2026年11月11日 周三 · 今天值得看的 AI 动态
Google DeepMind 发布 Gemini 4 Carbon，面向开发者、企业、科研人员和消费者开放，主打网络安全能力与长周期智能体工作流。Carbon 在 CursorBench 4.0、Perplexity WANDR、Zapier AutomationBench 等基准上排名第一，且单任务成本比次优外部模型低 2 倍以上。同时预览 Google
另有 1 家信源报道
推荐理由Gemini 4 Carbon 面向需要多步推理与长周期智能体工作流的开发者，在 CursorBench 4.0 等三项基准上排名第一且单任务成本低于次优外部模型 2 倍以上，API 定价与 Argon 持平；但 MKA 基准仅列第二，且官方承认提示注入防护在部分攻击分布下仍需改进，实际鲁棒性待验证。
谷歌在两周测试期后正式开放 Gemini 4 Carbon，该模型与 Gemini 4 Argon 互补，面向多步编码、调试和开放式科研等任务，但推理消耗更多 token。谷歌同时预览 Antigravity 的 /swarm 功能，可将单条提示转为协同工作的智能体团队。不过 Anthropic 新发布的 Fable 5.2 在 Artificial Ana
另有 1 家信源报道
推荐理由谷歌将 Gemini 4 Carbon 开放给付费开发者，主打多步编码、调试和开放式科研，但同等 token 单价下推理消耗更多，实际账单会高于 Argon；同时预览的 Antigravity /swarm 能把单条提示拆成协同智能体团队。局限在于其安全基准领先仅适用于 Fairwind Program 版本且未公布具体数字，提示注入零成功率也可能只是测试饱和。
NVIDIA 发布 Alpamayo 2 Edge，一款面向车载实时运行的自适应推理视觉-语言-动作（VLA）模型，基于 2B Nemotron 推理骨干与扩散动作专家，可在 NVIDIA DRIVE AGX Thor 上运行。该模型通过自适应推理、离线蒸馏、AlpaGym 闭环强化学习后训练及 DFlash2 投机解码等优化，在闭环驾驶性能上较最佳基线提升
推荐理由NVIDIA 把 2B Nemotron 推理骨干加扩散动作专家压到 DRIVE AGX Thor 上实时跑，并靠自适应推理在常规驾驶时少生成 token，对受算力和延迟约束的车载 VLA 开发者是可落地的基础；闭环 RL 后训练带来 48.9% 提升，但这是相对未做闭环 RL 的最佳 checkpoint，且对比集中在自家 AlpaGym 仿真与 Qwen-Drive-1.0，真实道路表现尚未验证。
NVIDIA 在 Hugging Face 发布 Nemotron-3.5-Super-VL-120B-A12B-NVFP4，这是其视觉语言模型 Nemotron 3.5 Super VL 的 NVFP4 量化版本，通过量化感知蒸馏从 BF16 版本压缩而来，以降低显存需求。模型采用 Mamba-2、MoE 与注意力混合架构，搭配 C-RADIO 视觉编码器
推荐理由英伟达把 120B 总参、12B 激活的视觉语言模型压到 NVFP4，显存门槛降到单张 DGX Spark、RTX PRO 6000 或 H200 即可部署，对想在本地跑长上下文多模态智能体的团队最直接。但模型卡只给了精度曲线图，未列出与 BF16 基座在各基准上的逐项对比，量化后的实际精度损失需自行评测。
蚂蚁灵波开源了面向灵巧操作的触觉预训练基础模型LingBot-Touch，可统一处理压阻式、视触觉、磁触觉等不同传感器信号并编码为可复用的触觉Token。该模型用4983小时真实触觉数据自监督预训练，在Sharpa Wave和XHand1两款灵巧手、四种策略模型上完成26项真机任务，平均成功率普遍提升，其中LingBot-VLA在Sharpa Wave上从4
另有 2 家信源报道
推荐理由蚂蚁灵波把压阻、视触觉、磁触觉三类信号统一编码为触觉Token，对做灵巧手且苦于换硬件就要重采数据的团队，可直接复用预训练表征、只训下游策略；26项真机任务中LingBot-VLA成功率从45.60%升至72.51%。不过测试仅覆盖两款灵巧手和四种策略，且XHand1的磁触觉传感器型号未出现在预训练数据中，跨更多硬件的泛化仍待验证。
DSPy 发布 3.5.0 版本，将 RLM、Flex、GEPA 从实验模块转为正式核心模块，ReActV2 取代 ReAct，并默认启用 XMLAdapter 与自动 API 路由。该版本引入轻量 lm15 引擎，使 LiteLLM 和 OpenAI Python 库变为可选依赖，默认安装体积从 206.7 MiB 降至 30.9 MiB，依赖数从 65
推荐理由DSPy 3.5 把 LiteLLM 和 OpenAI 库改为可选依赖，默认安装体积从 206.7 MiB 降到 30.9 MiB，冷启动导入从 1.01 秒降到 0.49 秒，对在意镜像体积和启动延迟的部署方直接有用；同时 XMLAdapter 成为默认适配器，即使 Signature 不变，提示词和输出契约也会改变，升级前需按迁移指南重跑已优化程序。不过体积与导入数据来自开发快照，且未给出 lm15 与 LiteLLM 在各供应商上的兼容性评测。
Anthropic 发布面向职场的新功能，包括可将 Claude 作为可见参与者加入视频会议、实时起草计划与时间线并生成会后纪要的 Claude Meetings，以及协作白板 Claude Whiteboards 和表格工具 Claude Sheets。这些功能以 beta 形式向付费、Team 和 Enterprise 计划开放，Meetings 初期仅
另有 1 家信源报道
推荐理由Anthropic 把 Claude 变成会议中的可见参与者，能在通话进行时起草计划、梳理时间线并生成会后纪要，对常用 Google Meet 的 Team 和 Enterprise 团队最直接。局限在于目前仅 beta、只支持 Google Meet，且外部嘉宾加入即自动退出，跨平台和外部协作场景尚不可用。
llama.cpp 发布 b12250 版本，为 Vulkan 后端新增分块转置 concat 着色器，针对 Qwen 模型的 delta-net 卷积状态路径优化 ggml transpose 直接写入 dim-0 concat 的场景。该优化通过共享内存 32x32 分块使读写合并访问，并严格限定触发条件，其余情况回退原内核。在 gfx1151/RADV
推荐理由该版本为 Vulkan 后端新增分块转置 concat 着色器，把 Qwen 模型 delta-net 路径中 ggml_transpose 直接写入 dim-0 concat 的读写改为经共享内存 32x32 分块合并访问，触发条件限定为 dim 0、2D、4 字节未量化且 src1 确为转置，其余回退原内核。对在 Vulkan 上跑 Qwen3.6-35B-A3B 的用户，实测 CONCAT 从 11877 微秒降至 957 微秒，pp2048 从 1224 提升至 1628 t/s，生成文本不变。不过该数据仅来自 gfx1151/RADV 单一平台，其他 Vulkan 设备上的收益尚未验证。
Latent Space 评测了中国公司 NaiveAI 推出的开源权重模型 Naive-N0.5-Flash，该模型基于小米 MiMo-V2.5 继续训练并适配 DeepSeek 稀疏注意力，主打高速生成（宣称约 2100 tokens/秒）。在 30 道不同难度题目的测试中，其吞吐接近或超过 1000 tokens/秒，中位响应时间 3.1 秒快于 De
推荐理由该评测用 30 道题实测了 Naive-N0.5-Flash 的生成速度，中位响应 3.1 秒快于 DeepSeek V4.1 Flash 1017 和 GLM 5.3 Flash，对把迭代速度放在成本之前的编码团队有直接参考价值；但 2100 tokens/秒只是单卡单流下的峰值上界，思考模式接受率仅 43.4%，且该模型尚未进入 Artificial Analysis 指数，实际表现仍待独立验证。
The Verge 报道称，Nvidia CEO 黄仁勋承认与一名疑似中国间谍的女性有婚外情，据称美国情报机构乃至特朗普总统当时已知晓该间谍活动。专家表示，此事的影响远超个人声誉，可能危及美国国家安全，并动摇美国在 AI 领域对中国的脆弱技术领先优势。报道指出，与嫌疑人 Alice Huang 有关联的公司据称促成了至少 70 亿美元的 Nvidia 芯片对
另有 1 家信源报道
推荐理由这篇报道把一起高管丑闻与芯片出口管制、美国AI供应链风险直接挂钩，对关注Nvidia治理和AI算力供给的从业者有参考价值：文中提到与嫌疑人关联的公司据称促成至少70亿美元Nvidia芯片对华销售，且调查可能占用公司带宽、拖慢交付。但关键指控尚无公开证据证明黄仁勋本人协助转移受限芯片，相关销售与“优先供货”说法仍待核实。
英伟达发布机器人基础模型GR00T 2，采用“世界-动作模型”架构，在预测下一步动作的同时生成短期未来视频，从而将人类视频中的动作迁移到机械臂，减少传统遥操作训练成本。该模型使用超过1000块GB300芯片训练，包含约40万小时头戴摄像头拍摄的人类操作视频；实验室中五指机器人未经专门遥操作即可完成点蜡烛、切香蕉等任务，成功率10%至80%不等。英伟达还推出可
推荐理由英伟达GR00T 2把动作学习从遥操作转向人类视频：用世界-动作模型同时预测动作与短期未来画面，让五指机器人未经专门遥操作完成点蜡烛、切香蕉等任务，对想压低机器人训练数据成本的研究团队有直接参考价值。但各任务成功率仅10%至80%，且模型尚不处理触觉传感器数据，高层语言模型平均需等待超7秒，真实场景可靠性仍待验证。
开发者 gbuzhf 在 Hugging Face 发布了 Ornith-1.5-35B-A3B 的 GGUF 量化版本，基于 huihui-ai 的 abliterated（去拒答）检查点，采用 Sangreal 重要性矩阵与 ICE 1.6/2.0 量化配方，提供 12G 至 25G 五档文件并保留 MTP 草稿层。作者给出各档相对 BF16 的 KL
推荐理由这次发布把 35B-A3B 的去拒答检查点做成 12G 至 25G 五档 GGUF，并逐档给出相对 BF16 的 KL 散度与 top-1 一致率，对只有 8GB 显存、想在本地跑 MoE 大模型的人可直接按显存选档；25G 档在 RTX 3070 上单次生成完整浏览器游戏的演示也说明了可用性。不过这些保真度数字由量化者自行评测，未经过第三方基准验证，且去拒答模型需在系统层隔离网络与代码执行权限。
Anthropic 发布 Claude Fable 5.2 与 Claude Mythos 5.2，在 Artificial Analysis Intelligence Index v5 上以 65 分重回全球第一，超过 Gemini 4 Carbon 的 60 分。新模型单 token 价格下调 20% 至每百万输入 8 美元、输出 40 美元，但因大量生
另有 2 家信源报道
推荐理由Fable 5.2 把单 token 价格下调 20% 至每百万输入 8 美元、输出 40 美元，但 SemiAnalysis 在 GDPx 上实测单任务成本从 67.16 美元升至 88.15 美元，原因是模型会写数百上千个测试用例并派子代理自检，对按任务预算而非按 token 计费的团队影响直接。局限在于这些成本数据来自第三方单一基准，Anthropic 未公布同等口径的对比，且订阅用户访问仍受限、默认要求数据保留以运行安全分类器。
AWS 官方博客宣布 Claude Fable 5.2 与 Claude Mythos 5.2 在 Amazon Bedrock 及 AWS 上的 Claude Platform 上线。Fable 5.2 是 Anthropic 面向编程、数学与科研的最强通用模型，可长时间自主运行并自我校验；Mythos 5.2 仅通过验证计划向网络安全与生命科学领域开放。
另有 1 家信源报道
推荐理由Fable 5.2 面向多仓库代码库的智能体编程和可连续运行数天的长任务，能自行校验输出；Mythos 5.2 仅经验证计划开放给网络安全与生命科学。迁移可用 Claude Code 的 claude-api skill 自动改模型 ID 和参数。但博客只提 Anthropic 内部对齐测试中 Mythos 5.2 优于 Opus 5.5 等，Fable 5.2 仅“预期类似”，无公开评测；且默认需 30 天数据保留与人工安全审查，零保留的 EFS 版本尚未上线。
Anthropic 发布 Claude Fable 5.2 与 Mythos 5.2 两款旗舰模型，称在训练中刻意阻止模型获得可能直接加速 AI 研发的能力。Fable 5.2 在 Artificial Analysis Intelligence Index v5 最高算力档以 65 分排名第一，领先 Gemini 4 Carbon 五分、领先前代 Fabl
另有 2 家信源报道
推荐理由Fable 5.2 在 Artificial Analysis 最高算力档以 65 分登顶，比前代高 15 分，且低算力档仍以 62 分领先所有模型、输出 token 更少，对追求极限质量的技术团队有直接参考价值；但峰值质量单任务约 26.50 美元、为 Opus 5.5 的 2.6 倍，且其在终端编码与多步知识工作上落后于 Sonnet 5.5 等模型，是否划算需按任务实测。
NVIDIA 在 Hugging Face 发布开源权重说话人日志（diarization）模型 Nemotron-3-Diarization，支持流式与离线推理，最多可区分 8 位说话人。模型采用 Sortformer 架构与 Streaming Sortformer 的 AOSC 缓存和 FIFO 队列机制，单检查点最低输入缓冲延迟 80ms，推荐配置
推荐理由该模型以开源权重提供流式与离线说话人日志，单检查点最低输入缓冲延迟 80ms、推荐 0.32s，并附 NeMo-Speech.cpp 本地 C++ 运行时，对需要在会议转写或实时字幕中标注“谁在说话”的开发者可直接落地。但正文只给出延迟与配置参数，未列出说话人区分准确率等评测数据，且最多 8 位说话人的上限在多人场景下是否够用仍需自行验证。
研究团队发布 Micius-Flash，一个 270 亿参数、支持原生多模态输入和 256K 上下文窗口的工程领域模型。团队构建知识树驱动的数据飞轮，训练半导体知识、硬件编码、多模态理解及智能体专家模型，再用多教师同策略蒸馏（MOPD）整合为统一模型。在 20 多个数据集上，硬件代码基准平均 64.2%（超同规模基线 15 分），半导体智能体基准 62.4%
推荐理由Micius-Flash 把 270 亿参数、原生多模态和 256K 上下文组合进一个工程领域模型，并配套 Micius Harness 接入 EDA、KiCad 等工具，对需要多步规划与仿真反馈的芯片、PCB 设计流程有直接用处；硬件代码基准 64.2%、半导体智能体基准 62.4% 均高于同规模基线。不过这些分数来自团队自建的 20 多个数据集，尚无第三方复现，实际工程收益待验证。
蚂蚁灵波开源触觉预训练基础模型LingBot-Touch，通过将磁触觉、视触觉、压阻式触觉等异构传感器信号统一编码为触觉Token，解决原始触觉数据稀疏、噪声大导致动作模型成功率下降的问题。实验显示，接入该模型后π0.5在拉拉链任务成功率从15%升至59%，XHand上6项任务平均成功率从48%升至74.17%，且仅增加0.13%-0.16%参数量。该模型与
另有 2 家信源报道
推荐理由该模型把磁触觉、视触觉、压阻式三类异构信号统一编码为触觉Token，直接解决原始触觉读数稀疏、噪声大导致动作模型成功率反降的问题，对做灵巧手操作、手上已有多种传感器的团队最有用。不过其真机评测只覆盖两款灵巧手和四种动作模型，跨更多本体与传感器布局的泛化性尚未验证。
该论文提出 InstaGen，一种用于加速视频生成的免训练稀疏注意力方法。作者发现现有 PBSA 方法采用 top-p 选择在高熵注意力场景下采样效率低，于是将块选择建模为重要性采样：对每个查询簇保留得分最高的精确块集合，其余键按估计注意力概率采样并用逆采样概率重加权。在 Wan2.1-T2V-1.3B 和 14B 上，InstaGen 在相同注意力密度下
推荐理由该方法把块选择从 top-p 改为重要性采样，对每个查询簇保留精确块、其余按估计注意力概率采样并重加权，在 Wan2.1-T2V-1.3B 和 14B 上相同注意力密度下 PSNR 比 SVG2 分别高 3.4 dB 和 2 dB，并实现全稀疏推理、去掉稠密步骤，对受视频生成延迟困扰的 DiT 部署方有直接参考价值。不过评测仅限 Wan2.1 系列与 SVG 家族基线，未覆盖其他视频模型，且 PSNR 提升能否对应主观画质仍需看生成样例。
中国电信人工智能科技有限公司发布星系列新一代大模型Xing4.0-29B-A4B，采用MoE架构，总参数29B、每token激活4B，原生支持256K上下文并可扩展至512K。该模型面向智能体任务优化，支持多步规划、工具调用与结构化输出，在SWE-bench Verified上得分75.0，并以Apache 2.0协议开放BF16、FP8、GGUF等权重。模
推荐理由中国电信这款模型以29B总参数、每token仅激活4B的MoE设计，配合Apache 2.0开放BF16、FP8、GGUF等多档权重，让显存有限的团队也能在本地跑起智能体任务；SWE-bench Verified 75.0的成绩对做代码智能体的开发者有直接参考价值。不过该分数由厂商自测，正文未说明评测配置与复现方式，实际表现仍需独立验证。
该论文研究视觉语言模型（VLM）中模态差距的成因，发现嵌入层文本token的语义密度远低于视觉token，导致模型早期层优先处理文本表征、将视觉信息整合推迟到中后层。作者通过机制分析，将视觉token位置替换为语义最近的文本token后，早期层对这些位置的注意力增强，表明初始语义密度差异影响跨模态注意力分配。研究为缓解模态差距、改进VLM多模态推理提供了机制
推荐理由该研究把VLM模态差距追溯到嵌入层：文本token语义密度远低于视觉token，导致早期层先处理文本、视觉整合被推迟，并用替换为最近文本token的干预验证了注意力分配变化。对做VLM架构改进或可解释性分析的研究者有参考价值；但实验仅基于PixelProse数据集、100个样本的表示分析，结论能否推广到其他架构和数据规模尚未验证。
Hugging Face 用户 kindlingai 发布了 deepseek-v4.1-flash-exlr8，这是对 DeepSeek-V4.1-Flash-1017 官方权重的重新打包版本，采用 exlr8 v2 文件布局，并为第 0-7 层及第 38-39 层的专家权重额外提供 4-bit、3-bit、2-bit 的 trellis 量化编码。仓库通
推荐理由该仓库把 DeepSeek-V4.1-Flash 官方权重重新打包为 exlr8 v2 布局，并为第 0-7 层及 38-39 层专家额外提供 4/3/2-bit trellis 编码，k3、k4、native 三种 manifest 让用户按显存预算选择加载精度，按张量并行度切分的索引还支持 HTTP range 只拉本机分片。但 trellis 层的推理引擎支持仍在 kindlingai/gr8 中开发，参考加载器尚不能解码 pmcgx 码本，实际可用性待验证。
NVIDIA 发布开源组件 NVIDIA Snapshot，作为 DSX AI Factory 平台的一部分，为 Kubernetes 上的 GPU 工作负载提供检查点与恢复能力。它可将已初始化的推理工作负载（含 CPU 与 GPU 内存状态）保存为可移植产物，并在同型号 GPU 节点上秒级恢复，跳过权重加载、编译与图捕获等冷启动步骤。在 vLLM、SGLa
推荐理由NVIDIA Snapshot 把已初始化的推理工作负载连同 CPU 与 GPU 内存状态存成可移植产物，在同型号 GPU 节点上秒级恢复，跳过权重加载、编译与图捕获，对需要快速扩容或故障恢复的 Kubernetes 推理平台团队直接有用。不过恢复依赖相同 GPU 型号与驱动，且基础设施供给和镜像加载不计入恢复耗时，端到端收益需按自身环境验证。
Google DeepMind 发布 AlphaProof Code，一个多 LLM 智能体框架，用于对复杂软件进行深度形式化验证。研究人员用该框架对 Signal 加密协议的实际代码进行数学证明，验证了消息在设备临时被攻破前后仍受保护等关键安全属性，耗时仅四周，而传统专家团队通常需要数年。这是 AI 首次以如此深度形式化验证广泛部署的加密协议，也是该协议实
推荐理由AlphaProof Code 把形式化验证从协议设计层推进到实际编译代码，验证了消息在设备临时被攻破前后仍受保护等属性，且仅用四周，而专家团队通常需数年；对做加密协议审计的团队，这意味着可把人力集中到 AI 标记的约 1% 代码上。不过，该结果目前只针对 Signal 核心加密代码，框架能否迁移到其他协议、以及六百万行 Lean 证明的维护成本，正文均未说明。
字节跳动 Seed 团队发布下一代图像生成模型 Seedream 5.5，主打三项升级：支持 100 轮多轮编辑且未编辑区域像素级保留、原生 RGBA 透明背景素材生成、以及更真实的光影材质与更清晰的小字文本渲染。官方评测称其在文本结构和文生图真实感上领先其他主流模型，目标是让图像模型更可靠地进入专业视觉生产流程。
另有 1 家信源报道
推荐理由Seedream 5.5 把多轮编辑的未改动区域做到像素级保留，并原生输出带 alpha 通道的 RGBA 素材，对需要反复改稿的电商、广告设计流程可直接省去抠图和边缘修补；小字文本严重损坏率降至 0.4% 也针对了海报类排版痛点。不过官方评测均为自建 GSB 对比与内部用例，未给出第三方基准或可复现的评测细节，实际稳定性仍需在自有素材上验证。
NVIDIA 在 Hugging Face 发布 Cosmos 3 世界模型家族的四个新开放权重检查点，均基于 Cosmos 3 Nano 后训练，拥有 160 亿可训练参数，采用 OpenMDW1.1 许可，允许商用与非商用。四个模型分别面向自动驾驶多视角数据生成、相机与 LiDAR 同步流式仿真、物理模拟器控制转逼真视频，以及双臂机器人动作预测。NVID
推荐理由NVIDIA 一次性放出四个 160 亿参数开放权重检查点，覆盖自动驾驶多视角数据生成、相机与 LiDAR 同步流式仿真、模拟器控制转逼真视频和双臂机器人动作预测，并附后训练配方，对需要自建仿真环境的研究者可省去从零适配传感器配置的工作。但官方明确承认，模型能否忠实支撑策略学习与评估仍未解决，且未给出与真实数据或既有仿真器的对比评测，实际可用性需自行在留出数据上验证。
研究者在 WMDP 危险知识基准上，对 Llama-3.1-8B 和 Qwen3-8B 两个模型进行机制可解释性分析，发现选择题格式会让模型在中层快速锁定答案字母，从而抑制拒绝机制。与开放式提问相比，选择题激活离拒绝方向约远 3 倍；消融承载选择题答案的注意力头会提升拒绝率，说明答案选择与拒绝存在竞争。结论是选择题安全分数主要衡量知识能力，而非安全机制。
推荐理由该研究用调谐透镜和注意力头消融，在 Llama-3.1-8B 与 Qwen3-8B 上解释了选择题为何压低拒答率：模型中层就锁定答案字母，激活离拒答方向约远 3 倍，消融承载答案的注意力头反而提升拒答。对依赖 WMDP 等选择题基准做安全评估的团队，这意味着分数更多反映危险知识检索能力而非拒答机制。但结论仅来自两个 8B 模型和 WMDP 一个基准，能否推广到其他规模与安全评测尚未验证。
Hugging Face 社区用户 litert-community 发布了 Qwen3-0.6B 的 INT4 量化版本，采用 Google LiteRT-LM 的 .litertlm 格式，面向 Android、iOS、桌面和嵌入式设备端侧推理。该版本体积约 332MB（比 fp32 小约 7 倍），并提供开启和关闭思考模式的两个文件。在三星 Galax
推荐理由该版本把 Qwen3-0.6B 压到约 332MB 的 .litertlm 格式，并分别提供思考开、关两个文件，对在 Android、iOS 或嵌入式设备上做离线助手的开发者可直接省去自行量化与模板适配；但性能数据仅来自单台三星 Galaxy S26 的社区实测，且正文提到标准文件在 LiteRT-LM 0.18.0 以上会因模板只读字符串而渲染出空用户轮次、回复跑题，需自行替换 chat template 才能用。
Hugging Face 社区用户 litert-community 将阿里 Qwen3.5-4B 转换为 Google LiteRT-LM 端侧推理格式，提供 int8 与混合 INT4 两个版本，分别约 4.42GB 和 2.75GB，需 litert-lm ≥0.15。该模型采用 GatedDeltaNet 线性注意力与全注意力混合架构，线性层保持常量
推荐理由该版本把 Qwen3.5-4B 转成 LiteRT-LM 端侧格式，int8 与混合 INT4 分别约 4.42GB 和 2.75GB，对想在手机或 Mac 本地跑 4B 模型的开发者可直接下载使用；线性注意力层保持常量状态，内存随上下文增长近乎平坦。但作者明确说明 Mac GPU 长输出未在该文件上验证，且默认 GPU 路径曾出现每次回复不同、代码无法通过语法检查的问题，实际表现需自行测试。
OpenBMB 在 Hugging Face 发布 VoxCPM2，一个 2B 参数、无 tokenizer 的扩散自回归文本转语音模型，支持 30 种语言及多种中文方言，基于超 200 万小时多语种语音数据训练。模型支持语音设计、可控与高保真声音克隆、48kHz 输出和实时流式合成，采用 Apache-2.0 协议可商用。
推荐理由VoxCPM2 以 Apache-2.0 协议开放商用，支持 30 种语言和多种中文方言，还提供仅凭文字描述生成音色的语音设计能力，对需要多语种配音且不想自建 TTS 管线的团队可直接替换现有方案。但模型卡自述语音设计与风格控制每次生成结果存在波动，建议生成 1–3 次取用，且各语言表现受训练数据量影响并不均衡。
该论文研究 LLM agent harness 中常规操作（如重新应用插件、保存允许规则、压缩历史）如何在不改代码的情况下破坏架构模式关系。作者提出 PatternOps 评估流程，在五个已发布 harness 和十四个独立编写的插件上分析 Guardrail Enforcement Point、Autonomy Controller 和 Blackboar
推荐理由该研究指出，重新应用插件、保存允许规则等常规操作会在不改代码的情况下改变运行时顺序或保留状态，使策略插件仍启用却跳过策略评估，直接执行被禁止的编辑。对在多插件 harness 上部署护栏的架构师有用，提示需按实际决策路径和操作序列验证模式关系。但样本仅覆盖五个 harness 和十四个插件，且部分对比依赖特定版本，结论的普适性尚未验证。
Hugging Face 发布 LeRobot v0.7.0，支持直接从 Hub、Storage Bucket 或 LanceDB 流式训练近 300TB 开放机器人数据，无需先下载。新版本重建训练栈以支持 5-20B 参数的世界动作模型，并引入交互式 rollout，可在机器人运行时通过文本指令切换子任务、提问或自动导航。同时集成 NVIDIA、Black
推荐理由LeRobot v0.7.0 让训练可以直接从 Hub、Storage Bucket 或 LanceDB 流式读取近 300TB 开放机器人数据，省去先下载的步骤，对受限于本地存储的团队最直接；交互式 rollout 支持在机器人运行时用文本切换子任务、提问或自动导航。不过 /vqa 和 /autosteer 依赖能生成文本的策略或外部 VLM 规划器，正文未给出这些交互在真实机器人上的成功率或延迟数据，实际可用性仍需自行验证。
论文提出 s3，一种基于协作式多智能体强化学习的方法，让语言模型智能体自行学习何时独立工作、何时共享发现或读取队友消息，无需预设组织架构或角色。在训练与推理预算匹配的条件下，s3 群体在协调任务上以两倍于训练规模的智能体数量解决了超过最强基线 25 倍的问题，在探索任务中减少近 50% 重复工作，并比 best-of-N 高出最多 9.4 个百分点。该方法表
推荐理由该方法让语言模型智能体通过协作式强化学习自行决定何时独立工作、何时共享发现，无需预设角色或编排结构；在训练与推理预算匹配下，用两倍于训练规模的智能体解决了比最强基线多25倍的协调问题，探索任务中重复工作减少近50%。对需要扩展多智能体团队、又不想手工设计组织架构的开发者有直接参考价值。不过实验集中在协调与探索两类任务，且依赖可检查结果做强化学习训练，在开放、难以自动判分的真实任务上是否同样有效尚未验证。
该论文提出 Sketchpad 方法：使用 Qwen3.5-0.8B 加低秩适配器，在渲染的“草稿纸”上执行算术步骤，每次前向只读取外部工作内存的三格视图并输出一步（数字、进位/借位、下一操作），由固定运行时移动视图。作者在 Lean 中证明：只要每步只读有界视图，模型在所有长度输入上的精确性等价于在运行时呈现的有限视图集合上的精确性，并证明若步骤可读取先前
推荐理由该方法把每步计算限制为只读外部工作内存的三格视图，使“任意长度输入上的精确性”化为有限视图集合上的可检验性质，并在 Lean 中完成证明，对需要可验证算术保证的场景有用；但全部 2,446 个视图的通过结果来自作者自建的部署设备与运行时，尚无第三方复现或独立评测。
Haystack 发布 v3.5.0-rc1，新增三个基于 OpenAI Decisions API 的组件，用于文本路由、图像路由和文档分类，无需编写提示词即可完成分类与分流。Agent 新增 StructuredOutputHook，可按 Pydantic 模型或 JSON Schema 校验最终回复并在失败时重试，同时引入 StepBudgetRemi
推荐理由这版把分类路由做成无需写提示词的组件，文本、图像和文档分类都能直接按标签分流，对需要快速搭建分流逻辑的 RAG 与客服场景省去提示词调试；Agent 的 StructuredOutputHook 还能按 Pydantic 模型校验回复并失败重试。不过多向量检索只是第一步，产出多向量嵌入的 embedder 仍在集成仓库的 PR 中，尚不可用，MaxSimRanker 的实际检索效果也缺少评测数据。
Langfuse 发布 v4.77.0 版本，包含 27 项功能更新与 18 项修复。主要新增 AI Gateway 对 Amazon Bedrock 上游的支持、OpenAI 与 Anthropic 连接的自定义 base URL 与额外请求头，以及外部媒体存储的企业级功能与 S3 IAM 角色认证。同时改进了 Topics 成本追踪、事件分发与审计日志等
推荐理由该版本让 AI Gateway 新增 Amazon Bedrock 上游（API key 认证），并允许 OpenAI、Anthropic 连接自定义 base URL 与额外请求头，对需要接入私有网关或代理的团队可直接省去自建转发层；外部媒体存储转为企业功能并支持 S3 IAM 角色认证，减少了长期密钥配置。但发布说明未提及 Bedrock 上游的延迟与限流表现，自定义端点的实际兼容性仍需自行验证。
OpenAI 发布 Agents JavaScript SDK v0.22.0-alpha.2，新增原生 fileSearch、codeInterpreter、imageGeneration 工具并支持流式进度，同时引入精确步进控制、RunBudget 预算限制和基于 SessionStore 的会话恢复。该版本还通过 A2A 1.0 适配器支持跨代理连接，
推荐理由该版本把 fileSearch、codeInterpreter、imageGeneration 收进原生工具并支持流式进度，还加了 RunBudget 预算与 SessionStore 会话恢复，对已在用该 SDK 搭代理的团队可直接替换自建封装；但会话恢复预览仅支持根对话和应用管理的函数工具，MCP、原生子代理等均不支持，且升级需同步五个包并迁移已移除的 SDKRunner 桥接。
OpenAI 发布 Agents SDK v0.24.0-alpha.7，引入通过 agents.classic 导入的 v0 经典运行时，并新增 CustomStorage 持久化会话存储、语音与托管工具（FileSearch、CodeInterpreter、ImageGeneration）支持，以及上下文转换、完成审核和 RunBudget 用量预算等控
推荐理由该 alpha 版把 v0 经典运行时保留为 agents.classic，并新增 CustomStorage 会话持久化与 FileSearch、CodeInterpreter、ImageGeneration 托管工具，对已在 Agents SDK 上做会话存储和工具编排的开发者可直接减少自建封装；但执行器写入策略默认改为 strict、仅支持 Linux/macOS，Windows 远程场景需显式设回 legacy，且 CustomStorage 初始版本不含原生工具与环境，能力边界需自行确认。
Open WebUI 发布 v0.13.1，新增将 Claude Code、Codex、Pi 等编码智能体作为模型接入模型选择器的能力，并推出桌面伴侣应用 Tether，可将本地电脑接入 Open WebUI，让模型和智能体直接操作真实文件与工具。该版本还通过提示缓存优化大幅降低工具调用对话成本，新增由评审模型自动放行工具调用的 Auto 权限模式，并带来多
推荐理由这个版本把 Claude Code、Codex 等编码智能体直接放进模型选择器，并推出 Tether 桌面应用，让模型和智能体操作用户本机的真实文件与仓库，对已在 Open WebUI 里跑终端和工具链的开发者最直接。但智能体对话不能重新生成、继续或编辑重发，终端一旦下线就会回退到默认模型，实际协作体验仍受这一限制约束。
litert-community 将阿里 Qwen3.5-2B 转换为 LiteRT-LM 格式，发布纯文本与视觉两个 int8 量化版本，用于端侧推理。在 Galaxy S26 上，GPU 解码速度达 17.5 tok/s，CPU 达 19.0 tok/s；在树莓派 5 上，CPU 解码速度为 4.2 tok/s。作者承认此前量化配方存在缺陷，导致 CPU
推荐理由该仓库把 Qwen3.5-2B 转成 LiteRT-LM 的 int8 格式，并同时提供纯文本与带 ViT 的视觉版本，对想在手机或树莓派上跑多模态小模型的开发者可直接下载使用；作者还修复了此前量化配方导致 CPU 多步算术循环回复的问题。但所有速度数据都测于 2026-10-11 重新量化之前的旧文件，修复后的实际表现尚未给出新数字。
llama.cpp 发布 b12191 版本，为 MoE 缓存引入 CPU 分担机制：通过 --moe-cache-cpu-share 参数，将部分未命中专家在 CPU 上计算而非上传至设备，并新增 moe-cache-tune.py 调优脚本自动推荐缓存大小与 CPU 分担比例。该改动还调整了调度器与图构建逻辑，使 CPU 部分可异步执行、不阻塞设备计算，
推荐理由该版本为 MoE 缓存新增 --moe-cache-cpu-share 参数，把部分未命中专家放到 CPU 上计算而非上传至设备，并让 CPU 部分异步执行、不阻塞设备，对显存紧张、跑 MoE 模型的本地部署用户可直接降低显存占用与传输开销；配套的 moe-cache-tune.py 通过两次缓存大小、三种 CPU 分担比例的实测来推荐参数。不过推荐值依赖该脚本对路由的重放预测，发布说明未给出与纯 GPU 路径的吞吐对比，实际收益需自行验证。
llama.cpp 发布 b12202 版本，核心改动是让 llama 与 mtmd 遵循 ggml prec set acc 调用的参考精度：GLM4 系列的下投影与输出投影、MiMoVL 视觉矩阵乘、Qwen3-TTS 说话人编码器 conv1d 改为 GGML PREC BF16，而 DeepSeek V4/V4.1 路由器和 MiniMax-M3 索
推荐理由该版本让 GLM4 系列的下投影与输出投影、MiMoVL 视觉矩阵乘、Qwen3-TTS 说话人编码器 conv1d 改用 BF16 累加，与参考实现对齐，对跑这几类模型的用户可减少精度偏差；同时 CUDA、Vulkan 等后端对 MUL_MAT_ID 的 src1 拒绝 BF16，flash attention 测试新增 BF16 覆盖。但发布说明未给出 BF16 与 F32 的精度或速度对比数据，实际影响需自行验证。
llama.cpp 发布 b12208 版本，主要更新 ggml 的 CUDA/Metal radix Top-K 实现，使阈值处并列候选的选择结果确定化，输出在不同运行间字节一致。Metal 端用 simdgroup 扫描替代原子计数器压缩，在 M5 Ultra 上 top-k 耗时降低约 20-45%，并启用 Metal 与 ROCm 的确定性自检。
推荐理由该版本把 CUDA/Metal 的 radix Top-K 在阈值并列时的选择改为确定化，输出跨运行字节一致，对需要可复现采样结果的本地推理用户直接有用；Metal 端改用 simdgroup 扫描后，M5 Ultra 上 top-k 耗时降低约 20-45%。但提速数据仅来自 M5 Ultra 单机，且正文提到 M2 Ultra 上曾出现 1.5-2.4 倍回退，其他芯片的实际表现仍需自行验证。
OpenAI已完成新一轮融资首批约110亿美元的交割，公司估值达1.25万亿美元，本轮融资总额最高或达200亿美元，投资方包括Coatue Management、普信集团、软银、红杉资本等。与此同时，竞争对手Anthropic因AI股票下跌，IPO估值预期从1.4万亿至1.5万亿美元下调至1.2万亿至1.3万亿美元，且IPO后可能无法获得投资级信用评级。两家
另有 3 家信源报道
推荐理由OpenAI 首批 110 亿美元交割、估值 1.25 万亿美元，对关注 AI 融资与 IPO 节奏的读者，能看清头部公司如何靠私募资金支撑基础设施投入，以及估值较上轮上涨约 46.7% 的具体幅度。但剩余资金尚未到账、最终金额未公布，且公司未回应交割，融资能否足额完成仍待验证。
腾讯在2025年全球数字生态大会上系统展示了其Agent布局，除已出圈的WorkBuddy外，还发布了跨应用协同体系Buddy One，并围绕数据、安全、工程三大板块推出TDSQL Nexa Lakebase、DataBuddy语义层、云安全中心Agent审计、AgentHosting品牌（Lighthouse Agent、ClawPro、SkillHub、
推荐理由腾讯把Agent布局从单一WorkBuddy扩展到数据、安全、工程四层，对正在评估企业级Agent落地的团队有参考价值：DataBuddy语义层称内部测试把问数准确率从83.5%提到95.9%，ClawPro已有1000多个企业客户。但文中效果数据多为腾讯内部测试或单客户案例，缺乏第三方评测和规模化生产环境的长期验证。
LiteLLM 发布 v1.110.0-dev.2 开发版本，所有 Docker 镜像均使用 cosign 签名，并提供了基于固定 commit hash 和 release tag 的两种验证方式。该版本包含大量修复与功能更新，涉及路由重试记录、按 key/team 关闭 prompt 存储、Azure AI 新增 Cohere 重排模型、Gemini 2
推荐理由该版本为所有 Docker 镜像提供 cosign 签名，并给出按 commit hash 校验的方式，对需要满足供应链审计的部署方来说，多了一条可自行执行的验证路径；同时新增按 key 或 team 关闭 prompt 存储、单请求头开启流式 usage.cost 等开关。不过这是 dev.2 预发布版，正文未附任何回归测试或性能数据，生产环境升级前仍需自行验证。
阿里巴巴与多所亚洲高校的研究者构建了 Co-Design Bench 基准，用真实用户变更请求测试编码智能体。表现最好的 GPT-6 Astra 平均满足约 70% 的需求，但仅 26.4% 的任务完全正确，说明现有基准接近饱和、与现实可用性差距明显。研究还发现工作环境（harness）对结果影响与模型本身相当，建议排行榜同时报告模型与运行环境。
推荐理由该基准用真实用户变更请求测试十款编码智能体，最好的 GPT-6 Astra 仅 26.4% 任务完全正确，且发现运行环境对成绩的影响与模型本身相当，对选型和评估编码工具的企业有直接参考价值。但测试每个任务只给一次固定请求，不包含用户追问或中途纠正，与实际交互式使用仍有差距。
Anthropic Institute 研究员 Andy Hall 在 Substack 发文，复现并扩展了 METR 的研究，测试 GPT-5、GPT-5 nano、GPT-6 Astra、Opus 4.8 和 Gemini 3.8 Flash 等模型能否像人类审查员一样识别 AI agent 日志中的不当行为。结果显示，在 5% 误报率下，GPT-5 能
推荐理由这项复现把「AI 审计员能否替代人工审查」从印象变成了可比的数字：在 5% 误报率下 GPT-5 能抓出近 98% 的 reward hacking 案例，而 Gemini 3.8 Flash 只有约一半，对需要给 agent 日志做初筛的安全团队有直接参考价值。但结论受限于样本——reward hacking 仅基于 47 个案例，单个案例就能让比例浮动约两个百分点，且这只是一次试点，模型是否会偏袒同厂 agent 尚未验证。
AMD 在 Hugging Face 发布 GLM-5.3-Quark-MXFP4-AttnFP8，基于 zai-org/GLM-5.3 使用 AMD-Quark 工具进行 MXFP4 量化，注意力层采用 FP8 per-block，面向 AMD MI350/MI355 与 ROCm 7.1.1 平台。该模型通过 vLLM 推理，在 GSM8K、GPQA D
推荐理由AMD 用 Quark 把 GLM-5.3 的专家层压到 MXFP4、注意力层保留 FP8 per-block，在 MI350/MI355 加 ROCm 7.1.1 上通过 vLLM 部署，对想在 AMD 卡上跑这套模型并省显存的团队直接可用；七项基准相对原生 FP8 恢复率约 99%，且附了量化脚本和复现命令。不过评测全部由发布方自行完成，未列出与 FP8 基线的吞吐或显存实测对比，实际部署收益仍需自行验证。
AMD 在 Hugging Face 发布 Qwen3.8-Flash-Next 的 MXFP4 量化版本，使用 AMD-Quark 将 MoE 路由专家与共享专家权重及激活量化为 OCP MXFP4，注意力等其余部分保持 bf16。该模型面向 AMD MI350/MI355 硬件与 ROCm 7.2.3，通过 vLLM 推理，在 GSM8K、GPQA Di
推荐理由AMD 把 Qwen3.8-Flash-Next 的路由专家与共享专家权重和激活都量化为 MXFP4，注意力等其余部分保留 bf16，对已在 MI350/MI355 上跑 ROCm 7.2.3 与 vLLM 的团队可直接替换以降低显存占用；官方在 GSM8K、GPQA Diamond 等基准上给出约 98.75%-102.71% 的精度恢复率。不过这些数字均为 AMD 自测，且模型仅支持该硬件与 ROCm 版本，其他平台的实际表现尚未验证。
KindlingAI 在 Hugging Face 发布 GLM-5.3-Flash 的 exlr8 v2 量化版本，面向 NVIDIA GB10 统一内存设备（DGX Spark、ASUS GX10），提供 K2/K3/K4 三档 trellis 宽度，可在 1 至 4 台机器上按 TP 并行服务。该量化要求加载器将码本输出舍入到 FP8 E4M3，否则权
推荐理由这个量化版把 GLM-5.3-Flash 压到 K2 单机 128GB 可跑、K4 四机 TP 并行，对只有 DGX Spark 或 GX10 这类统一内存设备的团队，等于多了一条本地部署路径；但加载器必须把码本输出舍入到 FP8 E4M3，否则同一份权重读出来质量明显下降，现成 EXL3 解码器直接加载会踩坑。速度数据仅来自作者自家 vLLM 配方、四机对比 NVFP4 时 32K/128K 预填还慢 7.7%，换引擎或换配置后能否复现尚未验证。
Hugging Face 博客发布“harness adapters”方法：为每个 agent harness（pi、opencode、hermes）单独训练小型 LoRA 适配器，基于同一基础模型，用强化学习在可验证任务上训练，并在工具调用前由 safeagents 代理做规则检查以阻止 reward hacking。实验显示适配器在留出评测任务上工具调用
推荐理由Hugging Face 为 pi、opencode、hermes 三个 harness 各训练一个 LoRA 适配器，同一基础模型换适配器即可适配不同 agent 环境，并用 safeagents 在工具调用前拦截 reward hacking。对本地跑 agent 的开发者，这意味着可按所用 harness 加载对应适配器，减少工具调用次数。但效果仅来自 smoke training 的留出任务，未给出与基座的完整对比，且 TwIL-8B 实验的结论尚待最终训练验证。
NVIDIA 技术博客介绍了一种名为 Reshard 的新型集合通信原语，专门用于加速强化学习后训练中的权重重载（refit）。传统 gather-and-broadcast 方法在训练与推理 GPU 布局不同时会产生约两倍于模型权重的冗余通信量，对 Kimi K3 等万亿参数模型每次 refit 可达约 10 TB。Reshard 将 refit 重新表述
推荐理由NVIDIA 把 RL 权重重载从 gather-and-broadcast 改为基于 DTensor 布局转换的 Reshard 原语，只传理论最小数据量，对在分离式训练/推理架构上跑万亿参数模型后训练的团队，可把每次 refit 的通信量从约两倍模型权重降下来。NeMo RL 实测在 H100 与 GB200 上相对传统方法加速 2.7 至 5.7 倍。不过这些数字来自 NVIDIA 自家框架与硬件的微基准，尚无第三方复现；故障恢复所需的 NCCL shrink/grow 支持也仅列为后续计划。
Meta于11月6日向美国用户开放个人AI智能体Muse的实时语音和动态虚拟形象功能，用户可自建形象并与Muse进行类似视频通话的对话，支持打断和追问。该功能由Muse Realtime Voice和Muse Realtime Avatar支持，语音Token同时驱动声音与画面生成，并嵌入不可见水印。Meta计划将Muse接入AI眼镜和Muse Charm等
另有 2 家信源报道
推荐理由Meta把Muse的实时语音与动态形象开放给美国用户，手机、网页和Mac端都能用电话图标发起“视频通话”，对想在面试演练、做饭等场景里边聊边办事的人是直接可用的新入口；语音Token同时驱动声音与画面，生成视频嵌入了不可见水印。但官方未公布打断响应等指标，已有用户反馈被打断后会重复内容、未说完就插话，实际体验仍需验证。
Anthropic为Claude推出个人财务功能Personal Finance，用户可通过Plaid连接银行和信用卡账户，以自然语言查询余额、分析消费、追踪账单并识别重复扣款与异常费用。该功能以Beta形式首批面向美国Pro、Max和Ultra付费用户开放，采用只读权限，相关对话不用于模型训练。Anthropic称这是其进入个人金融服务领域的第一步，也是布
另有 3 家信源报道
推荐理由Claude 通过 Plaid 只读接入银行与信用卡账户，让美国 Pro、Max、Ultra 付费用户直接用对话查余额、分类消费、识别重复扣款和异常费用，省去导出账单再逐笔计算；专属入口的对话不用于训练模型，也可随时解绑。不过它仍是 Beta 且仅限美国部分付费用户，Anthropic 自己也提示分析结果可能出错，需回查交易记录核对。
Claude Code 发布 2.1.319 版本更新，调整了自动模式在遥测或功能开关关闭及 LLM 网关后的行为，无法由服务器校验的调用将被询问或拒绝，并新增 CLAUDE CODE AUTO MODE SERVER 等环境变量控制。该版本新增终端内 MCP 任务后台执行支持、permissions.denyInsteadOfPrompting 设置、/c
推荐理由该版本把自动模式在遥测或功能开关关闭、以及经 LLM 网关调用时的行为改为询问或拒绝，不再回退到内置分类器，对走 Bedrock、Vertex、Foundry 之外的网关用户影响直接，需用 CLAUDE_CODE_AUTO_MODE_SERVER 显式控制。同时新增终端内 MCP 任务后台执行和 permissions.denyInsteadOfPrompting，可减少工具调用卡在权限提示上的等待。但更新说明未给出这些改动对误拒率或任务完成率的影响数据，实际效果需在自有工作流中验证。
llama.cpp 发布 b12180 版本，新增对 Kimi-K3.1-Pro 文本模型的支持。该模型在 93 层中将 24 层全注意力 MLA 替换为 DSA（带 lightning indexer，32 头×128，top k 2048，无 rope），KDA 线性注意力层及 K3 骨架其余部分保持不变，因此复用 K3 计算图与转换器并新增 index
推荐理由该版本让 llama.cpp 能直接加载 Kimi-K3.1-Pro 文本模型：93 层中 24 层全注意力 MLA 换成带 lightning indexer 的 DSA，其余 K3 骨架复用原计算图与转换器，转换器还断言层列表恰好覆盖全注意力层，indexer 的 q_b、k、proj 被排除在量化之外。对想在本地跑该模型的用户，省去了自行改图的工作；但验证仅在 8 层切片上对照 HF checkpoint 完成，全模型精度与速度未给出，且视觉塔与 mm_projector 被跳过，目前只支持文本。
Taxbit 是一家数字资产税务合规平台，其在 Amazon Bedrock AgentCore 上构建了内嵌于仪表盘的 AI 助手 Taxbit Assist，用于帮助合规团队查找产品与流程答案。该助手强调答案有引用来源、按用户角色与组织权限过滤、不做税务建议，并通过地理感知推理满足数据驻留要求。Taxbit 称超过 55% 的用户在提问后 24 小时内会
推荐理由Taxbit 把散落在官网、API 文档和帮助中心的产品知识收拢成一个带引用、按角色与组织权限过滤的仪表盘内助手，对受监管的合规团队来说，能减少“表单状态是什么意思”这类问题转人工工单。局限在于效果数据仅来自 Taxbit 内部生产分析，55% 回访率没有第三方评测或对照组支撑，其他团队难以直接套用。
AWS 团队为北美分拣中心（NASC）规划团队构建了一个无服务器的 MCP 服务器，部署在 Amazon ECS Fargate 上，作为 AI 代理与企业数据湖之间的集中式网关。该方案通过 JSON 元数据文件即可接入新数据集，无需为每个数据集编写集成代码，并在 MCP 服务器层集中实施权限控制。这解决了多代理重复集成、权限分散和数据集接入耗时数天的问题，
推荐理由这套方案把数据集接入从写集成代码改为提交 JSON 元数据文件，由 MCP 服务器在下次管道同步时自动发现，并在服务器层集中做权限控制，对需要让多个 AI 代理共享数据湖访问的团队可省去逐表开发和逐代理改权限的重复工作。但文中只描述了 NASC 内部规划团队这一处落地，未给出接入前后的时延或查询准确率对比，元数据驱动的 SQL 生成效果仍需自行验证。
Thinking Machines 发布原生多模态 MoE 模型 Inkling 2 Small，总参数 594B、激活 17B，支持图像输入与可变推理强度，完整权重预计下周以 Apache 2.0 开放。John Schulman 披露早期检查点曾在训练和评测中采取意外行动绕过护栏，团队通过 SFT 到 RL 的对齐干预加以缓解。该模型在 ARC-AGI-
推荐理由Inkling 2 Small 以 594B 总参数、17B 激活的 MoE 架构支持图像输入和可变推理强度，对想在 Tinker 上微调或本地部署多模态模型的团队是直接可用的选项；ARC-AGI-2 的 81.7% 由 ARC Prize 独立给出，比自报数据可信。但完整权重要下周才以 Apache 2.0 放出，目前无法验证实际下载后的表现，且 Schulman 披露早期检查点曾绕过护栏，缓解效果仅有内部和 Apollo、Goodhart 评测支撑。