Grok 4.7 上线 Amazon Bedrock，支持 500K 上下文与四级推理强度
xAI 的 Grok 4.7 现已上线 Amazon Bedrock，提供 500K token 上下文窗口，支持 low、medium、high、xhigh 四级推理强度，可通过 Responses、Chat Completions 和 Converse API 调用。
推荐理由：原文给出了模型能力、接入方式和成本控制要点，读者可据此判断如何在 Bedrock 上使用 Grok 4.7。
推理能力
全部主题模型推理能力的进展：思维链、推理模型、数学与逻辑基准的突破与争议。
最新精选
第 1–20 条 · 共 33 条AWS Machine Learning Blog精选AI 评分7070 The Decoder精选AI 评分7878 Anthropic 发布 Claude Sonnet 5.5，多项基准接近 Opus 5.5 且单任务成本低至三成
Anthropic 发布 Claude Sonnet 5.5，输出速度提升超 30%，单任务成本最高降低 30%，在多项基准上接近 Opus 5.5。编码能力较前代大幅跃升，Terminal-Bench 4.0 得分从 10.3% 升至 70.6%，CursorBench 4.0 得分 55.5%，仅比 Opus 5.5 低约两分。
推荐理由：原文给出了 Sonnet 5.5 与 Opus 5.5 及前代的基准对比和定价，读者可据此判断中端模型的实际性价比。
Hugging Face Blog精选AI 评分6060 Liquid AI 发布 LFM2.5-VL-DSpark 草稿模型，加速视觉语言模型推理
Liquid AI 发布 LFM2.5-VL-3B 的实验性 DSpark 草稿模型，通过投机解码在几乎不增加内存的前提下提升推理速度，解码加速最高达 3.13x（设备端）和 2.66x（H100），端到端提升最高 2.62x 和 2.27x。
推荐理由：原文给出了解码加速倍数、内存开销和三种推理框架的接入方式，读者可据此评估端侧视觉模型的推理收益。
AWS Machine Learning Blog精选AI 评分8080 Claude Opus 5.5 在 AWS 上线
Claude Opus 5.5 现已在 Amazon Bedrock 和 Claude Platform on AWS 上线，是 Claude 5.5 系列的首个模型。相比 Opus 5，它用更少 token 完成任务，平均单任务成本更低，并首次配备生物、网络安全和 AI 开发领域的安全分类器。模型支持自适应思考，可通过 effort 控制推理量，适用于智能体编码和长文档知识工作。
推荐理由：原文给出了新模型的效率、定价与安全分类器变化，读者可据此评估其在长任务和智能体编码场景的适用性。
Simon Willison精选AI 评分7878 TypeSafe AI 发布 System One 决策模型 Jev，输出浮点数而非文本
TypeSafe AI 上周发布 Jev，这是其新类别 System One 模型的首个产品，接受文本输入但返回对应类别、是非题、评分和置信度的浮点数，而非文本输出。Jev 仅按输入计费，价格为每百万 token 0.042 美元，低于 GPT-5 Nano。作者认为它适合垃圾邮件检测、标签建议、排序等分类任务，并指出其黑盒特性可能带来偏见风险。
推荐理由：原文给出了新模型形态的定价、三类查询方式和社区实验，读者可据此判断它适合哪些分类任务。
Hugging Face Blog精选AI 评分6262 Multiverse 提出将 LLM 块剪枝转化为伊辛优化问题，深度压缩下 MMLU 提升近 23 个百分点
Multiverse Computing 发表论文，将大语言模型的块删除（深度剪枝）重构为约束二元优化问题，映射到伊辛玻璃自旋系统，用能量作为下游性能的廉价代理，从而无需逐一基准测试即可筛选大量候选配置。
推荐理由：把剪枝块选择映射为伊辛玻璃能量最小化，用物理求解器处理组合问题，在深度压缩下显著领先现有方法。
NVIDIA Blog精选AI 评分6868 NVIDIA Vera Rubin NVL72 在 MLPerf Inference v6.1 首秀中取得领先性能
NVIDIA Vera Rubin NVL72 在 MLPerf Inference v6.1 首次提交中，Qwen3-VL 吞吐量比 GB300 NVL72 最高提升 3.7 倍，DeepSeek-R1 最高提升 2.5 倍。GB300 NVL72 在 288 GPU 规模下实现 99% 扩展效率，软件优化带来最高 1.6 倍性能提升。Nebius 等 19 家合作伙伴也提交了结果。
推荐理由：原文给出 Vera Rubin NVL72 在 MLPerf 推理基准上的首秀成绩与对比数据，读者可据此评估新一代平台的推理性能与扩展效率。
Google DeepMind精选AI 评分8282 Google DeepMind 发布 Gemini 3.8 Flash 与 3.8 Flash Cyber
Google DeepMind 发布 Gemini 3.8 Flash 与 3.8 Flash Cyber，这是六周内第三个 Flash 版本，定价与 3.7 Flash 相同，为每百万输入 token 0.75 美元、每百万输出 token 3.75 美元。
推荐理由：原文给出新模型在编码、推理和网络安全上的具体基准成绩与定价，读者可据此判断其相对前代和竞品的定位。
Google Research精选AI 评分6262 Google Earth AI 推出行星预测引擎 PPE，自主完成地理空间建模全流程
Google Earth AI 推出实验性研究能力行星预测引擎（PPE），可自主执行从数据发现到模型训练评估的完整地理空间预测流程。
推荐理由：原文展示了 PPE 在公共卫生、粮食安全、疫情预测等任务上的具体提升幅度，读者可据此评估自主地理空间建模的当前能力边界。
Hugging Face Blog精选AI 评分7575 IBM 发布 Granite 4.2 推理模型家族：3B、8B、30B 三档开源
IBM 发布 Granite 4.2 推理模型家族，包含 3B、8B、30B 三个尺寸，均基于 Granite-4.1 基座模型后训练而来，采用多阶段强化学习流水线，其中 8B 和 30B 额外经过智能体强化学习，可在真实沙箱环境中调用工具、编辑代码、操作终端和搜索网页。所有模型均支持思考与非思考模式切换、低努力思考模式及原生工具调用，以 Apache 2.0 协议开源。
推荐理由：IBM 官方详解 Granite 4.2 推理模型家族的构建过程，读者可借此了解其多阶段强化学习与智能体训练的具体做法。
Hugging Face Blog精选AI 评分6262 Quantization-Aware Healing 论文：4-bit 压缩模型在 7/9 基准上超越其全精度原版
Multiverse Computing 发布论文《Quantization-Aware Healing》，提出从压缩前原模型直接蒸馏的修复方法，应用于 GPT-OSS 120B 压缩至 60B 并量化到 MXFP4 后，在 7/9 基准上超越其 bfloat16 版本，其中长上下文推理 +7.4、数学 +5.6。
推荐理由：论文提出从压缩前原模型蒸馏的修复方法，让 4-bit 模型在多数基准上反超自身 bfloat16 版本，并对比了与 QAT 的稳定性差异。
Hugging Face Blog精选AI 评分6262 Liquid AI 发布 LFM2.5-DSpark 草稿模型，推理速度最高提升 3.18 倍
Liquid AI 发布 LFM2.5 系列三款模型的 DSpark 草稿模型检查点，通过投机解码在 GPU 上实现最高 3.18 倍吞吐提升，端侧最高 2.87 倍，且不改变输出质量。LFM2.5-2.6B 的函数调用延迟平均降低 57%，并已开源支持 llama.cpp 和 SGLang。
推荐理由：原文给出了三款草稿模型的加速数据和接入方式，读者可据此评估投机解码带来的实际收益。
Hugging Face Blog精选AI 评分6262 IBM 研究：智能体记忆剂量需按模型能力校准，而非简单累积
IBM 研究团队发布 ALTK-Evolve 相关研究，探讨智能体需要多少记忆。在八款模型上的 AppWorld 评测显示，强模型适合完整指南集，弱模型适合精简核心加按任务检索，饱和模型无增益。gpt-oss-120b 用精选检索在仅增加 5% token 时提升 16.1 个百分点任务完成率，提示缓存可降低生产环境成本。
推荐理由：原文用八模型实测说明智能体记忆并非越多越好，剂量需按模型能力校准，并给出成本数据。
Google Research精选AI 评分6262 Google Research 提出知识画像框架：召回是参数化事实性的瓶颈
Google Research 提出知识画像框架，将事实状态分为编码失败、召回失败等五类，并发布 WikiProfile 基准，含 2,150 条维基百科事实。
推荐理由：论文用知识画像框架区分编码与召回失败，指出前沿模型的事实错误主要来自知识难以访问而非缺失，并验证了思考机制能恢复部分已编码事实。
Hugging Face Blog精选AI 评分6262 IBM 研究提出 ALTK-Evolve：以更少 token 实现与 ACE 相当的智能体记忆效果
IBM Research 在博客中介绍 ALTK-Evolve，一种让智能体从自身轨迹中学习经验并回注推理时的记忆方法，与 ACE 相比不压缩经验而是按需检索。
推荐理由：原文对比了两种智能体记忆方案的 token 开销差异，读者可据此判断按需检索相比全量注入的成本优势。
Google Research精选AI 评分6262 Science One Framework 提出 Chain-of-Evidence 可验证自主科研框架
Google Research 提出 Chain-of-Evidence（CoE）可验证性框架，并以其实例化 Science One Framework 自主科研原型，配套 CoE Audit 审计指标。
推荐理由：原文给出可验证性框架与审计方法，读者可据此判断自主科研智能体输出的可信度如何被量化。
Microsoft Research精选AI 评分6262 微软研究院发布 EvoLib 框架，将经验转化为可进化的知识库
微软研究院发布 EvoLib 框架，让大语言模型在推理过程中从自身经验中学习，无需真值标签或外部反馈，将过往尝试转化为可复用的技能和反思性洞察。EvoLib 通过整合与动态加权机制持续精炼知识，在数学推理、代码编写和长程决策任务上优于顶级检索式记忆方法，且对任务顺序具有鲁棒性。代码和实验结果已在 GitHub 上公开。
推荐理由：原文给出了将经验转化为可复用知识的具体机制和跨任务评测结果，读者可据此判断这类记忆进化方法相对传统检索记忆的实际收益。
Berkeley AI Research精选AI 评分7070 K-Search 将 CUDA 内核优化经验迁移到 Apple Silicon，注意力内核达 0.97x 原生性能
Berkeley AI Research 与 IBM Research 基于 K-Search 框架构建 MLX 后端，通过结构化 CUDA-to-MLX 翻译层，将 NVIDIA 内核优化知识自动迁移到 Apple Silicon。在注意力内核上达到原生 MLX 实现 0.97x 性能，在 Mamba SSM 内核上相比社区 mlx-lm 实现获得最高约 20 倍 prefill 加速。
推荐理由：原文展示了如何把 CUDA 内核优化经验自动迁移到 Apple Silicon，并给出注意力与 Mamba 内核的具体加速数据。
Berkeley AI Research精选AI 评分6262 ABBEL：用自然语言信念状态监督提升长程交互的摘要学习效率
Berkeley AI Research 提出 ABBEL 框架，将递归摘要建模为自然语言信念状态并对其内容进行监督，以提升长程交互中的学习效率。在 CollabBench 协作编码中，基于重建的信念评分将全上下文模型的性能差距缩小约一半，训练步数从 100 减至 50；在 Combination Lock 中，结合领域知识的评分器使学习效率超过全上下文模型。
推荐理由：原文给出了 ABBEL 框架在三个环境上的量化结果，读者可据此判断信念状态监督相比传统递归摘要的实际收益。
Google Research精选AI 评分6060 Google Research 在 Nature 发表论文：强化学习让量子计算机从错误中学习
Google Research 在 Nature 发表论文，提出用强化学习框架让自主智能体从量子错误检测中持续学习，动态调控数千个控制参数，在计算过程中稳定量子系统对抗漂移。在 Willow 处理器上，该方法将逻辑稳定性提升 3.5 倍，并在专家校准后进一步将逻辑错误率降低 20%。
推荐理由：原文展示了强化学习如何让量子计算机在运行中持续校准，读者可借此理解机器学习在量子纠错中的新角色。