Epoch AI 推出 AI Chip Users explorer，估算五大前沿实验室算力使用量

Epoch AI 推出 AI Chip Users explorer，以 Nvidia H100 等效值（H100e）估算 OpenAI、Google DeepMind、Anthropic、Meta Superintelligence Labs 和 SpaceXAI 用于研究、训练和推理的算力。

OpenAI 宣布以内部 AI 系统给出 Navier–Stokes 千禧年问题解答

OpenAI 宣布其内部 AI 系统给出 Navier–Stokes 存在与光滑性问题的解答，证明初始光滑的流体可在有限时间内形成奇点，并附证明文稿与 Lean 形式化验证。

OpenAI@OpenAIAI 评分7676

OpenAI 宣布分享 Navier-Stokes 千禧年大奖难题的一个解答，该问题关乎 Navier-Stokes 方程描述的光滑三维流体运动是否会被破坏，约 90 年未解。证明由一组智能体使用一个能力显著强于 GPT-6 Astra 的 OpenAI 下一代模型完成。

OpenAI@OpenAI精选AI 评分7474

OpenAI 宣布由一组智能体使用一个能力显著超过 GPT-6 Astra 的下一代模型给出 Navier-Stokes 千禧年大奖难题的解，该问题关注三维光滑流体运动的描述是否会失效，已悬置约 90 年。

Dwarkesh Patel 研究：预训练进步主要来自数据改进

Dwarkesh Patel 发布实验分析，在最高 1e19 FLOPs 的算力预算下训练 2019 至 2025 年各年度代表性模型配方与数据语料，发现数据改进带来 12.0x 算力效率提升，模型改进为 3.7x，数据贡献约为模型的 3.24 倍。

Cognition 团队用 Devin 完成 RSA-260 分解，刷新公开 RSA 挑战纪录

Cognition 研究团队驱动多个 Devin 智能体构建 GPU 格子筛，用约 4,900 GPU 天（约 40 万美元）完成 260 位 RSA-260 分解，创下公开 RSA 分解挑战新纪录，超越 2020 年 2 月的 RSA-250。

Epoch AI 实测 GPT-5.6 与 Claude 5 长上下文延迟缩放差异

Epoch AI 测量四款模型的首 token 延迟（TTFT）随上下文长度的缩放，发现 GPT-5.6 Terra 和 Sol 呈明显二次曲线，Claude Sonnet 5 接近线性，Opus 5 噪声较大但仍接近线性。

Perplexity@perplexity_aiAI 评分3030

Perplexity 发布研究博客，介绍其为支撑搜索结果嵌入与排序模型构建的 SoTA 推理服务基础设施。研究说明 Perplexity 每个答案的第一步都由嵌入和排序模型为查询挑选最相关结果，全文见 https://www.perplexity.ai/hub/blog/fast-embeddings-on-gpus。

Anthropic@AnthropicAI精选AI 评分7676

Anthropic 宣布 Claude 上月完成了 Fermat 大定理的首个形式化证明，这是迄今最大的 Lean 证明。

Claude 用 11 天完成费马大定理的首个完整机器验证证明

Anthropic 发布首个完整机器验证的费马大定理证明，Claude 在 11 天内基本自主完成，写出 1300 万行 Lean 代码并证明 29,500 个中间定理。

Cohere@cohereAI 评分4848

Cohere Labs 发布 Agentic Task Ecosystem 数据集，包含 69 万以上为 AI 智能体构建的工具。在测试工具能否独立完成一项职业任务的实验中，仅 2.6% 通过。

Epoch AI 分析华为 AI 芯片路线图，判断 2030 年前难以追上 Nvidia

Epoch AI 报告估计华为 2026 年将生产约 150 万颗 Ascend 芯片，折合 88 万 H100e，不足 Nvidia 算力产出的 4%，芯片性能落后 Nvidia 三到四年，单芯片纸面差距明年扩至约 17.5 倍。

Epoch AI 估算最大 AI 数据中心 IT 功率约每 10 个月翻倍

Epoch AI 基于 Frontier Data Centers 数据集（308 条里程碑、86 座设施）估算，自 2024 年年中以来最大在运数据中心的 IT 功率以每年 2.3 倍增长，90% 置信区间对应约 10 个月翻倍。

Google Research 研究跨人群多基因风险评分迁移学习，提出跨人群 GWAS 训练指南

Google Research 用 UK Biobank 约数十万欧洲样本与 Biobank Japan 近 20 万日本样本，在 8 项临床性状上评估多基因风险评分（PRS）的跨人群迁移效果。结果显示，目标人群样本达 15k 以上时，目标人群专属模型优于混合欧洲数据训练；遗传相关性高的性状可继续受益于欧洲数据至 25-40k+ 样本，而 HDL、LDL、血糖等高度人群特异性性状受益明显更小。

Google 与 HHMI Janelia 发布完整雄性果蝇大脑连接组图谱

Google Research 与 HHMI Janelia、MRC 分子生物学实验室及剑桥大学等合作，在 Cell 发表雄性果蝇大脑和中枢神经系统的完整连接组图谱，包含超过 166,000 个神经元和 1.25 亿个突触连接，是目前按神经元数量计最大的大脑图谱。

Qwen@Alibaba_QwenAI 评分5858

通义千问（Qwen）发布 E-Commerce Bench，用于评测 Agent 在长周期自主商业运营中的表现。智能体以 ¥100,000 启动资金在线上商店运营 365 天，处理采购、谈判、定价、促销、库存和现金流，市场由真实电商数据驱动。

Qwen 联合淘宝天猫集团发布 E-Commerce Bench：评测模型长时程电商经营能力

Qwen 与淘宝天猫集团合作发布 E-Commerce Bench，让模型以 ¥100,000 初始资金在模拟市场经营网店 365 天，覆盖 6,886 个商品、576 家供应商和 60 个品类。

Apple 发布 REFACTOR-VLA：无监督学习类型化运动程序库

Apple Machine Learning Research 发布 REFACTOR-VLA 研究，针对 OpenVLA、π0、RT-2、RDT-1B 等当前视觉-语言-动作（VLA）模型生成原始动作的“单体式”结构，提出以无监督方式学习类型化运动程序库的方法。

ARC Prize 发布 OpenAI GPT-6 Astra 在 ARC-AGI-3 上的评测结果

ARC Prize 报告 OpenAI 的 GPT-6 Astra 在 ARC-AGI-3 Semi-Private 上，Standard harness 得分 62.7%（成本 $26K），Provider Adapter harness 得分 99.9%（成本 $19K），均为 SOTA。

Cohere Labs 发布 ATE 数据集：69.6 万 MCP 工具中仅 2.6% 能完整执行职业任务

Cohere Labs 聚合七个公开目录，构建含 696,291 个工具、123,069 个 MCP 服务器的 Agentic Task Ecosystem 数据集并对外开放。

PromptArmor 分析 30 天 Claude Code 遥测数据：4% 的会话占 65% 的开销

PromptArmor 基于一个十人团队 30 天的 310,009 条 OTel 遥测事件分析 Claude Code 和 Cowork 的安全与成本。

UC Berkeley 等发布 Vero 基准：检验 AI 智能体能否构建形式化验证的完整软件仓库

UC Berkeley 联合多机构发布 Vero 基准，首个要求智能体在仓库级同时写实现与形式化证明，含 43 个 Lean 4 多模块实例、743 个 API 和 2,705 条形式化规范。

Hugging Face 与 Ai2 发布 BenchMIRT：从题目层面审计 LLM 基准究竟测了什么

Hugging Face 博客介绍 BenchMIRT，一种基于多维 IRT 在单个题目层面审计 LLM 基准的方法，训练数据覆盖 100 个 LLM、16 个基准和超过 34K 道题。

Google 与 NASA JPL 发布 MAPL-EMIT 深度学习框架，用卫星高光谱数据全球监测甲烷排放点源

Google Research 与 NASA JPL 在 PNAS 发表 MAPL-EMIT，一个基于 Swin-S vision transformer 的深度学习框架，可自动化检测、定量与溯源 EMIT 卫星数据中的甲烷羽流。

Microsoft Research@MSFTResearchAI 评分1515

Microsoft Research 宣布两篇论文获 VLDB 2026（波士顿）认可。图片显示论文分别为面向云存储加速的 Garnet 下一代缓存存储，以及分析数据库中标量函数的 GPU 加速编译、基准测试与优化。

Ai2 发布 BenchMIRT：从题目层面审计 LLM 基准究竟在测什么

Ai2 推出 BenchMIRT，一种基于多维 IRT 的方法，在单题层面审计 LLM 基准，训练数据覆盖 100 个模型的 16 个基准、超 34K 道题，并独立恢复出安全与通用推理两个维度。

Qwen@Alibaba_QwenAI 评分3939

Accio 开源了面向真实商业运营的智能体基准 CommerceAgentBench，早期结果显示最佳整体完成率约 62%。在被评测的开源权重模型中，Qwen3.8-Max 在复杂商业工作流上取得最强整体表现。基准及完整结果见 https://github.com/Accio-org/CommerceAgentBench，配图显示 107 个真实工作流跨浏览器、API、CLI 和文件的通过率榜单。

Anthropic@AnthropicAI精选AI 评分7474

Anthropic 发布新研究 Training a Misaligned Reward Seeker，探究奖励作弊（reward-hacking）是否会让模型学会不择手段追求奖励。

Epoch AI 发布 FrontierMath Erdős 基准：用 Lean 验证的 68 道未解 Erdős 问题评测 AI 数学能力

Epoch AI 发布 FrontierMath Erdős 基准，由 erdosproblems.com 创建者 Thomas Bloom 挑选 68 道截至 2026 年 8 月仍未解决的、兼具重要性与难度的 Erdős 问题，用 Lean 形式化验证（50 题来自 Google Formal Conjectures 项目），代码开源，每题默认推理预算 $300。

Runway@runwaymlAI 评分4848

今天，我们分享了关于 Solaris 的新研究，这是我们首个界面世界模型（Interface World Model）。 Solaris 是一种新型操作系统，能够实时逐帧生成交互式界面，无需任何代码。我们发现，在生成新界面时，Solaris 在结构相似性和信息保留方面均优于前沿大语言模型。点击下方链接了解更多信息并申请早期访问权限。

NVIDIA 与 CrowdStrike 用 Nemotron 构建自适应攻防智能体网络安全系统

NVIDIA 与 CrowdStrike 在隔离环境中评测了一套由 Nemotron 驱动的红蓝智能体攻防闭环系统：Nemotron 3 Ultra 负责防御编排，微调后的 Nemotron 3 Super 生成检测规则。

微软研究院发布 Skala 1.1，并推进其在 CP2K、Psi4 等 DFT 软件中的集成

微软研究院发布深度学习交换关联泛函 Skala 1.1，训练数据量为此前公开版本的 2.5 倍，在 GMTKN55 的 55 个类别中拿下 32 项第一，加权平均误差 2.8 kcal/mol。Skala 现已在 CP2K 中可用，并正在集成进 Psi4、FHI-aims、ORCA 和 VASP。微软研究院同时推出一个持续更新的基准，用于追踪后续 Skala 版本的计算性能。

微软发布 MindTopo 基准，揭示多模态模型拓扑推理短板

Microsoft Research 推出 MindTopo 基准，用于评估多模态大语言模型的拓扑推理能力，覆盖连通性、分离、顺序、包围与打结五类任务，并区分静态识别与交互规划两个认知层级。测试显示，当前专有与开源模型在静态推理上明显强于交互规划，且两者均远低于人类水平；失败多出现在规划阶段而非感知阶段，模型在场景变化后难以维持结构关系。图像与视频生成仅在单帧关系可见时偶有帮助，跨序列仍不可靠。

从 CUDA 到 MLX：K-Search 如何把内核优化经验带到 Apple Silicon

Berkeley AI Research 与 IBM Research 将进化式内核搜索框架 K-Search 扩展到 MLX 后端，通过结构化的 CUDA 到 MLX 翻译层，把已有 CUDA 内核作为知识库迁移到 Apple Silicon。

Berkeley AI Research 提出 ABBEL：用信念状态监督 LLM 长程交互中的上下文摘要

Berkeley AI Research 提出 ABBEL 框架，将 LLM 的递归摘要形式化为自然语言「信念状态」，并通过信念评分（belief grading）监督其信息内容。

Google DeepMind 发布 AI Control Roadmap，用系统级安全约束 AI 智能体

Google DeepMind 发布 AI Control Roadmap，一套用于在 Google 内部部署和管理高级 AI 的框架，在模型对齐之外增加系统级安全层，即使对齐不完美也能提供保障。

Google Co-Scientist 加速肝病机制发现，提出 MASH 组合疗法新假说

爱丁堡大学生物工程师 Filippo Menolascina 用 Google Co-Scientist 梳理 MASH 肝病文献并生成新假说，系统提出 NLRP3 炎症小体是连接炎症与代谢的关键分子桥梁，该假说随后经实验验证。

Google DeepMind 的 Co-Scientist 助力发现抗肝纤维化药物

斯坦福大学医学院遗传学家 Gary Peltz 使用 Google DeepMind 的 Co-Scientist 筛选抗肝纤维化药物，其提出的 3 个候选药物中有 2 个在活体人类肝细胞测试中阻断纤维化并促进肝细胞再生，而 Peltz 自己挑选的 2 个候选药物均无效果。

Google DeepMind 发布 Co-Scientist 多智能体科研系统

Google DeepMind 在 Nature 发表 Co-Scientist 研究，这是一个基于 Gemini 构建的多智能体系统，可迭代生成、辩论并演化科学假设。

自适应并行推理：高效推理扩展的下一个范式

伯克利 AI Research 发布综述，梳理并行推理领域进展，重点讨论自适应并行推理——让推理模型自行决定何时分解并并行化独立子任务、生成多少并发线程以及如何协调。文章指出，现有方法多由模型外部固定并行结构，而不同问题需要不同并行度。文中还介绍了 ThreadWeaver、ParaThinker、GroupThink、Hogwild! Inference 等方法。