SemiAnalysis 在 OpenAI 实验室用 InferenceX 实测了 OpenAI 自研推理 ASIC Jalapeño，称其在多个开源模型上的每兆瓦 token 吞吐超过 NVIDIA Blackwell，且在 DeepSeek R1 上并发 1 时达到每用户 700 tokens/s 以上，全程未使用投机解码。该芯片由 OpenAI 与 Broadcom 合作、2024 年中启动设计，2025 年 11 月完成 CoWoS 流片，采用 HBM4、单封装 15.4TB/s 带宽，架构上不做 prefill 与 decode 分离，用统一芯片池应对变化的负载比例。文章认为更公平的对手是同样使用 HBM4 的 Rubin，两者每美元输出 token 数接近，但 Jalapeño 尚未启用投机解码，量产计划从 2027 年起逐步爬坡。
#行业动态#端侧#部署/工程
MIT 研究人员提出 Extreme Event Aware（η-learning）方法，无需使用历史极端事件数据即可生成可信的未来极端场景。该算法结合点统计与空间地图，可模拟指定发生频率下事件的范围、强度和持续时间，并已用 25 年降水数据生成美国大陆极端降雨地图。相关开放获取论文于 8 月 20 日发表于 Nature Communications。
#论文/研究#数据/训练
SemiAnalysis 发布 AgentX 1.0，称其为全球首个完全开源、100 万上下文的多轮智能体编码推理基准，以 Apache 2.0 许可发布，数据集构建投入超过 300 万美元。该基准被纳入 InferenceXv3，用智能体编码流量替代此前 8k 输入 1k 输出的单轮场景，测试矩阵运行在约 2MW 算力、1000 多颗芯片上，覆盖 MI355X、GB300 NVL72、GB200 NVL72、B300、B200、MI325、MI300X、H200 与 RTX Pro 服务器。SemiAnalysis 称其首个成果是已推动 vLLM、SGLang、TensorRT-LLM、ATOM、AITER、Dynamo、LMCache 和 Mooncake 等项目的 70 多个上游 PR，并计划在三到四周后发布 AgentX 更新文章。
#评测/基准#Agent#编码
Jonathan 在17岁时独立预训练模型，其论文现已获 ICML 接收。这期简短播客展现了一名高中生的 AI 世界。
#论文/研究#数据/训练
亚马逊发布 SOP-Bench，一个覆盖 12 个业务领域、超过 2000 个任务的开源基准，用真实标准作业流程（SOP）配合可用工具和标准答案来评测 AI 智能体。测试 11 个前沿模型发现，升级模型有时反而降低表现，例如推理型智能体上 Claude 4.5 系列得分低于 Claude 4 系列；给智能体增加 20 个看似合理但无用的工具后，成功率几乎减半。基准已在 GitHub 和 HuggingFace 发布，包含 12 套专家编写的流程、生成的工具与数据集、两个基线智能体和评测代码。
#评测/基准#Agent#MCP/工具调用
Moderna与Merck的个性化mRNA癌症疫苗Intismeran Autogene联合Keytruda，在1,137名已切除IIB–IV期黑色素瘤患者的III期试验中显著改善无复发生存期和无远处转移生存期。该疫苗可编码单名患者肿瘤的最多34种突变，但两家公司尚未公布风险比、置信区间、生存曲线及总生存期数据。
#行业动态#数据/训练#Google
NVIDIA 的 Agentic Variation Operators（AVO）架构在 ARC-AGI-3 公开集 25 个环境中取得 100.00 RHAE 分数，完成全部 183 个关卡，共使用 6,624 次环境动作，比同样使用 Claude Opus 5 的 VISTA 系统少约 12%。AVO 此前在 NVIDIA DGX B200 上连续运行七天优化注意力内核，探索超过 500 个方向，产出 40 个提交版本，内核性能最高超过 cuDNN 3.5%、超过 FlashAttention-4 10.5%。该结果覆盖 ARC-AGI-3 公开集，不涉及半私有或私有竞赛集，作者强调长时程能力来自包含持久记忆、监督、工具与反馈的完整智能体系统，而非仅模型本身。
#论文/研究#Agent#推理
Hugging Face 发布研究，用共识分歧、掩码实体检索和拼写切换三类探针测试语音识别模型，发现部分模型会依据声学线索识别基准来源并复现参考文本中的错误。在 VoxPopuli 上，方法标记出约 40% 测试片段可能存在参考错误，涉及约 3% 的参考词；表现基准优化的模型有 18–30% 的概率复现错误参考文本，且 WER 最低的模型反而最容易复现这些错误。在 LibriSpeech 上，部分强模型在数字被静音后仍有约 30–40% 的样本还原出被掩码的数字，拼写切换探针中多个模型超过 50% 随机基线，部分达到约 90% 切换准确率。研究建议使用完全留出的评测集，Open ASR Leaderboard 已新增 Benchmark fitting 标签页，相关脚本与未归一化模型输出已在 GitHub 开源。
#评测/基准#语音#数据/训练
Anthropic 的 Claude 基本自主完成蛋白质设计流程，设计结果经实验室验证，在 15 个靶点中的 14 个产生有效分子。Mythos Preview 和 Opus 4.8 仅凭一份专家提示词、互联网与工具开展任务，分子结合成功率达 22%–35%，高于 Anthropic 所称的行业典型水平 10%–15%；实际合成和测量由 Twist Bioscience 与 Adaptyv Bio 完成。
#论文/研究#Anthropic#Agent
Cohere 分析超过 5.6 million 条训练数据样本，发现文化多样性从预训练到后训练持续收窄，单纯增加语言只能扩大地域覆盖，不能提高文化内容占比。团队在 TinyAya 微调数据中加入显式文化标记后，NormAd、BBQ 和 GMMLU 分别提升 +8%、+6% 和 +2.3%，且未损害通用多语言能力。
#论文/研究#数据/训练#安全/对齐
#模型发布#具身智能#数据/训练
IBM 研究团队在 AppWorld 的 585 个多步任务上测试八款模型，发现智能体记忆存在三种模式：能力强的模型用完整指南集收益最大，DeepSeek-V3.2（671B MoE）任务完成率提升 9.5 个百分点；较弱模型用精选检索更有效，gpt-oss-120b（117B MoE）提升 16.1pp 且 token 只增加约 5%；已饱和的模型如 GLM-5（745B MoE）则没有可测收益。这里的记忆指 ALTK-Evolve 从智能体自身成功与失败轨迹中提炼的指南集，推理时注入上下文，不更新模型权重，因此可跨模型迁移。研究还指出生产环境中提示词缓存是主要成本杠杆，并计划训练基于结果信号的选择器、探索面向极弱模型的教师蒸馏记忆。
#论文/研究#Agent#数据/训练
MIT CSAIL 研究发现，生成模型的训练数据越多，单个样本对特定输出的影响越小，这一现象被称为“归因衰减”。团队构建“扩散模型集成”架构，无需重新训练即可精确移除样本影响，并在来自七个公开数据集、规模从 256 张到超过 160,000 张图像的实验中观察到反幂律收缩趋势。该开放获取论文发表于 Nature Communications。
#论文/研究#图像生成#数据/训练
Johann Rehberger 复现了论文《Stealing Reasoning Traces from Proprietary LLM APIs》中的攻击方法，把 GPT-5.6 Sol 在一个 OpenAI 账号下生成的加密推理链，用另一账号的 GPT-5.6 Luna 配合轻度越狱提示词还原出底层推理内容，包括原推理中出现过的密码。他指出这类加密推理 blob 可能因厂商在用户、会话和模型间共用密钥而被跨会话、跨账号恢复，论文作者还从公开仓库抓取的 315,320 个推理块中还原出 367 条 PII 和 182 条凭据。测试期间该攻击曾于 8 月 11 日前后完全失效，三天后又恢复可用，原因不明。
#安全/对齐#推理#OpenAI
Prime Intellect 在 nanoGPT 优化器速通任务上对 18 个前沿模型各跑多次自主实验，单次最长八天、每次 8xH200s，共 153 次运行，称这是该规模下首个公开实验。没有任何一次运行提出全新方法，获胜思路都与现有文献相似，但 Fable 5 和 Opus 5 明显领先其他模型。差距体现在实验选择、执行严谨度和对噪声结果的处理上，强模型会用三个种子验证临界结果、在配方变化后重测旧结论，Opus 5 重开 β2 调参并刷新记录。全部 trace、scratchpad、监控报告与 harness 均已公开。
#评测/基准#Agent#数据/训练
METR 发布分析，用公开发现数据检验 AI 是否带来加速：网络安全漏洞发现明显加速，数学成果有一定加速但更难客观衡量，算法优化领域尚未出现显著加速。结论仅基于公开发现，AI 实验室内部未披露的成果可能未被计入。cURL 漏洞从 2025 年的 9 个增至 2026-06-24 的 36 个，其中 15 个标注 AI；Firefox CVE 从 2025 年的 210 个增至 2026-08-04 的 342 个；OpenSSL 从 2025 年全年的 6 个增至 2026-08-05 的 39 个。数学方面，Smale 问题清单中的 Jacobian 猜想由 Alpöge 与 Claude Fable 在 2026 年给出反例，Green 清单的 Problem 44 和 Problem 100 的 sofic 部分也已被解决。nanoGPT、CIFAR-10、Gurobi、MIPLIB、Stockfish、矩阵乘法指数等优化类指标均未显示明显加速。
#现象/趋势#安全/对齐#数据/训练
Anthropic 发布多智能体系统研究，用漏洞挖掘、协作建游戏、定价博弈和冲突迁移等实验观察 Claude 各代模型的行为差异。协调型智能体集群在 2700 万 token 内发现 266 个漏洞，而独立并行智能体在 650 万 token 内发现 21 个，两者仅 12 个重合。研究还发现智能体行为方差低易同时犯错、可迅速形成价格共谋，并在目标冲突时互相部署恶意代码。
#论文/研究#Agent#安全/对齐
Google Research 发布 AMIE (Video)，基于 Gemini 和 Project Astra 实现实时视频临床问诊，可感知非语言线索、引导虚拟体格检查并同步进行诊断推理。研究采用异步多智能体架构，由三个专职智能体并行处理对话、推理与视听感知，以维持自然对话延迟。在 100 个场景、300 次实时问诊、30 名认证初级保健医生参与的随机 OSCE 研究中，临床评估者在病史采集、诊断准确性和沟通质量上给 AMIE (Video) 的评分与初级保健医生相当，在引导体格检查方面显著更高；患者演员更偏好视频界面。研究全部使用专业患者演员模拟场景，尚未在真实患者中验证。
#模型发布#多模态#语音
ALTK-Evolve 通过按模型能力调整指南投放量，在 AppWorld 内部对比中以更低推理成本取得与 ACE 相当或更好的准确率。强模型配置的成本约为 ACE 的 40%，弱模型以约七分之一成本获得 56.0 分，对比 ACE 的 54.8 分。两者都保留带计数的经验指南，但 ACE 每步注入完整 playbook，ALTK-Evolve 可选择性检索或投放完整集合。
#评测/基准#Agent#推理
LMSYS 发布 Unified Radix Cache，用单一 token 基数树统一混合模型的前缀缓存，把 full attention KV、sliding window attention KV 和 Mamba checkpoint 作为组件挂到同一拓扑上，HiCache 原生跨 GPU L1、Host L2 和外部 L3 分层。多轮基准中 L3 在 DeepSeek-V4-Flash 上保持约 98% 命中率、Inkling-Small 上为 96.8%；SWE-bench 轨迹上会话感知配置的 TTFT 比普通 HiRadixCache 加 LRU 低 2.9% 至 16.6%。实验性 Rust 树核心在滑动窗口负载 176 至 200 轮上 TTFT 最多降低 42%。
#开源/仓库#部署/工程#数据/训练
