微软研究院等证明 31 年悬而未决的 KLS 猜想
微软研究院机器学习与优化组的 Xinzhi Zhang 与合著者 Zhao Song 证明了 1995 年提出的 Kannan-Lovász-Simonovits（KLS）猜想，证明该界与维度无关。
推荐理由：微软研究员与合著者用人类引导的智能体搜索证明 KLS 猜想，并给出独立证明与 Lean 形式化验证的交叉确认。
#推理
Microsoft Research精选AI 评分7474
NVIDIA Blog精选AI 评分6565 NVIDIA 扩展开源模型家族，覆盖语言、机器人、生物与量子计算
NVIDIA 扩展其开源模型家族，覆盖语言、机器人、生物和量子计算，包括新的 Nemotron 3.5 Super VL 与 Nemotron 3.5 Bolt。
推荐理由：NVIDIA 一次性铺开语言、机器人、生物、量子四条开源模型线，并给出可下载渠道与首批企业用例。
Hugging Face Blog精选AI 评分6262 PyTorch 2.15 为 MPS 带来 FP8 与更快的 LLM 解码
Hugging Face 的 PyTorch 团队介绍 PyTorch 2.15 在 MPS 后端的更新，新增 float8_e4m3fn 张量与 F.scaled_mm，MoE 模型解码比 2.14 快 5–6.5 倍，Qwen3.6-35B-A3B 在 M3 Ultra 上从 9.4 提升到 61.3 tokens/s。
推荐理由：Hugging Face 的 PyTorch 团队给出 MPS 后端在 2.15 中的具体提速数字和内存变化，可据此判断 Mac 本地跑模型的实际收益。
Hugging Face Blog精选AI 评分6969 IBM 发布 Granite Switch 4.1：单端点实现对话、决策与语音
IBM 发布 Granite Switch 4.1，包含 Granite-Switch-4.1-8B 和 -30B，通过 Decision aLoRA、Guardian aLoRA 与 Granite-Speech-5.0-Turbo-CTC 在单一托管端点完成对话、决策与语音转写。
推荐理由：Granite Switch 4.1 把决策适配器与 ASR 模型组合进单一端点，读者可据此了解多能力复用同一基座的部署思路。
Microsoft Research精选AI 评分6262 微软研究院发布 Magnetar：基于证明的通用计算 zkVM
微软研究院发布零知识虚拟机 Magnetar，可证明 Rust、Go、C 编译后的 RISC-V 程序执行，在笔记本上每秒证明 7.2 至 8.7 百万条处理器指令，15 个基准程序上平均比现有最快 zkVM 快 10 至 39 倍，证明验证约 12 毫秒。
推荐理由：微软研究院公开 Magnetar 的 zkVM 设计与基准数据，读者可了解零知识证明在通用程序上的性能与密码学取舍。
Hugging Face Blog精选AI 评分6262 Apertus 1.5 发布：8B 和 70B 模型新增图像音频理解与思考模式
Apertus 1.5 在 8B 和 70B 模型上新增图像与音频理解、可选思考模式，上下文窗口扩展至 262,144 tokens，为 1.0 的 4 倍，并改进指令遵循与工具调用。
推荐理由：Apertus 1.5 在 8B 和 70B 上加入图像音频理解与思考模式，并公开训练数据与中间检查点，可据此判断开源多模态模型的开放程度。
Google Research精选AI 评分6969 Google 发布 Deep Review，用智能体审稿技术文档
Google 公开发布 Deep Review，一个面向复杂文档的智能体审稿系统，最初用于计算机科学论文分析，现已扩展到法律、金融等领域。每位用户每周可免费获得两次文档审阅，也可接入 Gemini API key 提升额度并通过 Deep Review API 做程序化集成；目前支持 PDF 和纯文本输入，多文件输入即将支持。
推荐理由：Google 公开了 Deep Review 的四阶段智能体审稿流程与免费额度，读者可据此判断自动审稿在自身工作流中的可用性。
Hugging Face Blog精选AI 评分7171 Liquid AI 发布 LFM2.5-24B-A2B 端侧推理智能体模型
Liquid AI 发布 LFM2.5-24B-A2B，一个 24B 参数、每 token 仅 2B 激活参数的推理模型，面向端侧私有智能体，会先思考再作答并调用工具。
推荐理由：LFM2.5-24B-A2B 以 2B 激活参数对标更大 MoE，并给出端侧与 GPU 推理速度数据，可据此判断本地智能体的可行性。
Google DeepMind精选AI 评分7878 Google DeepMind 发布 Gemini 4 Argon 并公开安全防护方案
Google DeepMind 开始广泛推送 Gemini 4 Argon，并扩大 Fairwind Program 至更多可信网络安全防御方。该模型在网络安全测试中完成全部 12 个端到端模拟攻击场景（上一代为 5 个），在 Gray Swan 间接提示注入基准上把 15 次自适应攻击的成功率降至 0.7%。
推荐理由：原文披露了 Gemini 4 Argon 在网络安全与生物风险上的能力提升及三层实时防护设计，可了解前沿模型安全部署的具体做法。
Google DeepMind精选AI 评分8787 Google DeepMind 发布 Gemini 4 Argon
Google DeepMind 发布 Gemini 4 Argon，今日起通过 Gemini API、AI Studio、Google Antigravity 及 Gemini 应用和搜索 AI Mode 面向开发者、企业和消费者开放，定价为每百万输入 token 2 美元、输出 token 10 美元。
推荐理由：官方给出 Argon 在编码、科研与安全对齐上的具体数字和开放入口，可据此判断前沿模型在长程任务上的进展。
Hugging Face Blog精选AI 评分6666 Liquid AI 开源 d1-3B 与 d1-omni-600M 端侧决策模型
Liquid AI 发布 d1 决策模型家族的两款开源权重模型 d1-3B 和实验性的 d1-omni-600M。
推荐理由：Liquid AI 开源两款决策模型，给出端侧与 GPU 延迟数据及基准对比，可据此判断小模型做快速结构化决策的可行性。
Hugging Face Blog精选AI 评分6262 Nemotron 微调后在 IOI 2026 与 IMO 2026 均达金牌水平
英伟达团队从 Nemotron 3 出发，用 SFT、RL 和反馈驱动的推理循环做出两个专精系统，分别在 IOI 2026 和 IMO 2026 达到金牌水平。
推荐理由：原文给出从 Nemotron 3 微调到 IOI、IMO 金牌级成绩的完整配方与开源资产，可看领域专精模型如何与推理循环协同。
OpenAI News精选AI 评分6060 OpenAI 公布前沿模型在数学开放问题上的进展
OpenAI 发布内部前沿模型在数学开放问题上的新结果，并在 GitHub 上公开 Lean 证明形式化与研究细节。材料仅提供摘要，未给出具体问题、模型名称或结果数据。
推荐理由：OpenAI 公开内部前沿模型在数学开放问题上的结果，并放出 Lean 形式化证明与细节，可据此了解其数学推理进展。
Mistral AI精选AI 评分8282 Mistral 发布 1 万亿参数多模态模型 Mistral Large 4 预览版
Mistral 发布 Mistral Large 4 公开预览版，这是一个 1 万亿参数、490 亿激活参数的原生多模态模型，可通过 Mistral Studio 的预览 API 试用，权重将于本月底放出。
推荐理由：Mistral 迄今最大模型以开放权重切入网络安全等企业场景，读者可据此判断欧洲开源路线的能力边界。
NVIDIA Blog精选AI 评分8080 NVIDIA GPU 加速 OpenAI GPT-6 Astra Ultrafast 上线
OpenAI 的 GPT-6 Astra Ultrafast 已在 NVIDIA Blackwell GPU 上运行，并面向 OpenAI API 以及符合条件的 ChatGPT Work 和 Codex 用户开放。
推荐理由：原文给出 Ultrafast 模式相对标准模式的提速幅度与开放入口，读者可据此判断它对编码智能体循环的实际影响。
Google DeepMind精选AI 评分8383 Google DeepMind 发布 Gemini 4 Argon 前沿模型
Google DeepMind 发布新前沿模型 Gemini 4 Argon，先通过 Fairwind Program 向受信任的网络安全防御者开放，随后逐步扩展到开发者、企业和消费者，起价为每百万输入 token 2 美元、每百万输出 token 10 美元，缓存输入 token 按输入价的 95% 折扣计费。
推荐理由：官方给出 Argon 在编码、企业知识与网络安全上的基准与内部落地数据，可据此判断前沿模型的能力边界与分阶段开放节奏。
Berkeley AI Research精选AI 评分6262 从 CUDA 到 MLX：K-Search 如何把内核优化经验带到 Apple Silicon
Berkeley AI Research 与 IBM Research 将 K-Search 进化式内核搜索框架扩展到 MLX，并加入结构化 CUDA-to-MLX 翻译层，让已有 CUDA 内核经验自动适配 Apple Silicon。
推荐理由：展示了把 CUDA 内核优化经验结构化迁移到 Apple Silicon 的方法，并给出注意力与 Mamba 两类内核的实测对比。
已经到底了