Mistral 发布多模态多语言 MoE 模型 Mistral Large 4（代号 Le Chonk），总参数约 1T、激活参数 49B，上下文窗口 1M tokens，输入支持文本和图像、输出为文本。
模型提供 FP8 与 NVFP4 两个官方版本，另有 Unsloth 和 llama.cpp 团队制作的 GGUF 量化，采用 Mistral Ecosystem Open-Weight License（MIT 衍生协议，对模型即服务用途设有限制）。
Mistral Large 4 以约 1T 总参数、49B 激活参数和 1M 上下文开放权重发布，读者可据此判断开源模型在编码智能体与安全场景的可用边界。
i14 与 AWS 合作，通过 TorchNeuron Native 的原生 PyTorch 支持，将采用 Gated Linear Attention（GLA）的 Laplace 3B 线性注意力模型带到 AWS Trainium2，并保留了其 GLA 设计与 Muon 优化器。该模型每序列的循环状态固定为 29.5 MB，不随上下文长度增长，训练注意力从 O(T²) 降至 O(T)。在单台 trn2.48xlarge 实例上，Laplace 3B 训练速度约 120,000 tokens/s，并在 1,280 条并发序列下实现 11,544 output tokens/s 的服务吞吐。
AWS 团队为 vLLM 加入双向 KV 传输，让 decode 节点在后续轮次把已算好的 KV 缓存回传给 prefill 节点，避免重复计算对话历史。
在 Amazon EC2 P5en 实例、EFA 网络、1P1D 部署下，最长提示长度时 Qwen3-32B 的 TTFT 降低约 1.6 倍，zai-org/GLM-5-FP8 降低约 3.3 倍，结果随负载和配置变化。该功能由可配置的 KV 缓存保留 TTL（decoder_kv_blocks_ttl，默认 480 秒）和重算阈值（kv_recompute_threshold，默认 64 tokens）控制，并需要配合 KV-cache-aware 路由使用。
vLLM 新增 push 模式的 NIXL connector，把 prefill 之后的传输协调与准备工作移出首 token 关键路径，从而降低 TTFT 并提升 TPOT。
在基于 Amazon EC2 P5en 实例、通过 EFA 互联的 1P1D 部署上，Qwen3-32B 的测试显示 push 模式相比默认 pull 模式 TTFT 最高提升 3 倍，TPOT 最高改善 30%，具体结果取决于负载与配置。该功能先在搭载 EFA 的 AWS Trainium 集群上构建并验证，随后作为与加速器无关的特性贡献给 vLLM，上述数据来自 GPU 集群，表明收益可延续到 GPU。
Deepgram 将 Nova-3 语音转文字模型迁移到 AWS Trainium2，在离线批处理负载上每美元处理的音频量比原有算力方案提升 11%–70%。
迁移从标准 PyTorch 代码起步，借助 TorchNeuron 编译后模型全部运算均在 Trainium2 上执行、无 CPU 回退，并通过 NKILib 融合算子与手写 NKI 内核继续调优：FFN 内核在 batch size 96 时延迟降低 2.0x，depthwise conv1d 提速 1.5x，自研 conv2d 内核解锁了 32 以上的 batch size。
美国新实验室 Reflection 在 Hugging Face 发布首个开源模型 Beam，采用 MoE 架构，总参数 501B、每 token 激活 23B，支持文本输入和 1M token 上下文窗口，以 Apache 2.0 许可开放，面向编码与智能体场景。
模型共 52 层，每层 256 个专家、每 token 路由 8 个，提供 BF16、FP8 和 NVFP4 三种 checkpoint，BF16 版本约 1 TB。
Reflection 首个开源模型 Beam 给出 501B 参数、1M 上下文与完整部署配方，可据此评估自托管前沿模型的硬件门槛。
IBM 发布 Granite Switch 4.1，Granite-Switch-4.1-8B 和 -30B 在同一个托管端点上支持自然语言对话、通用与专用决策以及语音转文字。
新版本加入通用决策 aLoRA、在安全决策任务上平均优于 Jev 1.13、Microsoft-Decision-1、GPT-Luna-Decisions 和 Clef-Flash 的 Guardian aLoRA，以及 OpenASR 排行榜上最快的 ASR 模型 Granite-Speech-5.0-Turbo-CTC。
Granite Switch 4.1 把决策适配器与语音识别合入单一端点，读者可据此判断多任务模型在显存与部署上的取舍。
微软研究院发布 Magnetar，一个通用零知识虚拟机（zkVM），可证明用 Rust、Go 或 C 编写的 RISC-V 程序执行，并返回约 12 毫秒即可验证的短证明。
它在笔记本上每秒可证明 7.2 至 8.7 百万条处理器指令，在 15 个基准程序上平均比同类最快 zkVM 快 10 至 39 倍，在代币转账基准上比另外两个系统快 300 倍以上；优化版本可达每秒 9.5 至 12.8 百万周期。其安全性仅依赖 SHA-256 或 SHA-3 等标准哈希函数，不需要椭圆曲线、格假设、专用哈希函数、可信设置或未证明的纠错码猜想。该成果是微软研究院十余年零知识证明研究的延续，技术论文给出完整设计、安全分析与测量结果。
微软研究院公开 Magnetar 的 zkVM 设计与基准数据，读者可了解零知识证明在通用程序上的性能与安全取舍。
Apertus 1.5 在 Apertus 1.0 的 8B 和 70B 模型基础上新增图像与音频理解、可选思考模式、4 倍长的上下文窗口，并改进指令遵循和工具调用能力，权重以 Apache 2.0 许可发布在 Hugging Face。
模型采用早期融合方式，图像和音频以离散 token 与文本进入同一序列，图像用 Emu3.5 tokenizer 编码（512×512 图像为 1,024 token），音频用 WavTokenizer（每秒 40 token），架构不变，模型只输出文本。上下文窗口扩展到 262,144 token，8B 和 70B 分别增加 4 万亿和 2 万亿 token 训练数据，总量达 19T 和 17T。
Apertus 1.5 把 8B/70B 文本模型扩展为多模态并开放全部训练细节，可观察开源模型如何用 tokenizer 方案做多模态。
Google 公开发布 Deep Review，一个面向复杂文档的智能体审阅系统，可对论文、法律和财务文档做逻辑一致性、数学陈述与事实核查，并给出改进建议。
系统采用文档分段、自适应算力分配、并行验证和全局综合四阶段流水线，由 Gemini 4 Argon 提供底层能力。
Google 公开了面向长技术文档的智能体审阅系统，并给出四阶段流水线与会议试点规模，可据此判断自动审阅在论文与法律文档中的可用边界。
Google DeepMind 发布前沿模型 Gemini 4 Argon，今日起通过 API 在 AI Studio 和 Gemini 平台面向开发者与企业开放，Google AI Ultra 订阅者可在 Google Antigravity 使用，Ultra 和 Pro 订阅者可在 Gemini 应用和 Search 的 AI Mode 使用。
Google DeepMind 发布 Gemini 4 Argon，主打物理理解、代码生成与视觉语义推理，在测试 3D 环境物理空间问题的 Embodied Reasoning（ERQA）基准上以纯推理取得 87%，称超过其他前沿模型。
官方给出 Argon 在 ERQA 的 87% 成绩与四类机器人工作流示例，读者可据此判断物理推理模型在机器人栈中的落点。
AWS 博客介绍 SpaceXAI 的 Grok 4.7 已在 Amazon Bedrock 上线，并演示如何用它搭建工具调用智能体。
作者用三个可穷举验证的任务实测 Grok 4.7 四档推理强度，给出准确率与 token 成本的取舍数据，方法可迁移到自建智能体评测。
针对 MoE 模型在解码阶段因 token 批量过小导致 Hopper GPU 利用率低的问题，AWS 通过 Swap-AB 转置让专家维度 N=8192 占据 WGMMA 首个操作数位置，在 H200 上为大规模 MoE 模型带来 2–4% 端到端输出吞吐提升，该优化已合入 vLLM 0.24.0 及以上版本。
AWS 发布面向多节点部署的 Ray LLM Deep Learning Containers，可在 Amazon EKS 上把单个大语言模型跨两个 GPU 节点部署，将 prefill 与 decode 分离到不同节点并统一在一个 OpenAI 兼容端点后。
AWS 发布面向 llama.cpp 的深度学习容器（DLC），可在 Amazon SageMaker AI 上以 CPU 或 GPU 托管量化模型，并通过 InvokeEndpoint 提供 OpenAI 兼容的 chat completions。
英伟达团队从 Nemotron 3 出发，用 SFT、RL 和生成-验证-改进推理循环打造专用模型，在 IOI 2026 和 IMO 2026 均达到金牌水平。
原文公开了从 Nemotron 3 微调到 IOI、IMO 金牌级成绩的完整配方，包括数据规模与推理循环设计。
Mistral 发布 Mistral Large 4 公开预览，这是一个 1 万亿参数、52B 激活参数的原生多模态模型，权重将于本月底开放。
官方称其在编码、智能体工作流和多模态理解上表现突出，在 Artificial Analysis Cyber Index 上进入全球前五，在 Cybench 上解决 93% 的题目，并在 DeepSWE v1.1 上得分 61.7%。
官方给出 1 万亿参数、52B 激活的开放权重模型在编码、智能体与多模态上的具体基准，可对照现有开源模型判断其位置。
Google DeepMind 发布新前沿模型 Gemini 4 Argon，先通过 Fairwind Program 向受信任的网络安全防御者开放，后续再面向开发者、企业和消费者推出，起步定价为每百万输入 token 2 美元、每百万输出 token 10 美元，缓存输入 token 享 95% 折扣。
官方给出 Gemini 4 Argon 的定价、1M 输出上限与多项基准成绩，可据此判断前沿模型在长周期工程与安全防御上的进展。
IBM Research 与 UC Berkeley Sky Lab 将演化式内核搜索框架 K-Search 扩展到 Apple 的 MLX，并加入结构化 CUDA 到 MLX 翻译层，让已有 CUDA 内核作为知识库适配 Apple Silicon。
读者可看到 CUDA 优化知识如何被结构化迁移到 Apple Silicon，以及翻译层对最终性能的具体贡献。
伯克利 AI 研究团队提出 ABBEL 框架，将 LLM 的摘要内容隔离为自然语言"信念状态"并加以监督，以解决递归摘要带来的性能损失。
在协作编程基准 CollabBench 上，采用基于重构的信念评分后，ABBEL 将全上下文模型的性能差距缩小约 50%，训练步数从 100 步降至 50 步，峰值上下文 token 长度也显著低于全上下文设置。
伯克利 AI 研究团队梳理了并行推理领域进展，指出当前方法（如 Self-consistency、Best-of-N、Tree of Thoughts、MCTS、ParaThinker、GroupThink、Hogwild!
伯克利 AI 研究团队提出梯度规划器 GRASP，通过将轨迹提升到虚拟状态实现跨时间并行优化、向状态迭代直接注入随机性以探索、并重塑梯度让动作获得清晰信号，同时避开高维视觉模型中脆弱的"状态-输入"梯度。
该方法针对长时程规划中梯度爆炸/消失、非贪心结构导致的局部极小值以及高维隐空间失效模式等问题，使基于梯度的规划更加稳健。
Berkeley AI Research 提出 SPEX 与 ProxySPEX 算法，可在特征、数据与模型组件归因中大规模识别驱动 LLM 输出的关键交互。
SPEX 利用稀疏性与低阶性将交互搜索转化为稀疏恢复问题，ProxySPEX 进一步借助层级结构，以约 10 倍更少的消融实验达到 SPEX 的性能。