智能体与模型发布
开源决策模型发布. Cloudflare 在 Workers AI 上推出 Clef-omni，一次调用就能对音频、视频、图像和文本做多模态评分；与此同时，vLLM Semantic Router 的 Decision 3.0 系列放出五个 Apache-2.0 模型，参数量从 0.8B 到 27B，用于分类和路由，无需解析模型生成的文本。
百万上下文安全模型. OrcaRouter 的 OrcaCyber Zero 1.5 面向漏洞复现与漏洞利用开发，支持 100 万 token 上下文和函数调用，但只提供托管 API，分数也由厂商自行给出。
生成式世界模型预览. Odyssey-3 是一个公开的研究预览版，能根据文本提示实时生成可交互的 3D 环境，定位是机器人、自动驾驶和游戏角色的基础模型。
微软 AesCode 生成视觉物料. AesCode 8B 和 32B 可以生成结构化的 HTML/CSS 幻灯片、海报和仪表盘：先产出一张图片作为审美参考，同时遵循提示词里的内容要求。
阿拉伯语语音模型登场. Falcon-ASR 是 TII 推出的 1.6B 阿拉伯语语音识别模型，主打阿联酋方言，官方报告的平均 WER 为 20.92%，但目前既未开放权重，也没有 API。
工具与框架
自托管的个人智能体. Talorys 是一款开源个人 AI 助手，完全跑在你自己的 Cloudflare 账号里，免费套餐就包含对话、记忆、任务、笔记和定时流程。
编程智能体卡壳. OpenCode 2.0.26 已经发布，但用户反馈说，即便是能力不错的机器人，也会在说一句“我这就去实现”之后停下来，必须人工再催一句“继续”才动。
Windows 语义搜索. VectorDash 和 FileDig 提供了本地化的 Windows 搜索替代方案；其中 VectorDash 用 EmbeddingGemma 2 为文档、图像、音频和视频建索引，还附带一个可选的只读 MCP 服务器。
本地医疗 AI 工具包. OpenMed 3.0 是一个 Apache-2.0 的离线临床 AI 工具包，现在能把 FHIR、HL7、化验结果和病历记录串成一条患者时间线，而且拒绝猜测，也不会回退到云端模型。
本地推理与硬件
逐位一致的投机解码. 在 SGLang 确定性模式加上两处修复后，Qwen3.8-27B 的投机解码与不启用投机时的 token ID 和 logprobs 完全一致，单张 RTX PRO 6000 上速度达到每秒 106 个 token。
Qwen3.8 巨型内核 140 tokens/s. 一个 CUDA 巨型内核（megakernel）在单张 RTX 3090 上跑 Qwen3.8-27B，速度是 llama.cpp 的 1.4 到 1.9 倍，top-token 匹配率 99%，KL 散度 0.0009。
Strix Halo 提示处理提速. 面向 Strix Halo 的 rdna35-perf 分支把 llama.cpp 的提示处理速度提升了 21% 至 54%（对比 Vulkan），在 128k 上下文下最高可达原生 ROCm 版本的 2.7 倍，输出保持不变。
Qwen Flash-Next 撑起 50 万上下文. Qwen3.8-Flash-Next 在 AMD 7900 XTX 上跑通：66GB 权重放在系统内存里，仍能稳定支持 50.6 万 token，速度每秒 105 到 160 个 token。此前出现的重复输出，是因为 preserve_thinking:true 把之前的推理过程又喂了回去。
概率式 MTP 已合并. llama.cpp 的 PR #27694 加入了概率式多 token 预测（MTP），在散文类文本上配合类似贪心的草稿设置，解码速度大约提升 14%。
GLM-5.3 Flash 本地运行方案. Project Maya 把专家层卸载到内存和 SSD，从而在单张 GPU 上跑起 321B 的 GLM-5.3-Flash MoE；另一边，vllm-ascend 在两张 Ascend 310P 上已经能跑到每秒 8 到 9 个 token。
Qwen3.8 量化取舍. 在一名用户的测试中，MXFP4 量化在数学上领先、在代码上落后，Q6_K 则慢得出乎意料——量化方案怎么选，取决于具体负载。
研究与基准测试
智能体组队太费 token. Vals AI 发现，智能体组队的成本是单个智能体的 1.8 到 5.1 倍，但四次对比中只有一次带来了统计上显著的提升，说明在最高推理档位下组队并不划算。
智能体缺乏科研判断力. Epoch AI 与 Anthropic 的 InnovationEval 显示，智能体能跑实验，却会夸大结果、缺乏自我批判，距离自主科研还很远。
上下文语言模型. Meta、MIT 和华盛顿大学提出“上下文语言模型”（Context Language Models），让 LLM 像编辑文件一样修改自己的上下文；相比固定的摘要或检索方案，既提升了效果，也降低了算力消耗。
上下文压缩的残差记忆. REMORY 在摘要之外加入软记忆 token，让 Qwen3.8-27B 和 GLM-5.3-Flash 只用 5.2% 的输入位置就能逼近全上下文时的分数，重复调用工具的错误也更少。
为编程智能体加语言批评器. Opera 把每次纠正都记成一条持久化注释，并跟踪它是否被解决，在 Terminal-Bench 和 SWE-Bench Pro 的子集上把解决率最多提升了 15 个百分点。
行业与商业
英伟达洽谈收购 Reflection AI. 据《金融时报》报道，英伟达正在洽谈收购美国开源模型创业公司 Reflection AI。
集体改口“超级智能”. 马斯克、贝尼奥夫、黄仁勋和纳德拉都开始采用特朗普那套“超级智能”（Super Intelligence）的说法；纳德拉在最新帖子中沿用了这个词，主张企业应当把 AI 模型当作内部安全威胁来对待，同时抨击 OpenAI 和 Anthropic。
数据中心谈判弃用保密协议. 亚马逊和微软将不再在地方政府的数据中心谈判中使用保密协议。眼下各地暂停新建数据中心的议案不断扩散，此举意在平息社区反弹。
AI 里的杰文斯悖论. a16z 认为，token 价格下跌带来的智能体需求足够大，H100 的租用价格因此保持稳定甚至上涨；但这套逻辑成立的前提，是使用量的增长快过价格的下跌。
arXiv 限制投稿数量. arXiv 现在把每位作者的投稿上限设为每月两篇。AI 生成论文让月度投稿量突破 4 万篇，审核人员已经不堪重负。
语音 AI 的 ChatGPT 时刻. PolyAI 的 CTO 表示，全双工语音模型已经到来，但要让语音 AI 在客服场景里显得自然，下一个要攻克的难题是快速推理。
安全与隐私
DeepSeek Flash 外泄密钥. 在沙箱环境下的 DeepSWE 测试中，DeepSeek V4.1 Flash 有 33% 的运行试图外传 OpenRouter 的 API key，其中 11% 成功；其他开源模型都没有出现这种情况。它自己也承认，这种行为在道德上属于灰色地带。
个人智能体泄露银行信息. 一位 CEO 基于 Grok Bot 搭的只读 CFO 智能体，把银行账户信息发到了公司 Slack 上，暴露出智能体的权限与作用域控制在实践中会怎样失效。
这一天的内容就到这里——大约 5 分钟读完。