DeepX DX-M2 流片:5W 功耗下支持最高 100B 参数模型推理
韩国边缘 AI 芯片公司 DeepX 完成第二代 AI 加速器 DX-M2 流片,可在低于 5W 功耗下推理最高 1000 亿参数模型,支持 20B-100B 参数(约 3B-20B 激活参数)模型以 10-30 tokens/s 运行。
韩国边缘 AI 芯片公司 DeepX 完成第二代 AI 加速器 DX-M2 流片,可在低于 5W 功耗下推理最高 1000 亿参数模型,支持 20B-100B 参数(约 3B-20B 激活参数)模型以 10-30 tokens/s 运行。
Anthropic 发布 Claude Fable 5.2 和 Claude Mythos 5.2,称其编码、推理和视觉能力提升,输出速度较 5.1 版本最高加快 30%。
推荐理由:Anthropic 为同一底层模型设置不同安全防护与准入条件,通用用户与网络安全、生物医学研究机构获得的任务权限存在明确差异。
Anthropic 宣布 Claude Fable 5.2 和 Claude Mythos 5.2,称其编码、推理和视觉能力提升,输出速度快于 5.1 版本。公司称预发布测试中,两款模型协助完成软件迁移、从零设计出 3 个可工作的电子设备、解决 2 个黑洞物理开放问题,并在 30 小时内形式化费马大定理的证明。
推荐理由:Anthropic 为两款新模型设置了不同开放范围,Fable 今日上线而 Mythos 初期仅向经审核组织开放。
Surge AI 与 FireFlash 的对照实验显示,编程智能体可通过提高单模型思考深度、设置测试与目标核对关卡、改造终端管道提升表现。Surge AI 实验中,Compound Engineering 将成本提高至基线的 8 倍,成绩仅从 31.1 升至 32.9;Claude Opus 5.5 调高思考设置后达到 42.4,成本为基线的 3.5 倍。
推荐理由:Surge AI 与 FireFlash 团队拆解智能体框架技巧的成本收益,实验对比了多代理协作、单模型深度思考与终端管道改造。
Google新增TPU 8tx和TPU 8i Max两款系统,使其一年内交付的第八代TPU系统达到四款,均基于现有芯片调整系统配置。TPU 8tx面向机密计算,Google称数据和模型权重在处理期间仍受到保护与隔离;TPU 8i Max将两颗TPU 8i芯片放在同一封装内,在相同机架规格下将算力、内存容量和内存带宽翻倍。
有讨论质疑 Opus 5.5 是否被削弱,称其推理模式在 11 月 3 日发生了变化。该话题在 Hacker News 首页获得 12 分、5 条评论,正文未给出具体对比数据或官方说明。
Flide 是面向 Jev 风格决策模型的推理基础设施,借助精确状态分叉,单请求响应速度最高达 vLLM 和 SGLang 的 9.5 倍,且答案与模型单独作答完全一致。它通过 /v1/systemone API 提供服务,已支持 Qwen3.5、Gemma 4 及 OneJev、pplx-decider 等决策模型,采用 Apache-2.0 许可。
Anthropic 开源的可证明推理原型 FlashProve 可用于事后核验模型计算,本文分析了它识别中转站换模型与监管官方服务降级的边界。材料称,其基于 Llama 4 Maverick 生成约 19 MB 的证明文件,用户在 24 核处理器上可用 17 秒验证,但生成证明的算力成本为 vLLM 普通推理的 70 到 95 倍。
Vals AI 研究人员读取 Thinking Machines 的 Inkling 2 Small 在 13 个基准、2655 次运行中的思考日志,发现 50 次运行出现 "fuck" 及其变体,共 316 次,其中 241 次来自两次失控运行。
Vals AI 的 CyberOffense 测试显示,AI 智能体能无人协助地入侵模拟企业网络,开放权重模型的攻击能力接近受限模型。GPT-6 Sol 达成 80.8% 的目标,Deepseek V4.1 Flash 1017 达成 72.8%,单次运行成本分别约为 $22 和 $3。
Hightouch 的身份匹配评测显示,Jev 将置信度为 30–90% 的案例交给 Claude Opus 5.5 复核,在较容易测试中达到 98.8% 准确率,每 1,000 个身份成本为 $0.88,Opus 单独运行则为 99.0% 和 $3.86。
SketchAgentBench 是一个用于评估 LLM 3D 空间推理能力的基准。该基准通过草图任务考察模型对三维空间关系的理解。目前该条目在 Hacker News 首页获得 4 分,尚无评论。
OpenAI 与生物技术公司 Ligo 联合推出 BioBasicsBench,用 100 项常规湿实验室任务衡量 AI 智能体解读原始实验数据、识别错误并判断证据是否足以支撑结论的能力。
PROMETHEVS 0.2 提供本地推理引擎,在 64 GB RAM、RTX 3060 12 GB 的电脑上以压缩后纠错方式运行 DeepSeek-V4.1-Flash-1017,使用全部 510 GB 原始权重构建存储。
Thinking Machines 发布 Inkling 2 Small,宣称其为最强西方开放权重模型,支持文本和图像输入及可调思考深度。
Thinking Machines 发布 Inkling 2 Small,这款 594B 总参数、17B 活跃参数的多模态 MoE 已在 Tinker 提供微调和推理。
推荐理由:Inkling 2 Small 在人工智能评测中的能力提升伴随更高输出 token 消耗,低单价使其单任务成本仍低于对比模型。
Village 的 LLM Atlas 评测显示,闭源模型占据几乎所有预算档位的价格性能前沿,开源权重模型的最优占比从六月的41%降至3%。GPT-6 Luna、GPT-6.1 Terra 和 Claude Haiku 5.5 覆盖了开源模型此前领先的预算区间,开源模型目前主要在最低价区间占优。
腾讯发布新一代大语言模型 Hy4,新增视觉理解和计算机操作能力,并计划在未来几天发布模型权重与系统卡。模型加强了指令遵循、长上下文理解及长周期智能体任务能力,目前已接入 WorkBuddy、CodeBuddy、腾讯云 TokenHub 等产品。
推荐理由:腾讯为 Hy4 增加视觉理解与计算机操作能力,并保持 Hy4 Preview 的定价,扩展任务范围未伴随标准调用价格上调。
Dwarkesh Patel 用 Blood on the Clocktower 社交欺骗游戏评测 AI 的协作、欺骗与长期推理能力,运行了 386 场同模型组队对抗。
AxiomMath 周三宣布已对 Stacks Project 完成形式化验证,希望为 AI 智能体提供可靠的数学基础。其智能体将约 7,654 页数学内容转为约 16 million 行由计算机检查的 Lean 代码,并保留定理与定义之间的依赖关系。公司称,这些已验证结果可供后续数学证明复用,并希望将这一方法扩展到软件开发和科学研究。
百度发布 ERNIE-5.5-Flash-Base 基础模型权重,采用稀疏 MoE 架构,总参数为 280B,每个 token 激活 14B 参数。模型从零预训练使用 33.5T tokens,训练上下文扩展至 128K,支持微调和推理时的 1M-token 上下文,发布检查点未经中期训练或后训练。
DevRev 基于 GPT-6.1 Sol 与 GPT-6 Astra 构建 Computer 和 Operator,用于处理客户与员工的复杂服务请求,强调推理能力、可信度与延迟成本的平衡。
Qualcomm 推出 Cloud AI 100 Ultra 推理加速卡,150W TDP 下提供最高 870 TOPS INT8 与 288 TFLOPS FP16 算力,配备 128GB LPDDR4x 显存、548GB/s 带宽和 576MB 片上 SRAM,面向生成式 AI 与大语言模型推理。
Latent Space 发布幕后访谈,聊 Kill My SaaS、Jev 与 2026 年 AI 趋势,并回顾 AI Engineer Shanghai。
Anthropic 公布可证明推理研究进展,开源 FlashProve 原型,以 zkSNARK 核验输出是否来自指定模型,同时隐藏模型权重。
GPT-6 Astra 在研究实验中通过直接读取、生成和修改其他模型的权重,完成模型识别、游戏策略构建及定向能力修复,无需常规训练。针对 Qwen3.5-0.8B,Astra 使用编程环境和 50 次测试迭代,仅修改 0.016 percent 的权重,将 MATH-500 准确率从 7.9 提升至 48.1 percent,指令遵循能力从 21 提升至 62 percent。
密歇根大学 Ang Chen 团队发布开源基准 CloudOpsBench 1.0,含 45 个 AWS 运维任务,Claude Fable 5.1 仅解决 60%、GPT-6 Astra 解决 53%。
Anthropic 发布开源研究原型 FlashProve,使用 zkSNARK 核验 AI 响应是否来自指定模型,无需公开模型权重或依赖可信硬件。技术报告称,在单张 H100 GPU 上针对 Llama 4 Maverick 生成证明的速度约为每秒 110 tokens,每份证明约 19 MB,标准 CPU 验证耗时 17 秒,相比普通推理增加约 70x 至 95x 开销。
Nvidia RTX Spark 笔记本在原生 Linux 下接电运行时,GPU 因电源管理支持缺失降至约 780 MHz,推理吞吐大幅下降。MSI Prestige 上的 GPT-OSS-120B 测试中,Windows、WSL 和原生 Linux 分别达到 65.4、65.1 和 13.9 tokens per second。
MIT 权重编程实验日志显示,gpt-6-astra 对 Qwen3.5-0.8B 的数学提分主要来自缓解重复生成,静态读写展示则使用小型网络。
斯坦福研究者 Owen Queen 和 James Zou 用20个模型复测50项广泛引用的大语言模型结论,发现44%已失效、34%显著减弱。22项可估算失效时间的结论平均有效期仅15.7个月,关于模型无法完成哪些任务的结论失效最快,部分迎合行为与偏好则持续存在或增强。同一发布窗口内模型差异仍很大,研究者建议将结论限定于具体模型和时间,记录版本与日期,并公开提示词及分析代码以便复测。
Simon Willison 在笔记本上运行 Qwen 3.8 27B,仅凭原始权重、无工具调用,成功识别三个游戏网络的用途。模型识别 Pac-Man、Pong 和 Breakout 分别耗时 46m 12s、1h 4m 54s 和 52m 25s,将 Freeway 误判为类似 Pac-Man 的游戏。
Astra 读写权重改进 Qwen 的文章被批评混淆了不同实验条件,使人误以为模型仅查看原始权重就能完成改进。分析指出,直接读取原始权重且不使用工具、不运行网络的设置仅用于 17K–172K 权重的小网络实验;涉及语言模型的实验均使用 Python,Qwen3.5-0.8B 实验还允许运行最多 50 批练习题。
现代 Stockfish 移植到 200 MHz、64MB RAM 的 Pentium Pro 后,经典时限下的估计 Elo 达到 3300,文章据此判断它很可能击败 1996 年的 Kasparov。
Weight-Space Programming 研究探索让前沿 LLM 根据自然语言目标直接检查、生成和修改神经网络权重,无需梯度下降训练循环。报告的演示包括识别小模型行为、生成游戏策略,以及编辑 Qwen3.5-0.8B 的 0.016% 权重,将 MATH-500 成绩从 7.9% 提升至 48.1%。
Weight-Space Programming 研究报告称,GPT-6 Astra 直接编辑 Qwen3.5-0.8B 的 0.016% 权重,将 MATH-500 从 7.9% 提升至 48.1%。
推荐理由:Astra 对 Qwen 的权重编辑缓解了推理循环,对少有循环的 Gemma 则提升有限,区分了解除行为障碍与增加数学能力。
Google 回顾 2026 年 10 月 AI 更新,重点包括 Gemini 4 Argon 全球推出、Gemini 4 Carbon 公布及世界模型 Genie 4。
推荐理由:Google 将 Argon 全球开放与 Carbon 限定测试分开推进,两款前沿模型的使用入口与安全测试阶段有明确差异。
OpenAI 的 GPT-Rosalind-6 系统卡补充报告披露,该模型与 GPT-6 Astra 使用相同权重,此次发布未增加训练数据或进行额外后训练。GeneBench Pro v13 的最高受测推理预算下,GPT-Rosalind-6 与 GPT-Rosalind-5.5 的单次成功率分别为 37.7% 和 16.7%,评测配置不同于生产环境。
PD 分离通过拆开预填充与解码改善推理性能,但 Cloudflare 的 GLM-5.3 部署因异常请求处理漏洞发生跨租户缓存泄露。Cloudflare 的复盘指出,155 条超长上下文回复混入其他用户的对话或代码,原因是超限请求被替换为 1 个 token 的占位符后仍进入跨节点传输,解码节点读取了未被覆盖的旧缓存。
推荐理由:Cloudflare 在泄露修复中加入传输数量校验与延迟显存回收,将跨节点异常退出时的数据覆盖和页面归属纳入安全检查。
鸭哥报告用 Claude Code 调用 claude-opus-5-5,输入公开的五句话提示词,以 1.22 美元复现了 ETH 猜想的反证。实测关闭所有工具和联网搜索权限,耗时 8 分 41 秒,消耗 48,101 个思考 token,输出包含五个小节的数学证明。文章解释提示词中的算法思路,并强调该理论结果不代表 P=NP,进而提炼出提示词应突出反直觉路径、高层概念和最差情况瓶颈的方法。
推荐理由:鸭哥从 Opus 5.5 的复现实测提炼提示词方法,将专家输入集中在反直觉路径、高层概念与最差情况瓶颈上。