SemiAnalysis 解析 GLM5.3 稀疏注意力对 HBM 内存与推理成本的影响

SemiAnalysis 分析 GLM5.3 的 DeepSeek Sparse Attention 如何影响 HBM 内存使用，指出 top-k 选择仍需完整上下文驻留 HBM，稀疏注意力并不直接降低内存容量瓶颈。

Claude Sonnet 5.5 达到 Artificial Analysis 智能指数第 2 名

Artificial Analysis 发布对 Claude Sonnet 5.5 的评测：其智能指数得分 56，max effort 下比 Sonnet 5 高 18 分，升至第 2 名，仅落后 Opus 5.5 (max)。

Anthropic 发布 Claude Sonnet 5.5，基准接近 Opus 5.5 且每任务成本最多降低 30%

Anthropic 发布 Claude Sonnet 5.5，输出速度提升超过 30%，因每任务消耗 token 更少，有效成本最多降低 30%，多项基准接近 Opus 5.5。

🚨 AI News | TestingCatalog@testingcatalogAI 评分7575

Anthropic 官方发布 Claude Sonnet 5.5，为 Claude 5.5 家族第二款模型。官方称其较 Sonnet 5 快 30% 以上，多数任务成本降低最多 30%，接近 Opus 5.5 的性能，并称其为新的默认模型。附图显示 Artificial Analysis 在预发布部署上测得 Sonnet 5.5 与 Opus 5.5 在 AA-Briefcase v1.1 各努力档位的 Elo 表现接近。

Fireworks AI 发布 Ember-1：基于 Kimi K3 的后训练模型，推理 Token 减少约 40%

Fireworks AI 推出 Ember-1，这是基于 Moonshot AI 开源权重 Kimi K3 进行后训练的专用模型。该模型通过优化内部推理过程，在保持任务准确率的同时将生成的推理 Token 减少了约 40%。与单纯降低推理努力程度不同，Ember-1 保留了有用的自我反思并削减了冗余循环。基准测试显示，其在 Terminal Bench 2.1 和 DeepSWE 1.1 上表现优于 K3 Max，且在生产环境 A/B 测试中实现了显著的成本节约。目前仅通过 Fireworks Serverless API 以研究预览形式提供，未开放权重。

elvis@omarsar0AI 评分5555

Fireworks Research 发布专用模型 Ember-1，基于 Kimi K3 构建，生成更短的推理轨迹，token 用量减少约 40%，同时保持顶级质量。作者 Elvis Saravia 评论称这是对 Pareto 前沿上 token 效率优化的推进，认为该方向仍探索不足，各实验室急于发布新模型，某些方面尚未被优化。

Reasonable 团队解读 TLA+：从 Boris Cherny 热传推文到机器可验证软件

Reasonable 团队撰文介绍 TLA+ 是什么，回应 Boris Cherny 用 Opus 5.5 将 Claude Agent SDK 部分建模为 TLA+ 和 Lean 的热传推文。

Privatemode 团队用 GLM-5.3-Flash 将 LLM 变成单次前向的类型化决策模型

Privatemode 团队展示了一种无需微调的方法，通过编号选项、预填 choice_index: 前缀并读取选项索引的 log 概率，让 GLM-5.3-Flash 在单次前向中输出带概率的类型化决策。

SciGen-Verifier：面向科学图像生成可解释验证的多模态推理器

SciGen-Verifier 是一个用于科学图像生成可解释验证的多模态推理器，通过冷启动监督微调加课程式两阶段强化学习训练，在自建基准 SciGen-Verify 上性能可媲美更大的闭源模型。该基准覆盖指令遵循、多学科推理与世界知识，采用二值判断、解释与纠错编辑指令的三层协议。它还可作为在线 critic 用于图像的迭代修正。

EAPO：面向 LLM 推理探索的熵引导信用分配方法

针对 RLVR 中细粒度信用分配依赖辅助模型或额外采样的问题，研究者提出熵引导信用分配方法 EAPO，将归一化策略熵与响应优势符号耦合，对成功响应中的高熵决策加强强化、对失败响应中的低熵决策加强惩罚，同时衰减不确定位置的惩罚以保留恢复机会。

DISCO：用接地-推理解耦实现分布式长上下文扩展

针对长上下文推理质量随输入增长而崩塌的"context rot"问题，研究者提出 DISCO，借鉴 Apache Spark 的分布式思路，将长上下文切分给多个 Worker LLM 并行做局部接地，由经 GRPO 强化学习训练的 Driver LLM 负责规划与汇总。

让 LLM 学会从上下文学习：基于扰动公开文档的合成训练方法

研究者构建了一套无需人工标注的合成流水线，通过扰动改写公开文档、生成需依赖文档推理的问题与评分标准，从 3.5k 篇文档生成约 10k 样本，用于训练学生模型。

SpatialSpeak：面向空间链式推理的 QA 原生重建框架

SpatialSpeak 是一个两阶段框架，将 QA 原生重建预训练与空间 CoT 学习结合，在 ReVSI 上把 CoT-VC 带来的增益从 2.6 分提升到 6.9 分。该框架在 ReVSI、VSI-Bench 和 SPAR-Bench 上取得 SOTA，ReVSI 得分 62.8，超过最强对比基线 8.7 分。

Rohan Paul@rohanpaul_aiAI 评分5353

作者引用高盛研究称，总 token 需求从 2025 年 12 月到 2026 年 9 月增长约 18 倍，而前沿模型 token 需求同指数下仅增长约 8-9 倍，7 月前沿 token 需求增速放缓。

Arena.ai@arena精选AI 评分7878

Arena 宣布 Claude Opus 5.5 (High) 以 1509 分首次登顶 Text Arena，比 Opus 5 (High) 高 18 分（现列第 11）。Opus 4.6 (High) 以 4 分之差保持第 2，Anthropic 包揽该榜前六名；Opus 5.5 (High) 按每百万 token 输入/输出定价折算的混合价格为 $16/MToken，进入 Text Arena 的 Pareto 前沿。

Claude 无人值守算出 N=4 超杨-米尔斯理论九圈散射振幅，刷新人类八圈纪录

Anthropic 宣布 Claude 在 Claude Science 系统中仅凭一条提示词、无人监督连续运行数天，算出平面 N=4 超杨-米尔斯理论六粒子振幅的九圈结果，超越 Lance Dixon 团队 2023 年的八圈纪录，总成本几千美元，其中直接自举路线的 Python 运行成本仅约 100 美元。

Cloudflare CEO Matthew Prince 谈 AI 爬虫、402 付费方案与 AI 驱动裁员

The Verge Decoder 播客专访 Cloudflare CEO Matthew Prince，谈 AI 如何改变互联网商业模式。

Amit Sahai：AI 时代我们还需要更多的数学家

数学家 Amit Sahai 在 Terence Tao 博客发文，认为 AI 已在产生超越人类即时理解的新数学思想，人类群体将普遍面临跟不上 AI 的体验。他主张以集体投入和扩充数学研究者规模来理解 AI 突破，并以 AI 提出全新核聚变电站设计的设想说明独立人类专家在重大决策中理解模型与安全依据的必要性。

FlashForward：用飞行中 KV Cache 与干净锚点加速自回归视频扩散

FlashForward 直接复用当前 chunk 去噪前向中已算出的 in-flight KV cache，省去为更新缓存而做的额外前向，并生成稀疏的干净锚点 latent 以稳定生成轨迹。

重新审视 LLM 强化学习中的训练-推理不匹配：来源与校正方法

研究揭示 LLM 强化学习（RLVR）中训练引擎与推理引擎对同一 token 赋予不同概率的问题，并提出校准重要性采样（CIS）进行校正。CIS 基于 logit 位移刻画，采用置信度感知截断：大正位移在单一常数阈值处截断，映射为随 token 置信度升高而收紧的重要性比率上限。在三个 MoE 模型和五个数学推理基准上，CIS 均取得最高五基准平均分。

不改参数改乘积：面向 Transformer 的结合代数层

研究者提出用结合代数中的稀疏交互表替代 Transformer 投影层的普通矩阵乘法，在物理块大小固定时实现矩阵维度上的二次算术复杂度，并给出适配 GPU 执行的形状约束。

CoWindow Attention（CoWA）：让完整因果覆盖成为注意力头集合的集体属性

研究者提出结构化注意力架构 CoWA，将因果历史访问分散到各 KV head：所有 head 共享近对角与 prefix-sink 窗口，互补的长程窗口划分其余历史，其并集实现完整因果覆盖，且无需学习型 router 或 indexer。

MALA：让注意力自行分配其计算量的融合注意力原语

研究者提出融合注意力原语 MALA，按归一化贡献分配 post-score 计算，在 8K 匹配工作量下平均遗漏质量仅 0.0188%，接近逐实例参考质量 oracle 的 0.0182%。

WaveFront Decoding：面向循环语言模型的无训练自推测解码框架

WaveFront Decoding（WFD）是一种面向循环语言模型的无训练自推测解码框架，利用中间循环输出作为草稿预测、并借助权重共享批量处理不同位置与循环深度的 token 状态。

DAIR.AI@dair_aiAI 评分7070

Qwen 团队发布报告，介绍 Qwen3.8-Omni-Flash，一个原生多模态模型，面向跨文本、音频和视频的长程智能体任务，如视频编辑和长音频视频翻译。模型采用 Qwen3.8-Next 的稀疏 MoE 架构，上下文窗口达一百万 token，并通过协同训练策略在保持文本性能的同时将智能体能力迁移到音频和视频任务。

Rohan Paul@rohanpaul_aiAI 评分7070

Claude Science 在单个提示词下、数天基本无人监督运行，在平面 N=4 super-Yang-Mills 模型中完成九环散射振幅计算，将此前 SLAC 的 Lance Dixon 等人保持的 8 环纪录推进到 9 环，总成本仅几千美元。

Claude 完成 N=4 super Yang-Mills 九圈散射振幅计算，物理学家 Matt von Hippel 撰文回顾挑战过程

物理学家 Matt von Hippel 发起的挑战达成：Anthropic 的 Liam Fitzpatrick 与 Siddharth Mishra-Sharma 用 Claude Science（harness）让 Claude 直接算出 planar N=4 super Yang-Mills 六粒子振幅九圈结果。

Anthropic@AnthropicAIAI 评分6767

Anthropic 在科学博客称，物理学家 @4gravitons 发起挑战后，Claude 在 Claude Science 中依据单个提示词 largely unsupervised 地运行数天，在平面 N=4 超杨-米尔斯模型中完成九圈散射振幅计算，总成本约几千美元。

karminski-牙医@karminski3AI 评分5858

美团 LongCat 发布 LongCat-2.5-Preview，作者转发时指出定价与之前一样。该模型 1.6T 参数、约 48B 激活、1M-token 上下文窗口，原生多模态，面向长程任务，覆盖终端、浏览器、GUI、电子表格和设计工具等场景。API 入口 https://longcat.ai/platform/ ，对话入口 https://longcat.ai/chat/ 。

ginobefun@hongming731AI 评分5858

Claude 的一项研究从超过 20 万个逆转录酶（RT）候选序列中筛出 3,500 个新候选系统，再收窄到 20 个并生成人类可读报告，最终实验室验证出 1 项发现，即一套结构类似 CRISPR 的新酶系统（ART）。作者认为这类分析对专家而言通常需要数周到数月，AI 的价值在于建立过滤器快速删掉干扰项，让科学家只对最后 20 个做昂贵的人工判断。

研究论文：Coding Agent 在广义任务与运动规划问题上的能力评测

arXiv 论文（https://arxiv.org/abs/2609.30233）研究 coding agent 能否自动合成可跨实例泛化的程序来解决广义任务与运动规划（TAMP）问题。

Rufus-Air：基于 GLM-4.5-Air-Base 的开源 LLM 后训练配方

Rufus-Air 发布了在 GLM-4.5-Air-Base（106B-A12B）上可复现的开源后训练配方，按 SFT、Reasoning RL、Coding RL、Instruction-Following RL、通用 Agent、Coding Agent、Search Agent 和 RLHF 八个阶段串行组织。

PUBG Ally：PUBG 中可语音对话的具身智能体队友

论文介绍 PUBG Ally，一个在 PUBG: BATTLEGROUNDS 中作为语音队友的具身智能体，可感知动态游戏环境并自主行动。语言模型智能体通过受控接口检查游戏信息、理解玩家语音并下发高层动作，交给更快的控制层执行移动、战斗和恢复；团队基于近 39k 场真实玩家共玩对局的数据做迭代训练，并通过模型压缩、上下文压缩、安全训练和运行时护栏实现低延迟端侧部署与玩家沟通安全。

用 GPT-6 和 Opus 5.5 追踪炼金术知识流变并破译 17 世纪密码信件

科学史研究者 benbreen 分享用 GPT-6 Sol、GPT-6 Astra 和 Opus 5.5 解决历史学开放问题的早期结果，包括用 GPT-6 Astra 识别出 Isaac Newton 从法文炼金术文本翻译成拉丁文的一段出处。

ARGUS：基于语言模型的气候政策因果评估审计框架

研究提出 ARGUS，一种结构化语言模型流水线，用于审计气候政策差分法（DID）研究中的识别假设证据。ARGUS 依据十一维假设-含义-证据准则进行评估，并在无法检索相关证据时选择弃权。在注入缺陷的基准测试中，ARGUS 检测到 73% 的植入缺陷，显著高于关键词基线的 18%。在经济学论文评估中，约 40% 的维度因缺乏可检索证据而弃权。该工具旨在为专家审查提供风险定位报告，而非直接裁定因果主张。代码与数据已开源。

提出连续深度批处理技术，实现循环语言模型的高效自适应推理

针对循环语言模型（Looped LMs）中不同 token 循环次数不同导致无法使用标准批处理系统的问题，研究者提出了“连续深度批处理”（CDB）方法。该方法通过在循环步骤间动态构建新批次、管理 KV 缓存及预测退出时机，实现了高效的深度自适应推理。实验表明，全循环架构最适合此方法，CDB 可实现高达 99% 的预估最大加速比。

DAIR.AI@dair_aiAI 评分5151

Google DeepMind 发布 XYEval 论文，在 tau2-bench、SWE-bench、Terminal-Bench、HLE 和 MCP-Atlas 任务中加入一条自信但误导的用户建议，任务与正确解法不变。

Rohan Paul@rohanpaul_aiAI 评分5353

Stanford 与 Together AI 的论文提出 Self-Organizing Agent Teams（SAT），让固定智能体团队从过往协作中学习可复用的角色分工与流程，而非辩论后投票。

BottleCap AI 发布 ThinkingCap-Qwen3.8-27B：思考 token 减少 37.2%，精度仅降 0.86pp

BottleCap AI 发布 ThinkingCap-Qwen3.8-27B，这是基于 Qwen3.8-27B 的微调模型，在 12 个基准上平均减少 37.2% 思考 token，宏观精度从 86.65% 降至 85.79%。

研究显示 AI 基准性能成本每年降至约十三分之一，MIT 估算纯算法效率约每年 3 倍

Epoch AI 估算，在固定基准分数上取得同等性能的市场价格平均每季度下降约 47%，约合每年 13 倍。OpenAI 的 o3 在 2025 年初以每题约 30 美分在 GPQA Diamond 达到 75% 准确率，18 个月后 GPT-5.6 系列模型以原价 1/725 达到同样分数。