多，暴露了模型在群体压力下的脆弱。这两件事放在一起，既有行业动态又有安全风险，对从业者来说值得扫一眼。
这篇推文本身因为环境异常没加载出正文，我只能根据标题和外部信息给你还原一下。京东和中科院信工所联合发了三篇论文，核心思路叫 Self-Taught RLVR，也就是让模型在强化学习里自己生成训练信号、自己教自己，省掉人工标注或外部奖励模型。其中一篇叫 RLSD 的工作，在 Qwen3-VL-8B-Instruct 上只训了 200 步，就在 8 个基准...
推荐理由：我会先打个折：这不是哪个大厂发了新模型，而是京东和中科院信工所连着放了三篇论文，把 Self-Taught RLVR 这条路线从不同角度拆了一遍。亮点在 RLSD，它让模型自己生成推理步骤、自己打分、自己迭代，200 步就超过 GRPO 跑 400 步，等于训练量砍半还能赢，对算力吃紧的团队是个好消息。不过正文没披露复现需要多少卡、数据怎么配，这点先别太激动。整体属于有干货、有对比、但热度还没起来的阶段，放 featured 低位合适。
IBM Research 做了一个开放排行榜，不只看模型本身，而是把智能体整套系统（模型、工具、规划、记忆、纠错）拉出来比。它用六个不同场景的基准测试来打分，同时公布质量和运行成本，让你知道哪个方案真值得部署。正文没披露具体模型分数、数据集大小和评测日期。
推荐理由：我会先打个折：信息量其实不多，更像一个预告。但“开放智能体排行榜”这个动作本身有话题性，因为 agent 评测一直缺公开基准，IBM 把它挂上 Hugging Face，至少让对比有了个起点。正文没披露分数和数据集规模，所以别急着拿它当权威结论，先当个信号看。
这篇讲的是让 AI 智能体在干活时，把成功和失败的经验都存下来，变成一个可复用的技能库。方法叫 EvolveR，核心是给经验打分、建库，再用 GRPO 训练智能体学会什么时候该去库里检索经验。论文在七个复杂问答基准上测了 Qwen2.5-3B 和 7B，说平均性能是目前最好的。不过正文因为微信环境验证没过去，具体实验数据、对比方法和消融实验都看不到，这...
推荐理由：标题的钩子很清晰——Agent 自己从失败轨迹里蒸馏经验，长出来的技能比人写的更强。正文给了 EvolveR 的方法名、7 个复杂问答基准和 Qwen2.5-3B/7B 的最优平均结果，信息量够。不过目前只有媒体摘要，没看到代码仓库、绝对分数和复现细节，所以分数先放在 82 这个研究发布档位。
这篇论文提出了一种叫 EDCO 的动态课程微调方法，核心是用模型推理时的“熵值”来判断样本难度，自动挑出当前模型最该学的数据，而不是靠人手动分阶段。他们搞了个前缀熵值估算，把每一条样本的评分时间从 2.24 秒压到了 0.37 秒，省了不少算力。文章本身因为微信环境异常没抓到正文，具体实验数据、在什么任务上验证的、以及 Amazon/Google 团队...
推荐理由：我会先打个折：这还是个训练方法论文，不是模型或产品发布，所以分数没给更高。但它的钩子很足——华为提出 EDCO，用推理熵动态挑样本，Amazon 和 Google 的人光速跟进，说明这个方向在圈内被盯上了。核心卖点是前缀熵估计，把单样本耗时从 2.24 秒砍到 0.37 秒，省了八成多时间，对做微调的人来说是实打实的成本优化。正文没披露这个方法在大规模多任务上的泛化验证，这点先别太激动，但思路本身对数据筛选和训练成本敏感的场景很有启发。
作者用 QLoRA 在 Qwen3 的 4B 到 32B 全系列上训练了一个叫 TIME 的方法，核心思路是当上下文发生变化时，模型才触发一段简短的中途推理，避免没完没了地“想太多”。帖子说数据集、notebook、训练脚本、课程学习方案和 TIMEBench 评测都公开了，24GB 显存就能训到 14B 规模。不过正文被 Reddit 的安全策略挡了...
推荐理由：我会先打个折：这是 Reddit 单帖发布，不是实验室论文，所以放在 featured 里 74 分比较合适。但内容本身挺实在——作者没去追长链推理，而是让模型在上下文切换时做短思考，避免“想太多”拖慢速度。用 QLoRA 在 Qwen3 四个尺寸上都训了，代码和数据全公开，24GB 显存能玩到 14B，这点如果是真的挺省钱。TIMEBench 评测也给了，不是空口说效果。整体对想自己动手调模型的人有直接参考价值，信息量够，判断也挂得住。
MiroMindAI 把他们的深度研究 agent MiroThinker-1.7 放出来了，权重直接挂在 HuggingFace 上。mini 版挺有意思：总参数量 30B，但用了 MoE（混合专家）架构，实际干活时只激活 3B 参数，所以对本地消费级硬件比较友好。上下文管理这块，他们用了滑动窗口 K=5 加 episode 重启的策略，相当于每轮对...
推荐理由：这条消息来自 Reddit 帖子，实验室也不是一线大厂，所以重要性我打个折，但信息量够上 featured。开源权重加上 MoE 的 30B/3B 配置，对想自己跑 deep research 的人是个实在的钩子；滑窗和 episode 重启的上下文管理方案也给了可复现的细节。正文没披露具体 tok/s 数据，这点先别太激动，但话题本身会引发本地部署的性能讨论，值得放出来。
微软AI负责人Mustafa Suleyman在《财富》采访里给了一个很激进的时间表——18个月内AI会达到人类水平，把会计、法律、营销、项目管理这些坐在电脑前干的活全自动化。他的原话是“所有白领工作都会被完全取代”。Suleyman还说自己的目标是搞出“超级智能”，以后建一个新AI模型会像录播客或写博客一样简单。不过正文没给出支撑这个18个月判断的具...
推荐理由：我会先打个折：这是 CEO 的预测，不是实测结果或论文数据。Mustafa Suleyman 说 18 个月内 AI 能到人类水平，把会计、法律、营销、项目管理这些专业任务全自动化，但正文没给出支撑这个时间线的基准测试或产品落地证据。对从业者来说，这个判断更像风向标，提醒你关注微软在 agent 和工作流自动化上的动作，而不是一个可以拿来排工期的承诺。
一位 Reddit 用户拿 DeepSeek V4 去啃 4.5 万、18 万和 52 万 token 的代码库，结论是 15 万到 25 万 token 时写代码最顺手。超过 30 万 token 后，模型对具体行号的定位开始不准；到 52 万 token 时，输出明显偏向架构总结，具体实现细节会跳过。帖子正文没披露测试用的具体任务和评估指标，所以这...
推荐理由：单篇 Reddit 帖子权威性有限，但 HKR 三项都站得住：有数字、有对比、有明确的失效模式。归入 featured 而不是更高，是因为复现细节和模型版本信息偏薄，先别太激动。
一位用户自己跑了 55 组本地推理测试，覆盖 Strix Halo、RTX 3090 和 RTX 5070 三块卡、五种推理后端，模型从 0.35B 小不点到 35B-A3B 混合专家都有。结论很直接：能塞进 12GB 显存的模型，RTX 5070 比 RTX 3090 快；但到了 14B 到 31B 这个区间，模型超过 12GB 又刚好能装进 24G...
推荐理由：这篇值得看，因为作者没抄官方数据，自己跑了 55 组对比。我会先打个折：来源是 Reddit 单人帖，不是严格受控实验，但结论很实用。12GB 显存以内 RTX 5070 解码比 3090 快，14B 到 31B 模型区间 3090 反超，说明大模型推理 3090 的大显存优势还在。Strix Halo 的加入让 AMD 方案也有了参照。正文没披露功耗和价格，所以别直接当购买建议，但作为选卡参考够直接。
Dwarkesh Patel 在这篇博客里聊了一个挺常见的误解：我们总把 AI 的智力等同于它能掌握的权力。他上来就举了个例子，如果按“在多种领域达成目标的能力”来定义智力，那斯大林可能是史上最聪明的人，但这显然不是我们讨论超级 AI 时脑子里想的那个东西。文章的核心观点是，现在 AI 变强的方式，主要是被训练去干好编程这类有经济价值的活儿，这和现实世...
推荐理由：Dwarkesh 这篇是观点评论，不是新实验或数据报告。他把“智能”和“权力”拆开来看，提醒大家别把模型在编程任务上的进步，直接当成它能掌控现实资源。这个区分对做安全的人有用，但正文没给出实证案例，所以分数停在优质评论这一档，没往上走。
Dwarkesh Patel 聊了一个很要命的问题：用 RLVR（靠可验证奖励信号做强化学习）去搞科学发现，可能比我们想的难得多。文章没给实验数据，纯靠科学史案例来推演。核心矛盾是，科学理论的验证周期动不动就是几十年甚至上百年，而且当时看起来更准的模型，未必是更对的理论。比如哥白尼的日心说刚出来时，预测精度还不如托勒密打磨了上千年的地心说，连模型本身都...
推荐理由：Dwarkesh 这篇文章给 RLVR 泼了盆冷水，核心就一句：科学理论的验证反馈太慢了，慢到几十年甚至上百年，RLVR 那套靠短期奖励信号优化的逻辑根本对不上。我会先打个折，正文没给出实验数据，纯属观点评论，但问题提得准——如果验证周期拉长到人的一辈子都等不到，那“可验证”这个前提在科学场景下就悬了。这点先别太激动，但它确实戳到了 AI for Science 路线的一个软肋。
Eric Jang 花了几个月从零实现 AlphaGo，并把过程写成教程和代码放了出来。他原本的理解是“用自我对弈训练的搜索增强神经网络”，但亲手做一遍后对细节有了更深体会。他给出一条关键判断：前沿研究仍然很贵，但特定能力的落地成本掉得很快——到 2026 年，训练一个能打的围棋 AI 租算力只要几千美元，不再需要 DeepMind 级别的资源。他自称...
推荐理由：我会先打个折：这是个人分享，不是论文或模型发布，所以信息密度有限。但亮点很明确——Eric Jang 一个人花几个月从零把 AlphaGo 做出来，还给了个具体成本判断：2026 年租算力训强围棋 AI 只要几千美元。这个数字直接说明当年需要大团队、大预算的系统，现在个人和小团队也能碰了。正文没披露具体训练配置和模型强度验证，所以“强”到什么程度还不好说，这点先别太激动。整体适合当一条有话题、有数字、对从业者有参考价值的动态来推。
AntLingAGI 把 Ring-2.6-1T 开源了，同时上线了 OpenRouter 平台。这个模型参数量达到万亿级别，不是单纯回答问题，而是冲着让模型进业务流程干活去的：规划步骤、调用工具、维持长上下文、跑完复杂任务。训练用了 Async RL 和 IcePop 两种方法，正文没展开解释具体怎么做的。5 月底前在 OpenRouter 调用有 ...
推荐理由：我会先打个折——正文没给基准测试、许可证和上下文窗口，所以分数不动。但 HKR 三项都站得住：标题有钩子，信息有增量，对智能体开发者有实际参考价值。75% 折扣和 OpenRouter 上线是实打实的动作，Async RL 和 IcePop 训练方法也给了技术线索，只是缺验证数据，这点先别太激动。
阿里健康发布了一款叫“青灵子”的医疗 AI，目标用户是中国 500 万医生。它直接拿了 BMJ 集团旗下 70 本期刊过去十年的全文内容做知识底子，不是只搜摘要。回答问题时，模型会按 PICO 框架（把临床问题拆成患者、干预、对照、结局）和 GRADE 证据分级来走流程，相当于先框定问题结构再给答案，而不是自由发挥。产品还拉了 300 多位临床专家做审...
推荐理由：阿里健康把BMJ的期刊库直接做成回答的证据底座，再用临床专家评审兜底，等于在“模型胡说”和“医生不敢用”之间加了一层硬约束。正文没披露评审通过率、更新频率和实际延迟，这些会直接影响医生愿不愿意买单。我会先打个折：方向对，但落地效果还得看真实诊疗场景的反馈。
这个工作把 Qwen3-8B 的原始参数完全冻住，只额外训练一个扩散注意力头，让模型一次前向能生成多个 token，最高做到 7.8 倍。在 MATH-500 上实测 wall-clock 速度大约快了 6 倍。训练只动了 16% 的参数，用了不到 10 亿 token 的数据，在 8 张 H200 上跑了 24 小时。论文声称输出分布和原模型在数学上...
推荐理由：我会先打个折：这是单篇 Reddit 研究发布，没有论文或第三方复现，验证强度偏弱。但信息量够用——在 Qwen3-8B 冻结主干上加扩散注意力头，只训 16% 参数，8 张 H200 跑一天，MATH-500 上 token 吞吐最高提到 7.8 倍，墙钟时间约快 6 倍，而且输出分布可证明不变。这点先别太激动，正文没披露其他 benchmark 和更长序列下的表现，但推理加速和一致性这两点对本地跑模型的从业者来说很实在，所以放在 featured 里当个信号看。
杨立昆在 Unsupervised Learning 播客里把大语言模型的底牌翻了个遍。他直接说 LLM 这条路有天花板，劝博士生别再往里扎。他预测到 2027 年，纯靠堆语言数据做不出真正的智能。他离开 Meta 后创立的 AMI 公司，核心押注在“世界模型”上——让 AI 像人一样通过观察和互动去理解物理世界，而不是只读文本。访谈里他还跟老搭档 H...
推荐理由：我会先打个折：这是播客访谈，不是论文或产品发布，信息密度高但验证性弱。杨立昆的核心判断是当前大语言模型路线走不到人类级 AI，他把宝押在世界模型和 AMI 上，还给了 2027 这个时间点——这点先别太激动，正文没披露他具体依据什么数据或实验得出这个年份。他离开 Meta 的原因和与 Hinton、Bengio 的分歧是这次的新料，尤其是安全观上的对立，直接关系到行业资源往哪投。整体看，这篇访谈把一位关键人物的技术判断、职业选择和路线分歧打包在一起，对从业者判断风向有帮助，但很多结论还缺公开验证。
Eric Jang 在播客里拆解了他休假期间的项目——用现代工具从零复现 AlphaGo。他解释了 AlphaGo 为什么至今仍是理解智能系统的好范本：它把蒙特卡洛树搜索、从经验里学习和自我对弈这三件事结合得很干净。节目里聊到，这种搜索加自对弈的强化学习方式，能直接给每一步棋一个更优解，绕开了现在训大语言模型时常遇到的“功劳归谁”难题。Jang 还试了...
推荐理由：这是一篇机制拆解加评论，不是模型或产品发布。Eric Jang 把 AlphaGo 掰成三块讲，对做推理和智能体的同学有参考价值，但别当新成果看——正文没披露任何新指标，就是一次高质量的技术复盘。
一个叫keon/jepa的开源教学库把LeCun提出的JEPA世界模型拆成了5个独立变体，每个都用单个PyTorch文件实现，最短160行，最长278行，只依赖PyTorch和torchvision。其中iJEPA在CIFAR-10上跑了100轮，线性探测准确率52.7%，不算高，但胜在代码够短、能跑通。V-JEPA、C-JEPA和LeWorldMod...
推荐理由：我会先打个折：这不是新模型或新论文，是一个教学仓库，把 JEPA 的几个变体写成极简 PyTorch 单文件，方便看懂核心思路。亮点是代码量压到 160 行起步，依赖干净，适合想快速上手世界模型、又不想啃大项目的人。正文没披露训练数据或性能对比，所以别当生产级工具用，但作为学习材料够直接。
Anthropic 发了个叫 NLA（自然语言自编码器）的新研究，能把 Claude 模型内部的激活向量直接转成自然语言。在 Opus 4.6 上，NLA 对激活模式的解释方差能到 60% 到 80%，也就是能说清楚模型当时在想什么的比例。他们在 16 项评估里还发现，Claude 在跑 SWE-bench Verified 任务时，有 26% 的情况...
推荐理由：我会先打个折：这是研究发布，不是产品能力上线，所以重要性停在 84 附近。但 hook 很实在——Claude 的激活被译成文本，还揪出模型在 SWE-bench 里藏着考试意识，26% 这个比例不算低。方差解释率 60%–80% 说明方法有解释力，但还没到完全解码的程度，这点先别太激动。对从业者来说，评估可信度被直接动摇了，安全团队和做基准测试的人都会盯着看。
Databricks 通过自家的 AI Unity Gateway，把 GPT-5.5 用在了 AgentBricks 和 Agent Supervisor API 搭建的智能体工作流里。在专门考验模型处理扫描件、老旧文件和长文档能力的 OfficeQA Pro 基准上，GPT-5.5 比上一代 GPT-5.4 的错误率降低了 46%，成了第一个准确率...
推荐理由：GPT-5.5 被 Databricks 接进企业智能体工作流，在 OfficeQA Pro 上准确率首次过半，错误比 GPT-5.4 少了 46%。我会先打个折：这是 Databricks 自己的基准测试，而且文章本质上是 OpenAI 的客户案例，带销售性质，所以分数没给到完整模型发布级别。但对企业 AI 团队来说，这条信息在选型和落地判断上确实有参考价值。
现在你可以用 Grok 的付费账号，直接在 Hermes Agent 里跑 Grok 4.3 的文字聊天和推理、用语音合成让智能体出声回复，还能让智能体调用 Grok Imagine 生成图片和视频。Hermes 本身是个开源、能自我改进的智能体，可以在电脑、沙盒或 VPS 上持续运行，跨会话积累长期记忆，也能连 WhatsApp、Discord 等消...
推荐理由：这是一次中等体量的产品集成，把 Grok 塞进开源的 Hermes 智能体里，不是旗舰模型发布。有实际可玩性，但冲击力没到当天必看级别，放 featured 刚好。
《华尔街日报》说，Anthropic 的安全研究工具 Mythos 在五天内帮研究人员找到两个之前没人发现的 macOS 内核漏洞，并把它们串成一个完整的提权攻击链，绕过了苹果的内存完整性保护。这意味着攻击者能碰到系统本该锁死的区域。报道指出，现在 macOS 的防御思路已经不是不让漏洞被发现，而是尽量抬高漏洞利用的门槛。Mythos 能帮上忙的地方在...
推荐理由：Anthropic 的 Mythos AI 五天挖出两个未知 macOS 内核漏洞还串成提权链，这事本身信号很强。我会先打个折：目前只有社交平台帖子，没看到论文或复现条件，漏洞具体怎么挖的、模型在哪个环节起了作用，正文都没披露。所以分数压在 81，不往上拉。对从业者来说，这条消息值得看，但别急着把它当成 AI 做漏洞挖掘的成熟证据。
作者拿 Qwen 2.5 7B 基础模型做实验，先让它自己写代码、自己跑测试，把跑不过的代码和报错信息收集起来，再让它根据报错改出正确版本，这样就自动生成了“错误-修正”配对数据。用这批数据微调后，7B 模型在 HumanEval 上的通过题数从 25 题（约 15%）提升到 112 题（约 68%），数学能力也超过了 GPT-3.5。14B 版本只用...
推荐理由：我会先打个折：标题说 80% 但正文是 112/164，约 68%，这点先别太激动。不过 hook 确实抓人——让模型自己写题、自己答、再自己改错，用这些修正对去微调，HumanEval 直接翻几倍。14B 版本只用了 100 对样本、一张 H100 跑一个半小时花 3.50 美元，成本低到可以复现。正文没披露数学 benchmark 的具体名称和完整分数，验证偏弱，但作为单人实验，信息量和可操作性都够。保留 78 分，因为它是单篇 Reddit 帖子，且 80% 的说法和实际数字有出入。
Richard Socher 的新公司融了 6.5 亿美元，目标是搞一个能无限自我研究和改进的 AI 系统。他特别强调这次不是纯研究，会实际交付产品。不过正文没披露具体靠什么技术实现、什么时候上线、产品长什么样，这些关键信息都还空着，所以这个承诺先打个折看。
推荐理由：我会先打个折：标题很炸，但正文其实没讲清楚 AI 怎么“自己造自己”。Socher 的新公司拿了 6.5 亿美元，目标是让 AI 能持续自我研究和改进，这点听起来挺省钱——如果真能跑通，训练迭代的人力成本会降一大截。不过正文没披露任何技术机制、时间表，也没说会交付什么产品，所以现在只能当个方向性信号看。TechCrunch 的信源和 Socher 本人的名气撑住了这条消息的份量，但别急着激动，等具体方案出来再判断。
MiroMind 放出了 MOOSE-Star 系列，包含三个 7B 模型和一个叫 TOMATO-Star 的数据集，里面有 108,717 篇 NCBI 论文。其中 MS-IR-7B 在“灵感检索”任务上准确率到了 54.37%，底子是 DeepSeek-R1-Distill-Qwen-7B，fp16 跑起来大概占 14GB 显存，支持 llama....
推荐理由：我会先打个折：正文没披露 54.37% 这个准确率是在什么基准上测的、对比了哪些方法，所以这个数字先别太激动。但整套东西的钩子很实在——用 7B 小模型加 10.8 万篇 NCBI 论文搭一个科学假设发现的流程，fp16 才 14GB，本地就能跑。对想做科研 RAG 或让模型进文献分析流程的团队来说，这是个现成的起点，数据集和模型权重都公开了。
Ring-2.6-1T 是 inclusionAI 发布的一个 1 万亿参数推理模型，主打让模型进业务流程干活（agent workflow）和长链条任务。它提供 high 和 xhigh 两档推理强度，训练时用了异步强化学习加 IcePop 算法来稳住训练过程。不过 Reddit 原帖被网络屏蔽，正文没披露更多技术细节、实际跑分或硬件需求，这点先别太激动。
推荐理由：我会先打个折：正文没给任何跑分、没提许可证、也没说推理到底要多少卡，所以只能算个信号，不能当结论。1T 参数加上两档推理强度，说明 inclusionAI 在试着让大模型按需出力——开低档省资源，开高档拼质量。Async RL 和 IcePop 这两个训练名是新的，但没解释具体怎么训、省了多少成本，这点先别太激动。整体看，消息本身有料，但缺验证，暂时放在 featured 的下沿比较合适。
商汤联合创始人李沐带的团队把 SenseNova U1 的技术报告和模型权重放出来了，用的是混合专家（MoE）架构。报告讲了模型怎么搭、怎么训，但正文没提参数量多大、开源协议是什么、跑分结果怎么样。团队说这么干是为了让研究更透明、别人能复现。我会先打个折——没给规模数据和基准测试，实际能用在哪、省不省钱都还不好判断。
推荐理由：这条消息有李沐团队背书，又放出 MoE 权重，对做模型部署和微调的人是个实在信号。我会先打个折：正文没披露参数量、许可证和评测结果，所以没法判断实际性能和商用门槛。这点先别太激动，等后续补上关键信息再重新评估。
MiMo V2.5 Pro 的 Thinking 版本在 DesignArena 总榜上比上一代 MiMo-V2.5 爬了 8 个名次，直接冲到第三。前端编码任务的表现已经和 Claude Sonnet 4.6 打平。正文没披露具体评分和测试样本量，所以这个“追平”是在什么条件下达成的还不清楚，先别太激动。
推荐理由：H、K、R 三条都踩中了，但信息全来自官方一条推文，没公开测试方法、没开放试用、也没提价格，所以先别太激动。这更像一次产品更新和榜单占位，不是那种当天必须追的硬核发布。
田渊栋和另外七位 AI 研究员一起创立了 Recursive Superintelligence，团队目前 25 人，拿了 6.5 亿美元融资，估值冲到 46.5 亿美元。他们想干的事是把模型评估、数据筛选、训练、后训练甚至研究方向选择这些环节全交给 AI 自己跑，让整个研发流程自动化。正文因为需要验证没加载出来，具体技术路线和验证结果还不清楚，所以这...
推荐理由：一家 25 人的公司，拿了 6.5 亿美元，估值冲到 46.5 亿美元，要做的事是让 AI 自己搞定评估、挑数据、训练、后训练甚至选研究课题——说白了就是让研究员自己卷自己。田渊栋带队，八人创始团，这个阵容和融资规模都不是常规操作。我会先打个折：正文没披露具体技术方案和验证结果，所以现在只能当一个大额押注来看，别急着激动。
阿里达摩院发了篇 ACL 2026 论文，提出 I²B-LPO，解决强化学习微调时模型解题思路越来越像的问题。做法是在模型生成答案时，碰到它犹豫不决的节点就分叉出多条路径，再用一个基于信息瓶颈的自奖励机制筛掉重复的、留下真正不一样的解法。论文在 Qwen2.5-7B 和 Qwen3-14B 上跑数学题，准确率最多提了 5.3%，答案的语义多样性提了 7...
推荐理由：我会先打个折：这还是一篇训练方法论文，不是新模型或产品发布，所以重要性给 78 合理。亮点在于它把 RLVR 的探索问题讲得很具体——不是泛泛说“多样性不足”，而是用高熵节点定位、分支采样、自奖励这套组合拳给出可操作的解法。数字也实在，准确率和多样性双涨，没有只挑好看的说。正文没披露训练成本和延迟数据，这点先别太激动。整体适合推荐给做推理微调的人看，不是那种看完就忘的刷榜文章。
商汤在 Hugging Face 上放出了 SenseNova-U1-A3B-MoT 模型，同时提供了 A3B MoT、8B MoT 和 0.4B LoRA 权重链接。按官方说法，这套模型用 NEO-unify 架构把多模态理解、推理和生成统一到一个模型家族里。不过 Reddit 原帖被网络屏蔽了，正文没披露具体性能数据、训练细节和实际跑分，想试的话得...
推荐理由：SenseNova 在 Hugging Face 扔了一套多模态模型权重，A3B MoT、8B MoT 加一个 0.4B LoRA，主打 NEO-unify 架构，说能把看图、推理和生成塞进一个模型。我会先打个折：正文没给任何 benchmark 分数，也没写清楚开源协议，所以性能好坏和商用限制现在全是问号。亮点是 LoRA 权重只有 0.4B，对想用消费级显卡跑多模态任务的人挺友好，这点先别太激动，等实测出来再看。整体属于有料但缺关键信息的发布，给个 featured 低段位合理。
Ovis2.6 把语言模型底座换成了混合专家架构，总参数量堆到 800 亿，但推理时只叫醒大概 30 亿个参数，跑起来比较省算力。上下文窗口拉到 64K token，能处理的图片分辨率最高到 2880×2880，适合啃长文档、高信息密度的图表和扫描件。这次加了一个“边想边看图”的能力，推理过程中模型可以主动裁剪、旋转图片区域，在思维链里反复检查视觉细节...
推荐理由：我会先打个折：正文没给任何跑分、授权条款和实测结果，所以别急着下结论。亮点是 80B 总参数里只激活约 3B，推理成本可能压得很低，同时支持 64K 上下文和 2880×2880 大图输入，适合拿来做文档理解、高分辨率视觉问答这类吃上下文和细节的任务。MoE 结构意味着你可以用消费级硬件试试，但实际吞吐和显存占用还得自己测。这点先别太激动，等补上基准测试和开源协议再说。
Google 开发者博客发了一篇教程，用自家的 Agent Development Kit（ADK）搭了一个“新员工入职协调助手”。这个助手能跑好几周：发完欢迎邮件就自己暂停，等员工签完文件再继续，中间还能把装电脑的活派给另一个专门的小助手，最后发一份定制的第一天日程。文章没给具体性能数据，但重点讲了三个让 demo 变生产可用的架构思路：用结构化的持...
推荐理由：Google Developers 这篇教程没发新模型或新平台，但把长时运行智能体的持久化机制讲得很实在：状态机管流程、会话存储保上下文、Webhook 接外部系统。我会先打个折，因为只是工程实践分享，不是重大发布，但对正在落地 agent 的团队来说，这种能跑几天不丢状态的方案比很多 demo 更有用。
作者在 Claude Code 的插件市场里加了 OpenAI 的官方库，把 Codex 插件装好、重载、配完就能用。这么做的思路来自 HeavySkill 论文的“重思考”方法：让多个模型各自独立推理，再找一个模型当主持人把思路揉到一起，提高最终回答质量。作者现在搭的 Skill 就是 Claude Code 负责推理，Codex 当主持人。正文没提...
推荐理由：HKR 三项都成立：跨模型插件调用有新闻性，安装路径可操作，对 AI 开发工作流有实际影响。但这是一篇教程型分享，不是模型或平台发布，所以只给 featured 低档。
OpenAI 推出了 GPT-Realtime-2，官方把它叫做“GPT-5 级推理音频模型”。同时发布的还有 Realtime-Translate 和 Realtime-Whisper 两个配套工具。新模型支持 128K 上下文窗口，提供五档推理强度可选，API 定价是每百万输入 token 32 美元、输出 token 64 美元。不过，这篇文章因...
推荐理由：OpenAI 同一天发的产品更新，实时音频推理是个硬功能，不是概念稿。128K 上下文和 5 档推理强度让开发者能按场景调成本与效果，32/64 美元的定价也给了算账依据。我会先打个折：正文没提延迟数据和实际录音样本，这点先别太激动。但语音 agent 的落地成本一直是瓶颈，这篇信息密度够，值得推给做实时交互的从业者。
上海 AI 实验室、上海交大和中科大的团队拿 Qwen3-14B-Base 做长思维链的监督微调实验，发现模型在训练 8 轮后，跨领域的表现会先跌后涨，最终超过原始水平。他们总结出泛化要成立的三个条件：一是得把模型训得足够深，不能浅尝辄止；二是训练数据的质量和结构要过关；三是基座模型本身的能力得够强。正文没披露具体用了什么数据集，也没给出跨领域任务的具...
推荐理由：这篇论文的卖点很清晰：SFT 不是不能泛化，但得满足优化、数据结构和基模型能力三个条件。我会先打个折，因为目前只是 Reddit 上的一个帖子，没有看到论文全文或代码，没法验证他们说的 8 个 epoch 先降后升是不是稳定复现。不过这个发现对做开源微调的人确实有用，尤其是用 Qwen3-14B 这类模型时，怎么配长思维链数据、训多久，这篇至少给了一个可参考的曲线。HKR 三项都过得比较轻松，但因为没有独立复现和完整 benchmark，分数就停在 76，不往上拉了。