模型

作者通过Basecamp基准测试评估了GPT-5.6 Sol、Fable 5、Grok 4.5等AI模型在构建前端和后端方面的表现。Fable 5在两个赛道上均获胜，Grok 4.5在速度和成本之间取得了最佳平衡。结果显示，即使是顶级模型在完成度上也有显著差异，尤其是最后10%的打磨工作。

SlimeBallBench是一个新的AI基准测试，让AI模型在史莱姆足球游戏中竞技，评估其决策和策略能力。

前沿AI实验室正从聊天机器人转向集成系统，模型作为运行时，频繁发布强大模型和代理。本周亮点包括OpenAI的GPT-5.6（Sol、Terra、Luna），具备程序化工具调用和并行子代理；GPT-Live全双工音频；ChatGPT Work用于创建工件；Meta的Muse Spark 1.1拥有百万token上下文和主动上下文管理；Grok 4.5专注于编码和知识工作。研究方面，OpenAI审计表明SWE-Bench Pro基准30%任务有问题；Anthropic提出GRAM方法可选择性移除危险知识；SkillOpt-Lite优化代理自我进化；DSpark和Nemotron-Labs-Diffusion改进推理效率。行业新闻包括Lovable融资3亿美元，Prime Intellect融资1.3亿美元，SambaNova融资10亿美元等。

一项新的基准测试显示，来自12个实验室的18个AI模型的108个测量位置中，有97个位于左倾。结果呈现一致的进步倾向，但在经济、外交政策和宗教方面存在例外。xAI的Grok模型最接近中心，而许多模型拒绝回答某些问题，影响了得分。

Thinking Machines Lab发布报告《值得构建的未来以人为本》，主张AI应分布式、可定制、由用户塑造。报告提出四个技术方向：训练强多模态模型、提供用户微调工具、拓宽人机交互通道、开放研究。论证隐性本地知识要求AI分布式，并通过Tinker API实现可拥有权重的LoRA微调。对比集中冻结AI，强调去中心化对齐。

sqlite-utils 4.1 是 4.0 之后的第一个小版本，引入了多项新功能，包括通过 --code 选项允许用户在 insert 和 upsert 命令中直接嵌入 Python 代码生成行数据，以及通过 --type 选项覆盖列类型，支持对 CSV 或 TSV 中的邮政编码等字段强制存储为文本。此外，新增了 drop-index 命令和从标准输入读取查询的功能。还添加了在 transform 中切换 STRICT 模式的能力。

作者在Mac Studio上运行Qwen3.5-122B模型时，遇到了三个导致缓存失效的bug，修复后对话预填充时间从几分钟降至亚秒级，大幅提升了长上下文场景下的使用体验。文章还讨论了模型选择、混合注意力机制以及性能指标的正确衡量方式。

Mesh LLM是一种新型分布式AI计算系统，通过iroh网络将多台机器的GPU和内存池化，提供一个OpenAI兼容的API。用户可以在本地或对等节点上运行模型，甚至将大型模型拆分到多台机器上。它解决了AI计算成本高、缺乏控制的问题，支持私有部署和公共网格，无需依赖中央服务器。

两个AI模型ChatGPT 5.5和Claude Fable 5进行实时国际象棋对决，用户也可以免费挑战它们。每场比赛都计入排名，AI在夜间复习中学习人类棋步。同时，它们也在运行实时交易策略。

Verdict是一个开源、基于浏览器的工具，用于评估AI Agent的输出。它支持人工标注、扎根理论错误分析，以及将LLM裁判与人工标注进行验证，所有操作均在本地进行，数据不会离开您的机器。

本文深入对比了三种主流的RAG评估框架：RAGAS、TruLens和DeepEval。文章首先阐述了RAG需要专门评估的原因，介绍了评估的三个层次（检索质量、生成质量、端到端质量）和关键检索指标（Precision@K、Recall@K、MRR、NDCG）。随后详细解析了RAGAS无需人工标注、利用LLM作为裁判的核心指标和自动测试集生成功能，以及TruLens专注于可观测性、通过日志记录和RAG三元组（上下文相关性、基础性、答案相关性）提供持续监控的能力。文章还简要提及DeepEval，并给出了选择框架的建议。

作者从个人编码和审计经验出发，对2026年中的主流AI模型进行非正式分级，涵盖Anthropic Fable、OpenAI Sol、Mistral、Gemini和DeepSeek等模型，并融入美国出口管制和欧洲视角的评论。

蚂蚁集团旗下Robytant发布了LingBot-VA 2.0技术报告——这是一个为具身AI原生构建的因果视频-动作基础模型，而非从视频生成器微调而来。通过前瞻推理在执行前预测未来状态，并在每次真实观测后重新接地，实现了225 Hz的异步控制。本文解析了因果DiT、稀疏MoE视频流、语义视觉-动作分词器以及论文中数字不一致之处。

在持续一周的模型发布热潮后，今日相对平静。主要新闻包括GPT-5.6令人困惑的发布及快速修正、Meta的Muse Spark 1.1以激进定价提供接近前沿的质量、开源模型工具的进步，以及安全担忧的加剧。

GDP.pdf是一个新的基准测试，评估AI模型处理现实世界PDF文档的能力。测试涵盖金融、法律、医疗等10个领域，结果显示即使是顶尖模型（如GPT-5.5）的得分也低于30%。文章强调了PDF作为全球经济命脉的重要性，并指出模型在关键任务中的失败可能导致严重后果。

DeepSeek V3.2 现已登陆 Hugging Bay，这是一个开源 AI 工件注册平台，提供来源验证、许可证审核和可信托管服务。

Meta本周推出的新功能允许用户通过@提及公开Instagram账号来生成AI图像，但因未经许可使用他人内容引发强烈争议，现已关闭。批评者指出该功能可能被用于性勒索和侵犯肖像权。

中国的开放AI模型通过促进技术合作和创新，增强了其国际形象和软实力，推动了全球AI生态系统的多元化发展。

Ploy公司将其AI代理从Claude Opus 4.8迁移至OpenAI新发布的GPT-5.6 Sol，获得了速度提升2.2倍、成本降低27%以及视觉评分提高的成绩。迁移过程中遇到了工具调用参数填充、提示缓存机制差异和推理重放等问题，并通过一系列工程优化得以解决。

MuScriptor是Kyutai与Mirelo合作开发的开源权重解码器专用Transformer模型，能够将多乐器音频转录为MIDI。模型采用三阶段训练：在145万合成MIDI上预训练、17万真实录音（超1.1万小时）上微调、300首人工验证曲目上强化学习。在DTest基准上，其Multi F1达48.2%，远超YourMT3+的21.9%。提供103M、307M和1.4B三种参数规模，推理代码采用MIT许可，权重采用CC BY-NC 4.0。

在2026年的AtCoder世界巡回总决赛中，OpenAI的AI模型在启发式和算法两个赛区均击败了人类顶级选手，甚至解决了人类无法完成的问题。主办方颁发了“人类投降奖”。这可能是人类最后一次有机会在编程竞赛中战胜顶尖AI。

本周AI新闻梳理：IBM推出0.7纳米芯片技术，OpenAI与博通发布专为推理设计的Jalapeño芯片，英伟达展示全液冷AI工厂设计；政府监管加强，Anthropic恢复模型访问权限，OpenAI提议向美国政府转让5%股权；工作角色快速演变，前哨工程师、SAP外部招聘与宜家内部培训成为焦点。

本文介绍了 NVIDIA Nemotron 3 模型的独特架构，包括混合 Mamba-Transformer MoE 设计和支持高达 1M token 的上下文长度。亚马逊 SageMaker AI 现在推出针对 Nemotron 3 的无服务器模型定制服务，支持监督微调（SFT）、基于可验证奖励的强化学习（RLVR）和基于 AI 反馈的强化学习（RLAIF）三种技术。文章详细说明了如何通过 SageMaker Studio 控制台或 Python SDK 准备数据、启动定制任务、监控训练进度和评估模型，帮助企业将通用模型转化为领域专用资产。

本文介绍了如何使用vLLM在Amazon SageMaker HyperPod上通过HyperPod推理运算符实现分离式预填充和解码（DPD）。DPD通过将预填充和解码阶段分配到不同的GPU池，消除了长提示对令牌生成的干扰，从而降低了首令牌延迟和令牌间延迟，提高了推理性能。

此次发布显示了美国政府目前在AI模型领域的影响力。ChatGPT Work突显了OpenAI向企业供应商的持续演变。

本文用通俗易懂的方式解释了微调的概念，包括预训练与微调的区别、两种主要微调类型（全量微调和参数高效微调）以及何时应该使用微调而非其他方法。

谷歌研究、谷歌DeepMind与大学合作者共同推出了SensorFM，这是一个基于超过1万亿分钟传感器数据（来自500万参与者）预训练的可穿戴健康基础模型。该模型采用ViT-1D掩码自编码器架构，在处理缺失数据方面具有创新性。在35项任务中，冻结嵌入加PCA-50线性探测器的表现优于34项特征工程基线。此外，还介绍了自动化超参数搜索的“智能体课堂”以及用于评估个人健康代理的临床医生评价。

OpenAI 发布了三款新 GPT-5.6 模型——Sol、Terra 和 Luna，同时更新了应用层，推出 ChatGPT Work 和 Codex 集成。新模型在基准测试中以更低成本展现了强大性能，其中 Sol 能力最强。独立评估显示其在编码和代理任务上接近前沿水平。

蚂蚁集团旗下具身智能部门Robbyant发布了LingBot-World-Infinity（LingBot-World 2.0），这是一个140亿参数的因果视频生成模型，可作为交互式世界模拟器。其核心技术是双向自回归混合注意力掩码（MoBA）和分布匹配蒸馏，旨在解决长时程漂移问题。该模型配备由视觉语言模型（VLM）和扩散变换器（DiT）组成的导演-飞行员智能体框架，支持无限持续的视频生成。尽管研究论文展示了60分钟不间断会话，但开源发布仅包含单个检查点和480P参考脚本，缺乏部署代码和定量基准，且采用非商业许可证。

OpenAI 发布 GPT-5.6 系列，包括旗舰模型 Sol、工作模型 Terra 和快速模型 Luna。所有用户均可免费使用。本文详细介绍定价、性能、安全特性及实际测试结果。

提出一种数据高效、可解释的视觉动态避障方法，利用预训练的单目深度估计模型UniDepth和特征匹配管道SuperPoint+SuperGlue，通过计算每个关键点的碰撞时间（TTC）来选择避障动作。在M3ED数据集上评估，精确率0.49，召回率0.38，对22个障碍物中的20个成功检测到TTC<1秒的帧。无需训练机器人专用模型，仅需74秒数据调整超参数。

STEMbot是一种微型攀爬机器人，专为在植物冠层下方自主导航而设计，旨在实现早期害虫检测。它集成了PIN-SLAM和语义八叉树，并采用流形约束A*规划器，可在7-33毫米的茎干上可靠攀爬，重构精度达厘米级。

APIVOT是一种基于VLM的规划器，通过自适应交织语言和视觉思维来提升长时域机器人规划的成功率和推理效率。在空间受限的厨房任务中，APIVOT显著优于通用VLM和现有规划框架，并展现出有意义的模态选择行为。

本文提出SAGA，一种无需训练的稳定加速引导方法，用于改善自回归视频扩散中的时间不稳定问题。通过加速域谱引导和结构化噪声初始化，有效减少闪烁和抖动，提升时间质量与图像质量。

LightCrafter是一种新的视频重照明混合流水线，通过将重照明任务转化为对物理渲染代理视频的视频翻译，结合扩散模型与物理渲染优势，实现了对长视频的高时间一致性且精细光照控制，在现有基准上超越先前最优，并计划公开数据集和代码。

FedTR结合联邦学习和迁移学习，解决工业视觉检测中数据稀缺和任务复杂性问题，在标签缺陷识别上取得高精度。

提出LOGOS，一种基于Transformer的新型方法，利用文本提示引导航空图像中的定向目标检测，在DOTA数据集上超越现有方法，尤其适用于密集和旋转场景。

研究人员提出了一种称为“对抗性诱饵”的新型攻击方法，通过独立优化的图像补丁来重新定向注意力，从而规避Vision Transformers中基于注意力的防御。该方法将分类错误和防御规避解耦，攻击无关，可轻松集成到现有对抗性补丁攻击中。实验表明，诱饵能将高注意力分数从真实对抗区域转移开，同时保持攻击有效性，揭示了依赖注意力大小作为对抗相关性指标的固有局限性。

GIRAF是一种文本条件扩散模型，用于生成与可运动物体的逼真全身交互。它通过对象中心表示、混合域训练和基于接触的数据增强，解决了现有模型在协调运动、精细接触和物体运动推理上的不足，并在未见过的物体配置上展现出强大的泛化能力。

DreamCharacter-1是一个轻量级后适配框架，通过几何后训练、纹理后训练和推理加速三个组件，将预训练的3D基础模型校准为高保真、可投入生产的3D角色生成方案。实验表明，其生成的3D角色资产在视觉吸引力和结构稳健性上均超越现有最先进方法。

识别LLM输出中的忠实度幻觉因高质量标注数据稀缺而具有挑战性。本文提出幻觉自我博弈（HSP）框架，使检测器能够与进化生成器共同提升。HSP从同一基础模型初始化检测器和生成器，检测器先通过人工标注数据微调，再作为奖励模型通过RLAIF训练生成器产生更难检测的幻觉，随后生成器合成幻觉数据通过规则强化学习优化检测器。在RAGTruth基准和两个模型家族上的实验表明，该框架能逐步增强小型LLM，使其无需外部监督即可匹配甚至超越先进LLM。

一篇新研究评估了Gemini模型作为音频裁判在全双工语音代理对话中的可靠性。基于209个立体声会话，在8个维度上与人类评分者进行对比，结果显示Gemini 2.5 Flash在多数维度上与人类高度一致，且成本仅为人类评分的约1/100。研究还指出模型切换需重新校准，并提出了部署时需注意的四个方面。

本文提出TACO方法，解决LLM强化学习中统一信用分配导致的“正信用污染”问题。TACO通过计算尾部风险分数来抑制低概率错误令牌的正向更新，实验表明该方法在多个基准上优于GRPO基线，并能提升长程RL的训练稳定性。

本研究提出了一种基于MiniLM嵌入的多簇边界学习方法，用于检测超出范围（OOS）意图。该方法克服了传统多类分类精度随类别数下降以及LLM嵌入参数大的问题，在三个公共数据集上实现了最先进的性能。

自然语言处理中基于预处理的刻板印象缓解方法，虽然能减少针对目标群体的可测量刻板印象，但常常引发意想不到的副作用——相对于中性基线，其他人口统计群体的刻板印象或反刻板印象可能增加，包括不相关的人口类别。研究在两种模型家族（仅编码器和仅解码器）、多种预处理策略（删除刻板句子、删除群体提及、交换群体引用）以及维基百科上不同数据规模的预训练和后训练中展示了这些副作用。标准基准测试经常忽略这些变化。通过注意力展开分析，观察到这种副作用并未伴随注意力流的巨大变化，使得机械论解释复杂化。本文讨论了评估的影响，提供了可操作的诊断方法，并主张进行关注副作用的透明缓解实践。

本研究提出一种成本高效的人机协作注释框架，用于构建多语言刻板印象数据集，并应用于西班牙语构建EspanStereo数据集，涵盖多个西语国家的文化特定偏见。评估显示LLMs在不同国家的刻板印象行为存在显著差异，强调需要更文化扎根的评估方法。

本文论证了巴伦霍尔茨的自生成语言理论如何丰富哈里斯整合主义语言学，填补了其在符号前瞻开放性、语言与非语言符号连续性以及整合档案结构方面的解释空白。该综合为自然语言处理和大型语言模型设计提供了理论基础，阐明了统计结构的本质及其局限性。

DeepSearch-Evolve是一个自蒸馏框架，基于可验证的DeepSearch-World环境训练网络智能体。该环境包含42万个多跳问答任务，支持进度验证、反思和故障恢复等认知行为。在没有更强模型蒸馏的情况下，DeepSearch-World-9B在多个基准测试中取得了有竞争力的成绩，证明了可验证环境能够支持长周期网络智能体的自我进化。

本文是一篇立场论文，系统回顾了人工智能数学（AI4Math）领域的最新进展，特别是大型语言模型（LLM）驱动的定理证明器在形式化证明生成方面取得的成功。然而，现有系统在应对前沿研究数学（如发现新定理或解决开放猜想）方面存在根本性限制。作者主张AI4Math系统应从预定义问题求解器转向能进行严格形式化数学推理的研究代理，并指出了现有系统在数据集、关系结构、数学探索、工具生态和人机协作等方面的核心局限性，为未来AI4Math的发展提出了战略路线图。

本文提出元神经细胞自动机 (MetaNCA) 框架，通过局部更新规则自组织神经网络权重，无需反向传播即可为不同架构生成权重，并泛化到未见架构。