部署工程

Claude Haiku 5.5 发布，大幅降价并超越 GPT-6 Luna

Anthropic 发布 Claude Haiku 5.5，这是其最快、最便宜的小模型，面向数据查询、客服等高并发任务。相比 Haiku 4.5，基准测试大幅提升，token 价格最多降低 90%，并在 agentic coding 等类别上超过 OpenAI 的 GPT-6 Luna。该模型已在 AWS、Google Cloud 和 Azure 上线，同时

联想YOGA Pro 15 RTX Spark开启盲约，搭载NVIDIA N1X芯片

联想于10月8日9:00开启YOGA Pro 15 RTX Spark笔记本电脑全网盲约，该产品为全球首批搭载NVIDIA RTX Spark N1X超级芯片的本地智能体AIPC。芯片集成Blackwell RTX GPU与Grace CPU，可提供1 Petaflop FP4端侧AI算力，支持至高128GB统一内存，本地运行超千亿参数大模型并出厂自带35B

另有 1 家信源报道

llama.cpp b11496：SYCL 后端通过固定环形缓冲区分阶段批量上传模型

llama.cpp 发布 b11496 版本，主要变更是为 SYCL 后端引入通过固定环形缓冲区（pinned ring buffer）分阶段进行模型加载时的批量上传（PR #29608）。该版本同时提供覆盖 macOS/iOS、Linux、Android、Windows 及 openEuler 的多平台预编译二进制包，涵盖 CPU、CUDA、Vulkan、

llama.cpp b11495：为 reranker 增加 classifier activation 支持

llama.cpp 发布 b11495 版本，为 reranker 模型新增 classifier activation 支持，将 classifier 的 gelu 映射为 gelu erf 并接受 tanh，同时把默认激活函数设为 tanh，ModernBERT 则回退到 gelu erf。该改动提升了 reranker 类模型在 llama.cpp 中

llama.cpp b11494：CUDA GDN 状态列优化与多平台构建

llama.cpp 发布 b11494 版本，主要更新为 ggml-cuda 后端中 GDN 状态列的 warp 分配优化，将每 warp 的 GDN 状态列数从 2 提升至 4，并在 S v=128 时默认使用 4 列。该版本同时提供覆盖 macOS、Linux、Windows、Android 等多平台及 CUDA、Vulkan、ROCm、SYCL、Ope

llama.cpp b11493：SYCL 新增分组 MoE XMX GEMM

llama.cpp 发布 b11493 版本，主要变更为在 SYCL 后端新增分组 MoE XMX GEMM 支持（PR #29245）。该版本同时提供覆盖 macOS/iOS、Linux、Android、Windows 及 openEuler 的多平台预编译二进制，涵盖 CPU、CUDA、Vulkan、ROCm、SYCL、OpenVINO 等后端。

LangChain4j 发布 1.22.0：新增 OpenAI Decisions 与 Bedrock 批量模型

LangChain4j 发布 1.22.0 与 1.22.0-beta32 版本。本次更新新增 OpenAI Decisions API 支持（OpenAiDecisionModel 与 OpenAiOfficialDecisionModel），并加入面向 AWS Bedrock 批量推理的 BedrockBatchChatModel。此外还包含 Anthr

Anthropic 发布 Claude Haiku 5.5，定价对标 GPT-6 Luna

Anthropic 发布 Claude Haiku 5.5，这是 Haiku 层级约一年来的首次更新，定价与 OpenAI 的 GPT-6 Luna 对齐，同时下调 Sonnet 5.5 价格并推出订阅用户 API 额度。官方称其为最便宜、最快、最强的小模型，平均运行成本比 Haiku 4.5 低约 75%，定位为与 Opus 5.5 或 Sonnet 5.

另有 1 家信源报道

云栖大会观察：阿里下一阶段模型战怎么打

在2026年云栖大会上，阿里千问大语言模型负责人刘大一恒公布了Qwen4、Qwen4.5和Qwen5的路线图，计划将参数规模从Qwen3.8的2.4T推向5T-10T，同时通过稀疏注意力等新架构降低训练与推理成本。阿里还披露了让Qwen3.8-Max参与芯片设计、推理框架优化和模型训练等RSI实验的成果，并宣布下一代视频生成模型将于11月发布，图像、语音、音

STEPQuant：Delta-Rule 循环状态的时空量化

该论文提出 STEPQuant，一个针对 Delta-rule 循环状态（线性注意力中替代 KV 缓存的固定大小状态）的时空后训练量化框架。作者发现量化误差的影响在时间维度（长寿命记忆误差跨多步解码持续）和空间维度（不同 key 行对输出影响不同）上存在差异，据此按误差幅度与记忆寿命分配精度，并联合拟合 key 行与 value 列缩放。在 Qwen3.8-

humanizer：12B 本地模型把 AI 草稿改写得更像人写

Hugging Face 上出现一个名为 humanizer 的 12B 模型（基于 google/gemma-4-12B 微调），用于将 AI 撰写的邮件、文章、报告等草稿改写得更像真人写作，支持中英文并可在本地离线运行。该模型在 Originality.ai 最严格设置下 95% 的英文改写被判定为人类写作，420 条英文改写中 376 条无事实问题。其

llama.cpp b11490 发布：Hexagon 后端启用 alloc buffer n

llama.cpp 发布 b11490 版本，主要更新为 Hexagon 后端启用 alloc buffer n，新增对大张量拆分到独立缓冲区的支持，并将 GGML HEXAGON MBUF 改为接受 dyn、static、total 三个值，同时把动态缓冲区默认值从 128MB 提升到 512MB 以改善大 MoE 模型性能。此外新增 --no-embd-

llama.cpp b11489：Hexagon Q6 K 反量化加速

llama.cpp 发布 b11489 版本，主要变更为 Hexagon 后端针对 Q6 K 权重的反量化（dequant）速度优化（PR #30121），通过额外展开循环因子 2 提升性能。该版本同时提供覆盖 macOS/iOS、Linux、Android、Windows 及 openEuler 的多平台预编译二进制包，支持 CUDA、Vulkan、ROC

GRACE：面向生成感知的潜在压缩加速视频生成

KAIST AI 与 Kakao Corp. 的研究者提出 GRACE，一种两阶段框架，可在保持与预训练 DiT 兼容的前提下压缩视频自编码器：保留冻结的基础 latent，学习残差 latent 补偿强压缩丢失的信息，并在冻结 DiT 的特征空间中对齐压缩 latent，使自编码器面向生成而非仅重建优化。随后仅需轻量微调 DiT 并采用非对称去噪（基础先于

llama.cpp b11488 新增 LiquidAI d1-omni-600M 决策模型支持

llama.cpp 发布 b11488 版本，新增对 LiquidAI/d1-omni-600M 决策模型的支持，并在 CUDA 上保留 conformer GLU sigmoid。服务端支持通过 images 和 input audio 传入 d1omni 音频，并将无记忆 lfm2 限定为非因果模式。同时将决策类型 d1omni 重命名为 lfm2-d1

Route-Verify-Vote：面向混合域推理的过程条件自一致性

该论文提出 Route–Verify–Vote（RVV）框架，用于混合域推理中的过程条件自一致性，无需更新模型参数。RVV 通过域标签选择推理过程、逐选项验证约束，并对完整答案集投票，同时将额外采样分配给票数差距小的问题。在 SCoRE 2026 官方测试集上，16 次采样投票达到 74.6% 精确集合准确率，自适应 RVV 达 77.3%，结合模型后达 7

Emo-Jev：基于Jev概率推理的情感分类

该论文提出 Emo-Jev，一个无需训练的框架，利用 Jev 的概率决策接口进行情感、情绪、讽刺和幽默分类。Emo-Jev 包含两种实现：Emo-Jev-D 将分类分解为原子判断并组合概率，Emo-Jev-SC 构建多路径判断并聚合为共识决策。在八个数据集上，标准 Jev 平均 macro-F1 为 62.93%，低于最强 LLM 基线 Gemini 的 6

CoDR：面向扩散语言模型的无训练置信漂移重掩码

论文提出 CoDR（Confidence-Drift Remasking），一种无需训练、与采样器无关的扩散语言模型精修方法。该方法通过 k-partition probing 在少量前向传播中估计已提交 token 的置信度漂移，将模型不再支持的 token 重新掩码并重新生成。在 LLaDA-8B 和 Dream-7B 两个骨干模型、四个推理与编码任务、

基于漂移的无标签混合精度文本嵌入量化

该论文提出一种无需标签的混合精度训练后量化方法，用于文本嵌入模型。方法通过量化单个模块后重新编码语料，测量输出嵌入相对全精度位置的漂移，以此作为模块敏感度信号，在硬性字节预算下进行加性分配。在五个开发用嵌入模型上，配置级漂移与留出检索质量达到宏观 Spearman 0.911，并在三个未触碰模型上验证了预注册假设，但主预算下漂移分配数值上低于同预算均匀精度。

按拓扑诊断多智能体 LLM 协作失败

该论文提出 MAScope 两阶段框架，用于诊断多智能体 LLM 系统的协作失败。第一阶段 TSE 从异构执行轨迹中恢复通信拓扑，第二阶段 TC-Judge 结合轨迹、预测拓扑、经验失败先验和拓扑特定失败模式进行分类。实验表明通信拓扑与失败类型存在统计显著关联，拓扑条件上下文可将 gpt-mini 的 Macro-F1 显著提升，并在固定编排结构下以约更低成