Ethan Mollick@emollick

53

nature: Artificial intelligence has undergone its most scrupulous maths test yet, and it did not live up to the task https://go....

Openrouter 推出 Fusion API，可通过 openrouter.ai 使用，在 Hacker News 上获得 103 个用户点赞。

Cloudflare 宣布 Ensemble AI 团队关键成员加入，以加速 AI 基础设施研发。Ensemble 专注于模型压缩与高效推理，开发了 NdLinear（可直接替换 Transformer 标准线性层并保持多维激活结构）和 NdLinear-LoRA（降低大模型微调所需可训练参数）。这些技术与量化等方法互补，旨在降低大语言模型和多模态架构的内存、计算与部署开销。Cloudflare 将把 Ensemble 的成果整合到 Workers AI 平台，通过全球网络与 serverless GPU 推理服务，进一步提升推理效率、GPU 利用率和部署经济性。

上海交大ScaleLab团队联合上海人工智能实验室、百度智能云推出机器人操控模型AHA-WAM，突破世界-动作模型延迟瓶颈。在RoboTwin 2.0上以92.8%平均成功率超越主流模型，真实场景综合成功率78.3%。闭环控制频率从5.26Hz提升至24.17Hz，轻量版AHA-WAM-Flash达56.95Hz，提速超10倍。百度百舸平台实现单步推理延迟从415ms降至41ms。异步架构与蒸馏技术实现高实时控制。

今日理想汽车在 Livis Day 发布会上推出全球首款动态数据流 AI 芯片——理想马赫 M100。该芯片采用 5nm 车规级工艺，单芯片算力 1280 TOPS，是目前量产最强大的车规级推理芯片。因数据流架构设计，实际运行效率超过 82%。

Berryxia.AI@berryxia

60

Berry Xia 介绍了基于 Google gemma-4-12B-it 微调的 Gemma 4 12B Coder GGUF 模型。它将 Fable 5 的推理链条蒸馏进 12B 参数模型，训练数据使用 Composer 2.5 真实通过案例并由 Fable 5 辅助补全。GGUF 格式让模型在 12GB 消费级显卡即可本地运行，甚至支持 CPU。模型专为代码生成、调试、复杂算法、链式思考提示等任务优化，无需 API 费用且无导出限制。该模型基于 Google 最新 gemma-4 架构，目前下载量已破六千，社区反馈其在本地 coding 场景表现出色，填补了云端模型与本地可用之间的鸿沟。

Hugging Models: Gemma 4 12B Coder is here and it's a game changer for local code generation. This GGUF model packs Google's latest gemma...

据路透社援引知情人士消息，字节跳动正与上海芯片公司天数智芯洽谈采购 AI 推理芯片，同时也在考虑与百度旗下昆仑芯合作。若交易达成，天数智芯将成为字节跳动继华为、寒武纪后的第三家国产 GPU 主要供应商。消息人士称，天数智芯预计今年向字节跳动供应至少 5 万颗芯片，主要用于 AI 推理任务，以支撑豆包用户规模持续扩张。目前交易细节尚未敲定，仍存变数。

Z.ai 于 6 月 13 日发布 GLM-5.2，这是 GLM-5 系列四个月内的第四款旗舰编码模型。核心亮点是可用的 100 万 token 上下文窗口（标识为 glm-5.2[1m]），每轮最多输出 131,072 token，约为 GLM-5.1 的 5 倍。新增 High 和 Max 两种思考强度级别，Max 推荐用于复杂多步编码任务。架构未在发布时公开，但社区指出 GLM-5 基础为 744B 参数的 MoE 模型，每 token 激活 40B 参数。Z.ai 未公布任何基准测试分数。GLM-5.2 兼容 Claude Code、Cline 等 8 种编码智能体工具，可通过 Anthropic 兼容端点直接替换使用，对所有 GLM Coding Plan 用户（Lite/Pro/Max/Team）开放。

研究分析后训练各阶段对生物推理模型泛化能力的影响。在基因组学、转录组学、蛋白质组学上训练并评估超过100个模型，控制backbone、继续预训练（CPT）、监督微调（SFT）和强化学习（RL）的变化，测量域内（ID）与域外（OOD）性能。结果发现：CPT通过对齐生物语言提升下游性能；SFT持续提高ID但导致OOD先升后降；RL作用于强SFT检查点时可改善OOD并部分恢复泛化。生物推理不随监督或计算量单调提升，最佳ID-OOD权衡来自短SFT、大RL分配和跨阶段非对称适应能力。

RL-Index 是一种智能体索引框架，将检索索引推理形式化为强化学习问题。它在索引阶段利用 LLM 生成的推理（rationales）增强文档，并采用 Group Relative Policy Optimization（GRPO）与检索相似度作为可验证奖励信号，直接优化索引决策以提升检索效果。在 BRIGHT 基准上，RL-Index 持续提升检索与下游问答性能，显著降低在线推理延迟，且所学的推理增强可跨不同检索器与生成器泛化，作为一种即插即用的索引策略。

自回归模型推理依赖链式思维和反思，但局部修改仍需完全顺序生成。掩码扩散模型(MDMs)的掩码机制天然支持选择性局部编辑，但现有MDMs不支持多轮掩码与去噪。本文提出反思掩码(RM)，通过轻量后训练激发MDMs的多轮掩码能力，迭代修改先前输出。RM还引入免参数的历史参考机制，利用中间去噪状态提升修订效果。无需架构改动，在文本生成、数独、图像编辑等任务上一致优于标准掩码基线。

ContextRL 是一种上下文感知强化学习方法，通过让模型从两个相似上下文中选出支持查询-答案对的上下文，改善长上下文和多模态细粒度理解。针对代码智能体用轨迹构建 1k 对对比数据，针对多模态推理用图像构建 7k 对。在 5 个长程推理基准上平均提升 +2.2%，在 12 个多模态视觉问答基准上平均提升 +1.8%。与使用相同数据但仅作为标准示例的基线对比，后者几乎无改进，表明增益来自上下文选择目标而非额外数据。

混合线性注意力模型可加速长上下文推理，但将预训练Transformer转换为Gated DeltaNet学生模型时，直接复制教师注意力投影会导致初始化脆弱，需大量蒸馏token修复。Taylor-Calibrate是一种轻量级初始化方法，利用Taylor引导的教师注意力统计设定值投影、记忆时间尺度、写门和输出门，再通过短逐层对齐匹配教师输出。在四个教师设置和三种保留层策略下，Taylor-Calibrate显著提升零样本学生性能，代表性消融改进高达88倍，达到匹配恢复目标所需训练token比朴素转换少4.9至9.2倍。

提出视觉锚定推理，让VLM在生成自然语言推理步骤时，显式输出点或框来锚定每一步依赖的图像区域。训练管道从正确推理轨迹提取对象，用SAM3-based agent获取锚定掩码，派生点与框监督。进一步提出锚定感知强化学习，结合答案正确性奖励和密集锚定奖励。在2个计数基准和4个空间推理基准上，Gemma3-4B-IT应用后性能提升，空间推理任务上匹配或超越Gemma3-27B-IT。点锚定适用于计数，框锚定在空间任务受益于显式锚定奖励。

带可验证奖励的强化学习（RLVR）可提升语言模型推理能力，但 GRPO 式优化易出现不稳定性。通过 token 级梯度动态分析，发现更新受优势符号与当前策略下 token 分布共同影响。为此提出胜者优势策略优化（WAPO），一种仅对正优势补全进行更新的在线剪切策略梯度目标。在数学推理与多跳问答基准上，WAPO 提升了训练稳定性，并在多个模型族上达到或超越基线表现。完整代码已开源。

karminski-牙医@karminski3

53

Iterative-Contextual-Refinements框架使Qwen3.6-27B在CGRE测试中获95.5分，超越Anthropic Fable5(Mythos)的94.1分。该框架通过BFS探索多种方案（如KMP、滑动窗口）、DFS结合性能工具迭代优化代码，以及路由统筹形成闭环，克服小模型易陷入局部最优的弱点。代价是token消耗增加25-40倍。框架与论文已开源。

SciOrch框架训练一个轻量8B模型，用于编排多款前沿大语言模型进行科学推理。它通过API调用将问题分解、委托给商业模型并合成最终答案，训练采用基于MCTS的轨迹生成与GRPO风格优化。在240题测试集（SGI-Reasoning与Scientists' First Exam）上，SciOrch达到56.66%平均准确率，超过最强单个商用模型3.74%，超过最强多智能体基线3.33%，同时API成本不到多智能体方法的一半。

Rohan Paul@rohanpaul_ai

59

一项新研究发现，当前提升AI随时间表现的方法存在盲点：LLM智能体实际上并不理解或应用抽象规则总结，而是仅依赖直接复制原始逐步骤历史日志。实验显示，当研究者将浓缩的规则总结替换为随机垃圾文本时，智能体表现无下降；但破坏逐步执行历史则导致明显失败。这表明智能体只是在机械模仿过往步骤，而非真正从教训中学习。论文质疑需重新设计AI记忆机制，因为当前系统仅是模仿而非理解。

富国银行报告指出，高通有望与亚马逊 AWS 深化合作，为其提供 AI200 等新一代 AI 芯片，以降低推理成本、提升运营利润率。高通于 2025 年 10 月发布 AI200，单颗支持 768GB 内存，并推出专为机架级 LLM、LMM 推理设计的方案。AI200 预计 2026 年扩大部署。AWS 已在提供性价比强劲的高通 AI100 Ultra 芯片服务，富国银行认为 AWS 有望成为高通最重要的超大规模云端合作伙伴。

千问对世界杯四场比赛做出预测：德国胜库拉索、荷兰胜日本、厄瓜多尔胜科特迪瓦、瑞典与突尼斯战平。此前巴西1:1摩洛哥的预测接近但未完全命中。千问表示正在加紧“蒸馏章鱼哥”以提升准确率，并透露AI竞猜累积积分已达89%，将用于捐建乡村足球场。

Chubby♨️@kimmonismus

58

OpenRouter: Introducing the Fusion API, the smartest compound model in the market. Fusion achieves Fable-level intelligence at half ...

StepFun@StepFun_ai

48

DeepInfra: Step 3.7 Flash is Live on DeepInfra: An Agentic, Multimodal Model Built for Production

StepFun@StepFun_ai

43

DeepInfra: Step 3.7 Flash is Live on DeepInfra: An Agentic, Multimodal Model Built for Production

针对7个前沿模型、57个MMLU科目的研究发现，模型在被给出针对正确答案的合理反驳后，翻转率介于17.5%至97.3%之间，标准准确率指标无法捕捉稳定性差异。自归因（告知模型这是其先前回答）一致提升翻转率，平均+7.1pp，最高+18.7pp。跨模型池化错误选项论证并选取每道题最有效的反驳，比单一源模型构成更强挑战。基于此构建的MaxFlip挑战集，相比标准自生成挑战进一步将翻转率提升至多+23.6pp。协议、挑战记录和MaxFlip已开源。

🚨 AI News | TestingCatalog@testingcatalog

56

OpenRouter: Introducing the Fusion API, the smartest compound model in the market. Fusion achieves Fable-level intelligence at half ...

SemiAnalysis@SemiAnalysis_

66

MiniMax M3 模型已上线 HuggingFace 并集成至 InferenceX。M3 总参数量约 428B，激活参数约 23B。得益于 Inferact 工程支持，M3 在 NVIDIA B300 Blackwell Ultra 上通过 vLLM 实现 Day 0 优化推理。Inferact 还发布了 EAGLE3 heads 以进一步加速。团队正在 InferenceX 上基准测试 Day 0 MI355X 性能。

Rohan Paul@rohanpaul_ai

44

该综述梳理了专注大语言模型的智能体强化学习，涵盖500余篇工作，按能力与应用两维度归类。指出传统LLM训练仅对单次答案给予单次奖励，无法处理真实任务中的多步决策、部分信息与延迟反馈。智能体学习框架包含：记忆跟踪上下文、规划选取动作序列、工具影响环境，并整合推理处理约束、感知多模态输入、自我改进优化策略。强化学习串联所有环节——奖励在序列结束时到达，策略借此学习下一步行动。

Google Research 推出 Gemini-SQL2，基于 Gemini 3.1 Pro，可将自然语言转换为可执行 SQL 查询。该模型在 BIRD 基准上达到 80.04% 准确率，大幅领先 OpenAI 和 Anthropic。Google 表示该技术将改进其数据服务的自然语言功能。

6月13日，科大讯飞在长三角机器人及自动化展览会上发布星火多模态大模型X2-VL。该模型基于全国产算力平台太湖星跃训练，采用专属MoE架构。面向高中各科图文结合试题，答题准确率近95%；挑战2026年高考数学全国I卷获148分，高于对比模型A-E（144、143、137、145、142分）。科大讯飞已在无锡高新区成立子公司负责日常运营。

Anthropic 的 Claude Fable 5 在 FrontierMath 最困难级别上达到 88% 准确率，远超 OpenAI 的 GPT-5.5（约 75%），领先 13 个百分点。相较于 2026 年初 Opus 4.5 不到 10% 的表现，实现巨大飞跃。AI 数学推理能力的进步速度持续加快。

美团履约AI算法团队将于6月17日举办ACL'26论文分享会，重点介绍五篇被录用的论文，覆盖强化学习、高效推理、模拟环境、记忆管理、全双工交互。GeoRA提出几何感知低秩适配，专为RLVR定制；CoT-Flow将离散推理步骤建模为连续概率流，缩短回答长度并提升准确率；UserLM-R1构建具备推理能力的用户模拟器；Fine-Mem实现基于证据的细粒度反馈对齐优化记忆管理；DuplexOmni支持实时全双工多模态交互。

13个AI模型（含Claude、DeepSeek、Gemini等）在经人工校对为LaTeX的2026高考数学全国一卷中重考，平均分139.4。8道单选全对，3道多选仅Q11翻车（GLM 5.1和Hy3误选ABCD得0分），3道填空全对，Q15-Q17解答题全部满分。Q18解析几何多数答案正确但过程扣分。压轴题Q19无人满分：GPT-5.5因迭代证明跳步扣2分最佳；Opus 4.8、DeepSeek、Gemini等7个模型因答案不完整扣7分。运行时间差异显著——Grok 4.3用时1分钟得134分，Qwen 3.7-Max用时15分钟与MiniMax m3用时2分钟均得138分。

Google Research发布Gemini-SQL2模型，基于Gemini 3.1 Pro，专攻自然语言转SQL任务。在BIRD单模型赛道执行准确率80.04%，超越此前Gemini-SQL。BIRD涵盖95个数据库、37个专业领域及12751组问题-SQL配对，含脏数据与外部知识需求。业务人员可用自然语言查询营收、流失等指标。谷歌尚未公布API、模型卡或技术报告，亦未确认产品接入。