DeepSeek 发布 DeepSeek-V4.1-Flash-1017，网页端、APP 与 API 已同步更新，各基准测试相比上一版 V4.1 Flash 明显提升，同时缩短任务运行时间与输出长度。官方称新版本在多个 Harness 下达到新的性能-费用帕累托最优，建议升级到 DeepSeek Harness 0.2.1-rc.1 及以上，并开放了自研搜索 API。
推荐理由：DeepSeek 官方给出 V4.1-Flash-1017 的基准提升与费用变化，读者可据此判断是否升级现有 API 调用。
Reflection 发布首个开源权重模型 Beam，权重已在 Hugging Face 以 Apache 2.0 协议放出。Beam 为稀疏 MoE 模型，总参数 501B、激活 23B，面向编码、推理和长程智能体任务。该模型提供 BF16、FP8、NVFP4 精度权重和投机解码 drafter 模型。
推荐理由：Reflection 首次开源 501B 稀疏 MoE 权重，可据此了解其面向编码与长程智能体的参数配置和精度选项。
vLLM 宣布从 Day 0 支持 Reflection 的 Beam 模型，这是一个 501B 参数、每 token 激活 23B 的 MoE，并在 NVIDIA Blackwell 上完成优化，推理、工具调用和结构化输出开箱可用。
推荐理由：vLLM 从 Day 0 支持 Beam 并给出内核融合与自适应验证的实测数据，可看推理栈如何承接新架构。
AMD 与 Embedded LLM 在 vLLM Blog 详解 Kimi K3 在八卡 AMD Instinct MI355X 上的推理优化，在 AgentX 基准 50 tokens/s/user P90 交互性下达到约 7。
推荐理由：AMD 与 vLLM 社区拆解 Kimi K3 在 MI355X 上的六项推理优化，可迁移到自建推理栈的瓶颈排查。
vLLM 与 Meta Superintelligence Labs 合作，在 Muse Spark Open 发布当天为其提供 Day 0 支持。
推荐理由：vLLM 在发布当天给出 Muse Spark Open 的部署命令、量化格式与 DSpark 投机解码配置，可据此评估 1M 上下文的生产落地成本。
Apple 发布 MLX 新版本，展示在 Mac Studio 上本地运行前沿大模型：四台 M5 Ultra 组成的集群运行 816B 参数的 Muse Spark Open 时生成速度超过 36 tokens/s，单机 M5 Ultra 相比 M3 Ultra 的 TTFT 最高快 4.6 倍、生成速度提升 1.6 倍。
推荐理由：Apple 官方给出 MLX 在 Mac Studio 集群上跑近万亿参数模型的实测数据，可据此判断本地大模型推理的可行边界。
作者在数月研究图像与语言模型的神经元和回路后提出，网络自身机制就是可读的构建单元，此前被视为多义性和叠加的经典证据被误读，实际多为一种递归泛化现象。作者称重新训练 InceptionV1 架构后，其最后一层 99-100% 的神经元易于解释，而初步审计 Qwen3-32B 时约 90% 的神经元极点只有一个主要功能。
推荐理由：作者以第一手实验重审多义神经元与叠加假说，给出递归泛化这一替代解释，可供理解可解释性研究走向。
微软研究院发布零知识虚拟机 Magnetar，可证明 Rust、Go、C 编译后的 RISC-V 程序执行，在 15 个基准程序上平均比现有最快的 zkVM 快 10 到 39 倍，证明验证约 12 毫秒。
推荐理由：微软研究院公开 Magnetar 的设计与基准数据，可了解零知识证明在通用程序上的效率与密码学取舍。
一项新基准测试让商用 AI 智能体在无人类提示下求解理论物理研究题，运行在 OpenAI Codex 环境中的 GPT-6-Astra 解出 50 题中的 49 题（98%），平均每题成本不到 3 美元，整套基准约 116 美元。
推荐理由：读者可看到前沿模型在理论物理论文级计算上的实际得分、成本与失败模式，以及作者对科研训练与资源门槛的影响判断。
谷歌发布 Gemini 4 Argon，面向全球开发者和企业开放，可通过 AI Studio、Gemini 平台 API 使用，并支持 Google AI Ultra 与 Pro 订阅用户。
推荐理由：谷歌新模型把输出上限拉到 100 万 token，并给出限时与后续两档定价，可据此判断长输出任务的成本。
Google 的 Gemini 4 Argon 正式 GA，在 Artificial Analysis Intelligence Index 上与 GPT-6 Astra 排名持平，每任务成本仅为后者的 60%。
推荐理由：对比 Gemini 4 Argon 与 GPT-6 Astra 的智能指数和每任务成本，可用于评估同等智能水平下的性价比选择。
Google DeepMind 向开发者、企业和付费 Gemini 订阅用户开放 Gemini 4 Argon，这是一款稀疏 MoE 前沿模型，单次响应最多可输出 1M tokens，输入与输出共享 1M 窗口。
推荐理由：Google 新前沿模型开放 API，1M token 输出上限与优惠定价是开发者评估成本与长任务能力的关键变化。
AWS 团队在 Amazon Bedrock 上基于 Grok 4.7 构建工具调用智能体，在三个需要搜索而非查表验证的任务上跑了 72 次，答对 67 次，xhigh 档位 18 次全对。
推荐理由：通过 72 次可复现的智能体运行，量化了 Grok 4.7 各推理档位在正确率与 token 成本间的取舍。
Meta Superintelligence Labs 发布第二代模型家族 Muse Wonder（代号 Watermelon）与 Muse Wonder Full，距该实验室成立约 14 个月。
推荐理由：汇总了 Meta Muse Wonder 系列的发布细节与多家第三方评测数据，可对照 Opus 5.5、GPT-6 等模型看前沿梯队变化。
Apple 与约翰霍普金斯大学研究者提出 SELFCOMPACT，让模型自己决定何时以及如何压缩上下文，由模型调用的压缩工具和一份轻量 rubric 两部分组成，无需微调或外部监督。
推荐理由：论文提出让模型自行决定何时压缩上下文的脚手架，并给出六个基准、七个模型上的成本与效果对比。
vLLM 新增双向 KV 传输能力，让 decode 节点把已计算的 KV 块回传给 prefill 节点，避免多轮对话中重复计算历史上下文。在 1P1D 部署、Amazon EC2 P5en 加 AWS EFA 的测试中，最长提示下 Qwen3-32B 的 TTFT 降低约 1.6 倍，zai-org/GLM-5-FP8 降低约 3.3 倍。
推荐理由：原文给出双向 KV 传输的架构、可调参数与复现步骤，读者可据此评估多轮智能体场景下的 TTFT 收益。
Meta 的 Superintelligence Lab 发布 Muse Wonder 和 Muse Wonder Full 两款模型，这是其首次尝试前沿模型。
推荐理由：Meta 首次发布前沿模型，给出与 Fable 5.1、GPT-6 Astra 的基准对比及 API 定价，可据此判断其定位。
Google DeepMind 的 AlphaProof Nexus 在《Science》新研究中独立解决了数十个开放数学问题，包括 353 个 Erdős 问题中的 9 个，其中两个已悬置 56 年。
推荐理由：读者可了解 AlphaProof Nexus 在 Erdős 问题与 OEIS 猜想上的具体成绩，以及它经同行评审的路径与 OpenAI 做法的对比。
OpenAI 的 GPT-6.1 Sol Ultrafast 正在 ChatGPT Work、Codex 和 API 上推出。Ultrafast 模式定价为每百万输入 token $12、每百万输出 token $60，速度比 Sol Standard 快 8 倍。
推荐理由：GPT-6.1 Sol Ultrafast 在 ChatGPT Work、Codex 和 API 上线，并给出输入输出 token 定价与相对 Sol Standard 的速度倍数。
NVIDIA Dynamo 提出以统一的会话级 ID 把请求级服务基础设施改造成程序感知系统，支持会话感知路由、共享 KV cache 索引和跨 vLLM、SGLang 的程序化缓存迁移。
推荐理由：原文给出会话级 ID、追踪回放与调度策略的完整设计，可据此理解智能体推理服务栈的改造路径。