关注推理模型、测试时计算、规划与复杂问题求解。
成立不到两个月的Physical Superintelligence（PSI）称，其自研AI科研系统Emmy在量子信息理论的5个开放问题上取得成果，论文、Lean形式化证明和验证代码已发布在GitHub供审查。这5道题来自德国物理学家Reinhard Werner于1999年建立的开放量子问题目录，横跨纠缠提纯、量子场论、高维量子通信、量子信道容量与量子因果律五个方向，其中OQP 2、OQP 12、OQP 27在本世纪初即被收录。Emmy将难题拆解为可验证的数学子假设，再交由Lean形式化证明器、符号计算引擎和高精度验证代码筛查，编译通过才视为成立。PSI于今年9月亮相，已完成5800万美元种子轮融资，由Breakthrough Energy Ventures领投。
推荐理由一家成立不到两个月的公司用自研系统挑战27年历史的量子开放问题目录，读者可据此观察AI科研系统的验证路径。
推荐理由ARC Prize 给出 Meta 新模型在 ARC-AGI 三个版本上的成绩与单任务成本，可与同分竞品直接对比。
Baseten 旗下 Base Labs 发布 2B 决策模型 joey-1，直接输出单个 token 的标签和校准置信度，P50 端到端延迟 20ms，约为 elephant-1（49ms）的 2.5 倍速度，价格为每百万 token 0.01 美元，是 mammoth-1 的十分之一。joey-1 由 Qwen3.5-2B 后训练而来，与 elephant-1、mammoth-1 共用同一数据配方和 API，切换只需改一行。该模型已在 Baseten Model APIs 上线，默认零数据保留，权重在 Hugging Face 开源；Model APIs 支持 16k 上下文窗口，专用部署可解锁 262k 上下文窗口并支持微调权重。
推荐理由原文给出 joey-1 的延迟、价格与三档模型分工，读者可据此判断决策类任务是否该换用小模型。
Mistral 发布 Mistral Large 4（Le Chonk）的开放权重，这是一个 1 万亿参数的原生多模态模型，在预览版基础上继续强化学习，编码与防御性网络安全能力提升。它在 FrontierCode 2.0 上得分 19.7%，在 Artificial Analysis Coding Agent Index 上得 48%，与 GLM-5.3 基本持平，但每任务平均少用 47% token；Terminal-Bench 4.0 提升 13 个百分点至 41%。模型支持三种推理模式，采用修改版 MIT 的 Mistral Ecosystem Open-Weight 许可，API 定价为每百万输入 token $0.70、缓存输入 $0.07、输出 $2.10。
推荐理由原文给出开放权重、三种推理模式和多项基准对比，读者可据此判断自托管编码与安全场景的取舍。
推荐理由原文列出 v5 指数新增与升级的基准及移除项，并给出头部模型分数与单任务成本差距，可据此比较各模型能力与开销。
Ai2 发布 Old Ideas, Novel Problems 研究与配套基准，测试 GPT-5.1、GPT-5.2、GPT-5.4、Claude Sonnet 4.5、Claude Opus 4.5 和 Claude Opus 4.6 六个模型判断研究想法新颖性的可靠性。结果显示评估设置的小改动会带来剧烈差异：GPT-5.4 在 Human+Generated 数据上换用更简单的提示词后，准确率从 93.5% 降到 40.9%，低于随机水平。研究还发现检索与额外推理并不稳定提升判断质量，两个专门构建的新颖性评估系统表现不如简单的 Claude Opus 4.6 提示词基线，且成本更高。
推荐理由Ai2 用 ICLR 2026 评审信号构建基准，量化了提示词微调就能让新颖性判断准确率大幅翻转的不稳定性。
Google Research 提出 sleep 框架，为 LLM 引入周期性的睡眠阶段，把短期上下文巩固进长期参数，以缓解灾难性遗忘和静态知识截止。该框架分为记忆巩固与 dreaming 两阶段：前者用 MoE 参数扩展和基于 GKD 与强化学习模仿的知识播种，后者通过随机专家激活、筛选合成样本和 RL 精修实现自我改进。在 BABILong 上该方法在 10M token 内接近完美扩展，在 AIME 24/25 和 HMMT 25 上分别取得 79.2%、69.0% 和 46.1% 的准确率。
推荐理由Google 提出把持续学习拆成清醒交互与离线巩固两阶段，并给出 10M token 长上下文与数学推理的对比结果。
Google 的 Gemini 4 Carbon 在 Artificial Analysis Intelligence Index v5 上以 59 分排名第一，在 9 项评测中的 HLE-Diamond、Terminal-Bench-Science、AA-Omniscience、AutomationBench-AA 四项领先。在 Coding Agent Index 上，搭配 Antigravity CLI 的 Gemini 4 Carbon（high）得 59 分，落后 Claude Code 搭配 Claude Opus 5.5（max，62 分）3 分。该模型上下文窗口为 1M tokens，支持文本、图像、视频和语音输入，标准定价为每百万输入/输出 tokens 4/20 美元，目前向部分用户开放并提供 50% 折扣。
推荐理由Artificial Analysis 的独立评测给出 Gemini 4 Carbon 在 Intelligence Index v5 登顶及与 Claude Opus 5.5 的分项对比。
OpenRouter 宣布重建供应商路由算法，从主要按输入 token 价格分配流量，改为综合实际价格、首 token 延迟、吞吐、错误率和输出质量的实时路由成本。官方称新算法使 TTFT 降低 16.9%、吞吐提升 16.3%、429 错误减少 46%，每请求成本上升 6.0%。用户无需改代码，显式设置 provider.sort 或 provider.order 仍可绕过新逻辑。
推荐理由原文给出新旧路由算法的切换实验数据，读者可据此判断推理成本与延迟之间的取舍。
OpenAI 于 2026 年 10 月 26 日宣布，其内部模型在数学、计算机科学和物理领域产出三项研究成果，其中包括对计算复杂性理论中长期存在的指数时间假设（ETH）的反证。数学方面，模型给出了任意维度局部光滑猜想（local smoothing conjecture）的证明，并由此解决 Kakeya 猜想与 Stein 限制猜想，10 月 18 日得到输出、次日完成 Lean 形式化。计算机科学结果由 Russell Impagliazzo、Ramamohan Paturi 与 Ryan Williams 领衔的小组验证，OpenAI 同意公开全部原始数据并资助相关会议；物理结果给出四维含规范场与费米子相互作用量子场论的严格存在性证明，并包含纯 Yang–Mills 存在性证明，由 David Gross 牵头的小组决定暂不公开 AI 产出材料、自行撰写成果。
推荐理由原文完整呈现了 OpenAI 对三项 AI 产出结果的分级公开策略，以及外部专家组的验证与署名安排。
OpenAI 于 2026 年 10 月 26 日发布并开放 GPT-6.1 Terra，强化了视觉理解、电脑操作和写作能力，标准 API 价格为 GPT-5.6 Terra 的一半，即每百万 token 输入 1 美元、缓存输入 0.05 美元、输出 5 美元。该模型上下文窗口为 105 万 token，最大输入 92 万 2000 token、最大输出 12 万 8000 token，reasoning effort 可选 none 到 max，默认 medium。在 Agents' Last Exam 上，medium 设置的得分比 GPT-5.6 Terra 高 15 分而成本约为三分之一；max 设置下完成任务的平均速度超过 GPT-6 Astra 和 GPT-6.1 Sol 的 3 倍。该模型已向 ChatGPT Work 和 Codex 的 Plus、Pro、Enterprise、Edu 用户提供，API 模型 ID 为 gpt-6.1-terra。
推荐理由原文列出新模型在视觉理解与电脑操作上的基准表现和 API 价格变化，可据此判断日常自动化任务的成本取舍。
岩山科技旗下岩芯矩阵联合港科大、CMU等高校发布并开源EdgeRock-4B，在256K上下文下KV Cache固定为72MiB，相比源模型Qwen3.5-4B减少99.1%。单张80GB GPU可同时跑512路长推理，输出吞吐12124 tokens/s，是源模型的6.42倍；AIME 2024—2026平均一次通过率82.9%。模型基于Qwen3.5-4B分阶段转换而来，无需从头预训练，权重和推理代码已开源并可商用，支持文本和图像推理。
推荐理由原文给出固定内存与吞吐的实测对比，读者可据此判断长推理场景下显存成本的变化。
月之暗面发布 Kimi K3 的升级版 Kimi K3.1 Pro，采用 MoE 架构，总参数 2.8 万亿、激活参数 1040 亿，896 个专家中每次激活 16 个。据 Artificial Analysis 评测，该模型以 55 分位列 Intelligence Index 第四，高于 GPT-6 Astra 的 53 分，前代 Kimi K3 为 44 分。它在 Terminal Bench 4.0 以 67% 排名第一，前代为 13%，Claude Sonnet 5.5 为 64%；定价为每百万输入 token 2 美元、每百万输出 token 10 美元，但输出速度 73 tokens/s 低于 81 tokens/s 的平均水平。
月之暗面发布 Kimi K3.1 Pro，这是 K3.1 系列首个模型，也是其迄今最强的 3T 级开源权重模型，上下文窗口为 100 万 token，同时推出速度提升 2-3 倍的 Kimi K3.1 Pro Highspeed。该模型已在 Kimi.com、Kimi Work、Kimi Code 和 Kimi API 上线，完整模型权重将于 11 月 4 日发布。在 Terminal-Bench 4.0 上，K3.1 Pro 得分 65.7%，高于 GPT-6 Astra 的 58.2%，略低于 Claude Opus 5.5 的 66.4%；在内部基准 Kimi Code Bench 3.0 Long-horizon 上得分为 61.2%，高于 K3 的 55.95%。
推荐理由官方披露了 K3.1 Pro 在编码、3D 与金融任务上的基准表现，以及开源权重前对网络安全数据做的取舍。
OpenAI 宣布全面开放决策 API（Decisions API），该 API 基于 GPT-6 Luna 构建，面向具有限定答案的问题，协助应用与智能体基于文本、图像及结构化输入做出准实时决策，响应速度比通过 Responses API 调用 GPT-6 Luna 提升高达 10 倍。定价上输入每百万 token 收费 0.1 美元，命中缓存的输入每百万 token 收费 0.01 美元，仅按输入 token 计费、输出 token 免费。自公测以来新增原生 GPT-Live 集成、Prompt 缓存和美国与欧盟的推理数据驻留支持，单次请求最多可提交 400 个问题。
推荐理由原文给出了决策 API 的定价、延迟提升和输入上限变化，读者可据此判断它适合哪些准实时决策场景。
推荐理由原文给出了生成速度与第三方 Elo 的对照数据，读者可据此判断视频模型在速度与质量上的取舍。
推荐理由ARC Prize 给出 DeepSeek Flash 系列在 ARC-AGI 上的逐版本分数与单任务成本，可横向比较模型迭代幅度。
Tomasz Tunguz 把 DeepSeek 披露的推理数据与 SpaceX 第三季度财报换算成同一口径，得到每 GPU 卡时收入从 DeepSeek 理论最高 38 美元到 SpaceX 实际 2.44 美元的四个价位。B200 现货价为 8.77 美元，SpaceX 合同价为 5.27 美元，其新算力部署的回本周期不到一年。作者同时指出反向压力：GPU 租金半年内从 4.40 美元涨到 8.08 美元，而同等基准门槛的成本在 18 个月内下降 377 倍，且 JPMorgan 称 2027 年规划的数据中心容量有超过 60% 尚未开工。
推荐理由作者把 DeepSeek 与 SpaceX 的数据换算成同一口径的每卡时收入，读者可据此理解推理生意的价格空间与成本压力。
Baseten 旗下 Base Labs 发布两个决策模型 elephant-1（9B）和 mammoth-1（27B），均基于 Qwen3.5 全量微调，并公开模型权重。mammoth-1 在 Jev Decision Index 0.4 上以 71.24 分位列 208 个模型第一，领先第二名 Perplexity Decider v1.2 1.8 分；elephant-1 在该榜得 62.65 分，在 Artificial Analysis Decision Index 上以 65 分与 d1-ultra 并列第一。训练使用 6.21M 样本的第八版数据混合，并在全注意力层改用块双向注意力掩码，固定数据下该改动使公开 10k 样本得分从 44.8 升至 48.6。
推荐理由原文公开了决策模型的数据配方与注意力掩码改动，可看到数据规模与修复对基准分数的具体影响。
微软研究院研究员 Xinzhi Zhang 与合著者证明了 1995 年提出的 KLS 猜想，给出与维度无关的固定界，此前最好的结果只允许该界随维度缓慢增长。证明来自人类引导的智能体搜索过程，团队探索了 100 多条候选路径，由研究者评估、剪枝并重新定向；同期另有独立团队给出完整证明，随后出现 Lean 4 形式化验证。作者称此前用多个前沿模型做无引导的端到端尝试未能达成目标。
推荐理由微软研究院用人类引导的智能体搜索证明 KLS 猜想，读者可看到 AI 在数学发现中如何被定向使用。