Anthropic 發佈 Claude Sonnet 5.5，較 Sonnet 5 快 30%，每 token 價格不變，多數工作成本最多可減 30%。指南詳述 API 用法、從 Sonnet 5 遷移時的行為變更及 effort 調校建議，並指出原生上下文窗口為 1M tokens。
推薦理由：指南整理 Sonnet 5.5 相對 Sonnet 5 的 API 變更與調校方法，涵蓋工具呼叫、thinking 區塊和 effort 設定，可作遷移核對參考。
Redwood Research 分析認為，轉向潛在推理架構可能削弱 CoT 的監督作用，令 AI 模型的推理更難理解和監察。文章區分 CoT 對完成任務的必要性，以及模型以文字表達推理的傾向，指出潛在架構可能削弱前者，並進一步減弱後者。
Redwood Research 發現，提示詞加入無意義填充 token 後，GPT-6-Astra 在多項推理與數學評測的提升幅度高於其他受測模型。在 4-hop natural facts 評測中，其成績由約 10-20% 升至約 50%；舊版 AIME 題目則由約 60-70% 升至約 90%，填充 token 的效益在約 8,192 tokens 時達峯值。
Modal 為編碼智能體優化月之暗面 Kimi K2.6 推理服務，相關服務每日處理數千億 token，累計處理萬億級 token。優化令單副本每用戶解碼速度提升 2.8x，每 GPU 的跨用戶 token 吞吐量提升 5.6x。方法涵蓋推測解碼、KV 快取與負載感知路由，並從單副本優化延伸至多副本部署。
OpenClaw 正加入可選的決策模型支援，讓平台支援的功能及插件使用另行設定的模型，且不會取代對話模型。Plugin SDK 提供共用 API `api.runtime.decisions.evaluate`；TypeSafe adapter 支援託管版 Jev 及本地 System One 伺服器，例如 Kev。
Epoch AI 的 ECI 比較顯示，GPT-6 Astra 在數學基準測試領先，但未在軟件工程領先。比較涵蓋 GPT-6 Astra、Claude Fable 5.1、GPT-5.6 Sol 和 Kimi K3，並以數學及軟件工程專項 ECI 評估模型能力；專項分數可與一般 ECI 比較。
inclusionAI 發佈基於 google/gemma-4-31B-it 的 SingProbe 串流護欄。它復用基座模型生成時的隱藏狀態，逐 token 評估查詢意圖、回應安全性和幻覺風險，無需另跑安全模型。
Redwood Research 提出 NLS depth，將 AI 系統的不透明串行深度操作化為可量化指標。自然語言根植節點須由自然語言預訓練先驗初始化，不得擴大輸出空間或把 token 改作其他資料類型解讀，亦不得把 token 當作可反向傳播的連續中間狀態。作者指出，NLS depth 可根據架構、訓練方案及預定部署配置在訓練前估算，作為 CoT 可監督性等衡量方式的補充而非替代。
Together AI 推出 Together GPU Clusters 可搶佔運算公開預覽，適用於所有地區的 Kubernetes 叢集，固定按隨需費率 50% 計費。
Sebastian Raschka 分析 GPT-6 Astra 的電腦操作表現與循環式 Transformer 傳聞，指出 Astra 表現突出，但採用該架構尚未獲官方確認。
推薦理由：文章比較循環式 Transformer 的權重共享、計算成本與路由設計，並指出現有資料尚不足以將推理鏈可監控性的變化歸因於這種架構。
OpenAI 介紹 GPT-6 Astra，稱其為面向商業用途能力最強的模型。它具備進階推理、電腦操作能力，以及更強的寫作與設計判斷能力。
OpenAI 分享一份針對 Navier–Stokes 千禧年大獎難題的 AI 生成解答。材料包括解説稿，以及以 Lean 撰寫的形式化證明。
推薦理由：材料同時附上解説稿與 Lean 形式化證明，讀者可對照文字論證及形式化證明檢視這份 AI 生成解答。
OpenMOSS 團隊開源 MOSS-Audio，推出 4B、8B 的 Instruct 和 Thinking 版本。模型支援語音、環境音及音樂理解、音訊描述、時間感知問答與複雜推理，並採用跨層特徵注入和時間標記設計。在 MMAU、MMAU-Pro、MMAR 和 MMSU 四項通用音訊理解基準中，MOSS-Audio-8B-Thinking 的平均準確率為 71.08。
OpenAI 的 GPT-6 Astra 系統卡公佈模型安全與能力評估，將其生物與化學能力列為 High，並指出尚未達到 Critical。明確要求模型規避監測時，Astra 在 WMDP 的 CoT 監測召回率低於 11%，GPT-5.6 Sol 則接近 100%；在 Monorepo-Bench 中，Astra 的召回率降至零。
Google DeepMind 發佈 Gemini 3.8 Flash 與 Gemini 3.8 Flash Cyber，並稱 Gemini 3.8 Flash 是其迄今推理與編碼能力最強的模型，速度和成本與 3.7 Flash 相同。
推薦理由：兩款模型共享基礎智能，普通版面向長程編碼與智能體任務，Cyber 版則限可信防守者使用，提供漏洞發現與修補能力。
AllenAI 推出 BenchMIRT，利用多維項目反應理論（MIRT）逐題分析 LLM 基準測試，分辨安全與一般推理等能力訊號。BenchMIRT 以 100 個 LLM 在 16 個基準、逾 34K 條問題上的評測結果訓練；研究團隊沒有告知各基準預期測量哪些能力，它仍識別出安全和一般推理兩個主要維度，並發現 BBQ 更貼近一般推理。
Ai2 介紹 BenchMIRT，一種逐題分析 LLM 基準測試的方法，並從模型作答中辨識出安全與一般推理兩個主要能力維度。BenchMIRT 以 100 個 LLM、16 個基準及逾 34K 道題目的評測結果訓練；分析發現 BBQ 和 WMDP 的分數與一般推理的關聯強於安全。
Intern Lumina U2 推理代碼已公開，Ascend 訓練權重已上架 Hugging Face；NVIDIA 權重、訓練代碼與技術報告將後續推出。模型為 16B-A1B MoE，採用基於 AToken 的 8-codebook 視覺表示，支援文字問答、文生圖、圖像編輯及圖像、影片和 3D 理解。
IBM Granite 團隊詳述 Granite 4.2 推理模型系列的構建流程，涵蓋架構、訓練方法及評測結果。該系列有 3B、8B、30B 三種稠密、僅解碼器模型，均由 Granite-4.1 base models 後訓練；後者以約 15T tokens 預訓練，並透過五階段策略將上下文窗口延至 512K tokens。
推薦理由：文中並列三種規模共用的訓練主線，以及 8B、30B 額外加入真實環境 Agentic RL 的分支，可據此理解各規模訓練階段和智能體能力培養的差異。
IBM 發佈 Granite 4.2 語言模型，提供 3B、8B 和 30B 參數版本，並加入原生逐步推理與工具調用能力，面向企業智能體工作流程。模型基於 Granite 4.0 foundation models，採多階段強化學習；8B 和 30B 版本另經 agentic RL，並以 1 trillion tokens 的合成程式碼訓練，採 Apache 2.0 授權。
Greg Burnham 在 Epoch AI 的 Gradient Updates 中提出九個關於 AI 能力與影響的問題，探討基準評測如何協助回答。問題涵蓋 AI 能否承擔開放式工作、推理擴展是否持續帶來收益、AI 能否參與 AI 研發，以及強化學習能否跨領域泛化。
OpenAI 預覽新的 API 服務層 Ultrafast，為 GPT-5.6 Sol 提供最高 14× 的速度提升。該服務由 Cerebras 提供支援，輸出速度最高可達每秒 750 個 token。
DeepSeek-V4-Pro GA 版本已在 APP、Web 和 API 上線，API 呼叫方式不變，將模型名稱設為 `deepseek-v4-pro` 即可使用最新版。
Google Research 提出 knowledge profiling 框架及 WikiProfile 基準，發現前沿大語言模型的事實性錯誤更多源於已編碼事實難以回憶，而非未能編碼。
推薦理由：研究以 WikiProfile 分別測量事實編碼、回憶與識別，將模型事實性錯誤區分為知識缺失或提取失敗，提供比單看答題準確率更細的診斷視角。
Cursor 與 SpaceXAI 共同發佈 Grok 4.6，該模型基於 Grok 4.5，重點面向長時間運行的智能體及更複雜的互動和視覺工作。它在多項智能體編程和知識工作基準測試中展現前沿智能水平，並在由九項基準測試構成的 Artificial Analysis Intelligence Index 上與 GPT-5.6 Sol 持平。
Google DeepMind 發佈 Gemini Robotics ER 2，這款面向機械人的具身推理模型可理解連續影片、編排多步任務，並支援多機械人協作。它在任務進度分類達 57.4% 準確率，關鍵時刻定位達 91.3% 準確率、平均絕對距離為 0.96s。
推薦理由：文章將影片進度追蹤與多機械人協作納入模型更新，並提供任務評測數據，讓讀者掌握 Gemini Robotics ER 2 的具身推理能力變化。
上海人工智能實驗室 InternLM 發佈 35B 基礎模型 Intern-S2-Mobius，採用 Mobius-v0 架構。它以全域共享 Memory 供多個 Reasoners 反覆查詢和修訂隱藏狀態，並引入 Backward Residual Connection 和 Dynamic Latent Reasoning。
GPT-5.6 提升 AI 在模型、推理及智能體工作流程各方面的效率，有助於讓每一美元帶來更多實用智能。
Diffusers 現已原生支援 Nunchaku Lite 的 4-bit 擴散模型推理，預量化檢查點可用 `from_pretrained()` 載入，無須獨立推理引擎或本機編譯 CUDA。
推薦理由：文章説明 Nunchaku Lite 在 Diffusers 的原生載入方式，並以 RTX PRO 6000 基準量化呈現延遲與顯存變化。
Sebastian Raschka 以 GPT-5.6 系列為切入點，解説大語言模型如何在訓練及推理階段支援不同推理力度；該系列有三種模型規模，每種約有五至六種推理力度設定。
Mercury 2 是 Inception Labs 推出的擴散式推理語言模型，官方稱其在標準 NVIDIA GPU 上解碼速度達 1,000+ tokens/second，300-token 推理鏈完成時間不到 300ms。
Benedict Evans 認為，token 供應短缺只是過渡狀態，現有市場動態指向基礎模型成為商品化基礎設施，但長期定價權與價值捕獲仍未明朗。供給擴張、推理效率、訓練成本及新用途的投資回報都會變動，長期供需均衡因此難以預測。文章以流動網絡、光纖和半導體為參照，指出類比可供參考，但不能預測 AI 市場最終會形成哪一種均衡。
OpenAI 發佈 GPT-5.6 系統卡，公開模型訓練資料、部署安全模擬及生物化學能力評估。部署模擬預測 GPT-5.6 Sol 的違規內容總量與 GPT-5.5 大致相若，性相關違規率由 0.05% 升至 0.07%，心理健康相關違規回應率由 0.03% 降至 0.02%。OpenAI 將 GPT-5.6 系列的生物與化學能力列為 High，並判定三款模型均不需按 Critical 能力處理。
Mistral AI 發佈 Leanstral 1.5，這款 Apache-2.0 授權模型總參數量為 119B、活躍參數為 6B，面向 Lean 4 形式化驗證。
推薦理由：文章不只列出形式化數學基準，也以 AVL 樹複雜度證明及 57 個程式庫的漏洞排查，呈現 Leanstral 1.5 將定理證明延伸至實際程式驗證的應用。
Google Research 發佈 TabFM，這款表格數據基礎模型以上下文學習執行分類與回歸，並可在單次前向傳遞中預測。TabFM 以結構因果模型動態生成的數億個合成資料集訓練，並在 TabArena 的 38 個分類與 13 個回歸資料集上評測。
Google Research 已將 Multi-Token Prediction（MTP）架構部署至 Pixel 9 和 10 系列的 Gemini Nano v3，透過凍結主模型權重加快裝置端文字生成。
推薦理由：文章對照整合式 MTP head 與獨立草稿模型，説明直接利用主模型狀態如何提升候選 token 準確度，並改善 Pixel 端的速度與記憶體效率。
Google Research 的研究發現，讓大語言模型生成推理軌跡，可喚回關閉推理時幾乎無法取出的參數化知識。研究以 Gemini-2.5 Flash 和 Pro、Qwen3-32B，以及 SimpleQA Verified 和 EntityQuestions 測試，指出額外生成計算與生成相關事實都能促進回憶。
OpenAI 與 Broadcom 推出 Jalapeño，這款自訂 AI 晶片專為 LLM 推理打造，旨在提升 AI 系統的效能、效率及擴展規模。
GPT-5 Pro 協助免疫學家 Derya Unutmaz 解開一宗困擾 3 年的免疫學謎團，並提供有關 T 細胞行為的見解。這項突破可能支持癌症及自身免疫研究。
GPT-5.5 Instant 改善 ChatGPT 對健康與保健問題的回應，並提升推理、上下文運用及溝通清晰度。相關評估參考醫師意見。