大语言模型

Hemmingway-1：基于Qwen3.8的27B日常写作模型开源发布

瑞士公司 The Commons Lab 在 Hugging Face 发布 Hemmingway-1，一个基于 Qwen3.8-27B 微调的 27B 参数开源权重模型，主打日常消息、邮件等写作场景，采用 CC BY-NC 4.0 非商用许可。团队用自建的 CommunicationBench、Human-Likeness 和 StoryBench 基准测

Ted Sanders 解释 OpenAI 模型命名与规模逻辑

OpenAI 的 Ted Sanders 解释了 LLM 性能的多维性，指出模型规模是解释性能差异的主要单一变量，更大的模型通常更可靠、每 token 成本更高、对冷门事实的召回更好。他同时说明了 OpenAI 的模型命名逻辑：Luna < Terra < Sol < Astra 的排序，以及版本号同时表示发布顺序、与其他版本的关系和改进幅度，例如 6.1

另有 1 家信源报道

0营收估值200亿美元，具身版OpenAI又融10亿美元

美国机器人AI公司Physical Intelligence（PI）正洽谈至少10亿美元新一轮融资，投后估值预计约200亿美元，较去年11月的56亿美元大幅上涨。该公司2024年成立，创始团队来自Google DeepMind、斯坦福和UC Berkeley，专注研发可适配不同机器人硬件的通用机器人基础模型（VLA），目前尚无商业营收和量产产品。PI今年发布

天津大学张长青：给多模态融合加上可信度量尺

天津大学张长青在CNCC 2026 Tutorial环节报告《广义多模态融合技术》，介绍团队在多模态表征、动态可信融合和通用预测基座三方面的研究。团队提出通过重构观测学习潜在表征以保留模态特有信息，并基于证据理论提出TMC方法动态评估各模态可靠性，在晶体结构识别任务中准确率从约58%-59%提升至93.9%。团队还构建通用多模态预测基座FAM，在18个数据集

ResCom：面向大语言模型量化的激活残差补偿

论文提出 ResCom，一种用于大语言模型低比特量化（W4A4）的激活残差补偿方法：在模型完成校准后，利用激活舍入残差，通过低秩校正来补偿层输出误差，无需梯度训练，也不改动已校准的权重。在 Llama-3-8B 上，rank-32 的注意力校正将 WikiText-2 困惑度从 7.708 降至 7.147，MMLU 提升 2.89 个百分点，GSM8K 五

FinLLM-KG：知识图谱增强LLM的金融情感分析

该论文提出 FinLLM-KG，一个模型无关的框架，将因果 LLM 与金融知识图谱结合，在推理时注入来自 SEC 10-K 文件的公司级知识，无需更新模型权重。上下文以自然语言公司简介或少量相关性排序的事实三元组形式提供，使情感预测能考虑公司层面的信息，并可将预测归因到具体句子和知识图谱事实以增强可解释性。模拟实验表明，该框架在投资组合表现上持续优于现有基线

ReCoPII：基于关系的上下文PII掩码数据集构建框架

研究者提出 ReCoPII 框架，通过本体约束的实体关系规划、LLM 生成插入句与独立 LLM 复核，从 PII 标注文档构建上下文掩码数据集，不再预设单一数据主体。在六个领域韩语文档上构建 ReCoPII-Ko 语料，四名标注者对其 KEEP 标签一致率达 88.42%，远高于 SPY 式增强的 26.27%。基于该数据训练的模型过度掩码更少，联合微调的检

具身智能公司无境动力陷欠薪停工；月之暗面发布Kimi K3.1 Pro

南京具身智能公司无境未来动力被曝自8月起拖欠三四十名员工工资、累计近800万元，并已停工停缴社保公积金，CEO袁海辉称联系不上实控人崔小飞，与该公司此前宣称融资1.1亿元、拿下近10亿元订单形成反差。同日，月之暗面发布3万亿参数开源模型Kimi K3.1 Pro，Terminal-Bench 4.0得分65.7%超过GPT-6 Astra，API价格下调约3

面向公共卫生数据采集的智能体AI方法探索

弗吉尼亚大学与RAND的研究者提出一种面向公共卫生数据采集的智能体AI工作流，由编排智能体将监测目标转化为共享任务规范，多个专用智能体协同完成来源发现、治理、证据结构化、事件关联与验证。该工作流在2026年汉坦病毒疫情、2025年加拿大麻疹和塞拉利昂猴痘三个场景中应用：汉坦病毒场景重建了专家基准中全部13例病例，关联85个发布者域名（基准为28个），但可评估

重思结构化生成：基于图的推理能否解决歧义？

该论文指出结构化生成通常被建模为从输入到单一结构化输出的确定性映射，这与自然语言常存在多种结构不同但语义有效的解释相矛盾，单参考监督会将歧义压缩为单一预测，导致输出不稳定。作者将结构化生成重新表述为歧义感知推理问题，采用多有效学习框架在优化中保留歧义，构建候选结构化输出空间并将每个候选表示为图，通过基于图的语义对齐与关系一致性推理进行选择。在结构化生成基准上

SCI：测量赋予信念是否组织语言模型认知

研究者提出 Schema Coherence Inventory（SCI），用 96 道强制选择题测量被赋予的信念是否真正组织语言模型的行为，而非仅带来情绪基调。该工具在 5 个 1.7B–14B 参数骨干模型、107 个条件下验证，信念适配器在每个骨干上均表现出目标特异性（+17.7 分，30/30 信念单元为正），临床训练评分者恢复关键信念的准确率为 7

验证对比而非仅验证评分器：交互式LLM评估中总体准确率可能误导

该论文指出，在交互式LLM评估中，仅用总体准确率验证自动评分器会掩盖不同提示条件下的评分错误差异，从而扭曲提示对比结果。作者在UUP-Bench上用6个模型、180个虚构实体问题和6种提示条件进行审计，发现某对比的表面9.3个百分点提升在两名独立LLM评分者下降至2.3个百分点且置信区间含零。作者建议研究者应验证计划报告的具体差异，而非仅验证评分器整体，并在

OpenAI 以最高九折优惠挖走 Anthropic 大客户

据 The Information 报道，OpenAI 以最高 90% 的折扣从 Anthropic 手中争夺大客户，Rippling、Replit、DataCamp 等公司已将更多 AI 支出转向 OpenAI。Rippling 的编程负载中 OpenAI 份额从 16% 升至 52%，Anthropic 从 57% 降至 18%；Replit 因获得超

研究：Grok 在中期选举中 92% 推荐共和党，GPT 97% 推荐民主党

Convovo 的一项研究通过 API 向 Grok 4.7 和 GPT-6.1 Sol 提问，要求它们在近 500 场中期选举中直接推荐候选人。结果显示，Grok 在 92% 的回答中推荐共和党候选人，GPT 在 97% 的回答中推荐民主党候选人，两者一致率不足 10%。研究还发现，Grok 的 API 请求中带有约 1240 个研究者无法查看或移除的额外

Lighthouse：面向民权档案历史探索的可信数字助手

南卡罗来纳大学的研究团队构建了名为 Lighthouse 的数字助手（聊天机器人），用于探索美国民权运动时期的历史档案，据称是首个面向该领域的此类系统。该系统采用神经符号方法，将大语言模型与基于规则的符号求解相结合，设计原则聚焦内容可信度与降低生成答案对用户的潜在伤害。研究团队用客观事实性问题与由专家答案聚合出“金标准”的主观问题数据集进行评估，系统可访问超

检测不够：将推理轨迹作为可测试的程序假设

该论文研究在无参考解、无评判模型、无权重更新的条件下，如何验证大语言模型单条推理轨迹的可信度。作者在冻结的 LLaMA-2-7B-chat 上基于 GSM8K 测试发现，静态自检的 AUROC 仅达 0.741，因为 67.1% 的错误轨迹并未包含错误等式；他们提出将轨迹抽象为程序并扰动题目数量的变形探针，71.0% 的测试题可构造有效扰动，但该探针也会误驳

llama.cpp 发布 b11812：为 granite 模型记录层输入

llama.cpp 发布 b11812 版本，主要变更为为所有 granite 模型记录层输入（#30957），该改动位于 GraniteSpeculatorSupport 分支，由 IBM 的 Gabe Goodhart 提交，并标注为全程使用 Claude + Sonnet 5.5 辅助完成。发布同时提供 macOS/iOS、Linux、Android、

PAW-27B-X3.1-GGUF：Qwen3.8-27B 量化版发布

开发者 lackonendes 在 Hugging Face 发布 PAW-27B-X3.1-GGUF，这是对 Qwen/Qwen3.8-27B 的量化版本更新，采用 trellis-codec 与 PAW 方案，可在单张 RTX 3090（24GB 显存）上以 262,144 token 全上下文运行，生成速度约 129 tok/s。相比前代 X3，相同文

审计LLM量子代码生成评测：基准饱和与评测器缺陷

该论文对量子代码生成领域的LLM评测进行了系统审计，在五个包含530个任务的基准上评估了15个模型，并提出了新的96任务基准QuantumBenchEval。研究发现QiskitHumanEval-Standard对最强模型已接近饱和（98.7% pass@1），而评测设计缺陷影响巨大：移除提示未指定的检查后，GPT-6 Astra的pass@1从0%升至9

TAGR：跨异构城市配送任务的任务自适应地理语义检索

该论文提出 TAGR，一个面向城市即时配送中需求预测、ETA 预测和下一站预测三类异构任务的统一检索框架。TAGR 利用冻结的 LLM 编码器构建地理语义共享先验，并结合任务特定适配器与检索库，以在共享区域知识的同时保留各任务特有的证据结构。实验在三个城市数据集上显示，TAGR 在多个任务上持续优于现有最优基线。