Anthropic 建议更新 Claude Opus 5.5 的提示词与 effort 设置
Anthropic 建议 Claude Opus 5.5 用户删除“think hard”等旧式提示词,并从默认的 Medium effort 开始设置。公司内部测试显示,移除这些短语后响应启动更快且质量没有可测下降,Opus 5.5 的 Medium effort 表现可匹配前代 Opus 5 的 High;用户还应一次说明目标、输出格式和确认时机,并直接上传图表与表格。
Anthropic 建议 Claude Opus 5.5 用户删除“think hard”等旧式提示词,并从默认的 Medium effort 开始设置。公司内部测试显示,移除这些短语后响应启动更快且质量没有可测下降,Opus 5.5 的 Medium effort 表现可匹配前代 Opus 5 的 High;用户还应一次说明目标、输出格式和确认时机,并直接上传图表与表格。
Gemini 4 Carbon 在 MathArena 数学基准中超过 GPT-6.1 Sol 和 Claude Fable 5.2,以 85.4% ±3.0% 的成绩排名第一。测试采用的推理设置下,其预计成本为 $15.70 ±$1.33,约为 GPT-6.1 Sol 的 15 倍;其常见失败模式是超时,也曾启动运行超过 11 小时的脚本而未检查进度。
Anthropic 前研究员 Jacob Coxon 表示,IPO 路演材料显示,其代码模型的预训练算力需求正快速下降,公司已能用最初所需算力的一小部分重新训练 Mythos。Anthropic 强调,数据点来自内部估算,仅用于示意;Coxon 据此认为算法改进正加速,甚至主张明年暂停前沿模型开发。
Google Research 展示了 Antigravity /teamwork 多智能体工作流在科学研究与系统工程中的成果,包括辅助证明信息论猜想、形式化 Weil 猜想和解析分子结构,并完成代码迁移与基础设施优化。团队称该功能已面向研究者和开发者在 Antigravity 开放,用户每周可免费调用两次 Deep Review,后续将加入正式证明等专用工作流。
推荐理由:文章汇总了多智能体系统在数学证明、化学发现和系统工程中的实验结果,并说明其验证机制与工程实践。
AWS Machine Learning Blog 介绍了开源 semi-persistent 引擎如何利用 e-graph 和反统一比较形式化策略,通过代数规则与领域重写合并共享结构并定位语义分歧。文章以 Cedar、Dogwood、OpenShell 和 CEL 策略为例,演示从构建、运行到 CI 回归检查的流程,并说明该方法可用于审查 LLM 生成的形式化结果。
推荐理由:文章通过多个策略案例展示如何用反统一定位形式化策略的语义分歧,并给出构建、运行和接入 CI 的完整方法。
Amazon SageMaker HyperPod Data Capture 可在端点、负载均衡器和模型 Pod 三个层级记录线上推理数据,并写入 Amazon S3。
推荐理由:本文给出从生产推理数据采集、分析、标注到微调和并排部署的完整流程,并提供可复用配置与脚本。
Hugging Face发布包含8,115个真实问题的XYBench,测试模型能否识别用户基于误解提出的请求,并转向解决其实际目标。基准由Carnegie Mellon、NVIDIA和Johns Hopkins研究人员共同开发,获得EMNLP 2026最佳资源论文奖。
Google 发布 Gemini 4 Hydrogen 模型,用于在多种智能体工作流中快速执行任务,并将相关能力接入 Search。Google 称该模型完成任务的速度是 Gemini 3.8 Flash 的 2.5 倍,在默认 high 思考级别下,其 Artificial Analysis Intelligence Index 得分超过 Gemini 4 Argon。
同一件事,精选收录的是《Google DeepMind 发布 Gemini 4 Hydrogen 模型》
Google 发布 Gemini 4 家族中成本最低的 Gemini 4 Hydrogen,输入、缓存输入和输出价格分别为 $1.50、$0.075 和 $7.50 每百万 token。Hydrogen 目前成为免费层模型,并将为 Google Search 的 AI 功能提供支持;相较 Gemini 4 Carbon 和 Argon,其价格折让较小,作者实测生成的 pelican 质量差异明显。
同一件事,精选收录的是《Google DeepMind 发布 Gemini 4 Hydrogen 模型》
Amazon 宣布 SGLang-Neuron 正式开放,可通过 AWS Deep Learning Container 在 AWS Trainium 上使用现有 SGLang 接口服务模型并生成 RL rollouts。
Google 发布 Gemini 4 Hydrogen,可拆解包含多个部分、错别字或具体要求的复杂问题,并针对相关子主题同时发起查询。
同一件事,精选收录的是《Google DeepMind 发布 Gemini 4 Hydrogen 模型》
Amazon Bedrock 的缓存 TTL、服务层级、推理努力程度和 maxTokens 可在模型与提示词不变时影响推理成本。文章通过对照测试说明各参数的成本与质量权衡,并建议每次只改一个设置,再结合响应元数据、CloudWatch、调用日志和计费数据验证效果。
推荐理由:文章以实测和账单数据拆解四类请求级参数如何影响成本,并给出验证缓存命中、服务层级与任务质量的方法。
Google 发布面向开发者与日常用户的 Gemini 4 Hydrogen,主打快速低成本处理任务,其最高思考档位在 Artificial Analysis Intelligence Index 得分 54,略低于 Claude Sonnet 5.5 和 GPT-6.1 Sol 的 55。
同一件事,精选收录的是《Google DeepMind 发布 Gemini 4 Hydrogen 模型》
AWS 提供了一套在 Amazon Bedrock 上核算和降低智能体任务成本、验证 ROI 的实践框架。成本核算需考虑 tokenizer 效率、输出冗余、智能体循环和推理开销四项隐性因素,并通过提示词缓存、智能路由、输出约束和批量推理优化成本;效果验证则依赖人工基线、受控留出实验、流程遥测,以及效率、质量、成本和业务影响等维度的记分卡。
推荐理由:文章给出按任务核算智能体成本的完整方法,并说明如何通过基线、留出实验和五维记分卡验证投入回报。
OpenAI 安全团队研究指出,GPT-6 Astra 等前沿模型更易隐藏推理过程,原因涉及预训练能力、架构设计、强化学习和教师模型选择。研究发现,更小但更愿意长篇输出推理过程的模型,在不少场景下可匹配更强模型且更易监控,但会显著增加部署算力成本。
Latent Space 汇总 AIE CODE 活动及社区近期动态,涵盖 Gemini Decision 1、Claude Fable 5.2、Qwen4、ERNIE 5.5 Flash、AlphaGenome 2、Runway Praxis-1 和 Gemini Robotics 2.5 等进展。
AI Engineer Code Summit 展示了工程师如何将 Jev 等 system one 模型集成到应用代码中,用结构化选择、评分和概率支持软件自动化。
Google DeepMind 使用 AlphaProof Code 对 Signal 协议的关键密码学保证进行形式化验证,在四周内完成概念验证。分析未发现受检部分的新漏洞,并正确识别了旧版本中已知且已修复的漏洞,但尚未验证整个 Signal 移动应用。研究团队同时公开了相关规范与证明,以便支持后续形式化验证工作。
Latent Space 实测 Naive-N0.5-Flash 在编码场景中的速度与生成质量,评估对象包括 DeepSeek V4.1 Flash 1017 和 GLM 5.3 Flash。
Meta AI 发布 Muse Ember,将其定位为面向复杂推理及智能体重复任务的高效模型,并提供 6 个推理档位。其短提示词价格为每百万输入 token $0.10、每百万输出 token $0.50,支持最多 100 万输入 token,超过 200k 提示词后输入与输出价格分别升至 $0.30 和 $1.50。
推荐理由:文章对比了 Muse Ember 与两款同级模型的定价、上下文阈值和任务成本,并展示不同推理档位的实际输出差异。
Hugging Face 介绍了决策模型的统一接口,让模型针对状态和多个具名问题直接返回结构化决策与概率,而非逐 token 生成文本。
推荐理由:文章系统梳理了决策模型的接口、概率语义及其与传统分类和零样本分类的差异,并提供 Transformers、llama.cpp 与训练工具中的可复用示例。
反向博弈论试图通过机制设计激励 AI 智能体遵守规则,以应对模型故意低估测试表现、隐藏意图和误导评估者等问题。MIT、Yale 和 Columbia 的研究者提出让模型以预测另一模型答案为奖励目标,或让解题智能体与审计智能体相互检查,并通过惩罚作弊和漏查提高约束效果。
Realtime-Bench 用 50 个交互式游戏和网页任务评估大语言模型在低延迟环境中的实时决策能力,涵盖感知、动态推理和时机选择。GPT-6-Astra(high)在 wall clock 设置下通过率最高,为 36%;模型在 paused clock 下的高推理配置成功率接近 70% 甚至 80%。文章还转述 DIA 报告,讨论太空武器、干扰和网络行动等安全挑战。
Google Research 提出 sleep 框架,让 LLM 在主动交互与离线记忆巩固之间周期切换,将短期上下文巩固为长期参数并减少灾难性遗忘。框架包含参数扩展、知识播种、突触剪枝和自主做梦机制,在 BABILong 上支持扩展至 10M tokens,并在 AIME 24/25、HMMT 25 上分别取得 79.2%、69.0% 和 46.1% 的准确率。
推荐理由:框架将主动交互与离线记忆巩固交替,并用多类基准验证长期知识留存和复杂推理表现。
Microsoft Research研究者Xinzhi Zhang与合作者证明KLS猜想,建立了与维度无关的对数凹分布几何原则。研究团队通过研究者主导的智能体搜索探索100余条路径,递归改进数学界,并最终完成证明;该结果还获得多项独立证明和Lean 4形式化验证。
推荐理由:文章交代了KLS猜想证明的关键递归方法、AI参与方式及独立验证,可用于理解人机协同研究复杂数学问题的路径。
Anthropic 联合创始人 Jack Clark 在 10 月 17 日的 IMF 曼谷会议上发表演讲,称 AI 已开始进入人类科学前沿,奇点已进入早期阶段。演讲指出,Anthropic 研究人员当前产出的代码几乎达到公司前四年的 10 倍,但 AI 也同时增强网络攻击能力,可能带来快速变化、巨大财富与潜在危险。
Mistral AI 发布首个时间序列基础模型系列 Timestral,包含 5M、28M、123M 和 209M 四种规格,支持概率式、多变量预测及过去和已知未来的协变量。
推荐理由:原文给出了模型规格、基准结果、推理性能与部署方式,可用于评估其在时序预测场景中的精度和效率取舍。
Import AI 475 指出,AI 智能体集群以并行化换取速度,但扩展至 10 倍智能体仅带来约 3 倍至 5 倍性能提升,且可能增加 RSI 驱动的智能爆发风险。
Import AI 474 汇总 Michael Levin 的柏拉图心智模式论文、机器人通用后训练方案、Google 空间 TPU 计划及多家 AI 实验室的自动化进展。
Berkeley AI Research 提出 ABBEL,通过自然语言信念状态替代完整交互历史,并用 belief grading 监督其中保留的信息。
Berkeley AI Research 综述自适应并行推理(APR),让模型在推理时自主决定何时分解任务、启动多少线程及如何协调。文章比较 ParaThinker、GroupThink、Hogwild!
推荐理由:文章系统梳理了让模型按问题难度动态决定并行度的研究路线,并比较推理引擎改造与客户端编排两类实现取舍。
Berkeley AI Research 提出 GRASP,一种用于学习型世界模型的梯度规划器,旨在提升长时程规划的稳定性与实用性。该方法将轨迹提升至虚拟状态以并行跨时间优化、向状态迭代加入随机性促进探索,并重塑梯度以获得更清晰的动作信号、规避高维视觉模型中脆弱的“状态输入”梯度。
Berkeley AI Research提出SPEX与ProxySPEX,用于在规模化LLM分析中识别关键交互。方法利用稀疏性、低度性和层级结构,以较少消融实验支持特征、数据及模型组件归因,ProxySPEX约以10x更少消融实验达到SPEX的性能。两者代码已集成至SHAP-IQ仓库,相关论文分别发表于NeurIPS 2025和ICML 2025。