Mistral AI 釋出了 Search Toolkit 公開預覽版，這是一個用於構建 AI 應用生產搜尋管道的可組合框架。它整合了資料攝取、檢索和評估三個環節，提供統一介面，減少整合時間，提升搜尋質量。支援多種檢索方式（BM25、稠密向量、混合檢索），並內建評估指標。適用於企業搜尋、RAG 系統及領域特定檢索，已在多個行業驗證。

Mistral AI 在 AI Now Summit 上宣佈推出用於工業工程的整合 AI 解決方案，與空客、寶馬集團、ASML 合作，收購 Emmi 引入物理 AI，推出統一代理 Vibe 以提升生產力，並計劃在 Les Ulis 建設新的資料中心。

本文比較了8款頂級開源LLM，涵蓋DeepSeek V4 Pro、Gemma 4、GLM 5.1、GPT OSS 120B、Kimi K2.6、MiniMax M3、Nemotron 3 Ultra和Qwen 3.6。針對智慧編碼、長上下文推理、成本和速度等不同需求，提供了選型建議。

Cohere推出了一種新的推理請求排程解決方案，透過結合速率限制器、效能層級、赤字輪詢和優先順序選擇器，確保多租戶LLM平臺中不同租戶之間的公平性，防止“吵鬧鄰居”現象，保障每個租戶獲得公平的計算資源份額。

自2024年OpenAI釋出首個推理模型o1以來，推理能力迅速成為AI模型的標配。然而，推理需要大量計算資源，測試時計算（test-time compute）可提升準確率，但也會導致成本激增。文章分析了推理的型別、適用場景及其對效能和成本的影響，指出對於簡單任務關閉推理可顯著降低成本和提高速度。

Anthropic 在首爾開設新辦事處，並與韓國多家企業、初創公司和研究機構建立合作，推動Claude在韓國的應用。包括NAVER、Nexon、LG CNS等企業部署Claude，同時支援學術研究和非營利組織。

隨著攻擊者利用AI提升攻擊複雜性和適應性，網路安全領域的不對稱性加劇。更快的人工智慧推理使安全團隊能夠在相同操作視窗內進行更多推理、上下文檢索和驗證，從而提升產品競爭力。本文探討了AI for Security和Security for AI兩個方向，並舉例說明Cerebras的快速推理如何幫助Armis和Operant AI等公司構建差異化安全產品。

月之暗面（Moonshot AI）釋出 Kimi K2.7 Code，這是 K2 系列的最新程式設計模型，現已透過 Fireworks AI 提供 Day-0 支援。相比 K2.6，該模型推理 token 減少約 30%，同時在程式設計評測中得分更高。推理 token 的減少顯著降低了代理工作流的單任務成本。Fireworks 提供標準、優先和快速（即將推出）三種服務層級，滿足不同可靠性和速度需求。

本文詳細介紹瞭如何透過迭代評估、分析追蹤和最佳化，為Claude智慧體改進LiteParse文件解析技能，使其更便宜、更快且質量更高。專案發現並修復了反模式，如重複解析、不必要的OCR和低效的grep呼叫，最終使成本降低37%，並在所有評判指標上獲得更高分數。

Cohere 將其倫敦辦公室遷至 100 New Oxford Street，面積擴大近三倍，可容納 100 人。此舉彰顯了公司對英國人工智慧生態系統的投資，並加速其在歐洲的主權 AI 佈局。新辦公室將整合團隊，促進協作與創新。

阿里巴巴與 Fireworks 合作，在 Fireworks 基礎設施上獨家託管 Qwen 3.7 Plus 模型。該模型專為智慧體迴圈設計，支援思考與非思考模式，上下文視窗達 262K token，並在多項基準測試中表現優異。Fireworks 作為推理提供商，提供高效能、低延遲的推理服務，資料零保留，SLA 達 99.9%。定價較前代便宜約 50%。

MiniMax 釋出旗艦模型 M3，具備超 50 萬 token 上下文視窗、原生多模態能力（文本、影像、影片），並採用創新的 MiniMax 稀疏注意力（MSA）架構，大幅提升推理效率。在 Fireworks 平臺上，M3 價格僅為 M2.7 的 1/20，旨在為開源社群提供前沿水平的編碼和智慧體能力。

美國以國家安全為由，要求Anthropic暫停所有使用者對Fable 5和Mythos 5的訪問。Anthropic對此表示異議，認為所涉漏洞輕微且其他模型也具備類似能力，但已遵守指令。公司正在努力恢復服務。

Anthropic宣佈與塔塔諮詢服務（TCS）合作，將Claude提供給TCS的5萬名員工，併為金融、醫療等受監管行業打造基於Claude的產品。TCS將作為'客戶零號'，在其內部工程、財務、法律等部門部署Claude，並建立專門的實踐團隊為客戶定製行業解決方案。合作已啟動，包括Diligenta客戶體驗提升、銀行產品團隊使用Claude Code等。

Anthropic釋出了首次公共記錄調查結果，涉及近5.2萬美國人，揭示了公眾對AI的希望與恐懼。主要希望包括治癒疾病（48%）、幫助殘疾人（36%）；主要恐懼包括失業（64%）、認知依賴（56%）和錯誤資訊（52%）。71%的美國人支援政府監管AI，僅15%信任AI公司。調查發現，AI觀點在黨派、地域和教育線上分歧不大，但存在強度差異。

Baseten 推出滾動部署功能，允許團隊逐步更新模型版本，無需停機或加倍 GPU 開銷。該方法在每次替換一個副本，逐步轉移流量，並提供暫停、恢復和回滾控制。使用者報告部署頻率提升 50–60%，無需在非高峰時段手動監控。

NVIDIA 釋出 Nemotron 3 Ultra 開源模型，專為長時自主代理任務最佳化，擁有 550B 總引數、混合 Transformer-Mamba MoE 架構，可在 Fireworks 平臺零日部署。該模型在代理任務上推理速度提升 5 倍，成本降低 30%，支援從訓練到生產的一體化流程。

一篇2023年的研究估計，80%的美國工人有部分任務暴露於大語言模型，該數字被國際貨幣基金組織、歐洲議會等廣泛引用。然而，這些評分基於早期模型和美國職業分類，存在諸多限制，但政策制定者卻將其用於決策。更動態、具代表性的證據工具雖已存在，卻未能及時影響政策討論。

Anthropic 和 DXC Technology 宣佈建立多年全球聯盟，培訓數萬名獲得 Claude 認證的工程師，將 Claude 整合到受監管行業的關鍵任務系統中。DXC 已在內部使用 Claude 構建其 OASIS 平臺，現在將向保險、現代化改造、網路安全和應用服務領域的客戶提供 Claude。

Anthropic推出Claude Corps，一個全國性的獎學金專案，為早期職業人士提供培訓，與全美非營利組織合作，推動AI服務社群。計劃投入1.5億美元，首批1000名研究員，提供年薪8.5萬美元及福利。申請現已開放。

Anthropic 釋出了 Claude Fable 5，這是一個面向一般使用者的安全的神話級模型，以及 Claude Mythos 5，一個為網路防禦者提供無限制能力的版本。這些模型在各項基準測試中均達到最先進水平，價格比 Mythos 預覽版降低了一半以上。

Inception推出的Mercury 2是目前速度最快的推理LLM，採用擴散架構而非傳統自迴歸方式，在標準NVIDIA GPU上可達到每秒1000 token以上的生成速度，速度是同級模型的5-10倍，成本降低一半以上，質量與Haiku和GPT-5 mini相當。Augment Code在生產環境中使用後，成本降低90%，延遲降低82%。Baseten為其提供企業級推理平臺支援。

Cursor 釋出了 Bugbot 的重大更新，執行速度提升3倍以上，成本降低22%，每個審查發現的漏洞增加10%。現在90%的 Bugbot 執行可在3分鐘內完成。新增 /review 命令支援在推送前執行，並可配置僅審查 PR 中的新增內容。效能提升得益於 Composer 2.5 模型的訓練和工具改進。

Cursor 推出了 Auto-review 功能，透過一個分類器智慧體在上下文中評估行動的潛在風險，從而實現安全與效率的平衡。該功能預設開啟，僅阻止約 4% 的行動，且僅約 7% 的對話會觸發中斷。

本期帶來 ParseBench 在 CVPR 2026 的展示、Parse-Flow 視覺文件智慧工作流、Anthropic Fable 5 基準測試結果、LlamaParse 新粒級邊界框，以及 AI 首個匹克球錦標賽 The Agent Open。

本文探討了企業AI代理無法訪問組織中約80%的非結構化資料（如PDF、合同、電子郵件等）的問題，並介紹了Unstructured平臺如何將這些資料轉化為Databricks湖倉中代理可用的知識。文章強調了單一管道處理多種檔案型別、遵循獎章架構、以及透過Unity Catalog實現治理的優勢。

ElevenLabs與希臘政府達成戰略合作，將語音AI應用於公共服務、旅遊業及希臘語言遺產保護。合作涵蓋三大支柱：數字治理與公共服務、旅遊業、以及地方方言與文化遺產保護。首批專案已開始討論，涉及語音代理、旅遊入口網站及克里特方言保護等。

ElevenLabs與英國科學、創新與技術部簽署諒解備忘錄，探索語音AI在公共服務中的應用，重點關注無障礙、AI安全及人才培養。同時擴大英國業務，倫敦總部規模擴大三倍，員工數翻倍至200人。

Cohere 和 Mila 宣佈了一項新的學術研究合作，旨在改善人工智慧在不同語言和文化中的評估，首先從魁北克法語的文化背景開始。此次合作將幫助前沿 AI 模型更好地反映魁北克法語的語音、社會及制度細微差別，推動更具文化相關性和可信賴的 AI 系統。

隨著企業AI採用從受控試點擴充套件到全公司範圍，治理框架與實際使用之間可能出現脫節。本文探討了常見的AI治理挑戰和失敗模式，並概述了企業可以採取的應對步驟，包括建立AI清單、明確所有權、應用基於風險的控制以及持續監控。