字节 Seed 等团队发现 DeepSeek-V4 长文本检索的周期性盲区
字节跳动 Seed 团队联合普林斯顿大学、斯坦福大学和加州大学伯克利分校，系统测试 DeepSeek-V4 与 V4.1 后发表论文，揭示其分块 KV 缓存压缩带来的相位敏感性缺陷。
#推理
#推理
今日 3 条AI前线AI 评估 · 66/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 66/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 哔哩哔哩技术AI 评估 · 35/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 35/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 HOMURA：面向时间受限场景的 LLM 翻译强化学习优化，入选 EMNLP 2026 Oral
哔哩哔哩 Index LLM 团队提出 HOMURA 强化学习框架，通过 KL 正则化目标与动态音节比例奖励，在音节级长度约束下优化翻译的语义保留与时间合规性，并构建了 Sand-Glass 基准测试。
AI Will(@FinanceYF5)AI 评估 · 67/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 67/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 OpenAI 发布 722 篇内部模型完成的数学手稿
OpenAI 一次性发布 722 篇由未公开内部模型完成的数学手稿，成果来自约 4,000 个研究问题，被归为 372 个相关结果家族。OpenAI 称标准流程中每项成果平均使用约 3 小时的 ChatGPT Pro 思考算力。本次发布包含论文、证明材料和部分推理摘要，但模型本身仍未公开。
AI科技评论AI 评估 · 53/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 53/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 星动纪元 VPP2 登顶 RoboDojo，14B 参数无额外数据开源可复现
星动纪元（清华唯一持股的具身公司）推出世界动作模型 VPP2（Video Prediction Policy 2），以平均成功率 32.26%、平均得分 39.26 登顶 RoboDojo 榜首，超过此前 GPT-6-Astra 的 22.48% 和 28.97%，并拿下 generalization、precision、memory 三项第一。
DatawhaleAI 评估 · 71/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 71/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 OpenAI公布722份由前沿模型产出的数学手稿
OpenAI公布了一批由内部前沿模型产出的数学研究成果，包括722份数学手稿和372组相关成果，覆盖数论、代数几何、实分析、组合数学、理论计算机、数学物理、偏微分方程等多个方向。部分成果附有可由计算机核验的Lean形式化证明，社区初步核查发现其中涉及多个长期未解的开放问题，但具体结论仍需数学界进一步审阅与验证。OpenAI表示，AI正在从辅助解题走向参与真正的数学研究与发现。
量子位AI 评估 · 70/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 70/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 字节Seed发现DeepSeek时强时弱的原因：分块KV Cache压缩带来相位敏感性
字节Seed团队发现，DeepSeek-V4系列在长上下文检索中的表现会随信息位置按固定周期波动，波动周期与模型采用的KV Cache压缩步长一致。
美团技术团队AI 评估 · 33/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 33/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 KDD'26 美团学术论文精选及 KDD Cup'26 DataAgents 赛道冠军思路解读
美团技术团队在 KDD 2026 分享 8 篇收录论文，覆盖推荐大模型 MTFM、奖励建模框架 CDRRM、智能体搜索基准 LocalSearchBench、ETA 元泛化框架 UME 及生成式推荐训练系统 MTGenRec 等方向。大众点评技术部还在 2026 KDD Cup 复杂数据分析 Data Agents 赛道夺得冠军与季军，相关代码已在 GitHub 开源。
机器之心AI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 哈工大（深圳）与 NUS 提出 QuantWM：免训练 2-bit KV Cache 量化，视频世界模型压缩最高 6.20 倍
哈工大（深圳）iLearn-Lab 与新加坡国立大学 LV-Lab 提出免训练 2-bit KV Cache 量化框架 QuantWM，通过量化敏感性感知聚类（QSAC）和主子空间注意力补偿（PSAC）改善视频世界模型的时序闪烁与画质下降。
Greg Brockman(@gdb)AI 评估 · 57/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 57/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 OpenAI 发布内部前沿模型产出的数学结果
OpenAI 发布了一批由其内部前沿模型产出的数学结果，并在 GitHub 上公开（github.com/openai/math）。发布前 OpenAI 咨询了普林斯顿高等研究院数学与人工智能独立咨询组的意见，并参考其建议与公开推荐来确定发布方式。Greg Brockman 表示这是朝着加速科学发现、改善所有人生活质量的方向。
The Rundown AI(@TheRundownAI)AI 评估 · 69/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 69/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 OpenAI 用未公开内部模型发布 722 篇数学论文
OpenAI 发布 722 篇由一款未公开内部前沿模型产出的数学论文，称这些结果解决或推进了数百个未解问题。该模型被输入约 4000 道题，每个结果平均消耗约三小时 ChatGPT Pro 级算力。OpenAI 表示曾咨询普林斯顿高等研究院数学与人工智能独立顾问组，并参考其公开建议决定发布方式，结果已上传至 github.com/openai/math。
机器之心AI 评估 · 46/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 46/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 亚马逊与杜克大学研究：万分之一稀疏监督即可提升大模型推理能力
亚马逊与杜克大学研究发现，大模型后训练中每条 rollout 只保留一个 token 的梯度信号（占比约0.025%），学生模型推理能力反而显著提升。基于 Qwen3 的9组教师—学生配置及代码推理、Llama 系列、PPO-based RLVR 验证中均复现该现象，仅监督一到两个分歧最大的 token 即可匹配甚至超过全信号训练。极稀疏监督仅更新约10%网络参数，其机制仍待解释。
Harrison Chase(@hwchase17)AI 评估 · 52/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 52/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Harrison Chase 点评 Google 多智能体证明发现论文的验证者独立上下文模式
Harrison Chase 点评一篇 Google Research 的多智能体证明发现论文，认为验证者从干净上下文起步的模式值得借鉴，探索者的推理无法说服验证者接受错误证明，探索者因此可以大胆尝试，由验证者筛掉错误方向，DeepAgents 子智能体拥有独立上下文也是同一道理。
Hunyuan(@TXhunyuan)AI 评估 · 51/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 51/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 腾讯混元联合复旦、清华发布 ExplorationBench 探索能力基准
腾讯混元、复旦大学和清华大学的研究者发布 ExplorationBench，用于衡量 AI 系统的探索能力，并构建了规则可执行、与已知知识冲突的 Alien Worlds 环境。
Yangyi(@Yangyixxxx)AI 评估 · 27/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 27/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 要求 Qwen 诚实作答并压低 "wait / maybe / perhaps" 概率，测试集准确率反而提升
有网友在 Qwen 上跑测试集发现，要求模型诚实作答、对自己说出的话负责，并在实验中压低 "wait / maybe / perhaps" 这几个词的概率后，Qwen 的准确率反而提高了。该实验由 Reddit 网友完成，相关帖子获得 2 条评论、2 次转发、7 个赞和 4109 次浏览。
Thomas Wolf(@Thom_Wolf)AI 评估 · 28/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 28/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 LLM 被教会在无人类引导下自主发现有趣数学定理
Niket Patel 展示了一种教 LLM 自主发现有趣定理的方法，提出可量化的"有趣度"指标，使发现结果的有趣度提升 4.3×，并形成自我扩展的发现循环。研究者指出，LLM 已能证明困扰数学家数十年的结果，而无需人类引导地找到有趣定理正成为新的瓶颈。
Kevin Weil 🇺🇸(@kevinweil)AI 评估 · 64/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 64/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Claude 完成 N=4 超对称杨-米尔斯九圈计算，打破八圈纪录
Anthropic 科学博客称 Claude 在平面 N=4 超对称杨-米尔斯模型中完成了九圈散射振幅计算，此前纪录是 SLAC 的 Lance Dixon 及合作者保持的八圈。
Anthropic(@AnthropicAI)AI 评估 · 50/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 50/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Anthropic 科学博客：Claude 完成九圈散射振幅计算
Anthropic 科学博客发布消息称，Claude 在 Claude Science 中接收一个描述九圈问题的提示词后，基本无监督运行数天，用 Dixon 及同事发展的方法解决了九圈散射振幅计算，总成本为几千美元。
Microsoft Research BlogAI 评估 · 49/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 49/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 微软研究：把物理 AI 推理卸载到边缘或云端，可提升机器人成功率与续航
微软研究发现，将物理 AI 推理从机器人板载 GPU 卸载到边缘或云端 GPU，可显著提升移动操作任务的成功率、响应速度与电池续航。测试显示，较轻 GPU 下建图与规划最多变慢 383%，导航障碍及时检测下降 30%，VLA 模型准确率下降 50%；用树莓派 5 替代板载 GPU 后，Jetson Thor 一类板载 GPU 曾使续航最多减少 160%。
字节跳动技术团队AI 评估 · 40/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 40/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 TWIST 入选 ACM CCS 2026：面向云上大模型服务的隐私保护新方案
字节跳动安全研究团队与香港城市大学联合研究的 TWIST 被 ACM CCS 2026 接收，该方案用密钥将输入 Token 与模型权重映射到同一变换空间，使云端可沿用标准推理流程处理混淆态数据。
Epoch AIAI 评估 · 59/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 59/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Epoch AI 发布宜家组装基准 FAB：GPT-6 Astra 得分 80%
Epoch AI 发布家具组装基准 FAB，用 60 张宜家家具组装照片（含故意设置的错误）测试模型能否识别装配错误并获得装配手册与查看工具。
DeepLearning.AI(@DeepLearningAI)AI 评估 · 44/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 44/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 10,000 个 AI 智能体用 88 小时在 Lean 中攻关 Navier-Stokes 方程，引发的争议给 AI 开发者上了重要一课
10,000 个 AI 智能体耗时 88 小时在 Lean 中形式化 Navier-Stokes 方程相关证明，由此引发的争议给 AI 开发者带来关键启示。智能体已能大规模形式化复杂数学证明，但人类评估对解释证明为何成立仍不可替代。企业数据隐私与零数据保留设置也属必需。
METRAI 评估 · 60/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 60/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 METR 发布 Claude Opus 5.5 部署前评估摘要
METR 发布对 Claude Opus 5.5 的部署前评估摘要，认为该模型对 AI 研发的加速略高于 Fable 5.1，但不太可能完全自动化 AI 研发。
SemiAnalysisAI 评估 · 50/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 50/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 SemiAnalysis 解读 Engram 嵌入：面向高效 DRAM/SSD 卸载的软硬件协同设计
SemiAnalysis 分析了 DeepSeek 式 Engram 多 token 查表嵌入的协同设计思路：每个 token 只访问地址依赖 token ID 的少量嵌入行，运行时可在前层计算时从 host DRAM 预取，使嵌入表无需常驻 HBM。
AK(@_akhaliq)AI 评估 · 31/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 31/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 SAS：通过上下文排序端到端优化实现简单注意力稀疏化
SAS 提出一种通过上下文排序端到端优化实现的简单注意力稀疏化方法，论文已在 Hugging Face 上线（huggingface.co/papers/2609.13…）。该方法以排序优化驱动注意力稀疏化，具体参数与评测结果暂未披露。
AK(@_akhaliq)AI 评估 · 24/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 24/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 通过离散扩散实现 LLM 无损加速的新论文
一篇题为《Unlocking Lossless Speedups in LLMs via Discrete Diffusion》的论文发布，提出用离散扩散为 LLM 带来无损加速，论文已在 Hugging Face Papers 上线。该工作聚焦大语言模型的推理提速，具体方法细节与实验数据见原文。
Epoch AIAI 评估 · 64/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 64/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Epoch AI 实测 GPT 与 Claude 长上下文延迟扩展差异
Epoch AI 测量了 GPT-5.6 Terra、GPT-5.6 Sol 与 Claude Sonnet 5、Opus 5 在关闭推理时首 token 延迟（TTFT）随上下文长度的变化，发现 GPT-5.6 存在明显二次曲率，而 Claude 两款模型接近线性扩展。
Epoch AIAI 评估 · 27/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 27/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Epoch AI：推理模型问世以来，ECI 前沿能力每年提升 14 分
Epoch AI 数据显示，自推理模型出现以来，其 ECI（AI 能力指数）前沿水平以每年 14 分的速度提升。该机构此前在报告《Have AI capabilities accelerated?》中指出，ECI 等 AI 能力指标在推理模型出现后发生了趋势断点。相关趋势线、90% 预测区间及 bootstrap 样本数据已于 9 月 1 日更新。
Epoch AIAI 评估 · 71/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 71/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Epoch AI 发布 FrontierMath Erdős 基准
Epoch AI 发布 FrontierMath Erdős 基准，由 Thomas Bloom 从 erdosproblems.com 未解问题中挑选 68 道兼具数学意义与难度的问题，其中 50 道已由 Google Formal Conjectures 项目完成 Lean 形式化。
Stanford AI Lab(@StanfordAILab)AI 评估 · 34/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 34/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Muennighoff 等提出 Prefix Sliding：用前缀滑窗提升长推理效率
Niklas Muennighoff 等人提出 Prefix Sliding，一种面向高效测试时扩展的简单快速方法，让 LLM 在长推理轨迹中“遗忘”部分前缀。该方法针对原生全注意力在长任务上 OOM、而压缩又会丢失关键细节的问题，效果可同时超过两者。
SemiAnalysisAI 评估 · 46/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 46/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 SemiAnalysis 开源 AgentX 1.0：百万上下文多轮智能体编码推理基准，CUDA 护城河在智能体推理下还成立吗？
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，Apache 2.0 许可，数据集与全栈工具投入超 300 万美元。
Stanford AI Lab(@StanfordAILab)AI 评估 · 38/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 38/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 嵌入模型的困境：LLM 已超越嵌入模型，但成本更高，何时该用哪个？
Niklas Muennighoff 等人在新工作"embedder's dilemma"中发现，LLM 在嵌入任务上已超过专用嵌入模型，但成本高得多。该研究探讨了在什么场景下应选择嵌入模型、什么场景下应选择 LLM。论文见 arxiv.org/abs/2608.12875。
Import AI — Jack ClarkAI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Import AI 469：DiG-bench 评测科学 AI、RSI 模拟器与扎克伯格的技术悲观主义
Import AI 第 469 期介绍新基准 DiG-bench，用 70 款隐藏规则的文字游戏测试 AI 自主发现环境规律的能力，Claude Opus 5 与 Fable 5 配合 Claude Code 表现最佳，GPT-5.5 紧随其后，但仅 Opus 5 和 Fable 5 能在最难的第 7 档取得 0.2 的成绩。
Microsoft Research(@MSFTResearch)AI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 MindTopo 新基准发布：测试 AI 对拓扑关系的理解
Microsoft Research 推出 MindTopo 基准，用于测试 AI 对路径、栅栏、绳结等拓扑关系的理解能力。该基准揭示 AI 在空间推理与规划方面仍有提升空间，并指出新的改进机会。
Microsoft Research BlogAI 评估 · 34/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 34/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 MindTopo 揭示多模态大模型的空间推理能力短板
Microsoft Research 推出 MindTopo 基准，用于评测多模态大模型在连通、包围、顺序、分离与打结五类拓扑关系上的推理与规划能力。测试显示，当前模型在静态识别上表现明显优于交互式规划任务，且两者均远低于人类水平，失败多发生在规划阶段而非感知阶段。图像与视频生成仅在前者能维持单帧可见关系时有所帮助，视频推演常改变拓扑或违反任务物理约束。
Hunyuan(@TXhunyuan)AI 评估 · 51/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 51/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 腾讯混元用 Hyra 智能体与 Hy3 模型解决 50 年数学难题
腾讯混元称，借助研究智能体 Hyra 与 Hy3 模型，针对有限整数集 A 中 |A+A| 相对 |A-A| 的增长速度问题给出了显式构造，证明最优指数恰为 2。该问题上界自 1969 年定理给出为 2，50 多年间已知构造仅略高于 1.1。相关论文见 arxiv.org/abs/2607.27199，另有 Hyra 博客与 GitHub 形式化证明。
Epoch AIAI 评估 · 33/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 33/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 并行化限制会推迟智能爆炸吗？Epoch AI 新论文质疑自动化 R&D 增长模型
Epoch AI 一篇新论文指出，标准增长模型假设研发可无限并行化，但这一外推并不可信。作者提出"并行化技术"这一新投入项，认为可用研究投入受制于原始投入与并行化技术中更稀缺的一方，并以 Anthropic 的 agent teams 为例说明多 AI 智能体协同可提升同时投入的算力。若并行化技术改进快于技术前沿但慢于研究投入，智能爆炸仍会发生，只是更慢。
Berkeley AI Research BlogAI 评估 · 25/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 25/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 伯克利提出 ABBEL：用「信念评分」让 LLM 高效完成长程交互
伯克利 AI 研究提出 ABBEL 框架，将摘要以自然语言"信念状态"的形式隔离并监督其信息内容，替代完整交互历史作为智能体的工作上下文。在 CollabBench 协作编程任务中，重建式信念评分（rec-BG）将相对全上下文模型的性能差距缩小约 50%，训练步数从 100 降至 50，峰值上下文 token 数也明显更低。
METRAI 评估 · 29/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 29/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 METR 盘点智能体能力度量指标：从固定花费得分到花费调整得分
METR 发布文章系统梳理智能体能力度量指标，称为《Metrics of Agent Ability》。所有指标都建立在智能体得分 s_A(x) 与人类得分 s_H(x) 两条花费-得分曲线上，花费可解读为金钱、token 或时间。文章区分了仅看智能体的指标（固定花费得分、实用平台期得分、固定得分下的花费、花费回报、花费调整得分）与对照人类能力的人类锚定指标，但未推荐哪种指标最适合哪种场景。
Marc Andreessen 🇺🇸(@pmarca)AI 评估 · 38/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 38/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 GPT-5.6 助力解决统计学悬置难题：BH 方法在相关高斯检验下不控制 FDR
宾夕法尼亚大学 Edgar Dobriban 借助 GPT-5.6 Sol Pro 推翻了统计学界二十年来的猜想：Benjamini-Hochberg 方法对相关双侧高斯检验并不普遍控制错误发现率（FDR）。
Stanford AI Lab(@StanfordAILab)AI 评估 · 12/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 12/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 YC Paper Club 芯片与内核专场：ParallelKittens、Intelligence Per Watt 等论文分享
YC Paper Club 举办 Kernels/Chips 专场，分享了 ParallelKittens、"Intelligence Per Watt：衡量本地 AI 的智能效率"等论文，以及关于自动化系统研究与 AI 推理异构硬件的分享。下一场主题为机器人。