DAIR.AI@dair_aiAI 评分5555

一项研究比较了五种上下文裁剪策略在多步工具工作流中的表现。常规的近期性、相关性和摘要策略节省约 60% token，但任务成功率降至 66.6%-77.3%；协议感知裁剪保留标识符、约束、工具 schema 和未决承诺，配合自适应预算护栏达到 96.0% 任务成功率和 1.0% 级联失败，同时节省 56.0% token。

NVIDIA Vera Rubin NVL72 首次亮相 MLPerf Inference v6.1，吞吐最高达 GB300 NVL72 的 3.7 倍

NVIDIA Vera Rubin NVL72 首次提交 MLPerf Inference v6.1 preview 结果，Qwen3-VL 上吞吐最高达 GB300 NVL72 的 3.7 倍，DeepSeek-R1 上最高 2.5 倍。

Artificial Analysis 评测蚂蚁集团金融模型 Ling-3.0-flash-Fin

蚂蚁集团发布基于 Ling-3.0-flash 的金融开源权重模型 Ling-3.0-flash-Fin，在 Artificial Analysis Intelligence Index 得 23 分，Finance & Accounting Index 得 24 分。

强化学习让 LLM 强者愈强，Never Give Up 方法帮助模型攻克难题

Michael Noukhovitch 发表论文，提出 LLM 强化学习训练中的马太效应，即 RL 提升幅度与模型初始能力成正比，最难的问题（初始 pass@32 为 0）几乎不改进。

Rohan Paul@rohanpaul_aiAI 评分5656

Sam Altman 在与 Salesforce CEO 的对话中表示，OpenAI 一个内部 post-Astra 模型能解决世界顶尖数学家无法解决的问题。他给出的阶梯是 GPT-5.5 约相当于普通数学教授，5.6 相当于前 1%–2% 的数学教授，Astra 略好于此，而内部模型更强。内容转自 Salesforce YouTube 频道的完整视频。

DeepSeek 刘胜与发文《我不得不把才华埋葬在昨天》引热议，回应称不代表公司立场

DeepSeek v4.1 主 Attention 算子负责人刘胜与 9 月 14 日发文《我不得不把才华埋葬在昨天》，文章获微信公众号 10 万+ 阅读并登上知乎热榜第一。

为什么在纳维-斯托克斯方程之后，我仍然对大型语言模型持看空态度

作者认为前沿实验室按'即将实现知识工作全自动化'的叙事定价，但当前模型在训练任务的小邻域之外容易彻底失败或奖励作弊，纳维-斯托克斯这类纯数学成果依赖定理即严格规约、Lean 验证器经多年审计的最佳条件，无法推广到大多数知识工作。

Google 发布 Gemini 3.8 Live 与 3.8 Live Extended Thinking 语音智能体模型

Google 发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 两款原生语音到语音对话模型，已在 Gemini Live API 和 Google AI Studio 上线，托管形式不提供开放权重。

vLLM 如何用 GB300 NVL72 为 Kimi K3 训练最快的 DSpark 投机解码模型

vLLM 团队扩展 Speculators 训练库，为 2.8T 参数的 Kimi K3 训练出 DSpark 投机解码 draft 模型，将数学推理单流交互速度从约 110 提升至约 435 tok/s/user，并发负载下输出吞吐最高提升约 3.5 倍。

Google 用 Retrieve-for-Train 框架突破推理瓶颈，加速复杂 AI 搜索

Google Research 提出 Retrieve-for-Train 框架，用离线强化学习将奖励对齐的查询扇出编译为监督信号，再蒸馏进一个 53.9M 参数的扩散检索器，实现推理时单次非自回归生成完整结果集，无需测试时 CoT 推理 token。该方法基于 Gemma3-4B 和 Qwen3-4B 微调，旨在解决零样本 LLM 的复述坍缩与自回归延迟瓶颈，论文已被 ICML 2026 收录。

elvis@omarsar0AI 评分6060

Google Research 发布 Stellar Colosseum，一个面向长程数学和理论计算机科学研究的模型无关多智能体框架。该框架分阶段运行，先探索多种证明策略，通过就绪门槛后将路线拆分为章节级子问题，并行生成候选方案并配合定向证伪和批评合并。

NVIDIA 技术博客解析 Dense 与 MoE 模型的参数激活、吞吐差异及选型方法

NVIDIA 技术博客讲解 dense 与 MoE 架构在参数激活、吞吐和部署上的差异，以 Nemotron 3.5 Lightning 为例说明 MoE 每词元仅激活约 3B 参数、总参数 30B 仍需约 60 GB 显存。文章给出按显存预算、并发、微调和量化需求选型的建议，并对比 Gemma 4 31B、Qwen3.8-27B、Mistral Small 4 等模型的输出速度与价格数据。

Salesforce 联合英伟达推出推理大模型 Koa

Salesforce 在 Dreamforce 大会上发布首款推理大模型 Koa，基于英伟达开源权重的 Nemotron 模型由双方联合微调，主打销售、市场营销和客服类业务任务。Koa 将作为 Agentforce 平台可选模型，训练未使用真实客户数据，Token 消耗更低，可经 AI 网关自动调度；此前复杂推理任务依赖 Claude、ChatGPT 等外部前沿模型。

Salesforce 联合 Nvidia 发布首个推理模型 Koa，基于开源 Nemotron 面向销售与客服任务

Salesforce 在 Dreamforce 大会上发布首个推理模型 Koa，基于 Nvidia 开源权重的 Nemotron 模型，经后训练擅长销售、营销和客服任务，将作为 Agentforce 平台中 Claude 或 ChatGPT 等前沿模型的替代选项。

Mozilla 报告称中国开源模型与硅谷前沿模型差距缩至 4.4 个月

Mozilla 9 月 15 日发布的 State of Open Source AI 报告称，美国闭源前沿模型与中国最佳开源权重模型的性能差距已缩至 4.4 个月，Kimi K3 在 Artificial Analysis Intelligence Index 上仅落后 Anthropic Fable 5 三分，成本只有其 30%。

Orthrus 无损推测解码研究：BF16 下仅四成轨迹完全匹配，FP32 才完全一致

研究者独立复现 Orthrus 并检验其无损推测解码声明。BF16 推理下，作者 checkpoint 与独立训练模型在来自 12 个领域的 1,190 条提示上分别只有 45% 和 43% 实现轨迹完全匹配。

阶跃星辰发布 StepAudio 3 系列语音大模型，多款在 Artificial Analysis 榜单全球第一

阶跃星辰发布 StepAudio 3 系列，包含 Realtime、ASR、TTS、Gen 和 Music 五款模型，已在阶跃星辰开放平台上线。

Dongxi 东锡 NLP@dongxi_nlpAI 评分6262

文章讲解大模型推理的 prefill 与 decode 两个阶段：prefill 并行处理给定输入，决定 TTFT；decode 逐 token 自回归生成，常受内存带宽限制。

Atria Dawn Preview 发布：面向科研工程流程的智能体基座模型

Atria Dawn Preview 发布，一个面向科研与工程流程的智能体基座语言模型，通过 Verifiable Experience Pipeline 将工具交互连接到可执行环境和外部可验证结果进行训练。

Elo-per-token 分析揭示 LLM Agent 测试时算力策略的收益递减

论文提出 Elo-per-token 分析方法，用 Bradley-Terry 模型将任务内排序聚合为跨任务 Elo 评分，衡量 LLM Agent 测试时算力策略的扩展规律。

Zing-0.5 发布 5B 实时联合动作与文本控制世界模型

Zing-0.5 是一个 5B 自回归世界模型，支持键盘与文本联合控制，让用户在生成世界中导航并影响事件。技术要点包括统一动作与文本条件、事件级分布匹配蒸馏，以及四步生成加流式推理，在 832x480 分辨率下以 24 FPS 运行，估计服务器成本约每流分钟 0.009 美元；在 158 个 WBench Navigation 用例上取得总分 81.0 和一致性 88.5。

Richard Socher 谈 Recursive 与自我改进的 Eureka Machine 愿景

Latent Space 长篇访谈 Richard Socher，介绍其创办 Recursive（含 46.5 亿美元种子轮）与《The Eureka Machine》一书，押注递归自我改进式 AI。

SemiAnalysis 分析机器人智能应放机上还是放数据中心：B300 卸载 TCO 约为 Jetson Thor 机上方案的 46%

SemiAnalysis 长文分析通用机器人模型的智能应放在机器人本体还是数据中心。受实时性和单机成本约束，当前机器人模型仍为数十亿参数级，如 Physical Intelligence 的 π0 约 3B。

Dongxi 东锡 NLP@dongxi_nlpAI 评分5858

DeepSeek 发布 DeepSeek-V4.1-Flash，一款 552B 参数（每 token 激活 16B/预填充 8B）的多模态 MoE 模型，支持最长一百万 token 上下文。其 Causal Encoder-Decoder（CED）架构结合 CSA2 与 FP4 KV caching，将全局 KV cache 降至每 token 890 字节，约为 DeepSeek-V4-Flash 的 1/4、DeepSeek-V1 的 1/437，配合 SWA Bounded Replay 将持久 KV cache 降至约 1/8，性能仍优于基线。模型基于 45T token 多模态语料预训练，checkpoint 已在 https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash 开放。

普林斯顿团队研究显示AI智能体尚难独立完成开放式AI研究

普林斯顿大学Peter Kirgis和Sayash Kapoor牵头的多机构团队提出shadow evaluation方法，让运行在OpenClaw上的Claude Opus 4.8用六天、3000美元API额度和GPU预算复现两篇未发表的NeurIPS 2026论文研究。

Claude Fable 5.1 破解已有 370 年历史的 Cyphral Distich 密码

Claude Fable 5.1 在 44 分钟、176k tokens 后破解了 Sir Thomas Urquhart 的 Cyphral Distich，这条 64 个数字的密码自 1899 年起被列为未解问题。

SemiAnalysis 长文解析：为什么 4-hi HBM 将成为推理最优配置

SemiAnalysis 长文论证 HBM 堆叠层数持续走高的趋势正在逆转，下一代 Rubin Ultra 每颗 GPU 的 HBM 将从 288GB 降至 192GB（8-hi）。

Rohan Paul@rohanpaul_aiAI 评分5555

Stanford 与 MIT 论文《Meta-Harness: End-to-End Optimization of Model Harnesses》（arxiv. org/abs/2603.28052）指出模型性能还取决于周边系统代码 harness，同一 LLM 换 harness 在同一基准上可出现最高 6 倍性能差距。

Rohan Paul@rohanpaul_aiAI 评分5151

Sam Altman 在 Fortune Magazine 主编 Alyson Shontell 的访谈中称，AI 数学能力三年间指数级跃升：3 年前小学数学都不算好，2 年前在 AIME 取得高分，1 年前勉强拿到 IMO 金牌，而今年夏天解决了千禧年大奖难题。他表示把这一曲线再外推 4 次，就是人们所担忧的情形。

Cognition 发布 SWE-2：基于 Kimi K3 后训练的编码模型，以低 64% 的成本接近 Fable 5.1

Cognition 发布编码模型 SWE-2，从 2.8T 参数的 Kimi K3 经强化学习后训练而来，在 FrontierCode 1.1 Main 得分 50.0%，与 Fable 5.1 相差不到 1 分且成本低 64%。

早期基准显示 GPT-6 Astra 空间推理出现台阶式提升

机器人基准 StationeryBench 在 200 次试验中对比 GPT-6 Astra 与 Ai2 MolmoAct2 控制同样的双臂 YAM 机器人完成五类桌面物体任务，Astra 完整完成 100 项任务中的 7 项、中位进展分 46，MolmoAct2 均为 0 和 12。

凡人小北@frxiaobeiAI 评分7272

OpenAI 公开了 ChatGPT 背后的存储系统 Habitat，它每秒处理超过 7000 万次请求、保存 500PB 以上数据、服务每周超过 10 亿用户，最早只是一个 Python 小库。

回顾性逆向工程苹果神经引擎：从 M1 ANE 架构看 NPU 为何衰落

作者曾是逆向 ANE Linux 驱动的开发者，三年后重新逆向 M1 上的 Apple Neural Engine，完整测绘其 16 计算核、2048 条 MAC 通道、任务描述符调度和内存层级。

The Verge 深度报道：OpenAI 以 88 小时解决 Navier-Stokes 引发数学界信任危机

The Verge 采访十余位数学家，梳理 OpenAI 用约 10,000 个 agent、数千万美元算力和 88 小时解决 Navier-Stokes 千禧年大奖难题后引发的争议。

25 位菲尔兹奖得主联合警告：AI 或在伤害数学及所有智力工作

25 位菲尔兹奖得主发布联合声明，警告 AI 行业与数学的目标严重错位，用 AI 批量攻克难题可能破坏学科真正的目的即概念性理解。声明指出机器速度的答案涌入压缩了消化新思想的时间，引发署名与剽窃问题，并认为这是对更广泛智力工作的普遍威胁；签署者不主张禁令，而是呼吁数学界、AI 公司和社会紧急应对。签署者包括 Terence Tao、Peter Scholze、Maryna Viazovska 等。

25 位菲尔兹奖得主联合发表声明警告 AI 在数学领域严重错位

当地时间 9 月 11 日，陶哲轩、邓煜、Peter Scholze 等 25 位菲尔兹奖得主联合发表声明《A Severe Misalignment of AI in Mathematics》，警告 AI 公司与数学界目标严重错位。

Rohan Paul@rohanpaul_aiAI 评分5151

前 Anthropic 和 OpenAI 研究员 Jacob Coxon 在 CNN 采访中表示，编码和数学领域 AI 几年前只能辅助人类，如今接近取代人类，许多领域的研究可能一年内不再需要人类。他提到 OpenAI 刚用 AI 自主解决了千禧年大奖难题之一，并称若让 AI 从事 AI 研究自身，可能引发无需人类参与的智能爆炸。

StepAudio 3 Realtime 技术报告发布，实时语音中并行推理

StepAudio 3 Realtime 是一个围绕听-说-想-做循环组织的音频语言基础模型，通过 Deep Perception 解读声学线索，Seamless Duplex 处理停顿、附和与打断。

jason@jxnlcoAI 评分5555

OpenAI 在 API 和 Codex 中推出 GPT-Rosalind，主打更强的生物推理能力，可连接论文与实验结果、评估靶点证据并规划下一步实验。Jason Liu 表示将参与 GPT-Rosalind 相关工作，并向用户征集反馈与改进建议。

ByteDance Seed 等团队提出 HarnessDev，评测 LLM 自建的 Agent harness 仅 34/64 改动可泛化

ByteDance Seed 联合 SUTD、Georgia Tech、M-A-P 和 TokenWave.AI 提出 HarnessDev，评测对象是模型自己写出的可运行 agent harness 而非答案。