1/14 OpenAI 暂缓最大前沿 RL 训练，把安全信心设为扩展速度的新门槛
OpenAI 表示，面向近期部署模型的强化学习训练曾暂停两周，规模最大的前沿 RL 训练仍未恢复；Astra 可能达到 Preparedness Framework 的关键网络安全能力阈值。新措施包括强化工作负载与网络隔离、逐 token 多阶段监控、30 分钟高优先级处置目标，以及约占被监控推理算力 20% 的监控预算。较小训练和近期模型仍继续推进，但更远期发布将受安全与对齐证据约束。
2/14 Claude 设计的蛋白结合体通过独立湿实验，15 个靶点中 14 个成功
Anthropic 用 Claude Opus 4.8 与 Mythos Preview 编排专业蛋白设计工具，对 15 个靶点生成候选；Adaptyv Bio 和 Twist Bioscience 独立合成测试后，14 个靶点出现有效结合体。不同设置的命中率为 22%–35%，高于公司引用的 10%–15% 常见区间。同文还报告 Opus 5 在 23 与 19 分钟内完成 NMR、LC-MS 分析并接近实验室结果；结合体并不等于药物，仍需完整实验与临床验证。
3/14 Cerebras 发布 CS-4，三晶圆机架系统瞄准超大模型交互式推理
Cerebras CS-4 每台系统集成三块 WSE-3 Turbo，采用可独立部署和升级的 Nexus 机架架构。公司称其相较生产 GPU 系统最高可实现 30 倍推理速度，相比 CS-3 最高提升 10 倍每瓦吞吐，并把晶圆间延迟降至 2 微秒，使超过 10 万亿参数的模型仍可达到每秒 1,000 token 以上。模块化背包减少 50% 组件、把部署从数天缩到数小时；这些性能数字来自厂商，首批计划本季度出货。
4/14 NVIDIA 用两条命令打通 Hugging Face 到 TensorRT，并公开 Agent 构建流程
TensorRT Model Connect 进入公开预览：受支持的 Hugging Face 或本地检查点可直接构建为 TensorRT .bundle，无需中间 ONNX 导出，再通过 CLI 或原生 C++ API 运行。项目把不同模型族的构建器、运行管线、kernel 与验证契约做成开源参考实现；NVIDIA 称模型实现、调优、测试、集成和文档均由 Codex Agent 在人类指导审查下完成。生产使用仍需核对模型、精度、量化与平台的资格证据。
5/14 Perplexity 把 Computer 接进邮件线程，抄送一个地址即可启动可审计任务
Perplexity Computer 现在可通过 computer@perplexity.com 接收、转发或被抄送到邮件线程；每个邮件任务都会成为普通 Computer 会话，可在网页和移动端查看，并保留与应用内任务一致的审计轨迹，已向全部 Computer 用户开放。平台同日把美国托管的 DeepSeek V4 Pro 接入 Computer，并在自家 WANDR 评测中报告 0.359、每任务 0.75 美元和低 62% 的前沿成本；该比较仍属供应商评测。
6/14 Pika Soundtrack 用视频与文本共同生成音效、语音、音乐和环境声
Pika 发布 Soundtrack：输入视频与可选指令，潜空间扩散 Transformer 同时注意保留动作时序的视觉 token 和描述声音目标的文本 token，生成覆盖完整场景的同步音轨。官方在 67 个分段测试中报告 ImageBind 0.2457、DeSync 0.5537，并称热启动自托管环境平均每生成一秒音频耗时 0.617 秒、成本最高低两倍。速度比较混用了托管 API 与不同执行环境，因此更适合作为产品指标而非独立排名。
7/14 Suno Studio 2.0 允许用自然语言现场生成音频插件
Suno Studio 2.0 新增描述式插件生成：用户可以输入“泵感洞穴混响”或“变化延迟音序器”等需求，系统先解释目标、确认构建方案，再在数秒内生成可用效果器。它把生成式音频从产出整首歌曲推进到制作工具本身——音乐人不再只提示模型“生成什么声音”，还可让模型按工作流临时创建处理声音的插件。当前公告未披露插件执行沙箱、参数范围、可移植格式和第三方 DAW 兼容细节。
8/14 Stable Audio 3.0 进入 DAW，AU/VST3 插件与网页编辑同时开放测试
Stability AI 为 Stable Audio 3.0 推出 macOS AU 与 VST3 通用插件，支持 Apple Silicon、Intel 和 macOS 11 以上，可在 Logic Pro、Ableton Live 等主流 DAW 内直接生成；Windows 与 AAX 支持仍在规划。网页端同步增加更多编辑与生成后处理能力。公司强调模型基于授权数据训练、用户拥有输出并可分发；插件和新版网页目前均为 beta，部分功能仍属实验性质。
9/14 1,221 人携 Agent 复现 2,226 篇 ICML 论文，23% 出现证伪或争议
Hugging Face 的开放复现挑战生成 6,816 份可审计 logbook，覆盖 35,908 条主张和 2,962 个云任务。51% 的受检论文至少有一条主张获独立验证，23% 至少有一条被证伪或争议，242 篇在不同团队间得到相反结论。组织方再由人工对正式证伪逐项复核，既确认了证明、损失函数和评测 padding 问题，也抓到单位混比造成的假证伪，显示 Agent 能扩展审查覆盖但不能替代研究判断。
10/14 Databricks 实战赛显示，同一模型因 Agent 系统设计相差 30.4 个百分点
Grounded Reasoning Cup 让 11 支高校队伍在约 12 万页美国财政部新语料上回答企业式问题。开箱即用前沿 Agent 离线平均准确率低于 30%，Stanford 通过 100 多项可复用 skill、文档表示回退和自适应验证达到 63.3%；使用同一模型的最高、最低队伍仍相差 30.4 个百分点。18.8% 题目无人解出，说明解析、检索、工具、验证、并行和提交基础设施共同决定未见语料上的泛化。
11/14 LlamaParse 保留删改痕迹，避免合同已删除条款重新“复活”
LlamaParse 新增修订追踪，可输出文档最终状态 Markdown，同时把插入、删除、格式变化、移动和评论保存为结构化 revisions。每条记录可附作者、目标文本、批注内容、页面边界框及连接最终 Markdown 的字符偏移；支持含修订的 Word、标记可见的 PDF、扫描件和非英语 Word 批注气泡。该功能面向合同、监管申报与政策草案，可同时服务检索和审计，但依赖 items 结果，fast tier 不提供。
12/14 Together 把模型 A/B 测试下沉到推理端点，最多同时比较 20 个变体
Together AI 的端点级实验允许一个 control 与最多 20 个 variant 使用固定流量比例，客户端继续沿用同一端点名、API 和密钥。团队可从 95/5 逐步提高到 80/20、50/50，更新用 etag 防止并发覆盖，并以稳定 sampling key 保持用户分组；删除实验后流量自动回到 control。平台指标按部署 ID 归因，业务侧仍需连接评分、重试与任务完成率，获胜模型再通过蓝绿发布晋升。
13/14 Artificial Analysis 开始同时评测 Agent 搜索的质量、成本与端到端延迟
Parallel 转发的 Artificial Analysis Search Index 不只比较检索命中，还把搜索时间、模型时间、任务质量和成本纳入同一端到端框架。公开结果中，Parallel 的 Turbo 与 Advanced 模式在质量—成本和质量—延迟图上进入 Pareto 前沿，Firecrawl 也位于部分前沿；Parallel 同时获得最高质量分。该结果为独立评测而非厂商自测，但本轮推文没有给出完整数据集、模型配置与具体分数，结论仍应结合原始方法页解读。
14/14 Hugging Face Hub 模型数突破 300 万，开放模型供给继续扩张
Hugging Face 宣布 Hub 托管模型数量超过 300 万，覆盖模型、数据集、Space 与越来越多由 Agent 产生的实验记录。数字体现开放模型分发与衍生版本仍在快速扩张，但“模型数”会同时计入微调、量化、适配器和重复分支，不能直接等同于独立基础模型或实际采用量。同日社区还发布 Sentence Transformers v6.0，加入 ColBERT 风格 MultiVectorEncoder，说明生态增长正从托管规模延伸到检索组件迭代。
Deep Dive 附录
OpenAI：两周 RL 暂停结束不等于最大训练已恢复
OpenAI 将 OpenAI—Hugging Face 事件、Astra 可能触及关键网络安全能力阈值和内部进展放在同一风险背景下。公司已经恢复部分更安全的代码执行，但最大前沿 RL 仍保持暂停，其他高风险工作负载也要迁入新的隔离环境。新的逐 token、多阶段监控覆盖 Sol 及以上模型的工具型 RL 与评测，Astra 工具推理也全部纳入；高优先级信号若 30 分钟内不能判定为误报就要停机。OpenAI 估算监控约占推理算力 20%，说明安全控制开始直接成为训练容量与发布时间表的一部分。 查看原文
Claude 蛋白设计：实验结果强，但依赖专业模型、GPU 与湿实验闭环
Claude 并非直接从文本吐出可用药物，而是在互联网、论文、GPU 和多种蛋白设计、序列设计、共折叠模型之间规划和筛选。三种运行设置从 1,320 个设计中产生 354 个结合体，对 14/15 靶点成功；多靶点命中率为 22.6%–26.7%，单靶点 Mythos 达 35.1%。独立实验室负责合成和检测，部分设计在亲和力上达到或超过公开结果。文章同时展示 Opus 5 自动分析 NMR 与 LC-MS，但明确把这些能力定位为药物研发早期加速器，而不是对安全性、有效性或临床成功的证明。 查看原文
CS-4：性能之外，Cerebras 重点重构了机架部署与升级方式
CS-4 把三块 WSE-3 Turbo 放进 Nexus 机架平台，并用独立的计算背包、PowerRack 与 I/O 模块分离稳定设施层和可替换算力层。0.5 毫米供电距离、新的液冷与两倍 I/O 带宽用于提高晶圆频率；最低 2 微秒晶圆互联则服务超大模型低延迟解码。厂商声称相较 GPU 最高 30 倍推理速度、相较 CS-3 最高 10 倍每瓦吞吐，并在 10 万亿参数以上保持每秒 1,000 token。首批本季度出货，独立基准仍待验证。 查看原文
TensorRT Model Connect：模型兼容被组织成可由 Agent 持续扩展的工程系统
项目从 Hugging Face 或本地检查点直接生成版本化 TensorRT bundle，把 Python 构建环境和 C++ 推理边界分开，并用模型族自有的 builder、pipeline、kernel 与验证契约承载兼容性。NVIDIA 将“新增模型支持”本身设计成 Agent 可执行的持续工作流，并公开 AGENTS 指南、测试和文档。它降低了从 PyTorch 模型到 TensorRT 的集成摩擦，但目前定位仍是参考实现；生产部署需按 Supported Models 页面逐项核对检查点、精度、量化、硬件和验证证据。 查看原文
Pika Soundtrack：长场景效率来自蒸馏、缓存与稀疏注意力的组合
模型把视频压缩成保留运动与场景变化的 token，把指令编码成声音语义，再在音频潜空间执行扩散式去噪。蒸馏减少有效生成步数，激活与上下文缓存复用相邻分块不变的信息，稀疏注意力把算力集中在决定同步的局部音视频区域。Pika 在自家基准上报告语义对齐和时间同步领先，但明确承认速度测试跨越托管 API、分块推理和热启动自托管环境，并非同硬件比较；因此“最高两倍成本效率”仍需独立复现。 查看原文
ICML 开放复现：Agent 把审稿覆盖做大，也把复现错误本身做大
挑战对 2,226 篇论文、35,908 条主张进行公开逐项检查，并把代码、产物和可选 Agent 轨迹冻结为可审计 logbook。51% 论文至少部分获验证，23% 至少有一条被证伪或争议，242 篇出现团队间相反结论。人工复核既确认了增长阶数、损失函数与评测 padding 问题，也发现错误归一化导致的假证伪。最可靠的流程不是让 Agent 无监督跑到底，而是由人类识别尺度、单位、知觉质量和实验前提，再让 Agent 扩展搜索与实验覆盖。 查看原文
Grounded Reasoning Cup：100 多项 skill、解析回退和验证决定 63.3%
OfficeQA Pro V2 用约 12 万页新财政部语料测试跨基准泛化。Stanford 的 Agent 在文本与 Markdown 不完整时回退原始 PDF，并准备 100 多项 skill 处理不同问题；额外验证可修正数据沿袭和单位缩放错误，但会损失速度分，因此团队动态开关。UMass 用三 Agent 并行和元数据目录追求低延迟，Yale 用四个部分独立分支提升稳健性。同模型系统之间 30.4 个百分点的差距表明，企业 Agent 评测必须把模型、文档表示、检索、工具和验证视为整体。 查看原文
Together A/B 测试：基础设施负责稳定分流，产品团队仍负责定义“更好”
端点可把固定比例流量分给一个 control 与最多 20 个 variant，并保持客户端接口不变。分流与副本数解耦，etag 阻止并发配置互相覆盖，稳定 user 或 sampling key 保持同一用户的 cohort。平台按 deployment ID 提供延迟、错误和吞吐，产品侧再连接评分、重试和完成率；获胜者走蓝绿发布，失败者删除实验即可回到 control。它解决了实验路由和清理，但不替代样本量、显著性、长期效应与风险指标设计。 查看原文
LlamaParse 修订追踪：最终正文与审计历史终于能同时进入检索管线
开启 annotate_revisions 后，解析结果既给出接受修订后的最终 Markdown，也把插入、删除、格式变化、移动与评论单独保存。作者、目标文本、修订内容、边界框和字符偏移让应用可以定位到页面和最终正文；支持 Word、带可见标记的 PDF、扫描件与非英语批注气泡。对合同和政策文档而言，这避免删除条款被 OCR 或解析器重新视为有效内容，也让问答系统能把“现行文本”与“谁改了什么”分开回答。
查看原文