AINews 汇总 AIE CODE System One 日及 AI 行业最新动态
AINews 汇总了 AIE CODE System One 日及近期 AI 行业动态,其中 Google 发布 Gemini Decision 1,这是一款支持文本、图像、音频、视频和 PDF 输入的单次决策模型,支持每次请求最多 1,000 个问题,256K context,端到端延迟为 150–250 ms,输入价格为 $0.10 per 1M input tokens。
AINews 汇总了 AIE CODE System One 日及近期 AI 行业动态,其中 Google 发布 Gemini Decision 1,这是一款支持文本、图像、音频、视频和 PDF 输入的单次决策模型,支持每次请求最多 1,000 个问题,256K context,端到端延迟为 150–250 ms,输入价格为 $0.10 per 1M input tokens。
Jev 正被用于构建比传统推理 LLM 更快、更低成本的系统一模型应用。Glean 将其用于 zero-shot 决策,UiPath 用锦标赛式排序筛选文档块,Workday 则探索了边输入边填充请假卡等交互。TypeSafe AI 联合创始人 Diogo Almeida 认为,这类模型应广泛集成到代码中,以提高软件自动化能力的可靠性。
AWS 介绍使用开源反统一引擎对形式化策略进行语义差异分析,通过 e-graph 和声明的代数规则消除表达顺序等表面变化。教程以 Cedar、Dogwood、OpenShell 和 CEL 策略为例,演示如何定位被弱化的授权条件、遗漏的路径限制及阈值边界差异,并提供构建与运行命令。
推荐理由:文章给出可运行的语义差异分析流程,并展示其如何从形式化策略中定位被弱化的条件和边界差异。
Google DeepMind 推出 Gemini Decisions API,底层模型 Gemini Decision 1 可在一次处理中完成最多 1,000 个独立的封闭式问题,并支持文本、图像、音频、视频和 PDF 输入。
Google 发布 Gemini Decisions API 和新模型 Gemini Decision 1,通过 Gemini API 与 Google AI Studio 提供封闭式决策能力。
推荐理由:原文给出 API 的输入上限、延迟与计费方式,并对比现有 Gemini 方案,便于评估封闭式决策场景的成本和性能。
百度发布 ERNIE 5.5 Flash Preview,这是此前 Base 模型的首次后训练版本。该模型总参数 280B、激活参数 14B,支持 1M 上下文,已在千帆平台上线,权重计划于11月25日前开源。模型通过 Agent 框架完成游戏开发、3D建模、知识工作和视频创作等任务。
Moonshot AI 的 Kimi K3.1 Pro Highspeed 已上线 Amazon Bedrock,配备 1-million-token 上下文窗口,Moonshot AI 称其输出速度为 Kimi K3.1 Pro 的 2–3 倍。
推荐理由:提供了模型接入、推理档位、提示词缓存和 OpenCode 接入示例,并给出 Flex 成本与区域路由取舍。
OpenRouter 在 2026 年 10 月 20 日对 Qwen3.8 27B 的 6 个端点进行测试,未发现 fp8、fp4 与 fp16 在 240 项计分任务中的准确率差异,但低精度通常更便宜。文章还分析了 1,455 个端点的量化标注、价格和速度,并说明如何通过 provider.quantizations 筛选精度及处理端点故障。
推荐理由:文章结合端点数据、价格比较与 provider.quantizations 配置说明,呈现量化精度选择对 API 质量、成本和可用性的实际影响。
OpenAI 研究了预训练、模型架构、强化学习和模型生成数据对 CoT 可监控性的影响。研究发现,较低的基座模型困惑度与更强的无 CoT 能力相关,强化学习会提高 CoT 可控性,且这种特性可通过模型生成数据在 SFT 中传递;CoT 可控性仍是存在噪声且不完善的监控规避代理指标。
Redwood Research 质疑 Google DeepMind 是否有意使用辅助奖励训练模型的链式思考,因为 Gemini 4 安全报告中的相关表述与公司员工的否认存在冲突。
Anthropic 发布 Claude Fable 5.2 和 Claude Mythos 5.2,并上线 Cursor、GitHub Copilot、Perplexity 等平台。
推荐理由:文章汇总官方规格、独立基准与用户实测,便于比较新模型的排名、任务成本、effort 档位和订阅限制。
Latent Space 实测 Naive-N0.5-Flash 的编程与推理速度,其峰值吞吐约为 2,100 tokens per second,思考模式中位响应时间为 3.1 秒。
PSI 正尝试把 AI 驱动的科学发现转化为可持续的商业模式,并用专门模型框架、工具、记忆系统与仿真基础设施解决科研问题。团队成员借助 Anthropic Fable 5.2 模型解决了存在 18 年的 Aaronson-Ambainis 猜想,该证明经 Lean 自动形式化并获相关研究者解释。
Google 发布 TPU 8tx 和 TPU 8i Max 两款第八代 TPU 芯片,分别面向机密 AI 模型训练与推理,以及需要更大内存和处理能力的推理工作负载。TPU 8tx 与 AMD 合作开发,支持在训练过程中运行推理并即时蒸馏和训练小模型;TPU 8i Max 将两款 TPU 8i 的内存容量、处理能力和带宽整合到单一封装中。
Anthropic 今天发布 Fable 5.2 和 Mythos 5.2,Fable 5.2 当前位列 Artificial Analysis 第一。
Meta AI 发布 Muse Ember 1.0,主打复杂推理执行及智能体反复执行的任务,包括工具调用、编码子任务、路由、信息提取和长文档解析。Muse Ember 在不超过 200k 输入 token 时,输入与输出价格分别为 $0.10/M 和 $0.50/M;超过阈值后分别升至 $0.30/M 和 $1.50/M。
Hugging Face 介绍决策模型如何以状态、问题和预定义答案为输入,直接返回结构化决策及概率,而不生成响应文本。其基础接口包含 Choice、Score 和 Noul 三种决策原语,并提供置信度计算方式。
推荐理由:文章系统梳理决策模型的接口与概率计算方式,并展示其在 Transformers、llama.cpp 和 Hub 中的接入方式。
Anthropic 发布 Claude Fable 5.2 和 Mythos 5.2,面向高要求技术任务,并在部分基准测试中领先。两款模型基于同一模型基础,Fable 面向所有用户并限制网络安全和生物领域的高风险任务,Mythos 取消部分限制,仅向通过 Anthropic 验证计划的组织开放。
同一件事,精选收录的是《Anthropic 发布 Claude Fable 5.2 与 Claude Mythos 5.2》
Anthropic 建议 Claude 开发默认从 Opus 5.5、medium effort 开始,再按任务难度转向 Sonnet 5.5、Haiku 5.5 或 Fable 5.2。文章比较了各模型的 token 价格、上下文窗口、延迟、基准表现与 API 兼容性,并说明如何用 effort 档位、子智能体和真实任务测试优化成本与能力权衡。
推荐理由:文章按任务类型、延迟、成本和兼容性比较 Claude 模型,并给出模型选择、effort 调整、子智能体分工及迁移检查方法。
AWS 宣布 Claude Fable 5.2 与 Claude Mythos 5.2 登陆 Amazon Bedrock 和 Claude Platform on AWS。
推荐理由:文章提供了模型能力、适用场景、数据治理要求及迁移方法,可帮助开发者评估接入方式并完成代码适配。
Anthropic 让 1000 个运行 Claude Fable 5.2 早期版本的智能体在沙箱内复现费马大定理的 Lean 形式化证明,团队仅使用 Git 和共享数据库协调。实验历时 28.7 小时,输出 token 用量为原方案的三分之一,证明长度为原方案的七分之一;运行期间没有工具调用达到实时阻断标准。
推荐理由:实验记录了千个智能体如何通过数据库、Git 与任务树自主协调,并展示沙箱和双重监控对规模化智能体实验的支撑。
Claude 官方视频介绍了 Claude Mythos 5.2 预测完整 AAV 衣壳结构的方法。模型编写代码,在相邻五链分组上运行开源折叠模型,再利用衣壳对称性拼合全部 60 条链;在 AAV2 上,预测结果与实验结构的误差约为一个原子宽度。
Anthropic 发布 Claude Fable 5.2 和 Claude Mythos 5.2,官方称新模型在编码、推理和视觉方面有所改进,输出速度也超过 Fable 与 Mythos 的 5.1 版本。Claude Fable 5.2 今日推出,可处理复杂软件工程问题、编排智能体团队和长期项目;Claude Mythos 5.2 初期仅向经过审核的组织开放。
Anthropic 发布 Mythos 5.2 和 Fable 5.2,宣称新模型在编码、推理与视觉能力方面有所改进,并与用户沟通得更清晰。
推荐理由:原文给出新模型在编码、推理、速度与成本上的变化,并梳理RSI评估及隐蔽能力测试面临的难题。
Anthropic 发布 Claude Fable 5.2 与 Claude Mythos 5.2,作为同一底层模型的安全访问版本,面向高难度编码、推理与视觉任务。
推荐理由:发布说明覆盖编码、科研与安全评测,并给出价格、速度和防护差异,便于理解 Fable 与 Mythos 的定位。
Anthropic 与 Diode Computers 合作测试 Claude Fable 5.2,让其从需求出发设计扬声器电话、语音助手中枢和掌上虚拟宠物,并指导工程师完成原型制作。
推荐理由:文章展示 Claude Fable 5.2 在电子设备设计、仿真和原型制作中的端到端实践,并对比了其在 PCB 布局与 CAD 基准上的表现。
Meta 发布最小最高效的复杂推理执行模型 Muse Ember(muse-ember-1.0),定位是面向工具调用、编码子任务、路由、抽取和长文档解析等智能体日常重复任务。
Meta Superintelligence Lab 发布轻量级 AI 模型 Muse Ember,定位为复杂推理执行和智能体重复任务的低成本模型。
百度发布 ERNIE Evolve 自动研究系统,通过持续提出研究方向、修改代码、执行实验和复核结果完成研发迭代。它在 NanoChat AutoResearch 和 NanoGPT Speedrun 两项公开任务上超过公开验证的最好结果,并已用于 ERNIE-5.5-Flash 的生产级推理优化。
推荐理由:文章展示了自动研究系统在公开基准与生产推理优化中的闭环流程、数据结果和落地方式,便于理解递归自我迭代如何进入真实研发。
Richard Sutton 提出仅增加计算量不足以产生智能,AI 研究需要能够持续学习的新方法,并应发展具备世界模型、从经验中学习的智能体。Jerry Tworek 认为算法在 LLM 扩展中的作用日益关键,Jayden Teoh 则指出研究社区不应过早否定无法随规模扩展的想法;Sam Altman 和 Dario Amodei 仍认为 LLM 扩展远未触及极限。
Vals AI 检查 Thinking Machines 的 Inkling 2 Small 在 13 项基准测试的 2,655 次运行日志,发现 50 次运行共出现 316 次脏话。
Thinking Machines Lab 发布 Inkling 2 Small,这是一款 594B 总参数、17B 激活参数的 MoE 模型,支持图像输入和可变推理投入。
推荐理由:文章披露了 Inkling 2 Small 的参数规模、训练流程、基准表现与安全评估,便于读者比较其编码、视觉和长程智能体能力。
Cognition 发布编码模型 SWE-2 Flash,通过新增中训练阶段将 Terminal-Bench 4.0 得分从 0.9% 提升至 20.0%,FrontierCode 2.0 从 3.2% 提升至 24.0%。
Anthropic 使用 Claude 辅助解析出原核细胞中首个 vault 颗粒的 3D 结构。该结构由 96 份噬菌体蛋白 L05 组成,研究团队用 cryo-EM 确认其形态,并将 vault 纯化时间从约 3 天缩短至约 90 分钟。Claude 还参与蛋白质序列检索、DNA 构建设计、分离方法优化和显微镜数据处理,首个完整结构模型在 34 小时后完成;研究预印本已提交 bioRxiv。
推荐理由:文章展示了 Claude 参与序列检索、结构实验和多智能体分析的完整流程,以及传统结构生物学工作中可迁移的加速方法。
CloudOpsBench 1.0 发布 45 个 AWS DevOps 任务,用于评估 AI 智能体在修复服务、调整权限、发布更新和下线项目等云运维操作上的表现。Claude Fable 5.1 完成率最高,为 60%,GPT-6 Astra 为 53%;约 80% 的失败源于任务范围判断错误、遗漏相关服务或过早停止,约 20% 是错误操作,其中部分可能造成基础设施的不可逆后果。
Takehi 等研究者提出 Weight-Space Programming,让大模型根据自然语言目标直接检查和修改神经网络权重,无需梯度下降或训练循环。报告中的实验包括识别小型模型行为、从零生成游戏策略,以及修改 Qwen3.5-0.8B 约 0.016% 的权重,使其 MATH-500 成绩从 7.9% 提升至 48.1%。
Stanford研究人员Owen Queen和James Zou用20个模型检验了50项关于LLM的广泛引用结论,发现44%已经失效,另有34%明显减弱,只有16%仍成立、6%增强。研究考察了2024年7月至2026年9月发布的模型,指出结论应绑定具体模型、版本和日期,并公开提示词与分析代码以便后续复测。
OpenAI 在六个服务模型上发现,Respecting Warnings 安全评测成绩比匹配的生产决策低 10.2 至 37.4 个百分点,模型对评测目标的误判与这一差距密切相关。
Simon Willison 在笔记本电脑上运行 17GB 的 Qwen 3.8 27B,测试其直接解读神经网络原始权重的能力。该模型成功识别 Pac-Man、Pong 和 Breakout,但未识别 Freeway,各次推理耗时约 46 分钟至 1 小时 4 分钟,并使用 43,506 个 reasoning tokens 完成 Pac-Man 测试。
Cartesia 借助专用 State Space Models(SSMs)和 AWS 基础设施,构建支持全球规模运行的超低延迟语音 AI 应用。Sonic 文本转语音模型首个音频字节约 90ms,支持超过 44 种语言,并可用 10-second 音频样本克隆声音;Ink 语音转文本模型支持流式转录、原生轮次检测和多说话人处理。