OpenAI 发布 GPT-6.1 Sol，称其接近 GPT-6 Astra 且成本更低

OpenAI 在 DevDay 活动上展示 GPT-6.1 Sol，称其在智能体编码、计算机使用和专业工作上接近 GPT-6 Astra，标准输入和输出 token 价格为 1/5。

GPT-6.1 Sol 在 Amazon Bedrock 正式可用，面向智能体编码和专业工作负载

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。

InternLM 发布 AdvancedMathBench 高等数学证明生成与验证基准套件

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。

GPT-6.1 Sol 在 GPT-6 Sol 发布 7 天后取代其位置，智能接近 GPT-6 Astra

GPT-6.1 Sol 在 GPT-6 Sol 发布仅 7 天后取代它，在 Artificial Analysis Intelligence Index 中仅比 GPT-6 Astra 低 1 分，Cost per Task 不到后者 1/4。

Artificial Analysis 开源 AA-AgentPerf-Local，用于测试本地 AI 智能体推理性能

Artificial Analysis 开源 AA-AgentPerf-Local，用于在笔记本和工作站上回放真实智能体轨迹，测试本地 AI 模型的推理性能。其默认工作负载包含 8 个录制的智能体任务、168 个模型轮次，上下文增长到 ~56K tokens，并可测试任何 OpenAI-compatible inference server。

internlm/AdvancedMathBench-AutoVerifier：自动评估数学证明的模型

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 研究语言模型树结构表达式序列化中的通信瓶颈

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%。

上海人工智能实验室开源 Intern-Decision 多模态决策模型

上海人工智能实验室研究团队开源 Intern-Decision，包含 0.8B、2B 和 4B 三款多模态决策模型，称其平均指标超越 Jev 和相关开源模型。团队在 RTX4090 上测试称，Intern-Decision 相比 Jev 有 2-3倍效率提升，4B 端到端推理时延低于每 query 45ms，0.8B 和 2B 可达到每秒约30次推理。

OpenAI 调整 ChatGPT Pro 订阅显示，删除 5x 和 20x 用量描述

OpenAI 的 ChatGPT 定价页被发现调整 Pro 订阅显示，100 美元/月和 200 美元/月方案分别变为 Pro Standard 和 Pro More，并删除 5x、20x 用量描述。

SAIL：扩展上下文内模仿学习用于机器人轨迹生成

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 多模态结构化决策模型

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。

Anthropic@AnthropicAIAI 评分7070

Anthropic 在 Science Blog 发文称，Claude 在 Claude Science 中完成了 planar N=4 super-Yang-Mills 简化模型的 Nine Loops 计算。

Intern-Decision：基于 Qwen3.5 的多问题决策模型项目

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 研究现实物理 AI 机器人的推理卸载

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。

字节跳动与香港城市大学 TWIST 入选 ACM CCS 2026，提出云上大模型服务隐私保护方案

字节跳动安全研究团队与香港城市大学的联合研究 TWIST 被 ACM CCS 2026 接收，提出面向云上大模型托管的隐私保护推理方案。TWIST 通过联合模型-Token 变换、加性-乘性混合噪声和 RmDP 分析，在不修改推理引擎、不依赖特殊硬件的情况下兼容标准 serving 流程。

METR 发布 Claude Opus 5.5 预部署评估摘要

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。

Google DeepMind@GoogleDeepMindAI 评分7070

Google DeepMind 推出 Gemini 3.8 Live 和 3.8 Live Extended Thinking，称其为自家最好的对话式 AI。这些模型可以对话、思考，并在后台处理任务而不打断用户流程。

Anthropic 称 Claude 生成 Fermat’s Last Theorem 的首个完整计算机校验证明

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。

美团 LongCat 发布 LongCat-Flash-Lite-Sparse 稀疏 MoE 模型

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。

Mistral 发布 Mistral-Medium-3.5-128B-EAGLE 推测解码模型

Mistral 发布 Mistral-Medium-3.5-128B-EAGLE，用于为 Mistral Medium 3.5 执行推测解码。

Moonshot AI 开源 Kimi-K2.6 原生多模态智能体模型

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。