英國 AI Security Institute 評估 OpenAI GPT-5.5 的網絡安全能力
英國 AI Security Institute 評估中，GPT-5.5 的 Expert 級進階任務平均通過率為 71.4%，高於 Mythos Preview 的 68.6%。
推薦理由：報告分別測試進階網絡任務、企業攻擊鏈及工控模擬，並交代結果與測試限制，呈現 GPT-5.5 網絡安全能力的不同面向。
推理能力
全部主題模型推理能力的進展：思維鏈、推理模型、數學與邏輯基準的突破與爭議。
最新精選
第 1–20 條 · 共 70 條英國 AI Security Institute：Blog精選AI 評分7676 Cerebras：Blog精選AI 評分7676 OpenAI 與 Cerebras 簽訂多年協議，部署總容量達 750 megawatts 的晶圓級系統
OpenAI 與 Cerebras 簽訂多年協議，將分階段部署 750 megawatts 的 Cerebras 晶圓級系統，為 OpenAI 客戶提供服務。部署將於 2026 年開始；Cerebras 稱這將成為全球最大高速 AI 推理部署。Cerebras 表示，其系統上的大語言模型在編碼智能體或語音聊天場景中，回應速度較基於 GPU 的系統快達 15×。
推薦理由：文章列出 750 megawatts 的部署規模，並引述 Cerebras 稱其推理回應較 GPU 系統快達 15×，呈現合作的規模與方案定位。
MiniMax：Blog精選AI 評分7676 MiniMax 開源 M2 模型，並推出中國版、升級海外版 MiniMax Agent
MiniMax 正式開源並推出面向智能體與編碼的 MiniMax M2，同時在中國推出 M2 驅動的 MiniMax Agent，並升級海外版本。
推薦理由：MiniMax M2 公佈 Artificial Analysis 10 項測試成績、API 定價與約 100 TPS 推理速度，並開放權重，呈現智能體模型在表現、速度與部署成本間的取捨。
Artificial Analysis 完整文章精選AI 評分7979 Claude Sonnet 5.5 在 Artificial Analysis Intelligence Index 升至第 2 名
Artificial Analysis 的評測顯示，Claude Sonnet 5.5 在 Intelligence Index 取得 56 分，於 max effort 下排名第 2，僅落後 Opus 5.5（max）2 分。
推薦理由：評測把 Claude Sonnet 5.5 的基準表現與每項任務的 token 消耗、成本對照，呈現其接近 Opus 5.5 時的資源代價。
Artificial Analysis 完整文章精選AI 評分7777 Gemini 4 Argon 評測：Google 重返模型智能評測前三的實驗室之列
Google DeepMind 的 Gemini 4 Argon（高推理設定）在 Artificial Analysis Intelligence Index 得分 53，與 GPT-6 Astra（max）持平。
推薦理由：文章對照 Gemini 4 Argon 與 GPT-6 Astra 的指數分數、任務成本和智能體評測，呈現相近總分下的成本差距及不同基準表現。
Google DeepMind精選AI 評分7777 Google DeepMind 發佈 Gemini 4 Argon，面向複雜長流程任務
Google DeepMind 發佈前沿模型 Gemini 4 Argon，面向軟件工程、企業知識工作及網絡安全等複雜長流程任務。其輸出 token 上限由 64K 提至 1M，在 DeepSWE v1.1 得分 77.9%，並在 LVBench 得分 91.7%。
推薦理由：Gemini 4 Argon 將輸出上限由 64K 提至 1M tokens，文章把這項擴容與處理更長、更複雜工作流程的能力相連。
Hugging Face Blog精選AI 評分6565 NVIDIA Kumo Tabular 為表格預測樹立準確率與效率的新前沿
NVIDIA 發佈開放式表格基礎模型 Kumo Tabular，用於表格分類與回歸，可根據帶標籤的上下文列，在單次前向傳播中預測新列標籤，無需訓練、調參或特徵工程。
推薦理由：文章列出四項基準的結果，並以梯度提升樹、AutoGluon 等方法作對照，為表格預測模型的效能評估提供具體比較參照。
Microsoft Research精選AI 評分6161 Microsoft Research 介紹 Quine 生物學 AI 研究系統並開放 Fellows 計劃申請
Microsoft Research 介紹 Quine，一個結合生物學多模態世界模型與互動式研究流程的 AI 研究系統，並開放首屆 Quine Fellows 計劃申請。
推薦理由：Quine 將跨生物模態的世界模型接入文獻、科研工具與實驗迴圈，並以胰臟癌細胞狀態轉換案例展示預測如何進入濕實驗驗證。
Anthropic：Claude.dev 開發者博客精選AI 評分8080 Claude Sonnet 5.5 開發指南：API 接入、遷移與調校
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。
Ahead of AI精選AI 評分7676 GPT-6 Astra、循環式 Transformer 與推理鏈可監控性解析
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 News精選AI 評分7373 OpenAI 分享 Navier–Stokes 千禧年大獎難題的 AI 生成解答
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。
Google DeepMind精選AI 評分7676 Google DeepMind 發佈 Gemini 3.8 Flash 和 Gemini 3.8 Flash Cyber
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。
Hugging Face Blog精選AI 評分6262 Granite 4.2 大語言模型如何構建
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。
Google Research精選AI 評分6464 空書架還是遺失的鑰匙？Google Research 指大語言模型參數化事實性的瓶頸在於回憶
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。
Google DeepMind精選AI 評分6666 Google DeepMind 發佈 Gemini Robotics ER 2，支援影片理解、任務編排與多機械人協作
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。
Hugging Face Blog精選AI 評分6161 Diffusers 原生支援 Nunchaku Lite 4-bit 擴散模型推理
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。
Mistral AI精選AI 評分6363 Mistral AI 發佈 Leanstral 1.5，強化 Lean 4 形式化驗證
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精選AI 評分6161 Google Research 為凍結權重的 Gemini Nano v3 加入 Multi-Token Prediction，加速 Pixel 端生成
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。
OpenAI News精選AI 評分6666 OpenAI 推理模型協助醫生診斷兒童罕見遺傳病
研究人員使用 OpenAI 推理模型協助診斷兒童罕見遺傳病，並在此前未解的病例中識別出 18 項新診斷。
推薦理由：文中同時交代模型介入的診斷場景與未解病例結果，提供觀察 AI 參與兒童罕見遺傳病研究的一個具體切面。
Hugging Face Blog精選AI 評分7878 GLM-5.2 發佈，最大上下文擴至 1M tokens並提升長程任務能力
GLM-5.2 發佈，將最大上下文長度由 200K 擴至 1M tokens，並強化長程任務與編碼能力。它在 Terminal-Bench 2.1 和 SWE-bench Pro 分別取得 81.0、62.1，高於 GLM-5.1 的 63.5、58.4。
推薦理由：文章並列長程編碼基準成績與 IndexShare、MTP 的效率改動，讓讀者可對照模型性能數據和 1M-token 上下文的工程支撐。