Cognition 发布迄今最先进的编码模型 SWE-2，基于 2.8T 参数的 Kimi K3 后训练，FrontierCode 1.1 Main 得分 50.0%，比 Fable 5.1 仅差 1 分且便宜 64%，比 GPT-6 Astra 低几分但成本仅四分之一。
推荐理由：官方既给出与 GPT-6 Astra、Fable 5.1 的对比数据，也详述了 RL 成本惩罚等训练方法，读者可借此理解低成本高能力的实现路径。
Amazon Science 发表论文《What fits (into few tokens) doesn't overfit》，用可重置的 LLM 研究智能体解释为何基准驱动的机器学习研究没有像教科书预测的那样普遍过拟合：能胜出的策略高度可压缩，短描述装不下对验证集的记忆。
Dwarkesh Patel 通过训练 2019 到 2025 各年代表性模型配方与数据语料的组合（最高 1e19 FLOPs），发现数据改进带来的计算效率增益为 12.0x，模型改进为 3.7x，数据贡献约 3.24 倍于模型，且两者增益基本相互独立，线性模型可解释 88% 的 OLMES 分数方差。
Ai2 宣布与 Providence Swedish Cancer Institute 旗下 Paul G. Allen Research Center 合作，将其 AI 科学发现平台 AutoDiscovery 应用于癌症研究数据集。
Together AI 在 DeepSWE 全部 113 个任务上实测 DeepSeek V4 Pro 0813 与 Claude Fable 5，共 904 次 rollout。
推荐理由：原文以 904 次 rollout 实测两个模型在 DeepSWE 的成本与质量差异，并给出可迁移的级联路由方案及其实测准确率和成本。
Dwarkesh Patel 发布与 Redwood Research 首席科学家 Ryan Greenblatt 的播客对谈，辩论递归自我改进是否会在实现人类水平智能后一年内带来数十亿个超级智能。
Together AI 在 DeepSWE 全部 113 个任务上各跑 4 次实测 DeepSeek-V4 Flash 0731 与 GPT-5.6 Luna，Luna pass@1 达 67.2%，约为 DeepSeek（53.3%）的 6 倍成本（$0.61 对 $0.10）。
推荐理由：原文用同一跑分实测两款模型的成本与质量取舍，并给出可复用的级联组合方法，适合按技术栈选型的读者参考。
Understanding AI 作者在费城国际数学家大会采访 20 多位数学家，探讨 AI 对数学职业的冲击。菲尔兹奖得主 Jacob Tsimerman 宣布加入 OpenAI 安全团队，并认为 AI 很快会在职业数学家的工作上稳健超越人类。
Together AI 发布 Kimi K3 开发者指南，讲解如何在自家 API 上使用月之暗面 2.8 万亿参数的开源模型 K3，该模型支持 1M 上下文。
推荐理由：Together AI 直接服务该模型，指南给出推理档位、缓存和动态工具加载等实操要点，可帮助开发者控制 1M 上下文下的使用成本。
IBM Research 基于加州大学伯克利 Sky Lab 的 K-Search 演进式 kernel 搜索框架，为其新增 MLX 后端和结构化 CUDA 到 MLX 翻译层，把概念映射表、MLX 专有模式和可复用断言作为上下文供进化搜索使用。
推荐理由：原文给出可复现的 CUDA 到 MLX 翻译层做法与分项数据，读者可据此评估跨平台 kernel 迁移的方法是否适用。
METR 的 Parker 与 Tom 联合 7 位经济学家发表论文《The Economics of Recursive Self-Improvement》，通过一系列简单模型分析 AI 加速 AI 研发的反馈效应强度。论文认为无法排除能力出现持续快速加速的可能，但数据、训练算力、推理算力或实验等瓶颈也可能使加速放缓。作者还呼吁实验室发布更多相关数据，并给出了一份未来发布的“愿望清单”。
Thinking Machines Lab 发布多模态 MoE 模型 Inkling，Together AI 同步在 Serverless 平台提供 Day 0 接入。
推荐理由：原文给出了 Inkling 的架构细节和 Together AI 的 Day 0 上线入口，读者可以据此评估其在生产推理中的可用性。
Dwarkesh Patel 采访 3Blue1Brown 创始人 Grant Sanderson，探讨 AI 为何在数学领域进展最快，以及这预示着 AI 在其他领域的进展形态。两人讨论了 IMO 金牌背后的可训练性、Riemann 假设三种可能的解决方式、Galois 群论这类验证回路长达百年的概念性突破，以及 AI 能否通过并行智能体和主动逃离上下文来发现跨领域的隐藏连接。
Dwarkesh Patel 撰文认为下一个范式突破是让 AI 在部署后持续学习并写回权重，而非仅靠 RLVR 训练。
Zyphra 介绍 Norm-Agnostic 残差网络（NAG），将 residual stream 拆分为方向与范数两条通路，各层只对归一化方向做受控正交旋转，范数单独传递，避免深层更新被不断增大的 residual stream 稀释。
Zyphra 发布开源实时语音合成模型 ZONOS2，采用 MoE 架构，总参数 8B、激活参数 900M，Apache 2.0 许可，称其为首个开源 MoE TTS 模型。
推荐理由：官方同时放出权重、推理代码和自建评测集，还解释了 WER 与克隆保真度的权衡，读者可据此评估其语音克隆路线。
OpenAI 发布 GPT-Rosalind-5.5 系统卡，该模型基于 GPT-5.5 增量训练，面向生命科学能力，不再拒绝复杂生物学查询，转而以可信访问审核作为主要防护。
推荐理由：系统卡说明模型为何不拒绝生物学查询，以及可信访问、持续监控和可撤销权限等部署 safeguards 的具体做法。
Zyphra Research 展示如何把 Equilibrium Propagation（EqProp）这一原本局限于 Energy-Based Models 的局部学习算法扩展到更广泛的 skew-gradient 系统，包括 FitzHugh-Nagumo 这类生物真实神经元模型。
Zyphra 基于 Zyphra Cloud 发布了 Zyphra Inference 在 AMD Instinct MI355X 单节点上的首个端到端推理基准，对比对象包括 AMD MI355X 基线与 Nvidia B200 配置，测试模型为 Kimi K2.6、GLM 5.1 和 DeepSeek-V3.2，指标覆盖 TTFT 与输出吞吐。
Zyphra 发布 ZAYA1-8B-Diffusion-Preview，将已自回归训练的 ZAYA1-8B 转换为离散扩散模型，评估性能无系统性损失。
Thinking Machines Lab 宣布交互模型研究预览，模型原生处理音频、视频和文本的实时交互，而非依赖外部脚手架，采用 200ms 微轮次的多流设计，并由交互模型与异步背景模型分工协作。
METR 提出区分 AI 生产率提升（uplift）的三种度量：旧任务提升、新任务提升和价值提升，并论证在简化假设下三者满足「旧任务提升 ≤ 价值提升 ≤ 新任务提升」的排序，对应价格指数理论中的经典不等式。
Zyphra 发布 ZAYA1-74B-Preview，这是一个总参数 74B、激活 4B 的 MoE 预 RL 推理基座，未做 RL 后训练或指令微调，权重以 Apache 2.0 许可在 Hugging Face 开放。
推荐理由：官方发布给出了架构、训练数据规模和 pass@4 对比细节，读者可以据此评估这个预 RL 基座在 AMD 上扩展预训练的实际水准。
OpenAI 披露其自动检测系统发现 GPT-5.4 Thinking、GPT-5.1 Instant 至 GPT-5.4 Instant、GPT-5.3 mini、GPT-5.4 mini 的部分 RL 训练意外评分了思维链，GPT-5.5 未受影响。
推荐理由：原文披露了意外 CoT 评分的具体影响范围和消融分析，读者可以据此判断这类事件对思维链可监测性的实际风险。
Zyphra 发布 MoE 推理模型 ZAYA1-8B，活跃参数不足 10 亿，在 AIME、LiveCodeBench、GPQA-Diamond 等数学、推理和编码基准上匹敌或超过 Nemotron-3-Nano-30B-A3B、Mistral-Small-4-119B 等更大的开放权重模型。
Zyphra 发布 ZAYA1-8B，首个在 AMD Instinct MI300 集群上完成预训练、中期训练和微调的 MoE 模型，活跃参数不足 10 亿，在数学、编码和推理基准上可匹敌或超过大得多的开源模型，如 Mistral-Small-4-119B。
推荐理由：官方详解了架构、AMD 训练栈和 Markovian RSA 推理方法，读者可据此评估小参数 MoE 模型的实际推理能力。
Berkeley AI Research 发文介绍 GRASP，一种面向学习型世界模型的基于梯度规划器，使长时序规划变得可行。该方法通过将轨迹提升到虚拟状态实现跨时间并行优化、在状态迭代中直接加入随机性以探索、重塑梯度避免经由高维视觉模型的不稳定“状态-输入”梯度。这项工作与 Mike Rabbat、Aditi Krishnapriyan、Yann LeCun、Amir Bar 等人合作完成。
Cognition 与 Applied Compute 合作 RL 训练了 bug 检测专用模型 SWE-check，在内部 in-distribution 评测上与 Opus 4.6 持平（delta F1 从 0.09 降到 0）。
推荐理由：原文给出了完整训练配方和关键评测数字，读者可以借鉴其奖励函数设计与两阶段后训练方法。
METR 发文报告对 GPT-OSS-20B、GPT-OSS-120B、Qwen-3-8B、Qwen-3-32B 四个开源推理模型用仅 240 个样本（约 100K-300K token）的指令遵循推理数据微调，在分布外的 CoTControl 评测上可控性平均从 2.9% 升至 8.8%。
Zyphra 介绍其混合关联记忆（HAM）架构，让 RNN 负责压缩总结序列内容，KV cache 仅存储 RNN 难以预测的 token，从而兼顾精确回忆与高效推理。路由机制基于预测误差阈值，并测试了端到端可学习路由和指数深度平均（EDA）路由。在 800M 规模的对比实验中，HAM 以远小于标准 Transformer 的 cache 规模取得了接近或更优的表现。
Ethan Mollick 在 One Useful Thing 撰文称，自 2025 年底 Claude Code、OpenAI 的 Codex 等智能体兴起后，人机协作进入管理 AI 而非与 AI 共事的新阶段。
OpenAI 对齐团队提出 ARGO，用强化学习训练策略生成可解释的评分标准，使 LLM 评分器与黑盒奖励模型的偏好概率对齐。在学习到的标准中发现群体级偏差，如 Population A 的奖励模型更重视具体交付物而轻视准确性，可能放大幻觉和讨好行为；训练中评分标准还会逐步简化，去掉脆弱的门控规则，提升泛化与评测准确率。附录还显示前端奖励模型偏重视觉呈现而非功能正确性。
OpenAI 发布 GPT-5.4 Thinking 系统卡，将本次发布在生物与化学领域定为 High 能力并启用相应 Preparedness 安全保障。安全评测显示其在禁止内容评估上与 gpt-5.2-thinking 大体持平，在非法非暴力活动和自残评估上有统计显著改进，动态心理健康多轮评估全面优于此前模型。
推荐理由：系统卡披露 GPT-5.4 Thinking 的安全评测、Preparedness 定级和 Apollo 外部对齐评估，可据此了解其风险定位与生物能力判定的依据。
Charlie O’Neill 发表长文分析，以《办公室》中 Michael Scott Paper Company 的比喻论证开源 AI 无需在原始基准上追平前沿实验室，只需在真正重要的“智能天花板”即可自动化的经济价值工作上胜出。
OpenAI Alignment 团队提出一种方法，让内部推理模型作为 AI judges 分析生产对话中的情绪恶化信号，检测并诊断 ChatGPT 的失调行为，即使部分问题用户自己未察觉。
Zyphra 团队介绍其开发的 Online Vector-Quantized（OVQ）注意力层，一种在内存与计算开销和长上下文能力之间寻求更优折中的序列混合层。
现代大语言模型像失忆症患者，context window 填满后只能靠摘要重启，而 KV cache 随上下文线性增长，持续学习必须把信息从 token 层移入权重层。
OpenAI 研究人员 Boaz Barak 等发文详解其 confession 坦白论文的后续分析，说明为何将坦白作为对齐安全方向。核心机制是训练模型额外输出一份仅以诚实为奖励的报告，作者假设诚实是获取奖励的最省力路径；在字数约束实验中，即使任务判断模型被 hack，坦白判断准确率仍随训练升至接近 100%。
OpenAI 对齐研究团队基于 GPT-4o 的 2M-latent SAE 分析发现，坏建议微调不仅激活失对齐人格特征，还抑制有用助手人格特征。
Ethan Mollick 提出，AI 能力呈锯齿状分布，即使部分能力超人类，记忆缺失、幻觉和制度流程等瓶颈仍使其难以完全自动化任务。