AI 与科学前沿 · 2026-10-20

ARIA把“何时向更强模型求助”变成一个可学习的顺序决策：在SWE-bench Verified、Terminal-Bench 2.1和电信客服基准上，它以不到Advisor-only一半的成本补回执行器与顾问之间44%到81%的成功率差距。

ARIA把“何时向更强模型求助”变成一个可学习的顺序决策：在SWE-bench Verified、Terminal-Bench 2.1和电信客服基准上，它以不到Advisor-only一半的成本补回执行器与顾问之间44%到81%的成功率差距。

两项自蒸馏方法在代码、科学推理、工具使用和数学任务上的增益，换到没见过的题目就消失或转为下降，数学上的提升主要来自把思考模式搬进非思考模式，而不是用了参考答案这类特权信息。

两项自蒸馏方法在代码、科学推理、工具使用和数学任务上的增益，换到没见过的题目就消失或转为下降，数学上的提升主要来自把思考模式搬进非思考模式，而不是用了参考答案这类特权信息。

在vLLM的弹性专家并行中，扩缩容过去要暂停服务，DeepSeek V4 Pro从16块扩到20块GB200时中断99.62秒。新方案把重配置拆成后台准备与短暂提交，并让NIXL EP原地增删通信成员、保留已捕获的CUDA图，使同一基准下扩容中断降到0.82秒、缩容降到1.96秒。

在vLLM的弹性专家并行中，扩缩容过去要暂停服务，DeepSeek V4 Pro从16块扩到20块GB200时中断99.62秒。新方案把重配置拆成后台准备与短暂提交，并让NIXL EP原地增删通信成员、保留已捕获的CUDA图，使同一基准下扩容中断降到0.82秒、缩容降到1.96秒。

智能体的表现不只取决于底层模型，也取决于承载它的运行时外壳，即提示、记忆、技能、工具与编排。Harness2把外壳改进做成两层递归：任务层用“提议—探测—组合”的对比步骤，在没有标准答案的情况下比较改动前后的执行行为；改进层再把这一过程沉淀为经验库，指导后续任务。在WorkBuddy-Bench、JobBench和Harvey法律智能体基准上，单步改进让GLM-5与Gemini 3.5 Flash在四种模型—外壳配置下全部提升，最高分别达11.5分、4.5分和11.8个百分点。

智能体的表现不只取决于底层模型，也取决于承载它的运行时外壳，即提示、记忆、技能、工具与编排。Harness2把外壳改进做成两层递归：任务层用“提议—探测—组合”的对比步骤，在没有标准答案的情况下比较改动前后的执行行为；改进层再把这一过程沉淀为经验库，指导后续任务。在WorkBuddy-Bench、JobBench和Harvey法律智能体基准上，单步改进让GLM-5与Gemini 3.5 Flash在四种模型—外壳配置下全部提升，最高分别达11.5分、4.5分和11.8个百分点。

对幂分布做MCMC与SMC采样在现实算力下无法收敛，其推理增益大多可由简单的Best-of-N选择复现；直接微调逼近幂分布的Power-RLOO只在基座模型已与任务对齐时才带来提升。

对幂分布做MCMC与SMC采样在现实算力下无法收敛，其推理增益大多可由简单的Best-of-N选择复现；直接微调逼近幂分布的Power-RLOO只在基座模型已与任务对齐时才带来提升。

Reflection的Beam是一个501B参数、每token激活23B的混合专家模型，面向软件工程与长程智能体任务，计划以Apache 2.0发布。SGLang现已原生支持Beam并承载其生产API，通过BF16、NVFP4与动态FP8检查点、DFlash2投机解码和前缀缓存把推理效率转化为服务性能。在4块NVIDIA GB300、NVFP4检查点的OpenHands多轮智能体编码回放上，并发32时单卡总吞吐达127.6K token/秒，每用户p50为185.87 token/秒。

Reflection的Beam是一个501B参数、每token激活23B的混合专家模型，面向软件工程与长程智能体任务，计划以Apache 2.0发布。SGLang现已原生支持Beam并承载其生产API，通过BF16、NVFP4与动态FP8检查点、DFlash2投机解码和前缀缓存把推理效率转化为服务性能。在4块NVIDIA GB300、NVFP4检查点的OpenHands多轮智能体编码回放上，并发32时单卡总吞吐达127.6K token/秒，每用户p50为185.87 token/秒。

Meta在俄亥俄州新奥尔巴尼把一座原本承载网页流量的常规数据中心改造成千兆瓦级超算Prometheus，首期已完成并用于训练Muse基础模型。大规模训练中单台主机故障即可拖慢整个作业，Meta通过提升系统稳定性，使Muse Wonder预训练运行的goodput超过85%、强化学习运行超过90%。集群目前由数十万块GPU组成，满规模目标约100万块。

Meta在俄亥俄州新奥尔巴尼把一座原本承载网页流量的常规数据中心改造成千兆瓦级超算Prometheus，首期已完成并用于训练Muse基础模型。大规模训练中单台主机故障即可拖慢整个作业，Meta通过提升系统稳定性，使Muse Wonder预训练运行的goodput超过85%、强化学习运行超过90%。集群目前由数十万块GPU组成，满规模目标约100万块。

蛋白质功能取决于构象状态之间的有序转换，而分子动力学模拟在成批蛋白上反复采样代价高昂。TEMPO把生成分成两级：慢尺度模型按训练时的20纳秒步长推进锚点构象，快尺度模型在锚点条件下生成间隔1纳秒的帧。在留出的mdCATH与ATLAS蛋白上，它复现了MD系综观测量；相比单尺度自回归模型，400帧长程RMSD误差从8.62埃降到1.78埃，一次400帧推演不到1分钟。

蛋白质功能取决于构象状态之间的有序转换，而分子动力学模拟在成批蛋白上反复采样代价高昂。TEMPO把生成分成两级：慢尺度模型按训练时的20纳秒步长推进锚点构象，快尺度模型在锚点条件下生成间隔1纳秒的帧。在留出的mdCATH与ATLAS蛋白上，它复现了MD系综观测量；相比单尺度自回归模型，400帧长程RMSD误差从8.62埃降到1.78埃，一次400帧推演不到1分钟。

在只能查询推荐接口的黑盒条件下，注入不到1%的合成交互就能让生成式推荐器在特定触发商品出现时更频繁地推出攻击目标，按解码对齐挑出的短前缀把命中率提升最多16.3个百分点。

在只能查询推荐接口的黑盒条件下，注入不到1%的合成交互就能让生成式推荐器在特定触发商品出现时更频繁地推出攻击目标，按解码对齐挑出的短前缀把命中率提升最多16.3个百分点。

LoOPSD 不改权重、只让同一模型重复执行一段中间层来造出更强的自教师，再把它的预测蒸馏回标准路径的学生；GSM8K 上 Qwen3-1.7B 在 400 token 思考预算下从 42.30% 升到 79.61%。

LoOPSD 不改权重、只让同一模型重复执行一段中间层来造出更强的自教师，再把它的预测蒸馏回标准路径的学生；GSM8K 上 Qwen3-1.7B 在 400 token 思考预算下从 42.30% 升到 79.61%。

面向肿瘤患者胸腹盆CT的视觉语言基础模型CAPTOR在25,512对CT与报告上完成预训练，并在目标场景中超过现有CT基础模型。在胸腹盆全覆盖子集上，其疾病分类AUC为0.767，高于次优模型的0.695；在肿瘤子集上为0.784，高于0.734。该模型把整段胸腹盆检查按器官分区裁剪后编码，但只做检查级判断，不定位病灶。

面向肿瘤患者胸腹盆CT的视觉语言基础模型CAPTOR在25,512对CT与报告上完成预训练，并在目标场景中超过现有CT基础模型。在胸腹盆全覆盖子集上，其疾病分类AUC为0.767，高于次优模型的0.695；在肿瘤子集上为0.784，高于0.734。该模型把整段胸腹盆检查按器官分区裁剪后编码，但只做检查级判断，不定位病灶。

在测试与评估中，若测试集缺少夜间这类关键语义条件，模型选型会被误导；一套生成式流程用视觉语言模型找出缺失语义、用扩散模型把白天图改造成夜间图补进测试集，使选型结论与完整覆盖的数据集一致。

在测试与评估中，若测试集缺少夜间这类关键语义条件，模型选型会被误导；一套生成式流程用视觉语言模型找出缺失语义、用扩散模型把白天图改造成夜间图补进测试集，使选型结论与完整覆盖的数据集一致。

人体动作生成不再为每套骨架单独建模：把根节点相对关节轨迹排成关节-时间图像后，图像扩散架构在HumanML3D与KIT-ML上共用同一个动作自编码器和同一个生成器，两套骨架定义都保留。

人体动作生成不再为每套骨架单独建模：把根节点相对关节轨迹排成关节-时间图像后，图像扩散架构在HumanML3D与KIT-ML上共用同一个动作自编码器和同一个生成器，两套骨架定义都保留。

RepProbe把重复次数做成可控变量后发现，通用视频语言模型在高次数上计数崩溃，但同一最后一层状态里次数仍可线性解码，说明失败出在输出环节而非表征。

RepProbe把重复次数做成可控变量后发现，通用视频语言模型在高次数上计数崩溃，但同一最后一层状态里次数仍可线性解码，说明失败出在输出环节而非表征。

在160个分类和81个回归数据集上，表格基础模型的排名会随基准与指标改变，回归模型虽已接近名义边际覆盖率，但最差子群覆盖仍偏低，说明选型不能只看聚合预测精度。

在160个分类和81个回归数据集上，表格基础模型的排名会随基准与指标改变，回归模型虽已接近名义边际覆盖率，但最差子群覆盖仍偏低，说明选型不能只看聚合预测精度。

GUI智能体的世界模型不再逐像素重建下一屏，而是让共享潜表示同时承担动作打分与动作条件未来预测，在离线与在线基准上成功率最高相对提升31.9%和40.6%，世界模型推理延迟最多降低98.9%。

GUI智能体的世界模型不再逐像素重建下一屏，而是让共享潜表示同时承担动作打分与动作条件未来预测，在离线与在线基准上成功率最高相对提升31.9%和40.6%，世界模型推理延迟最多降低98.9%。

在TD-JEPA的任务编码上加一项稀疏惩罚，使推断奖励在目标附近更集中，零样本强化学习在DMC平均回报提高53分、OGBench平均成功率提高10.4个百分点。

在TD-JEPA的任务编码上加一项稀疏惩罚，使推断奖励在目标附近更集中，零样本强化学习在DMC平均回报提高53分、OGBench平均成功率提高10.4个百分点。

MemoryVLN把长程视觉语言导航的历史观测压成带位姿的空间记忆，并在同一环境内跨回合复用，在R2R-CE与RxR-CE上把成功率分别提高约2%和6.5%。

MemoryVLN把长程视觉语言导航的历史观测压成带位姿的空间记忆，并在同一环境内跨回合复用，在R2R-CE与RxR-CE上把成功率分别提高约2%和6.5%。

脓毒症早期识别常在患者到达急诊分诊时就要做出，但神经网络只给出概率，临床医生难以核对依据。ShAprox把每个特征的沙普利值拟合成曲线或均值，再与基准率相加得到预测概率，使决策过程成为可直接阅读的加和式。在两个NHS信托共28072次就诊记录上，ShAprox外部测试AUC为0.824，与神经网络的0.818相当，且训练与内部测试表现更接近。

脓毒症早期识别常在患者到达急诊分诊时就要做出，但神经网络只给出概率，临床医生难以核对依据。ShAprox把每个特征的沙普利值拟合成曲线或均值，再与基准率相加得到预测概率，使决策过程成为可直接阅读的加和式。在两个NHS信托共28072次就诊记录上，ShAprox外部测试AUC为0.824，与神经网络的0.818相当，且训练与内部测试表现更接近。

AWS 发布 TorchNeuron，一个面向 Trainium 芯片的原生 PyTorch 后端，模型代码、库和工具无需为 Neuron 单独适配即可运行。此前在 Trainium 上使用 Hugging Face 模型需要 Neuron 专用软件与配置，现在只需把设备指向 neuron。它基于 PyTorch 的 PrivateUse1 扩展点注册设备，支持 eager、torch.compile 与自定义 NKI 算子，覆盖 Trainium2 和 Trainium3，10 月 20 日以 Apache 2.0 公开 Beta 发布。

AWS 发布 TorchNeuron，一个面向 Trainium 芯片的原生 PyTorch 后端，模型代码、库和工具无需为 Neuron 单独适配即可运行。此前在 Trainium 上使用 Hugging Face 模型需要 Neuron 专用软件与配置，现在只需把设备指向 neuron。它基于 PyTorch 的 PrivateUse1 扩展点注册设备，支持 eager、torch.compile 与自定义 NKI 算子，覆盖 Trainium2 和 Trainium3，10 月 20 日以 Apache 2.0 公开 Beta 发布。

联邦大模型聚合时，服务器把每个智能体的LoRA更新当作超图节点，用超边消息传递识别并压制被投毒的知识，在AG News与Yahoo! Answers上准确率高于Multi-Krum、FoolsGold和FLTrust。

联邦大模型聚合时，服务器把每个智能体的LoRA更新当作超图节点，用超边消息传递识别并压制被投毒的知识，在AG News与Yahoo! Answers上准确率高于Multi-Krum、FoolsGold和FLTrust。

CoVA把生成模型自带VAE的重建特征在线重组为语义与空间结构更强的监督信号，在ImageNet 256×256上把SiT-XL/2的FID从17.2降到7.4，且不引入外部视觉编码器。

CoVA把生成模型自带VAE的重建特征在线重组为语义与空间结构更强的监督信号，在ImageNet 256×256上把SiT-XL/2的FID从17.2降到7.4，且不引入外部视觉编码器。

连续思维机器在ImageNet上分类图像时，内部状态沿着一条随每个节拍移动的吸引定点曲线前进，这条曲线的大部分运动对所有图像相同，注意力安排也基本通用，打乱不同图像的查询只损失约7%的准确率。

连续思维机器在ImageNet上分类图像时，内部状态沿着一条随每个节拍移动的吸引定点曲线前进，这条曲线的大部分运动对所有图像相同，注意力安排也基本通用，打乱不同图像的查询只损失约7%的准确率。

在九个ImageNet卷积网络上，逐层从输出重建该层输入patch的可还原度随深度下降，但更稳定地由该层有效压缩比预测；把预训练奇异向量复制到随机编码器会提高可还原度，复制奇异值谱或激活稀疏度则降低。

在九个ImageNet卷积网络上，逐层从输出重建该层输入patch的可还原度随深度下降，但更稳定地由该层有效压缩比预测；把预训练奇异向量复制到随机编码器会提高可还原度，复制奇异值谱或激活稀疏度则降低。

把智能体的动作选择换成Jev这类快速决策模型后，单步决策成本降了66.1%到78.4%、耗时降了73.9%到81.5%，但在ALFWorld上任务成功率基本持平、在两个移动端智能体上明显下滑，说明省下的钱不一定变成交付出去的成功任务。

把智能体的动作选择换成Jev这类快速决策模型后，单步决策成本降了66.1%到78.4%、耗时降了73.9%到81.5%，但在ALFWorld上任务成功率基本持平、在两个移动端智能体上明显下滑，说明省下的钱不一定变成交付出去的成功任务。

胎儿在磁共振扫描中移动，会让逐层采集的二维切片角度错位，最终三维图像出现覆盖缺口，医生可能因此漏诊或误判脑部异常。MIT、波士顿儿童医院与Inria的研究者构建了E(3)-Pose深度模型，在成像过程中跟踪胎头运动，帮助获得可供放射科医生判读的高分辨率图像。该模型把胎头左右对称这一物理先验直接嵌入网络结构，而不是只让模型从数据中学物理；目前主要面向妊娠晚期胎儿。

胎儿在磁共振扫描中移动，会让逐层采集的二维切片角度错位，最终三维图像出现覆盖缺口，医生可能因此漏诊或误判脑部异常。MIT、波士顿儿童医院与Inria的研究者构建了E(3)-Pose深度模型，在成像过程中跟踪胎头运动，帮助获得可供放射科医生判读的高分辨率图像。该模型把胎头左右对称这一物理先验直接嵌入网络结构，而不是只让模型从数据中学物理；目前主要面向妊娠晚期胎儿。

Meta 发布开源权重多模态混合专家模型 Muse Spark Open，SGLang 与 Miles 在发布当天为其接上推理与强化学习训练后端。该模型文本主干 816B 参数、每 token 约 42B 激活，支持文本、图像、视频、音频输入和 1M token 上下文。在 8 块 B300 上以 NVFP4 权重跑 OpenHands 多轮智能体编码回放，并发 128 时每 GPU 总吞吐 80.3K token/s、每用户 61 token/s。

Meta 发布开源权重多模态混合专家模型 Muse Spark Open，SGLang 与 Miles 在发布当天为其接上推理与强化学习训练后端。该模型文本主干 816B 参数、每 token 约 42B 激活，支持文本、图像、视频、音频输入和 1M token 上下文。在 8 块 B300 上以 NVFP4 权重跑 OpenHands 多轮智能体编码回放，并发 128 时每 GPU 总吞吐 80.3K token/s、每用户 61 token/s。

Meta把数据管道智能体的编排层改成只做路由和可靠性检查的薄路由器，把领域推理交给14个上下文隔离的专用子智能体。此前一个装载全部领域知识的单体智能体在演示中可用，上线后却开始产生幻觉，把不同子系统的命名约定和代码生成模式混用。新架构下，新数据列的配置准备从手工三到四天、早期配置驱动系统约一天，缩短到一小时以内，约三分之二的改动无需显著人工编辑即可落地。

Meta把数据管道智能体的编排层改成只做路由和可靠性检查的薄路由器，把领域推理交给14个上下文隔离的专用子智能体。此前一个装载全部领域知识的单体智能体在演示中可用，上线后却开始产生幻觉，把不同子系统的命名约定和代码生成模式混用。新架构下，新数据列的配置准备从手工三到四天、早期配置驱动系统约一天，缩短到一小时以内，约三分之二的改动无需显著人工编辑即可落地。

Jane Street的机器学习工程师与NVIDIA合作，用NVIDIA CUDA Tile（cuTile）这一Python端GPU编程模型重写了Mamba-2的前向计算，并针对Blackwell张量核心做了调度与访存优化。Mamba-2兼有循环网络的固定大小隐状态和注意力式的矩阵乘法训练路径，但前向计算仍需高效内核。在单块B300上，这组内核比Triton实现快1.14到1.82倍，加速幅度随序列长度和状态规模增大而提高；这是内核级结果，端到端训练还取决于反向传播实现。

Jane Street的机器学习工程师与NVIDIA合作，用NVIDIA CUDA Tile（cuTile）这一Python端GPU编程模型重写了Mamba-2的前向计算，并针对Blackwell张量核心做了调度与访存优化。Mamba-2兼有循环网络的固定大小隐状态和注意力式的矩阵乘法训练路径，但前向计算仍需高效内核。在单块B300上，这组内核比Triton实现快1.14到1.82倍，加速幅度随序列长度和状态规模增大而提高；这是内核级结果，端到端训练还取决于反向传播实现。

AWS Trainium 上的 Hugging Face 模型运行方式换了底座：新的 PyTorch 原生后端 TorchNeuron 把 Neuron 芯片暴露为普通设备，支持即时执行、torch.compile 与原生分布式接口，不再依赖基于 PyTorch XLA 的 optimum-neuron。按 Hugging Face 给出的对照，最常用的 100 个文本生成模型架构中开箱支持比例从 Optimum Neuron v0.4.5 的 46% 升到 89%。该后端自 2026 年 10 月 20 日起进入公开测试。

AWS Trainium 上的 Hugging Face 模型运行方式换了底座：新的 PyTorch 原生后端 TorchNeuron 把 Neuron 芯片暴露为普通设备，支持即时执行、torch.compile 与原生分布式接口，不再依赖基于 PyTorch XLA 的 optimum-neuron。按 Hugging Face 给出的对照，最常用的 100 个文本生成模型架构中开箱支持比例从 Optimum Neuron v0.4.5 的 46% 升到 89%。该后端自 2026 年 10 月 20 日起进入公开测试。

英伟达将完整的Run:ai平台以开源软件形式发布，并纳入DSX AI Factory平台，使客户、开发者与生态伙伴可直接获取生产级的AI工作负载与GPU编排能力。此前该平台以商业产品形式提供，用于在Kubernetes上动态分配GPU资源并管理从数据处理、训练到推理的全生命周期。开源版本包含KAI Scheduler、GPU Fractioning Operator、KAI Resource Management和Workload Map四个可独立采用的组件，生态伙伴可整体采用、在其上构建自有产品，或按需集成单个组件。

英伟达将完整的Run:ai平台以开源软件形式发布，并纳入DSX AI Factory平台，使客户、开发者与生态伙伴可直接获取生产级的AI工作负载与GPU编排能力。此前该平台以商业产品形式提供，用于在Kubernetes上动态分配GPU资源并管理从数据处理、训练到推理的全生命周期。开源版本包含KAI Scheduler、GPU Fractioning Operator、KAI Resource Management和Workload Map四个可独立采用的组件，生态伙伴可整体采用、在其上构建自有产品，或按需集成单个组件。

Meta 把广告推荐系统的物品表示从“每个物品一个专属 ID”换成由稳定语义词表组成的短 token 序列，使模型能借助共享概念推断从未见过互动记录的新广告。该表示与 Meta 的生成式广告模型 GEM 和自适应排序模型配合，在广告主侧带来 0.35% 的转化提升，并同时用于检索与排序。

Meta 把广告推荐系统的物品表示从“每个物品一个专属 ID”换成由稳定语义词表组成的短 token 序列，使模型能借助共享概念推断从未见过互动记录的新广告。该表示与 Meta 的生成式广告模型 GEM 和自适应排序模型配合，在广告主侧带来 0.35% 的转化提升，并同时用于检索与排序。

薄壁网格锥壳铣削时，筋条分布让局部刚度随刀位突变，切削力把工件沿法向压出弹性退让，实际壁厚因此小于理论切深。新做法把有限元仿真当作源域、真实铣削实验当作目标域，用迁移学习先预测法向切削力，再把预测载荷送入等效刚度解析模型算出变形。在四个测试集上，该方法的预测准确率为93.05%至95.27%，高于CNN、PINN和TL三个对照模型。

薄壁网格锥壳铣削时，筋条分布让局部刚度随刀位突变，切削力把工件沿法向压出弹性退让，实际壁厚因此小于理论切深。新做法把有限元仿真当作源域、真实铣削实验当作目标域，用迁移学习先预测法向切削力，再把预测载荷送入等效刚度解析模型算出变形。在四个测试集上，该方法的预测准确率为93.05%至95.27%，高于CNN、PINN和TL三个对照模型。

英伟达推出 RTX Spark 笔记本与紧凑台式机，把本地编码智能体的推理、测试与部署放到一台机器上。此前开发者要在笔记本、云端模型接口和云虚拟机之间来回切换。该机搭载 GB10 系统级芯片与最高 128GB 统一内存，英伟达称对比英特尔 Panther Lake 12Xe，编码智能体性能为 4.6 倍、微调 2.7 倍、代码编译 1.8 倍。

英伟达推出 RTX Spark 笔记本与紧凑台式机，把本地编码智能体的推理、测试与部署放到一台机器上。此前开发者要在笔记本、云端模型接口和云虚拟机之间来回切换。该机搭载 GB10 系统级芯片与最高 128GB 统一内存，英伟达称对比英特尔 Panther Lake 12Xe，编码智能体性能为 4.6 倍、微调 2.7 倍、代码编译 1.8 倍。

Kronos 是首个面向金融K线（蜡烛图）序列的开源基础模型，训练数据来自全球45家以上交易所。通用时间序列基础模型难以应对金融数据的高噪声，Kronos 先把开盘、最高、最低、收盘与成交量等多维K线量化成层级离散词元，再用自回归 Transformer 在这些词元上预训练，从而以同一模型服务多种量化任务。发布方同时开放了不同规模的预训练权重、微调脚本和在线演示，演示页展示 BTC/USDT 未来24小时的预测。

Kronos 是首个面向金融K线（蜡烛图）序列的开源基础模型，训练数据来自全球45家以上交易所。通用时间序列基础模型难以应对金融数据的高噪声，Kronos 先把开盘、最高、最低、收盘与成交量等多维K线量化成层级离散词元，再用自回归 Transformer 在这些词元上预训练，从而以同一模型服务多种量化任务。发布方同时开放了不同规模的预训练权重、微调脚本和在线演示，演示页展示 BTC/USDT 未来24小时的预测。

两个人形机器人抬同一块自由支撑的刚性货物穿过受限走廊时，团队协调不再靠预先分解任务，而是写成可执行代码，由多模态基础模型给出动作原语、语义目标、临时角色和有界参数。每次物理执行都经校验器判定，被拒的转移从最近一次通过的检查点触发结构化修订，通过的经验被留存复用。在MuJoCo中，三种基础模型骨干各跑5次基础任务，共15次完成8次，每个骨干都有端到端成功。

两个人形机器人抬同一块自由支撑的刚性货物穿过受限走廊时，团队协调不再靠预先分解任务，而是写成可执行代码，由多模态基础模型给出动作原语、语义目标、临时角色和有界参数。每次物理执行都经校验器判定，被拒的转移从最近一次通过的检查点触发结构化修订，通过的经验被留存复用。在MuJoCo中，三种基础模型骨干各跑5次基础任务，共15次完成8次，每个骨干都有端到端成功。

MiniMax 正式发布 M3.1 Flash，一款面向智能体任务、编程、Computer Use 与网络安全的 Flash 系列新模型。官方称其在复杂智能体任务、编程与计算机操作等基准上达到头部模型水平，同时把在线推理速度提升近三倍、使用成本降低 70%。该模型已通过 MiniMax API、M Plan 与 MiniMax Code 开放，权重将稍后发布。

MiniMax 正式发布 M3.1 Flash，一款面向智能体任务、编程、Computer Use 与网络安全的 Flash 系列新模型。官方称其在复杂智能体任务、编程与计算机操作等基准上达到头部模型水平，同时把在线推理速度提升近三倍、使用成本降低 70%。该模型已通过 MiniMax API、M Plan 与 MiniMax Code 开放，权重将稍后发布。

Meta公开了面向智能体编程与长程任务的Muse Spark Open模型权重，并已在Modal的共享端点上按token计费提供。该模型原生支持多模态理解，上下文窗口为100万token，可完成写代码、调试、多步规划、顺序调用工具以及长流程中的失败恢复。在Meta的评测中，它使用Terminus 2智能体在Terminal-Bench 2.1上得76.4分，使用Meta偏好的评测框架在DeepSWE 1.1上得60分，推理强度设为xhigh。

Meta公开了面向智能体编程与长程任务的Muse Spark Open模型权重，并已在Modal的共享端点上按token计费提供。该模型原生支持多模态理解，上下文窗口为100万token，可完成写代码、调试、多步规划、顺序调用工具以及长流程中的失败恢复。在Meta的评测中，它使用Terminus 2智能体在Terminal-Bench 2.1上得76.4分，使用Meta偏好的评测框架在DeepSWE 1.1上得60分，推理强度设为xhigh。

英伟达发布开源多模态模型 Nemotron 3.5 Super VL，可接收文本、图像、文档和视频并输出文本，面向需要看屏幕、读文档、调用工具的常驻智能体。SGLang 在发布当天提供部署支持，用连续批处理、前缀缓存和投机解码承载推理。模型采用混合专家结构，总参数1200亿、每 token 激活120亿，并内置多 token 预测；在单张 RTX 6000 PRO 上达到 243.9 tok/s。

英伟达发布开源多模态模型 Nemotron 3.5 Super VL，可接收文本、图像、文档和视频并输出文本，面向需要看屏幕、读文档、调用工具的常驻智能体。SGLang 在发布当天提供部署支持，用连续批处理、前缀缓存和投机解码承载推理。模型采用混合专家结构，总参数1200亿、每 token 激活120亿，并内置多 token 预测；在单张 RTX 6000 PRO 上达到 243.9 tok/s。

英伟达发布开源多模态模型 Nemotron 3.5 Super VL，并在 Baseten 上线推理与训练支持，让智能体能直接读文档、看应用界面和分析视频。它沿用 Nemotron 3 Super 的架构，是总参数 120B、每个 token 激活 12B 的混合专家模型，新增视觉编码器以接收图像输入。英伟达报告的评测中，它在 GDPval 上的 Elo 评分为 1190，高于 Nemotron 3 Super 的 493，并在 SciCode 与 GPQA-diamond 上同样更高。

英伟达发布开源多模态模型 Nemotron 3.5 Super VL，并在 Baseten 上线推理与训练支持，让智能体能直接读文档、看应用界面和分析视频。它沿用 Nemotron 3 Super 的架构，是总参数 120B、每个 token 激活 12B 的混合专家模型，新增视觉编码器以接收图像输入。英伟达报告的评测中，它在 GDPval 上的 Elo 评分为 1190，高于 Nemotron 3 Super 的 493，并在 SciCode 与 GPQA-diamond 上同样更高。

Inception 的 Mercury 3 已通过 AI Gateway 提供，采用扩散方式并行精炼生成文本，而非逐词顺序生成。Inception 报告其在多项基准上结果良好，生成速度超过每秒 1000 个 token，并具备 100 万 token 上下文窗口。该模型面向浏览器智能体、实时搜索、互动教育和客户支持等对延迟敏感的工作负载，提供改进的推理能力。

Inception 的 Mercury 3 已通过 AI Gateway 提供，采用扩散方式并行精炼生成文本，而非逐词顺序生成。Inception 报告其在多项基准上结果良好，生成速度超过每秒 1000 个 token，并具备 100 万 token 上下文窗口。该模型面向浏览器智能体、实时搜索、互动教育和客户支持等对延迟敏感的工作负载，提供改进的推理能力。

Salesforce AI Research 推出面向企业实时对话的语音模型 Launa-Omni，它把语音与语言放进同一个经音频改造的文本模型，再由自研文本转语音模型说出回复。与把语音识别、语言模型和语音生成串成流水线的做法不同，语音在进入推理前不被转写成文字，因此语速、停顿和重音等信息不会在第一次交接时丢失。模型规模明显小于若干更大的语音模型，在语音指令遵循、多轮对话和客服任务上报告了有竞争力的结果，并已以简化形式用于 Slack 的语音听写功能。

Salesforce AI Research 推出面向企业实时对话的语音模型 Launa-Omni，它把语音与语言放进同一个经音频改造的文本模型，再由自研文本转语音模型说出回复。与把语音识别、语言模型和语音生成串成流水线的做法不同，语音在进入推理前不被转写成文字，因此语速、停顿和重音等信息不会在第一次交接时丢失。模型规模明显小于若干更大的语音模型，在语音指令遵循、多轮对话和客服任务上报告了有竞争力的结果，并已以简化形式用于 Slack 的语音听写功能。

TypeSafe AI 的决策模型 Jev 1.14 已上线 AI Gateway。它接收状态和一组问题，返回带概率的类型化 Choice、Score 与 Boolean 答案，而不是自由文本，并在一次请求中并行回答所有问题，用于分类、路由、打分和自动校验。1.14 版把图像纳入状态输入，并提供实验性长上下文模式，处理标准请求放不下的文档、日志或对话历史。

TypeSafe AI 的决策模型 Jev 1.14 已上线 AI Gateway。它接收状态和一组问题，返回带概率的类型化 Choice、Score 与 Boolean 答案，而不是自由文本，并在一次请求中并行回答所有问题，用于分类、路由、打分和自动校验。1.14 版把图像纳入状态输入，并提供实验性长上下文模式，处理标准请求放不下的文档、日志或对话历史。

单细胞参考映射不再让类别代表随训练漂移。此前SCLSC用平均表达谱构造类型代表，代表位置在优化中不断变化；SOLAR在训练前给每个参考标签指定一个固定的正交方向，让编码器只学细胞落在该空间的哪里。在人类免疫、肺和胰腺三个数据集的九个留出批次上，30维输出的查询宏F1均值为0.811，高于匹配PCA的0.774，低于scANVI的0.838。

单细胞参考映射不再让类别代表随训练漂移。此前SCLSC用平均表达谱构造类型代表，代表位置在优化中不断变化；SOLAR在训练前给每个参考标签指定一个固定的正交方向，让编码器只学细胞落在该空间的哪里。在人类免疫、肺和胰腺三个数据集的九个留出批次上，30维输出的查询宏F1均值为0.811，高于匹配PCA的0.774，低于scANVI的0.838。

两个模型可以答得同样正确，用起来却感觉完全不同。AA-PersonalityBench把这种差别变成可测的量：30个性格特质各配30道题，共900道，模型在无系统提示下各答一遍，由一组大模型评审盲测两两比较，再汇总成表达力、条理性、信息量、透明度、温暖度、信念感、想象力与Slop共8项指数，另从回答中程序化提取21项沟通特征。

两个模型可以答得同样正确，用起来却感觉完全不同。AA-PersonalityBench把这种差别变成可测的量：30个性格特质各配30道题，共900道，模型在无系统提示下各答一遍，由一组大模型评审盲测两两比较，再汇总成表达力、条理性、信息量、透明度、温暖度、信念感、想象力与Slop共8项指数，另从回答中程序化提取21项沟通特征。

在只有10%的CT扫描带体素级标注的条件下，一个由四个独立训练模型组成的异质集成被用于3–<6毫米肺结节的候选中心分割。与单个增强Mean Teacher相比，该集成在内部留出集上把Dice提高0.01488，在未做微调的外部LNDb上提高0.01118，两个置信区间都不含零，三个训练种子的效应方向一致。增益伴随召回上升、精确率下降，且未证明异质训练目标本身优于同质四模型集成。

在只有10%的CT扫描带体素级标注的条件下，一个由四个独立训练模型组成的异质集成被用于3–<6毫米肺结节的候选中心分割。与单个增强Mean Teacher相比，该集成在内部留出集上把Dice提高0.01488，在未做微调的外部LNDb上提高0.01118，两个置信区间都不含零，三个训练种子的效应方向一致。增益伴随召回上升、精确率下降，且未证明异质训练目标本身优于同质四模型集成。

卵巢癌早期诊断依赖血清标志物与常规化验，但高维临床数据里冗余、噪声和相互相关的变量会拖累分类与可解释性。一种把相关性分析、互信息、XGBoost重要性和SHAP相关性四种排序用粒子群优化自适应加权的混合标志物选择流程，接上带注意力机制的多尺度一维卷积网络，在公开Kaggle卵巢癌临床数据集上以分层十折交叉验证评估，报告准确率93.35%、ROC-AUC 90.66%。消融中完整流程准确率85.51%，比无选择、无注意力的基线一维卷积网络高19.33个百分点。

卵巢癌早期诊断依赖血清标志物与常规化验，但高维临床数据里冗余、噪声和相互相关的变量会拖累分类与可解释性。一种把相关性分析、互信息、XGBoost重要性和SHAP相关性四种排序用粒子群优化自适应加权的混合标志物选择流程，接上带注意力机制的多尺度一维卷积网络，在公开Kaggle卵巢癌临床数据集上以分层十折交叉验证评估，报告准确率93.35%、ROC-AUC 90.66%。消融中完整流程准确率85.51%，比无选择、无注意力的基线一维卷积网络高19.33个百分点。

MiniMax 的开放权重多模态模型 M3.1 Flash 已免费上线 AI Gateway，免费期至 10 月 22 日，且仅在请求由 MiniMax 承接时生效。该模型面向编程与智能体工作，上下文窗口为 100 万 token，可容纳长文档与多步智能体会话。相比更早的 MiniMax 模型，MiniMax 称其在复杂智能体任务、编程和网络安全上有所改进，编程方面最佳结果出现在应用开发，尤其是前端交互、定向缺陷修复和组件测试。

MiniMax 的开放权重多模态模型 M3.1 Flash 已免费上线 AI Gateway，免费期至 10 月 22 日，且仅在请求由 MiniMax 承接时生效。该模型面向编程与智能体工作，上下文窗口为 100 万 token，可容纳长文档与多步智能体会话。相比更早的 MiniMax 模型，MiniMax 称其在复杂智能体任务、编程和网络安全上有所改进，编程方面最佳结果出现在应用开发，尤其是前端交互、定向缺陷修复和组件测试。

AI Gateway 上线隐身模型 Cat Jam，隐身期内免费使用。它面向编程与智能体任务，推理延迟低，支持函数调用和按给定 JSON schema 返回结构化输出，响应中同时给出推理文本与答案。模型只接受文本输入，可调低、中、高、xhigh、max 五档推理强度，但不提供零数据保留，提示词可能因安全原因被留存。

AI Gateway 上线隐身模型 Cat Jam，隐身期内免费使用。它面向编程与智能体任务，推理延迟低，支持函数调用和按给定 JSON schema 返回结构化输出，响应中同时给出推理文本与答案。模型只接受文本输入，可调低、中、高、xhigh、max 五档推理强度，但不提供零数据保留，提示词可能因安全原因被留存。