StateBench 評估語言模型追蹤長文件狀態變化的能力
StateBench 是研究團隊推出的長上下文基準,分四個複雜度級別評估語言模型追蹤文件內實體狀態變化的能力。Gemini 3.8 Flash、Claude Opus 5.5、GPT-6 Sol 和 Luna 在較難的 soluble 和 general finite 任務上,準確率隨輸入變長而大幅下跌,最長 general finite 測試降至 13% 或以下。
StateBench 是研究團隊推出的長上下文基準,分四個複雜度級別評估語言模型追蹤文件內實體狀態變化的能力。Gemini 3.8 Flash、Claude Opus 5.5、GPT-6 Sol 和 Luna 在較難的 soluble 和 general finite 任務上,準確率隨輸入變長而大幅下跌,最長 general finite 測試降至 13% 或以下。
Google Developers Blog測試 Jev 路由 Gemini 配置,50道編碼智能體任務全數通過自動評分,成本和回應時間均低於全程使用低思考設定。
英國 ARIA 支持的 Scaling Inference Lab 將在商用數據中心部署 Lumai 的 Iris 伺服器,作為其首個光學運算平台,並測試伺服器處理真實 AI 模型時的供電及散熱情況。Lumai 聲稱其方案可令數據中心用電最多減少 90%,配合標準晶片時每次請求的能源效率至少是單用矽晶片的 16 倍;這些數字尚未經獨立核實,實驗室將負責測試。
Ai2 推出 StateBench,這套基準評估語言模型在長篇文件中追蹤實體狀態變化的能力,並將任務按複雜度分為四級。從零開始訓練、參數量為 275 million 的模型在最長 64,000 次變數賦值序列測試中,Gated DeltaNet 及混合模型在前三級幾乎完美泛化;Transformer 則未能學會最難的通用有限狀態任務。
Simon Willison 在筆電測試 Qwen 3.8 27B,模型僅憑神經網絡原始權重辨認出 Pac-Man、Pong 和 Breakout,未能辨認 Freeway。測試沿用論文提供的提示詞,要求模型不使用工具或執行程式碼;Pac-Man 測試耗時 46m 12s,使用 43,506 reasoning tokens。
ARIA 選用 Lumai Iris 推理伺服器作為 Scaling Inference Lab 首個光學運算平台,安排在商業數據中心進行多節點、機架級評估。ARIA 為實驗室提供 £50 million 資助,測試重點是新硬件整合至可供用戶運行模型的完整系統後的表現。
Deduped 整理本週 5 個熱門 AI GitHub 儲存庫,並為每個專案列出使用步驟。名單涵蓋 DeepSeek Harness 的本地 Web UI、PhotoCraft 編輯 PSD。
DR Pixel 是一個開源多模態智能體,直接以渲染後的文件頁面圖像作為檢索與推理單位,並在包含 1.06M 頁的語料庫上運作。研究建立 DRPixelBench;未經訓練的頁面原生方法已在 GPT-5.4、Gemini-3.5-Flash 和 Qwen3.6-27B 等模型上勝過 OCR 基線,且所需工具呼叫較少。
Cogent Security 發佈漏洞修復推理模型 VR-1.1,在 LiveCVEBench 的 190 項任務中修復成功率為 57.9%。Claude Code 和 Codex 的成功率同為 45.3%;測試涵蓋 14 種程式語言,修補須通過安全及功能測試。
Deep Principle 於 2026-11-02 發佈 Hydrogen-1.0 開放權重模型,作者整理其存取方式、部署配方與供應商評測主張。模型卡標示 1M tokens 上下文,但 NVFP4 的 SGLang 配方將上限設為 262144;作者沒有下載權重或測試模型推理。
Sarvam AI 發佈基於 Sarvam 105B 的 System One 決策模型 Sarvam Prism。在 25 款決策模型的三項指標比較中,Prism 平均得分 71.8,單張 NVIDIA B200 GPU 上的中位回應時間為 44 ms;在 50% 至 95% 信心門檻的英語及印度語言測試中,實際錯誤率均低於預期。
研究發現,題目旁加上紅色愛心後,模型在二叉樹遍歷題中會由迭代寫法轉用遞迴。論文記錄 GPT-5.4 有高達 74.7% 的樣本出現不忠實歸因,即推理解釋與實際行為明顯脱節。文章指出,可在其他條件不變下替換疑似無關元素,累積足夠樣本比較輸出,以檢查其是否造成系統性偏移。
O'Reilly Radar 發布 2026 年 11 月趨勢盤點,聚焦模型進展、智能體與軟件開發、安全風險,以及基礎設施等變化。文章指出,新模型推出速度加快,最佳開放權重模型正追近前沿模型表現;同時整理智能體互通標準、漏洞與模型安全事件等發展。
Revolut 在專用 NVIDIA GPU 上自託管 Z.ai 的開放權重 GLM,將 AI 編碼任務的推理成本降至使用 Anthropic 和 OpenAI 時約十分之一。每百萬個 token 的混合成本為 30 cents;部署由 56 張 NVIDIA B200 GPU 支援,服務約 2,000 名工程師。Revolut 稱,工程交付週期縮短 70%,編碼時間減少 60%。
E2E Networks 推出 Blaze,讓開發者和企業透過單一 API 使用多種開放 AI 模型,並按實際使用的 token 量付費。
阿里雲雙十一為通義千問 Qwen3.8-Max提供按量節省計劃、Token Plan訂閲及夜間折扣等優惠,文章整理各方案的適用條件與計費差異。按量方案的包季節省計劃最低至4.5折,Token Plan新客首購可享5折;Qwen3.8-Max及Qwen3.8-Flash在每日22:00至次日8:00的Token Plan調用可享夜間4折。
深度原理於11月2日發佈首款通用大模型 Hydrogen-1.0,基於 GLM-5.3 訓練並同步開放模型權重。Hydrogen-1.0 在 FSR 評測的解題成功率為38.3%,高於 GPT-6-Astra 的33.3%;在 GPQA-Diamonds 的準確率為93.0%,接近 Kimi-K3 的93.5%。
文章從可驗證回饋、推理時計算、驗證工具、合成訓練材料及跨領域連結五方面,解釋 AI 為何能更深入參與數學研究。文中以 DeepSeek-R1 的強化學習、Aletheia 的反覆生成與驗證,以及 AlphaGeometry 的程式生成幾何訓練例子,説明這些方法如何擴大探索並核查結果。文章同時指出,判斷證明是否新穎、形式化命題是否準確表達原題,以及如何理解和推廣結果,仍需要數學家的判斷。
MIT 四名研究者測試 GPT-6 Astra 直接修改其他模型權重,並在不重訓 Qwen3.5-0.8B 的情況下改善其評測成績。Astra 修改 0.016% 的權重後,Qwen3.5-0.8B 的 MATH-500 分數由 7.9% 升至 48.1%,IFEval 分數由 21% 升至 62.3%。
PagedAttention 把 LLM 的 KV cache 分成固定 token 數的區塊並按需分配,將記憶體浪費降至每條序列最後一個未填滿區塊的部分,低於 4%。相較 FasterTransformer 和 Orca,這種做法令吞吐量提升 2-4 倍。
阿里雲 2026 年雙十一大促推出 AI 模型及算力優惠,新用戶可限免超過 7000 萬個 Token,部分產品提供 1 億以上免費 Token。Token Plan 個人版 39 元起,一個 Plan 可使用多種模態的旗艦模型,夜間調用價格更低。
文章從算子、記憶體存取及多模型 Pipeline 調度三方面,拆解大模型推理的底層優化方法。文中稱,三者協同可令推理速度提升40%–80%、顯存佔用降低30%,硬件利用率達70%+。內容涵蓋算子定製、融合與精度調整,以及數據遷移、記憶體管理和任務調度。
Library of Layers(LoL)提出一種架構,可在推理時動態排列 Transformer 區塊,以適應不同任務。模型可在參數重用與稀疏性之間調整,並在數獨、迷宮及多語言任務中採用不同的層排列;安全數據上的路由器探針則能以高 AUROC 區分安全與不安全文本。
MIT CSAIL 研究團隊以 GPT-6 Astra 直接修改 Qwen3.5-0.8B 的權重,只調整 131072 個參數,令其 MATH-500 成績由 7.9% 升至 48.1%。
Anthropic於11月2日向SEC提交首份招股書修訂稿S-1/A,稱按內部估算及對未來模型的預期,公司可能很快達到《負責任擴展政策》所定義的「由AI帶來的顯著加速進展」門檻。
Anthropic 發佈 FlashProve,一個用於大型混合專家語言模型可證明推理的開源原型。以 4-bit 量化的 Llama 4 Maverick(400B 參數)測試時,單張 H100 每秒可生成約 110 tokens,每個 1,024-token 請求的證明約 19 MB;驗證在 24 條執行緒下需 17 秒。
雷鋒網透過 DeepSeek 官方 API 測試 V4.1-Flash,64 組固定採樣均補全正確答案「8」,未重現 Seed 論文中的答案偏好翻轉。另一輪 64 次概率測量中,「8」始終是最高概率候選,但其概率會隨填充長度變化;文章指出,這不足以將變化歸因於快取壓縮架構。
Anthropic 發佈開源研究原型 FlashProve,利用零知識證明驗證語言模型回覆是否來自已承諾但不公開的權重。Anthropic 報告稱,FlashProve 為 Meta 的 Llama 4 Maverick 生成證明的速度達每秒 110 tokens。
MIT 研究稱,GPT‑6 Astra 可直接分析並局部改寫模型權重,令 Qwen3.5‑0.8B 無須梯度下降,數學表現大幅提升。研究僅修改 0.016% 權重,MATH‑500 得分由 7.9% 升至 48.1%;觸及 32768token 輸出上限的樣本比例由 93.0% 降至 33.1%。
Strata 發佈 0.2.10,預設採用 DFlash2 推測解碼器,並調整顯存與系統記憶體分配,讓 8GB 顯示卡可啟動 Qwen3.8 IQ3_S 的 128K 上下文。
墨芯人工智能近日宣佈完成近10億元人民幣 C+ 輪融資,資金將投向稀疏專用推理晶片的全棧升級、下一代晶片預研及稀疏計算產學研聯盟建設。本輪融資距上一輪近10億元融資落地僅5個月,兩輪累計近20億元。墨芯與北京大學上海臨港國際科技創新中心地球與空間技術研究院合作測試兩款遙感影像數據智能分析基礎模型,推理吞吐最高提升2.88倍、模型壓縮最高達7.64倍,且幾乎不損失業務精度,無需重新訓練下游任務。
Zyphra 推出 Zyphra Hierarchical Attention(ZHA),以樹狀索引器搜尋 KV cache,讓稀疏注意力的索引過程不再掃描整個上下文。
新浪科技以官方 API 實測 DeepSeek V4.1-Flash,未觀察到字節Seed論文中 DeepSeek-V4-Flash-Base 隨填充長度出現的答案偏好翻轉。
麻省理工學院 CSAIL 團隊提出「權重空間編程」,以 GPT-6 Astra 修改阿里雲 Qwen3.5-0.8B 的模型權重,令 MATH-500 準確率由 7.9% 升至 48.1%。方法只調整 0.016%(131072個)參數,繞過梯度下降與反向傳播;GSM8K 和 IFEval 成績亦顯著提升,且未新增模型固有知識。
OpenAI 的 GPT-6.1 Terra 是 GPT-6.1 系列第二低價模型,本文整理其規格、定價和使用方式,並與 Claude Opus 5.5 比較。
Sketchpad 研究提出一項形式化方法:若模型每一步只讀取外部工作記憶體的有界視窗,驗證 runtime 會呈現的有限視窗集合,即可保證模型對任意長度輸入的算術精確性。
MIT CSAIL 研究人員提出「權重空間編程」,讓 GPT-6 Astra 直接修改 Qwen3.5-0.8B 約 0.016% 的權重,使其 MATH-500 成績由 7.9% 升至 48.1%。
天數智芯披露,截至2026年10月31日止10個月,集團芯片累計出貨量超過8萬片。公告數據未經審核,不代表最終財務表現。公司此前披露,智鎧系列推理產品2025年收入3.39億元,同比增長238.2%;截至2025年末,累計服務客戶逾340家。
英特爾計劃把俄勒岡州部分Intel 18A製造資源轉向Intel 3(7nm)至強伺服器CPU產能,以應對至強處理器需求持續高於供應。這些資源原用於Panther Lake客戶端處理器,新增Intel 3產能預計於2027年下半年投產;愛爾蘭Fab 24擴建部分若不加快,則要到2027年底才投產。
CEVA 發佈第二代 NeuPro NPU 產品系列,提升 AI 處理吞吐量並改善能源效益。新系列每平方毫米的 AI 處理吞吐量最高達第一代的兩倍,能源效益提升 50%。產品現正向部分客戶提供早期使用,全面量產供應預定於 2027 年第二季度開始。