Meta 发布最小最高效模型 Muse Ember
Meta AI 发布小模型 Muse Ember，主打复杂推理执行和智能体日常重复工作，包括工具调用、编码子任务、路由、抽取和长文档解析。短提示词下定价与 GPT-6 Luna、Claude Haiku 5.5 相同，为每百万输入 token 0.10 美元、输出 0.50 美元，但超过 200k 输入 token 后价格升至 0.30/1.50 美元。
#推理
Simon WillisonAI 评分7272 Latent SpaceAI 评分8585 Anthropic 发布 Claude Fable 5.2 与 Mythos 5.2，重夺 LLM 榜首
Anthropic 发布 Claude Fable 5.2 和 Claude Mythos 5.2，官方称二者在几乎所有评测能力上都比 Opus 5.5 更进一步，Fable 5.2 在 Artificial Analysis 智能指数 v5 上以 65 分重回第一。
The Decoder精选AI 评分8686 Anthropic 发布 Claude Fable 5.2 与 Mythos 5.2，IPO 前重回性能领先
Anthropic 发布 Claude Fable 5.2 和 Claude Mythos 5.2，两者共享同一模型底座，在 Artificial Analysis 的 Index v5 最高算力档以 65 分排名第一，领先 Gemini 4 Carbon 5 分、Claude Opus 5.5 6 分。
推荐理由：文章给出新模型在第三方基准与内部安全测试上的具体分数和成本对比，可据此判断其能力位置与代价。
TechCrunch · AI同事件AI 评分8282 Anthropic 发布 Mythos 5.2 与 Fable 5.2 模型，Fable 输入价格降至每百万 token 8 美元
Anthropic 发布 Mythos 5.2 和 Fable 5.2，称新模型在编码、推理和视觉方面有所改进，与用户沟通更清晰。Fable 的输入价格从每百万 token 10 美元降至 8 美元，低于主要竞品 GPT-6 Astra，响应速度提升 30%，双倍价格可获得更快的推理服务，并支持零数据保留（ZDR）政策。
同一件事，精选收录的是《Claude Fable 5.2 与 Mythos 5.2 上线 Amazon Bedrock》
The Verge · AI同事件AI 评分8282 Anthropic 发布 Claude Fable 5.2 与 Claude Mythos 5.2 模型
Anthropic 发布 Claude Fable 5.2 和 Claude Mythos 5.2 两款新模型，称其在编码、推理和视觉方面有所提升，生成速度也快于 5.1 版本。
同一件事，精选收录的是《Claude Fable 5.2 与 Mythos 5.2 上线 Amazon Bedrock》
The DecoderAI 评分4545 提出「苦涩教训」的 Richard Sutton 再谈 LLM 扩展：算力本身不足以实现智能
图灵奖得主 Richard Sutton 近日发帖称，单靠原始算力不足以实现智能，AI 科学仍需更聪明的新方法，且「远未完成」。他此前曾批评单纯扩展大语言模型的局限，主张智能体通过世界模型持续学习。AI 研究者 Jerry Tworek 则指出，投入训练的算力越多，算法就越重要，而 Transformer 扩展的暂时成功与对「苦涩教训」的误读「奖励黑客」了整整一代科学家。
AWS Machine Learning BlogAI 评分5858 SageMaker Inference 支持 NVIDIA MIG GPU 分区
Amazon SageMaker Inference 新增 GPU 分区能力，基于 NVIDIA MIG 把单块 GPU 划分为最多 7 个硬件隔离分区，每个分区可独立部署一个模型。
Latent Space精选AI 评分8282 Thinking Machines 发布 Inkling 2 Small：594B 总参数 MoE，68 小时完成预训练
Thinking Machines 发布 Inkling 2 Small，这是一个 594B 总参数、17B 激活参数的多模态 MoE 模型，已在 Tinker 上线，Apache 2.0 权重承诺下周外部安全测试完成后开放。
推荐理由：材料汇总了 Inkling 2 Small 的训练时长、精度方案与多项第三方评测，可对照其与同尺寸模型的差距。
Latent SpaceAI 评分7070 LLM 可直接读写神经网络权重，Weight Space Programming 绕过训练循环
Takehi 等人提出 Weight-Space Programming，让前沿 LLM 从自然语言目标出发直接检查和编辑神经网络权重张量，不依赖梯度下降或训练循环。
Microsoft Research精选AI 评分7474 微软研究院等证明 31 年未解的 KLS 猜想
微软研究院研究员 Xinzhi Zhang 与合著者 Zhao Song 证明了 1995 年提出的 KLS 猜想，给出与维度无关的固定界，解决了高维几何与概率论的核心开放问题。证明过程采用人类引导的智能体搜索，探索了 100 多条候选路径，由研究者筛选和调整方向；同期另有独立团队给出完整证明，并出现 Lean 4 形式化验证。作者称此前用多个前沿模型做无引导的端到端尝试未能成功。
推荐理由：微软研究员与合著者借助人类引导的智能体搜索证明 KLS 猜想，展示了人机协作做数学研究的具体流程。
Microsoft Research精选AI 评分6060 微软研究院推出 Magnetar：基于证明的通用计算 zkVM
微软研究院发布零知识虚拟机 Magnetar，可直接证明用 Rust、Go 或 C 编写的程序执行过程，在 15 个基准程序上平均比现有最快 zkVM 快 10 至 39 倍。它基于 RISC-V 架构，在笔记本上每秒可证明 720 万至 870 万条处理器指令，证明验证约需 12 毫秒。其安全性仅依赖 SHA-256、SHA-3 等标准哈希函数，不需要椭圆曲线、格假设或可信设置。
推荐理由：微软研究院梳理十余年零知识证明研究脉络，说明 Magnetar 如何同时解决效率、通用性与后量子安全三个难题。
Berkeley AI Research精选AI 评分6262 从 CUDA 到 MLX：K-Search 如何把内核优化经验迁移到 Apple Silicon
Berkeley Sky Lab 与 IBM Research 在 K-Search 演化式内核搜索框架上新增 MLX 后端和结构化 CUDA-to-MLX 翻译层，让已有 CUDA 内核作为知识库迁移到 Apple Silicon。
推荐理由：作者把 CUDA 优化经验整理成结构化上下文交给 K-Search，读者可看到跨平台内核迁移中上下文质量比模型写代码能力更关键。
Berkeley AI ResearchAI 评分4040 自适应并行推理：高效推理扩展的下一个范式
Berkeley AI Research 梳理了并行推理领域进展，重点分析自适应并行推理——让模型自行决定何时分解并并行化子任务、开多少并发线程以及如何协调。文章对比了自一致性、Best-of-N、Tree/Graph of Thoughts、MCTS、ParaThinker、GroupThink、Hogwild!