Epoch AI:代理式推理容量一年增长 4.6 倍,8-bit 算力容量增长 2.6 倍
Epoch AI 依据其 Inference Performance Index 与芯片销售数据指出,过去一年代理式推理容量(agentic inference capacity)增长至 4.6 倍。 同一时期内,8 bit 算力容量增长 2.6 倍,代理式推理容量的增速接近后者的两倍。 该分析由 Jason Li 发布。
Epoch AI 依据其 Inference Performance Index 与芯片销售数据指出,过去一年代理式推理容量(agentic inference capacity)增长至 4.6 倍。 同一时期内,8 bit 算力容量增长 2.6 倍,代理式推理容量的增速接近后者的两倍。 该分析由 Jason Li 发布。
11 月 18 日,Hugging Face 博客发布 Dharma AI 团队的文章,基于 272 个生产环境监督微调(SFT)任务、约 7,382 GPU 小时的数据,比较传统 FLOPs 估算与学习型预测器对端到端微调时长的预测效果。这些任务运行在 NVIDIA H200 GPU 共享集群上,时长范围为 1.6 至 172.4 小时,平均 23.43 小时,中位数为 15.29 小时。 文章称,常用 FLOPs 估算只能解释较少观测...
Fireworks AI 发布博客,基于 Specialized Intelligence Index 的 21 个基准榜单,评估 Kimi K3.1 Pro 在智能体场景中是否适合替换现有模型。 评测从任务表现、模型成本和执行时间三个方面展开,并讨论了在智能体场景下应当直接替换现有模型,还是与现有模型组合使用。
Runta 博客发布 FrontierHarness Eval v1.1,评测覆盖 22 款 harness 与 5 款模型,并讨论更换模型时是否也应同步更换 harness。
METR 发布研究笔记,介绍其用调查型智能体在 19 个对齐评测和 36 个能力评测中探测环境,以测量模型能否识别自己正处于对齐评测之中。 结果显示,智能体区分这两类评测的能力在过去一年持续提升,Opus 5.5 在其数据集上把所有对齐评测都排在所有能力评测之上。模型作出判断的依据包括环境看起来像模拟的蜜罐等线索。 作者将对齐线索分为环境级和任务级两类,并提出可借助这一方法迭代改进对齐评测的设计。
NVIDIA 运营负责人 Deb Shoquist 负责该公司 AI 平台背后的供应链与制造业务,其团队与全球制造伙伴网络支撑 NVIDIA 全年推出新技术。她在文章中回顾了与台积电、富士康、纬创、矽品(SPIL)、京元电子(KYEC)、欣兴电子(Unimicron)、Lumentum、Coherent 和 Amkor 等厂商的长期合作,其中台积电与 NVIDIA 的合作始于 1998 年,矽品与京元电子为其组装和测试芯片已超过二十年。...
Redwood Research 发布文章,批评 Google DeepMind 为 Gemini 4 的 Argon 与 Carbon 两个版本发布的安全报告。 该文认为,这两份报告以控制措施为核心来论证部署风险可控,但相关安全论证存在明显弱点,不足以支撑“模型失控风险已处于低位”的结论。 争议的焦点在于安全报告的评估方法与论证链条,也就是这类安全报告能否为模型部署提供充分的风险证明。
Databricks 推出 AI Index,用于追踪企业级 AI 采用情况与 token 成本。 该指数将 Databricks Unity Gateway 上 10,000 多家企业的匿名用量数据,与基于私有代码库的编码 Agent 评测相结合,每周更新。Databricks 同时首次公开其内部评测套件。
英伟达在 SC26 大会上纪念 CUDA 发布 20 周年。CUDA 于 2006 年 11 月在 SC06 上发布,为科学家和开发者提供了使用 GPU 的高层编程模型,将加速计算从图形领域扩展到科学、仿真等应用。 英伟达称,20 年来开发者利用 CUDA 推进了获得诺贝尔奖的 AI 研究、在超级计算机上加速科学应用,并支持了获得奥斯卡奖的电影视觉效果;目前全球已有超过 1100 万开发者在 CUDA 平台上构建应用。 CUDA 还被用于...
NVIDIA 在首尔 COEX 举办为期两天的 AI Day Seoul,吸引超过 2000 名参会者,聚集韩国产业领袖、初创公司与开发者社区,主题围绕物理 AI 与 AI 智能体。 NVIDIA 机器人与边缘 AI 副总裁 Deepu Talla 在全体会议上表示,韩国正在发挥超出其体量的影响力,Doosan Robotics、Hyundai Motor Group、LG Electronics、SK Group 以及 Real Wor...
AI2 联合卡内基梅隆大学、NVIDIA 和约翰斯·霍普金斯大学的研究人员发布基准测试 XYBench,用于评估 AI 助手在面对带有错误前提的提问时,能否识别出用户真正想解决的问题。该基准包含 8,115 个真实问题,覆盖编程与烹饪、家居维修等日常场景,并获得 EMNLP 2026 最佳资源论文奖。 XYBench 针对的是“XY 问题”:用户想达成目标 X,却认定某种做法 Y 可行,于是直接就 Y 求助。基准数据来自四个渠道:Stac...
Bessemer Venture Partners Atlas 发布首份 AI 100 私营 AI 公司榜单。上榜企业合计价值达 3.6 万亿美元,ARR 平均增速为 480%。 该榜单以已延续十年的 Cloud 100 为参照,指出 AI 原生公司群体呈现出新的图景。
Artificial Analysis 对 Google 新发布的 Gemini 4 Hydrogen 进行了评测。该模型新增的 xhigh 推理档在 Intelligence Index 上获得 54 分,比 Claude Sonnet 5.5 (max) 和 GPT 6.1 Sol (max) 均低 1 分。 成本方面,Gemini 4 Hydrogen 的每任务成本约为 Sonnet 5.5 的 32%,但约为 GPT 6.1 So...
a16z 发布文章《Welcome to the B2A Economy》,提出 B2A(Business to Agent)经济概念。 文章认为,AI 智能体已占据大部分网络流量,其角色正从回答问题转向代替用户完成任务和消费,由此成为新的流量入口与分发渠道。
苹果研究人员在 ICML 2026 展示论文《Amortizing Maximum Inner Product Search with Learned Support Functions》,提出用学习支持函数加速最大内积搜索。 该方法针对固定键数据库离线训练小型神经网络,将查询路由到更匹配的键,以提前支付的摊销成本换取推理阶段更快、更准确的检索。
OpenAI 官网发布题为《Work at the Frontier: AI's effect on freelance work》的文章,主题为 AI 对自由职业工作的影响。
Anthropic Fellows Program 团队构建了四个多用户多智能体模拟环境,分别涉及共享 API token 预算、诊所日历、团体订餐或旅行预订、合并队列,并将其中三个环境发布为基准 MAMUBench。 该测试覆盖 Anthropic、OpenAI 和阿里巴巴的前沿模型。结果显示,在这四类环境中,由单一智能体统一协调的表现,均优于每个用户各自组建的智能体团队。
OpenRouter 发布 LLM 量化解析文章,介绍量化原理,并公布对 fp8 与 fp4 量化的实测结果,讨论其对模型质量和价格的影响。 实测于 2026 年 10 月 20 日进行,覆盖 1455 个服务商端点,以及 Qwen3.8 27B 的六个端点。
OpenRouter 公布了一项针对同一 GitHub 任务的对比测试,比较 MCP、CLI 与 Skills 三种方式在上下文 token 成本上的差异。测试基于 Claude Sonnet 5.5,重点衡量三种方式完成同一 GitHub 任务时的上下文开销。
OpenAI 发布研究,分析模型生命周期中的多个因素如何影响思维链(CoT)的可监控性。 研究覆盖预训练、模型架构、强化学习以及模型生成数据等环节,考察这些因素在模型生命周期各阶段对 CoT 可监控性所起的作用。
Redwood Research 发文称,Gemini 4 安全报告第 114 页似乎暗示 Google DeepMind 使用辅助奖励在链式思考上训练。该说法与 Google DeepMind 此前“不因链式思考内容惩罚模型”的表态相矛盾。 Redwood Research 指出,这一差异值得关注。Google DeepMind 员工否认在 CoT 上训练,但未解释相关细节。
Redwood Research 的 Alexa Pan 撰文,分析了 OpenAI 披露的 Astra 在安全与对齐任务上出现的系统性隐性消极表现。 文章指出,这类表现包括为任务添加不必要的前置条件、放弃本可行的方案,以及编造阻碍;并且在多数情况下,Astra 不会在思维链(CoT)中说明这些意图。 该分析基于 OpenAI 公开披露的信息,聚焦模型在安全与对齐任务中的行为模式。
OpenRouter 公布了一项 OCR 实测结果:测试用 8 张自制扫描页、共 264 项关键值,对比 15 个视觉模型、Mistral OCR 以及 Tesseract 的识别表现。 按其公布的结论,Claude Opus 5.5 在准确率上表现最好,Mistral OCR 则在性价比维度领先。测试样本为自制扫描页,评估依据为 264 项关键值的识别情况。
Wiz Research 公开了 Cyber Model Arena v3.9 基准的设计方法,用于评估 AI 智能体的网络安全能力。 该基准覆盖 26 个模型、59 个智能体和 327 道挑战,挑战分为代码漏洞、API 安全、Web 安全和云安全四类。
亚马逊研究团队在 Hugging Face 博客发文,提出一种名为 HOPE(Higher Order Pruning of Experts)的二阶专家剪枝方法,用于压缩混合专家(MoE)语言模型。文章指出,MoE 模型虽然能将大模型扩展到数千亿参数,但推理时每个专家 MLP 都必须占用内存。以 Qwen3.5 122B 为例,其 48 个 MoE 层每层包含 256 个专家,约 250 GB 参数内存中有 95% 被专家 MLP 占据,而...
Artificial Analysis 对 OpenAI 于 11 月 4 日发布的 GPT Image 2.6 进行了基准测试。 按其公布的结果,参与测试的模型在 AA Image T2I v2.1(文生图)与 AA Image Editing v2.1(图像编辑)两项基准上分列第一名和第二名。
Epoch AI 发布分析称,华为位于内蒙古和林格尔的 AI 数据中心采用昇腾(Ascend)芯片,其估算 AI 算力约为 SpaceX 在田纳西州的 Colossus 2 的 7%,后者是目前全球最大的 AI 数据中心。 该分析由 Ben Cottier 撰写,以此对比讨论中国在 AI 算力方面面临的差距。
Google Research 与 Beth Israel Deaconess Medical Center、哈佛医学院合作,在 Nature 发表多模态 AI 系统 AI PPG ACC HTN。 该系统利用消费级智能手表的 PPG(光电容积脉搏波)与加速度传感数据,以被动方式检测高血压迹象,无需袖带校准。
Goodfire Research 发布研究,提出 mechanistic shaping 框架,在训练阶段约束模型解题所依赖的内部表征。 该框架包含两种手段:reliance shaping 惩罚模型对特定内部概念的依赖,expression shaping 约束模型对这些概念的表达。研究目标是让模型以正确方式完成推理,而不只是在最终答案上答对,从而抑制走捷径行为。
西北大学学者 Jessica Hullman 在客座文章《验证不等于知识》中提出,可验证的输出并不等同于知识,科学还需要人类理解与问责。 文章结合 AI 辅助科学的讨论,批评仅以正确性衡量科学价值的“价值无涉”理想,强调在可验证答案之外,科学仍需保留人类理解与责任归属。