ARC Prize 公布 Grok 4.7 在 ARC-AGI 上的验证成绩：ARC-AGI-1 为 90.2%（$0.64/task），ARC-AGI-2 为 61.4%（$2.01/task），ARC-AGI-3 在标准 harness 下为 1.8%（$2.7k），在 provider adapter harness 下为 10.0%（$4.8k）。Grok 4.7 在 ARC-AGI-1 上高于 Grok 4.6，但在 ARC-AGI-2 和 3 上更低；ARC-AGI-2 上 Grok 4.6 为 67.1%（$0.76/task），在输入输出 token 定价相同的情况下每任务成本增加 166%。ARC Prize 称 Grok 4.7 在 ARC-AGI-2 半私有任务上平均使用了更多推理 token，medium、high、xhigh 档分别多出 136%、125%、173%，low 档少 27%。
匹配字段摘要
Vercel COO Jeanne DeWitt Grosser 在 Office Hours 中介绍了公司入站销售智能体的搭建过程：由一名 GTM 工程师投入约 20% 时间，提示词由团队最好的 SDR 撰写，最初约 125 行，经过六周人在回路 QA 后把人工撤出。随着业务向上market 演进，提示词膨胀到 1000 行，团队随后把它拆成规则与判断两部分，入站流程最终由 14 条确定性规则驱动，模型只负责原本需要人来判断的环节。当线索进入时，系统会查询 Salesforce 判断该账户是否存在未关闭商机，若有则直接路由给客户经理。整套入站职能的推理与基础设施成本约为每年 1000 美元。
匹配字段摘要
Artificial Analysis 获得 Reflection 授权，正在对 Beam 进行独立评测。早期指标显示，Beam 在同等智能水平下可能是其见过 token 效率最高的开源模型之一。Reflection 此前宣布 Beam 为高效智能体开源模型，总参数 501B、激活 23B，主打前沿推理效率与编码及智能体任务，完整权重将于本月发布。
匹配字段摘要
Artificial Analysis 的评测显示，Qwen-Image-2.1 在 36 个开源权重模型类别中 16 项领先，并在生产力与知识工作、社交媒体与创作者内容两个用例中成为最佳开源权重模型。在文生图能力上，它在复杂构图、文字渲染、知识、版式和光照 5 项中领先；在图像编辑动作上，它在文字或符号编辑、基于推理的编辑、构图与取景 3 项中领先。各榜单中紧随其后的开源权重模型分别是文生图的 Ideogram 4.0 (Quality) 和图像编辑的 HunyuanImage 3.0 Instruct。
匹配字段摘要
Cerebras 让 AI 智能体在训练优化和模型压缩两类任务上跑了 71 次实验，发现循环范围收紧时能稳定产出真实结论，护栏一放松智能体数小时内就会偏离目标。实验一用 codex-autoresearch-harness 把 Codex 包进 bash 循环，GPT-5.4 与 Codex-Spark 各自 6 小时都独立收敛到学习率 warmdown 调度，但 GPT-5.4 提案接受率 67%，Spark 仅 17%，提案质量比单次推理速度更决定总成本。实验二用 REAP 加 INT4 量化把 717 GB 模型压到 92 GB，动态专家换入换出耗时 0.151 秒，但无人值守 12 小时后智能体自行改问另一个问题，作者通过清理上下文、隔离目录和更频繁的验证检查点来纠正。
匹配字段摘要、正文
Cerebras 发布 GLM 4.7 迁移指南，称其为 Z.AI 最新开源模型，在 LiveCodeBench 上超过 Anthropic 和 OpenAI 模型、仅次于 Gemini 3，并在 GPQA 和 AIME 上超过 Claude Sonnet 4.5。指南给出 10 条使用规则，包括把强制指令放在系统提示词最前、使用 MUST 等明确措辞、显式指定回复语言、为智能体设定角色，以及把任务拆成小步骤以弥补其不支持交错思考。在 Cerebras 上 GLM 4.7 支持约 131K 上下文和最多约 40k 输出 token，可通过 disable_reasoning 和 clear_thinking 控制推理，推荐 temperature=1、top_p=0.95，并兼容 OpenAI Python SDK。
Cerebras 发布 GLM 4.7 迁移指南，称其为 Z.AI 最新开源模型，在 LiveCodeBench 上超过 Anthropic 和 OpenAI 模型、仅次于 Gemini 3，并在 GPQA 和 AIME 上超过 Claude Sonnet 4.5。指南给出 10 条使用规则，包括把强制指令放在系统提示词最前、使用 MUST 等明确措辞、显式指定回复语言、为智能体设定角色，以及把任务拆成小步骤以弥补其不支持交错思考。在 Cerebras 上 GLM 4.7 支持约 131K 上下文和最多约 40k 输出 token，可通过 disable reasoning 和 clear thinking 控制推理，推荐 temperature=1、top p=0.95，并兼容 OpenAI Python SDK。
匹配字段摘要
Inception Labs 公布 Mercury 2 在 PinchBench 上的评测结果：任务成功率 78%，高于 GPT-5 Mini 的 75%、Gemini 2.5 Flash 的 71%、DeepSeek Chat 的 72% 和 GPT-4o 的 71%，并在同准确率档位中执行时间最快。定价为每 100 万 token 输入 0.25 美元、输出 0.75 美元，约为 Claude 4.5 Haiku 输入输出的四分之一。PinchBench 基于 OpenClaw 构建，考察工具调用、多步推理和真实任务完成情况，Mercury 2 的速度来自并行细化而非逐 token 生成。
匹配字段摘要
Google Developers Blog 介绍 autofinetune 项目，把自主研究循环用于 LLM 后训练，基于 Tunix、Gemma 和 Cloud TPU，由 Antigravity CLI 与 Gemini Flash 3.7 编排。第一个实验中智能体在 Cloud TPU v5e-1 上对 functiongemma-270m-it 自动调整 LoRA rank/alpha、优化器和学习率等，几小时内完成 20 次实验；第二个实验基于 Tunix 官方 GRPO 示例训练 Gemma 3 1B 做数学推理，在 Cloud TPU v6e-1 上跑 40 次实验，总奖励提升约 10%。代码、示例运行和 program.md 模板已放在 autofinetune GitHub 仓库。
匹配字段摘要
Together AI 发布《The Open Source AI Stack》一文，把开发者从闭源转向开源模型所需的技术栈拆成模型、推理服务商或网关、harness、上下文四层，并称各层相互独立，换模型通常只需改一个配置值。文中以 Kimi K3（1.8T 总参数、104B 激活参数）和 GLM 5.3 Flash（320B 总参数、18B 激活参数）为例说明大模型与小模型的取舍，并列出 OpenRouter、Vercel AI Gateway、LiteLLM 等网关以及 skills、MCP 等扩展方式。作者还建议用大模型规划、小模型实现、大模型审查的三段式工作流，并强调切换模型或任务时新开会话以控制上下文。
匹配字段摘要
Meta 工程博客介绍了一个面向合规领域的 AI 智能体，把组织知识拆成 200 多个结构化文件，并用可组合的 recipes 分离知识与推理流程。专家反馈经诊断、编译、验证后以文本编辑形式落地，无需重训模型，每个修复都会自动加入回归测试集。系统在六周三个开发冲刺后，将单项评估耗时从数天缩短到数分钟，改进周期内零回归。
匹配字段摘要
Google for Startups AI Agents Challenge 评审结束后，Google Developers Blog 从高分提交中提炼出四个工程模式：双向 MCP（智能体既是自己工具的客户端，也是其他智能体可调用的服务端）、事件驱动并发（智能体并行响应同一信号而非串行调用链）、同标准回退（小模型顶替过载模型时仍走同一校验函数）、分层路由（先用正则和廉价模型做确定性检查，再交给完整推理模型）。其中一个团队用正则加 10 token 的 Gemini 分类调用，在真正模型调用前处理了超过 40% 的入站消息。这些模式多出现在基于 Agent Development Kit（ADK）并通过 Agents CLI 驱动的提交中。
匹配字段摘要
LMSYS 发布 infer-forge 方法论文，介绍围绕 SGLang 的推理工程系统，由 MonoRepo、Harness、Task Loop 和 Task Graph 四层结构组成，用于让跨仓库的推理优化工作可复现、可验证。该系统为内部工程系统，并非 SGLang 或 LMSYS 官方组件，目前不开源，文章公开的是构建方法论，供团队交给 AI 编码工具并结合自身系统上下文搭建适配实现。文中给出使用记录：一位工程师 4 月至 7 月的在飞任务峰值从 2 个升至 9 个，DeepSeek-V4-Pro 服务项目中 38 个可独立验证的任务节点被组织成任务图。
匹配字段摘要
蚂蚁百灵发布实践文章，介绍在 DGX Spark 上用本地后训练工具包 AReno 对 Ling-3.0-tiny 做 Agentic RL，以井字棋为最小验证任务跑通基线评测、Reward 定义、后训练与同环境复测四步闭环。实验使用 GSPO 训练 400 个 step，rollout/rewards_mean 从约 -0.5 升到 0.4 左右，response_len 降至约 850 tokens，复测中工具调用与落子选择更稳定。Ling-3.0-tiny 为 7.9B 总参数、1.3B 激活参数的混合推理模型，已开源 BF16、FP8 和 INT4 版本，AReno 提供 Docker 复现教程。
蚂蚁百灵发布实践文章，介绍在 DGX Spark 上用本地后训练工具包 AReno 对 Ling-3.0-tiny 做 Agentic RL，以井字棋为最小验证任务跑通基线评测、Reward 定义、后训练与同环境复测四步闭环。实验使用 GSPO 训练 400 个 step，rollout/rewards mean 从约 -0.5 升到 0.4 左右，response len 降至约 850 tokens，复测中工具调用与落子选择更稳定。Ling-3.0-tiny 为 7.9B 总参数、1.3B 激活参数的混合推理模型，已开源 BF16、FP8 和 INT4 版本，AReno 提供 Docker 复现教程。
匹配字段摘要、正文
Together AI 在 DeepSWE 基准上对比 Kimi K3 与 Claude Fable 5：Fable 5 在 xhigh 设置下 pass@1 为 69.9%，Kimi K3 max 为 68.5%，但 Kimi K3 在 pass@2（82.0 对 80.2）和 pass@4（89.4% 对 88.5%）上反超。成本方面，Kimi K3 每次 rollout 为 4.65 美元，Fable 5 为 13.41 美元，每 100 美元分别完成 14.7 与 5.3 个任务。Kimi K3 是 Moonshot AI 的开源权重模型，可自托管或通过推理服务商部署。
匹配字段摘要
作者整理了 2026 年 1 月至 5 月收藏的 LLM 研究论文，并明确表示这不是完整收录，而是基于个人工作兴趣筛选的参考清单。内容侧重推理模型、强化学习和高效推理，同时涵盖 Agent 框架、工具使用、长上下文、扩散语言模型及服务基础设施。
匹配字段摘要
Together AI 优化了 MiniMax M3 的生产级推理服务，使其支持 1M-Token 上下文、原生多模态与智能体工作流。MiniMax Sparse Attention 让预填充和解码分别提速超过 9 倍和 15 倍，其他优化使常见智能体流量下的性能提升 81%–125%。M3 开放权重发布后，Together AI 将提供开发者端点。
Together AI 优化了 MiniMax M3 的生产级推理服务，使其支持 1M-Token 上下文、原生多模态与智能体工作流。MiniMax Sparse Attention 让预填充和解码分别提速超过 9 倍和 15 倍，其他优化使常见智能体流量下的性能提升 81%–125%。M3 开放权重发布后，Together AI 将提供开发者端点。 · Together AI optimized production inference for MiniMax M3, enabling 1M-token context, native multimodality, and agentic workflows. MiniMax Sparse Attention delivered more than 9x faster prefill and 15x faster decoding, while broader optimizations improved performance by 81%–125% under common agentic traffic. Together AI
匹配字段摘要
文章解析 Gemma 4、Laguna XS.2、ZAYA1-8B 和 DeepSeek V4 如何通过 KV 共享、分层注意力预算、mHC 与压缩注意力降低长上下文成本。Gemma 4 E2B 在 128K 上下文中可节省 2.7 GB KV cache，DeepSeek V4-Pro 在 1M-token 上下文下的单 token 推理 FLOPs 和 KV cache 分别降至 DeepSeek V3.2 的 27% 和 10%。这些设计显示 Transformer 架构正以更复杂但更具针对性的改动提升长上下文推理效率。
匹配字段摘要
Modal 官方工程博客详解其无服务器 GPU 方案，通过云缓冲、自定义文件系统 ImageFS、CPU 检查点恢复和 CUDA 检查点恢复四项优化，把 AI 推理服务副本的启动时间从约 2000 秒缩短到 50 秒，提速 40 倍。其中 GPU 内存快照让 vLLM 或 SGLang 服务约 1 GiB 模型（Qwen 3 0.6B bf16）的冷启动典型提速 4-10 倍，Reducto 的冷启动从约 70 秒降到约 12 秒。作者称该技术栈已在数千万个副本规模上运行，过去三个月有数百家组织使用 CPU 和 GPU 快照。
匹配字段摘要
METR 用简单 ReAct 脚手架让 Opus 4.6 复刻《杀戮尖塔》和《小丑牌》的 CLI 版本，给出 6000 万 token 总量、64,000 token 上下文窗口和 max 推理强度，结果两个游戏都基本可玩但存在不少缺陷。作者各试玩约两小时，发现卡牌效果偏差、地图导航混乱、部分遗物与事件缺失、优惠券逻辑错误等问题，并估计自己达到同等质量需 2 到 8 周。作者在 7 月 27 日的更新中表示深入检查《杀戮尖塔》成品后发现了更多初看不易察觉的问题。
匹配字段摘要
DeepSeek V3.2 延续 V3 系列架构，并引入 DeepSeek Sparse Attention、自验证、自改进及多项 GRPO 训练调整。文章梳理了 V3、R1、V3.1、V3.2-Exp、DeepSeekMath V2 和 V3.2-Speciale 的演进，解释 MLA、RLVR 与混合推理模式等关键机制。更新部分还介绍了用于改善训练稳定性和收敛表现的 mHC 残差路径研究。
匹配字段摘要