美團發佈新一代大模型 LongCat-2.5,多項 Agent 評測排名第一
美團推出新一代多模態大模型 LongCat-2.5,面向長程智能體任務,並在多項 Agent 評測中取得領先成績。它在 AutomationBench 得分51.8,高於 Claude-Opus-5 的50.3;BrowseComp 得分91.9並排名第一,3DCodeBench 文本轉3D項目得分55.4,略高於其他競品。
美團推出新一代多模態大模型 LongCat-2.5,面向長程智能體任務,並在多項 Agent 評測中取得領先成績。它在 AutomationBench 得分51.8,高於 Claude-Opus-5 的50.3;BrowseComp 得分91.9並排名第一,3DCodeBench 文本轉3D項目得分55.4,略高於其他競品。
MIT CSAIL 團隊以「權重空間編程」測試 GPT-6 Astra 直接讀取和修改神經網絡權重,並修復 Qwen3.5-0.8B 的推理循環。在 50 次前向計算下,Astra 修改 131,072 個權重,佔總數 0.016%,令 MATH-500 成績由 7.9% 升至 48.1%,GSM8K 由 13.8% 升至 67.1%。
Sam Altman 在 ADIPEC 2026 表示,完成 OpenAI 納維–斯托克斯研究核心探索的,是由即將發布的下一代 GPT 驅動的約 1 萬個 Agent;相關發言影片:https://www.youtube.com/watch?
MIT CSAIL 研究人員讓 GPT-6 Astra 修改 Qwen3.5-0.8B 的 131,072 個權重,以解除推理循環,令多項基準分數上升。MATH-500 由 7.9% 升至 48.1%,GSM8K 由 13.8% 升至 67.1%;觸及 32,768-token 上限的 MATH-500 答案比例則由 93% 降至 33%。
高通第一代 HBC 技術已完成硬件驗證,搭載該技術的 AI250 加速器計劃於明年上半年提供樣品。高通公佈的 AI250 方案有效記憶體頻寬達 133 TB/s,為採用 LPDDR5X 的 AI200 的 18 倍。早期樣品採用兩層 DRAM 堆疊,每瓦頻寬超過 HBM4 的 5 倍,但未達此前提出的 6 倍目標;正式產品預計採用四層堆疊。
Zyphra 提出 ZHA(Zyphra Hierarchical Attention),以階層樹逐層搜尋每個查詢相關的 token,並在合適的 top-p 路由閾值下實現次二次複雜度。
作者以 Rust 和 TorchTPU 在 Cloud TPU v5e-1 VM 上部署 Gemma 4 E2B,提供 OpenAI 相容端點。CPU 測試中,Rust 與 Hugging Face Transformers 的 64 個 greedy tokens 全數一致;TPU 單請求解碼中位數為 12.20 tokens/s。
CPU、GPU、TPU 與 NPU 各有不同設計取向,分別負責通用應用邏輯、大規模平行運算、Google 的專用 AI 運算,以及裝置上支援的神經網絡推理。它們並非互相取代的處理器;實際工作由哪種硬件執行,取決於工作負載及軟件支援。
OCRia 團隊優化 OCRia-1 的推理流程,令單張 B200 GPU 的 token 生成速度由約 285 tokens/sec 提升至約 2800 tokens/sec,接近 10 倍。
研究團隊以 GPT-6 Astra 測試 Weight-Space Programming,讓模型按自然語言目標直接讀取、修改或從零寫出神經網絡權重,毋須梯度或訓練。
在鍵值檢索任務中,Qwen2.5-1.5B 面對 32K tokens 中性文字時,準確率由 0.97 升至 1.00;若填入證據格式的陳述,準確率則降至 0.11 至 0.21。
研究發現,推理型視覺語言動作模型(VLA)在視覺擾動下可出現理由逐字不變、實際動作卻改變的情況。在 Alpamayo 的 154 個有障礙物標註駕駛場景中,TNAS 引導攻擊在完整影像擾動下造成新碰撞的比例為 52.6%,局部前置鏡頭區域擾動下為 35.1%,無引導攻擊則為 4.55%。研究指出,安全監測不能只看理由文本,還須直接核查預測動作通道。
研究發現,用於 RL 後能力整合的 On-Policy Distillation(OPD)及 Multi-teacher On-Policy Distillation(MOPD)未能充分保留模型的分佈外(OOD)泛化能力。
LMSYS Blog 詳解 HiCache 如何在多種並行配置及分散式服務中協調 KV 快取,讓各 rank 和 pipeline stage 對可重用前綴保持一致。
作者依 2026-10-30 的公開按需價格比較 7 家供應商的 GPU 租用成本,H200 按每 TB/s 小時計在其中 6 家比 SXM H100 划算。H200 的價格低於 H100 的 1.43 倍時,每 TB/s 成本便較低;Together AI 的比值為 1.50 倍,而 B200 在七家均是每 TB/s 最便宜的選項。
清華大學與智譜 AI 的研究人員在 FlatCake 論文(arXiv:2610.38355)中提出平坦 KV cache 架構,將 DRAM 與 SSD 視為統一地址空間中的並列儲存媒體。
Stanford 研究指出,語言模型強化學習後訓練時,以標準 round-to-nearest 將 fp32 主權重轉成 bf16,會令每步超過 99% 的參數更新無法反映在推理引擎使用的權重中(arXiv:2610.41073;程式碼:github.com/andrewgcodes/faircast)。
Import AI 479 聚焦 LLM 即時任務表現、太空安全、Metis 推理架構及 Google DeepMind Genie 4。Realtime-Bench 涵蓋 50 項互動遊戲及網頁任務,wall clock 條件下最高通過率為 36%,暫停時鐘下部分高推理模型的成功率接近 70% 至 80%;Genie 4 以研究預覽形式向部分可信測試者開放。
DeepSeek-V4.1-Flash-1017 的 IQ2_XXS GGUF 標示 2.00 bpw,若計入 Engram 則整體為 2.66 bpw。作者核對分配檔及 GGUF shards,指出 Engram 有 196.6B 參數,以 4.5 bits 儲存,佔 IQ2_XXS 下載容量 44.4%。
llm-d 1.0 的預設快取親和路由會將請求留在已有提示詞前綴的端點,直至其佇列超過飽和門檻,才改按負載分流。
Taste-Bench 對 14 個模型的測試顯示,AI 智能體在需要預測長期後果的二元決策中表現不穩,最佳模型 GPT-5.6 Sol 在 502 題的準確率為 59.7%。當所需證據已在上下文中,該模型準確率為 79.7%;需要進一步調查時則降至 21.7%。文章建議先收集證據再作決定,並以符合約束條件的路徑篩選、即時安全檢查及升級處理,避免只憑預測作出決策。
文章用 Roofline 模型,以算術強度、記憶體頻寬和運算速度判斷 LLM 推理會受記憶體或計算限制。作者在 2 核雲端 CPU 上測得 15.0 GB/s 記憶體頻寬及 164.3 GFLOP/s 運算速度,交會點為 11 FLOPs per byte;依晶片規格估算,H100 和 B200 的交會點分別約為 295 和 281 FLOPs per byte。
AI 基礎設施擴張的瓶頸不只在電力供應,而在發電、電網、散熱、儲存、封裝、資本和地方許可等環節的建設速度。文章梳理瓶頸由 GPU 轉向 HBM、CoWoS,再延伸至變壓器、燃氣輪機和並網排隊,並指出效率提升仍伴隨 AI 使用量和訓練算力增長,推高總用電需求。吉瓦級數據中心約兩至三年可建成,但大型變壓器交付最長四年、燃氣輪機交貨超過三年,呈現芯片、機房和電網建設節奏的錯配。
康奈爾大學數學教授 Steven Strogatz 正逐漸接受 AI 對數學的影響,並在課堂上使用 AI 協助學生理解概念。OpenAI 發佈的數學解答令他讚嘆,現時 AI 程式的解題水平已可媲美或超越研究生。他同時擔心,若人們不再長時間鑽研難題,可能會錯過深入思考與解題帶來的體驗。
TrendForce 預測,AI 計算重心轉向推理與智能體,帶動 CPU 配套高容量 MLCC 需求激增,高端 MLCC 缺貨將持續至 2027 年上半年。NVIDIA、AMD 新一代 AI 平台放量加劇供應緊張,光通信模組用 MLCC 亦現缺口。消費電子需求疲軟,中低容量 MLCC 現貨價 10 月上旬回落 5%;日本廠商擬在 2027 年第一季度合約談判中跟進漲價。
在 48 小時內,xAI、Anthropic 和 OpenAI 相繼推出 Grok 4.7、Claude Opus 5.5、GPT-6 Sol 和 GPT-6 Luna,文章指出模型價格比較焦點已由每百萬 token 費用轉向每項任務成本。
推薦理由:文章把模型價格比較從每百萬 token 費用延伸至單項任務成本、快取與首 token 延遲,並指出不同廠商的基準測試未必可直接對照。
Tobias Hoffmann 分析 2026 年 9 月 Grok 4.7、Claude Opus 5.5 及 GPT-6 Sol、Luna 接連推出,指出模型成本的比較重點正由每 token 價格轉向每項任務的總成本。
Anthropic公開Claude「自我評估」機制,讓Claude在回覆後於後台評估對話是否違反安全政策,並生成風險報告。文中稱,評估平均額外生成約10個 Token,推理算力開銷增加不到2%,高風險報告會交由人工安全團隊處理。研究亦指出,前台回覆與後台評估共用同一段 KV cache,存在模型偏袒自身或「串供」的可靠性疑慮。
推薦理由:文章將後台風險評估的低推理成本與自我審查的可靠性疑慮並置,呈現這套機制在安全監測與誤報風險之間的取捨。
作者在配備 16 GB 記憶體的 MacBook Pro M1 Pro 上搭建 OzAI 自託管 LLM 平台,透過 Ollama 提供 Qwen3 8B 和 Qwen2.5-Coder 3B。
理論神經科學家 David Clark 宣稱,GPT-6 Astra 提出了 Sompolinsky 1988 模型完整李雅普諾夫譜的初步解析推導,Claude Opus 5.5 則協助他梳理推導結構。
HuggingFaceBio 團隊聯合多家研究機構發布開源基因組大模型 Carbon‑X,將 DNA 序列與自然語言納入同一解碼器模型。模型在 5 項去污染 DNA 基準的無推理模式平均得分為 66.7%,較基座 Qwen3‑14B 高 27 個百分點,單樣本推理成本約為 GPT‑6.1 Sol 的 1/1800。
The Information 報道指,DeepSeek 最新一輪融資增至人民幣 1055 億元,估值達人民幣 6155 億元,投資方名單涵蓋近30家企業。作者將這批投資解讀為連結算力基建、手機家電終端,以及出行和製造場景的生態佈局。
Mistral Large 4 可下載權重後以 vLLM、SGLang、Transformers 或 llama.cpp 自行部署,也可選用 API 或託管服務。
推薦理由:文章並列 Mistral Large 4 的 API、託管及自行部署路徑,並整理各方案的硬件門檻與授權限制,便於比較不同部署方式的成本與要求。
亞馬遜第三季收入按年增長 12.1%,但 AWS 增速和廣告表現未達預期,773 億美元資本開支令自由現金流跌至 -335 億美元。海豚投研指 AWS 收入按年增長 39.3%,低於買方約 43% 的預期;廣告收入增長 10.9%,亦較上季明顯放緩。管理層預計 AWS 在 2027、2028 年的增速均逾 40%,並表示 2027 年資本開支將明顯高於 2026 年。
楊立昆在達特茅斯學院 AI@70 大會演講中主張,實現人類水平智能須跳出生成式 AI,轉向以 JEPA 為代表、在抽象表徵空間預測物理世界的分層世界模型。他還介紹團隊本月公佈的四足機械人仿真實驗,三層世界模型的任務成功率和算力利用效率均大幅高於扁平單層系統。
Google 的 Gemini 4 Carbon 在 Artificial Analysis Intelligence Index 取得 59 分,超越 Claude Opus 5.5 排名第一。
Linus Torvalds 於 11 月 1 日發佈 Linux 7.4-rc1,更新令 AMDGPU 驅動預設啟用 HDMI 2.1,並為 AMD Zen 6 處理器加入前置支援。AMD Radeon 核顯的 AMD PerfOpt 亦預設啟用,原文稱可提升 AI 與大語言模型推理效能,並惠及上一代硬件。
研究者提出決策模型 Lev,以循環而非增加 token 加深推理,讓同一組權重支援不同計算深度。在 JevBench 的 231 道題上,同一個 Lev-2.6B checkpoint 從一圈的 63.2% 提升至四圈的 76.2%,增加 13.0 個百分點。輕量停止器會按題目決定計算圈數。
王國禎指出,數學家的使命遠遠不只是做題,數學研究亦重視探索過程,以及從計算中發掘規律、結構和新方法。他認為,AI為高等教育帶來挑戰,但不會淘汰數學家;善用AI亦可協助學生自學。
Lehigh University 等機構的研究者提出 Lev,透過重複運算同一組解碼層,讓決策模型以同一份權重在不同深度輸出選項機率。在公開 JevBench 的 231 道題上,Lev-2.6B 由一圈的 63.2% 準確率升至四圈的 76.2%,增加 13.0 個百分點。