GPT-6.1 Sol 已在 Amazon Bedrock 正式可用，为编码、computer use 和高频专业工作负载带来更强推理能力。OpenAI 称它在 DeepSWE v1.1 上以约 one-fifth 的每任务成本匹配 GPT-6 Astra，并比 GPT-6 Sol 最佳分数高 6.4 percentage points。
推荐理由：原文同时给出任务成本对比与 Bedrock 生产控制，便于评估智能体工作流落地取舍。
InternLM 发布 AdvancedMathBench，用于评估语言模型能否构造并验证高等数学的自然语言证明。该套件包含 ProverBench 的 245 道专家审阅证明生成题、VerifierBench 的 888 条带全链路专家标注的证明轨迹，以及用于自动评估 ProverBench 的 AutoVerifier。
AdvancedMathBench-AutoVerifier 是用于 ProverBench 的自动评分器，可评估自然语言数学证明、解释错误并定位最早错误步骤。
Apple ML 提出 round-trip 协议，研究语言模型把树结构算术表达式序列化为自然语言时有多少组合内容能保留下来。该方法由生成器把程序生成的算术表达式转成文字题，再由独立抽取器仅从文字题恢复表达式，并用符号等价作为精确 oracle；对 16 个模型的两两组合评估显示，交换生成与抽取模型可使准确率变化最高 60.4 points，最佳组合达到 92.9%。
Sakana AI 与东京大学提出 SAIL，用测试时扩展提升 VLM 生成机器人轨迹的可靠性，并将在 IROS2026 展示。SAIL 让 policy VLM 生成轨迹、在模拟器测试，再由 evaluation VLM 反馈并结合 MCTS 修正；在 6 个模拟操作任务中，搜索预算从 1 个候选增至 45 个后，成功轨迹发现率从 25% 升至 73%。
internlm 发布 Intern-Decision-2B，这是一个由 Qwen3.5-2B 微调而来的多模态结构化决策模型，可接收共享状态、命名问题 schema 和可选图像，并在一次模型前向中为每个问题返回答案分布。
Intern-Decision 将状态、可选图像和多类问题转换为带概率的决策，并微调 Qwen3.5 语言骨干。Intern-Decision-4B 在七个测试套件平均准确率达 90.02%，RTX 4090 本地平均延迟为 44.16 ms。
Microsoft Research 研究显示，现实物理 AI 机器人只依赖板载 GPU 推理会限制性能、电池寿命和扩展性，将推理卸载到边缘或云端 GPU 可带来优势。
推荐理由：原文用机器人任务对比板载、边缘和云端推理，为物理 AI 推理基础设施设计提供参考。
METR 发布了 Claude Opus 5.5 预部署评估摘要，重点考察其对 Anthropic AI R&D 的潜在加速影响。评估基于 10 business days 的 API 访问、五项任务测试、Anthropic 问卷与访谈，以及另一项 METR 内部 AI R&D 加速评估的结论。
推荐理由：报告把模型能力测试与研发加速问题分开处理，可帮助读者理解预部署评估如何约束能力叙事和风险判断。
InternLM 发布 Intern-S2-397B，称其是面向科学智能和长周期 Agent 的多模态基础模型。该模型结合新的视觉语言预训练范式、大规模多任务强化学习和长周期 Agent 强化学习，覆盖 20 多个科学领域，并在文本推理评测中使用最高 256K tokens、在多模态评测中使用最高 64K tokens。
推荐理由：材料同时给出训练方向、评测设置和部署入口，便于比较科学智能模型的工程落地路径。
Anthropic 称 Claude 在 11 天内基本自主地用 Lean 写出了 Fermat’s Last Theorem 的首个端到端计算机校验证明。该证明包含 13 million 行 Lean，过程中证明 30,300 个定理，最终证明使用 29,500 个中间定理，并由 Lean 校验。
推荐理由：材料呈现 Claude 与 Prove2Me 形式化大型数学定理的流程，可参考其多智能体分工方式。
zai-org 发布 GLM-5.3-BF16，使用与 GLM-5.2 相同的基座模型，提升来自后训练。
推荐理由：模型卡同时给出同基座后训练收益、基准对比和部署参数，便于比较编码、安全与长程任务表现。
美团 LongCat 在 Hugging Face 发布 LongCat-Flash-Lite-Sparse，这是基于 LongCat-Flash-Lite 的非思考 MoE 模型，拥有 69B 总参数、每 token 约 3B 激活参数，并原生支持最高 1M tokens 上下文。
推荐理由：原文同时给出架构改动、长上下文设定和多项基准，便于比较稀疏版与密集前代的取舍。
Mistral 发布 Mistral-Medium-3.5-128B-EAGLE，用于为 Mistral Medium 3.5 执行推测解码。
推荐理由：原文同时给出模型规格、替代关系和 vLLM/SGLang 部署方式，便于评估统一模型的接入成本。
Moonshot AI 在 Hugging Face 发布 Kimi-K2.6，这是开源的原生多模态智能体模型。该模型采用 MoE 架构，Total Parameters 1T、Activated Parameters 32B、Context Length 256K，支持长周期编码、coding-driven design、Agent Swarm、图像和视频输入。
推荐理由：原文同时给出模型结构、评测表和部署入口，便于对比其在编码与智能体任务中的定位。