OpenAI 发布 GPT-6.1 Sol，称其性能接近 GPT-6 Astra 且价格更低
OpenAI 发布 GPT-6.1 Sol，称其在智能体编码、电脑操作和专业工作上的智能水平接近 GPT-6 Astra，标准输入和输出 token 价格为后者的 1/5。
推荐理由：文章将 GPT-6.1 Sol 与 GPT-6 Astra 的能力、价格和可用范围放在一起，便于判断这次更新的实际取舍。
推理能力
全部主题模型推理能力的进展：思维链、推理模型、数学与逻辑基准的突破与争议。
最新精选
第 1–20 条 · 共 44 条TechCrunch · AI精选AI 评分8181
NVIDIA Blog精选AI 评分7474 CoreWeave 提供 NVIDIA Vera Rubin NVL72 并发布 CoreWeave Forge
CoreWeave宣布在CoreWeave Cloud提供NVIDIA Vera Rubin NVL72，并发布用于训练、评估和改进模型与智能体的CoreWeave Forge。Cognition测试显示，Vera Rubin NVL72在SWE-2推理工作负载上的总token吞吐量最高达到GB200 NVL72的4.8x；NVIDIA Vera CPU的智能体沙盒启动速度超过3x。
推荐理由：文章串联了 Vera Rubin、Vera CPU 与 Forge 的产品进展，并给出 Cognition 和 CoreWeave 的实测数据，便于理解智能体从训练到生产的基础设施路径。
AWS Machine Learning Blog精选AI 评分7474 GPT-6.1 Sol 在 Amazon Bedrock 上正式可用
GPT-6.1 Sol 已在 Amazon Bedrock 上正式可用，面向编码、计算机使用和专业工作负载提供更强推理。OpenAI 称其在 DeepSWE v1.1 上达到 GPT-6 Astra 的表现，单任务成本约为其五分之一，并以低于 GPT-6 Sol 相关结果的 reasoning effort 超出后者最高分 6.4 个百分点。
推荐理由：原文以 DeepSWE v1.1 的成本与性能对比，说明 GPT-6.1 Sol 如何服务编码和多步骤智能体工作流。
Hugging Face Blog精选AI 评分7676 NVIDIA 发布 Kumo Tabular 表格预测基础模型
NVIDIA 发布 Kumo Tabular，一款面向表格分类和回归的开放基础模型，可在单次前向推理中直接预测新行，无需训练、调参或特征工程。模型提供 28M 至 215M 参数的三种规格，通过 Hugging Face 提供，采用 OpenMDW-1.1 license，支持商业使用。
推荐理由：材料同时交代了免训练推理、人工数据预训练方式与四项基准结果，便于评估其工程可用性。
AWS Machine Learning Blog精选AI 评分8181 Grok 4.7 登陆 Amazon Bedrock，支持长上下文与可配置推理
xAI 的 Grok 4.7 已上线 Amazon Bedrock，面向编码、长时运行的智能体和知识工作，提供 500K token 上下文窗口及 low、medium、high、xhigh 四档推理强度。
推荐理由：文章将 Grok 4.7 的长上下文与推理档位和 Bedrock 的接入、路由及认证方式对应起来，便于评估部署成本与使用路径。
Simon Willison精选AI 评分7979 Anthropic 发布 Claude Sonnet 5.5，并用于 claude.ai 免费层
Anthropic 今天发布 Claude Sonnet 5.5，称其运行速度提升 30%+，多数任务的成本最多降低 30%，定价与 Sonnet 5 相同。Simon Willison 指出，该模型现已用于 claude.ai 免费层，并实测其生成了效果不错的 WebGL 三维鹈鹕骑自行车页面；他认为这一免费服务比使用 Luna 5.6 的 ChatGPT 免费层能力更强。
推荐理由：同一绘图任务中，更高思考档位耗尽预算却未产出结果，而较低档位完成了输出，为选择推理预算提供了具体对照。
Latent Space精选AI 评分7676 OpenRouter 从种子轮到加入 Stripe：与 Alex Atallah 和 Anjney Midha 对谈
OpenRouter 联合创始人 Alex Atallah 与 AMP 的 Anjney Midha 讨论了 OpenRouter 如何从多模型路由服务发展为 AI 模型的中立分发层，并加入 Stripe。
推荐理由：访谈梳理了 OpenRouter 从模型路由到分发基础设施的演进，也解释了多模型生态与智能体流量带来的新安全问题。
Latent Space精选AI 评分7676 Runway 的 WorldPrompt 与实时世界模型工程
Runway 在 GWM Worlds 2 研究预览中推出 WorldPrompt，可固定模拟环境的部分要素并创建带时间戳的事件，也支持实时提示动作。GWM Worlds 2 能以 720p、24 fps 视频和 48,000 Hz 音频生成交互世界，其实时化依赖自回归生成与蒸馏。文章还讨论了误差累积、长时记忆、因果性和无结构状态等限制，以及世界模型在游戏、机器人和智能体测试中的用途。
推荐理由：文章结合 WorldPrompt 的控制方式与实时生成的工程难题，梳理世界模型在游戏、机器人和智能体测试中的应用路径。
Hugging Face Blog精选AI 评分6262 LFM2.5-VL-DSpark 加速 LFM2.5-VL-3B 视觉语言模型推理
Liquid AI 发布面向 LFM2.5-VL-3B 的实验性 DSpark draft model，通过 speculative decoding 加速视觉语言模型推理。
推荐理由：原文量化了视觉语言模型引入 DSpark 后的解码与端到端加速，并说明额外参数和视觉预填充对整体收益的影响。
Simon Willison精选AI 评分8787 Claude Opus 5.5、GPT-6 Sol 与 GPT-6 Luna 发布，模型价格战升级
Anthropic 发布 Claude Opus 5.5，OpenAI 随后发布 GPT-6 Sol 与 GPT-6 Luna，作者分享了初步体验。GPT-6 Luna 的输入和输出价格为 $0.10/M 与 $0.50/M，GPT-6 Sol 也较 GPT-5.6 Sol 降价一半。
推荐理由：文章将多款新模型的定价变化与 SVG 和编码场景下的初步体验放在一起，便于比较成本与推理表现。
Simon Willison精选AI 评分8080 TypeSafe AI 发布 Jev 决策模型，输出概率化分类结果
TypeSafe AI 发布 Jev，这是一个将文本或半结构化数据作为输入、输出分类概率、选择分布和数值评分的决策模型。Jev 仅按输入计费，价格为 $0.042 per million tokens，支持并行处理多个问题，适用于分类、排序和搜索重排。
推荐理由：文章把 Jev 放进决策模型框架，梳理其输入输出、成本与适用任务，也提醒分类结果的黑箱偏差需要通过结构化评测检验。
NVIDIA Blog精选AI 评分6969 Salesforce 发布基于 NVIDIA Nemotron 3 Super 的 CRM 推理模型 Koa
Salesforce 发布首个 CRM 推理模型 Koa，该模型基于 NVIDIA Nemotron 3 Super，并使用近三十年企业 CRM 部署生成的专有合成数据进行后训练。
推荐理由：文章梳理了 Koa 的训练来源、数据隔离和 CRM Bench 表现，并交代了客户试点与正式可用时间。
GitHub Blog · AI & ML精选AI 评分8080 GitHub Copilot 发布 Project HydraFusion 研究预览，支持运行时多模型编排
GitHub Copilot 推出 Project HydraFusion 研究预览，可在运行时从多个提供商的模型中选择并编排执行流程。HydraFusion目前支持 Single、Cascade 和 Critique 三种模式，并通过 Copilot CLI 的 /experimental 向所有 GitHub Copilot 计划用户开放。
推荐理由：GitHub Copilot 将多模型选择、评审与升级纳入运行时流程，并用三项 agentic coding 基准展示质量与成本之间的具体权衡。
Google DeepMind精选AI 评分8787 Google DeepMind 发布 Gemini 3.8 Flash 与 Gemini 3.8 Flash Cyber
Google DeepMind 发布 Gemini 3.8 Flash 和 Gemini 3.8 Flash Cyber，前者面向长程编码与智能体工作流，后者面向网络安全。
推荐理由：文章同时给出 Gemini 3.8 Flash 在长程编码与多步推理上的基准表现，以及 Cyber 版本的漏洞发现、修复和使用门槛，便于比较两种定位。
Hugging Face Blog精选AI 评分6868 BenchMIRT：LLM 基准测试实际上在测量什么？
AllenAI 介绍 BenchMIRT，一种在单个提示词和任务层面审计 LLM 基准测试、拆分潜在能力信号的方法。该方法基于 100 个 LLM、16 个基准和超过 34K 个问题训练，独立识别出安全与通用推理两个主要维度。实验显示，保留 10% 的问题通常能接近完整评测的能力判断，预测未观测问题正确率为 79%，高于简单基线的 70%。
推荐理由：BenchMIRT将基准分数拆解到模型能力与单个题目层面，帮助研究者识别安全和推理信号的混杂，并压缩评测规模。
Hugging Face Blog精选AI 评分8080 Granite 4.2 推理模型家族如何构建
IBM Granite Team 详解 Granite 4.2 推理模型家族的构建过程，涵盖 3B、8B 和 30B 三种规模，以及从 Granite-4.1 基础模型到 SFT 和多阶段 RL 的训练流程。
推荐理由：文章梳理 Granite 4.2 从 Granite-4.1 基础模型、SFT 到多阶段 RL 的训练链路，并说明 8B 与 30B 如何在真实环境中通过 Agentic RL 学会工具操作。
Hugging Face Blog精选AI 评分6868 Liquid AI 发布 LFM2.5-DSpark 草稿模型，推理最高加速 3.2 倍
Liquid AI 发布 LFM2.5-1.2B-Instruct、LFM2.5-2.6B 和 LFM2.5-8B-A1B 的 DSpark 草稿模型，通过 speculative decoding 提升推理吞吐。
推荐理由：文章同时给出 H100 与 M4 Max 的吞吐对比、function-calling 延迟变化及 llama.cpp 和 SGLang 接入方式，便于评估 DSpark 在云端与端侧部署中的收益。
Google DeepMind精选AI 评分8585 Google DeepMind 发布 Gemini 3.7 Flash，强化编码与智能体工作流
Google DeepMind 发布 Gemini 3.7 Flash，称其在编码、知识工作和 Web 开发流程上较 Gemini 3.6 Flash 有明显提升。
推荐理由：Gemini 3.7 Flash 的基准对比、价格和接入方式较为完整，便于判断其在编码与智能体工作流中的升级幅度和适用场景。
Google Research精选AI 评分7070 Google Research 研究：LLM 事实性瓶颈更多在召回而非编码
Google Research 介绍一项关于 LLM 事实性的研究，提出 knowledge profiling 和 WikiProfile，用于区分事实是否被编码及能否被召回。
推荐理由：文章用 WikiProfile 区分事实编码与召回，数据显示前沿模型的瓶颈更多在已存知识的访问，而非知识缺失。
Google Research精选AI 评分7979 Google Research 推进 AMIE，迈向专家级音视频临床会诊
Google Research 发布 AMIE（Video），该系统基于 Gemini 和 Project Astra，可实时进行音视频临床会诊，感知非语言线索、引导虚拟体格检查并开展临床推理。
推荐理由：文章将 AMIE（Video）的异步多智能体架构、随机视频研究结果与模拟场景限制放在一起，便于理解其能力边界。