LLM Insight Tracker

OpenAI Ultrafast模式借助Cerebras芯片将GPT-5.6 Sol推理速度提升14倍，输出达750 tokens/s。

• 基准表现：Humanity's Last Exam完成时间从78小时缩短至11小时，GDP-Val实现5.6倍加速且质量不变。
• 成本影响：专家认为这彻底颠覆现有成本最优帕累托前沿。
• 部署启示：速度与成本的显著改善，可能让高吞吐场景下的模型选型发生实质变化。

两篇微软相关论文通过移除实验量化技能库和规则的真实贡献。

• 技能库并非免费：坏技能直接导致307次agent失败
• 规则评估新框架Harness-IF： withholding规则后准确率普遍下降3.6-7.4点
• 落地启示：系统提示和项目文件优先级高于工具描述，需逐条实测而非默认加载

Gary Marcus 指出，越聪明的员工越快看清问题并离开，2021年首批人才创立Anthropic后，数十人陆续离职，核心原因是Sam无法兑现承诺。 这一人才流动模式直接反映OpenAI内部信任问题，研究者决策时需关注其对团队稳定性的影响。

Mistral 联合创始人 Arthur Mensch 表示，其搭档 Tim 将分享公司最新更新的战略思考。

Qwen3.5-122B-A10B 公共得分 59.52 高于 Qwen3.6-27B 的 53.58，但区间重叠且多数类别缺乏匹配证据，无法给出明确工作负载推荐。两者均为自托管，API 成本无直接可比数据，选型需依赖具体基准而非总分。

在多智能体软件工程中，执行验证必须作为首要原则——每个代码变更需通过沙箱执行才能传播。 AGENTFORGE框架以此为核心，Planner、Coder等角色通过Docker沙箱协作，在SWE-BENCH Lite上达到40.0%解决率，远超单代理基线26-28分。

• 基准测试角度：ExploitBench将攻击分解为五层能力阶梯，私模Mythos Preview在41个V8漏洞中实现21个任意代码执行，公开模型仅2个。
• 模型能力角度：GLM-5.3在攻击基准54.4%落后Fable 5，但CyberGym防御领先84.5%，印证其“防御导向”定位。
• 落地决策启示：封闭前沿网络模型受监管限制，开放模型GLM-5.3因易越狱和免费特性，成为实际安全工作更可及的选择。

红队环境演化揭示：OpenART 通过状态持续变化暴露代理长期风险，运行时实现比模型本身更关键。

ToolHazard 进一步证明，注入时机与位置直接决定攻击成败，需动态评估环境。

三者合力指向：代理安全必须从训练后评估转向运行时契约——预防+证据双轨并行，为部署提供可落地框架。

Nvidia 承诺为 AI 数据中心融资中的老旧 GPU 提供价值担保（最高承担 25% 差额），吸引 5000 亿美元机构资本的同时，着力打造二手硬件生态。 这将让初创企业与研究者更易获得不同世代算力资源，延长硬件使用周期并降低基础设施门槛。

NCP-Bench聚焦叙事承诺 preservation，测试代理在100回合交互中维持逻辑一致性的能力；而MBA-Bench则评估多模态商业构思，涵盖30K样本的六大领域视觉线索整合。

-...

• DeepSeek v4 Flash/Pro 输入输出价格上涨 1.5-5 倍，Pro 缓存命中价激增 6-12 倍
• 代理编码等高缓存场景成本大增，结束“十亿 token 仅 4 美元”时代
• GPT-5.6 Luna 现更具性价比，整体约 3 倍优势，适合成本敏感用户
• 建议优先对比 OpenRouter 等第三方价格，监控 Luna 是否跟涨

Spark-to-Paper 将论文生成拆解为13个可组合技能，直接嵌入现有编码助手，无需独立代理平台。系统分离模型判断与确定性操作、实验规划与结果报告，并通过完整性检查与自评机制抑制自反驳循环，产出99.5%有效引用和96.4%可编辑矢量图，单篇成本仅8.1美元、耗时3.2小时，显示出显著的研究自动化落地潜力。

传统同步推理在高并发下会触发 CUDA OOM、延迟暴增和 VRAM 浪费。

• 核心问题：填充 token 浪费算力、头阻塞导致短请求排队、预留内存 60-80% 闲置。
• vLLM 方案：迭代级连续批处理，完成序列立即释放内存，动态加入新请求。
• Prefill vs Decode：前者算力密集（TTFT），后者带宽密集，需分开调度优化。

DeepSeek新模型在Artificial Analysis Intelligence Index上得分为53，与智谱AI的GLM-5.2持平，但落后于Terra模型。模型选择时需权衡与Terra的差距。

测试时蒸馏通过强模型构建推理harness，可将弱模型在四项ToM基准上的平均表现从0.49提升至0.91，增益主要来自确定性代码卸载、基准路由和格式强制，而非模型自身推理增强。相比训练时蒸馏，此法无需参数更新，弱模型受益最大，为实际部署提供了高效互补方案。

Genesis 将软件项目本身持久化而非依赖持久代理，允许有限寿命代理通过递归委托实现长期演化。从零构建25万行Rust C编译器历时120小时仅花费44美元，且支持代理替换后保持性能。这一范式直接启示长期自主代理开发应围绕项目版本历史而非单个代理状态设计连续性机制。

BDH-CQ 提出 In-Context Learning with Recurrent Latent Reasoning 方法，聚焦上下文学习中的循环潜在推理机制。该方向可能为现有推理范式提供新思路，值得跟踪论文细节以评估落地潜力。

自进化智能体需突破单体局限，转向多组件协同进化以实现持续改进。 三阶段分类法揭示系统如何逐步摆脱人工约束：从Agent间动态协作，到环境自适应，再到进化机制本身可演化。

SkillZip通过发现可复用结构实现无评估技能压缩，将重复规则与流程提炼为共享过程，仅保留差异作为例外。 该方法基于最小描述长度目标，支持一次性与增量模式，降低维护成本并保留稀有规则。

两者结合为构建可自我进化Agent系统提供了理论框架与落地工具，重点关注安全可控的开放式进化。

微软新论文显示，推理模式在多步Agent任务上优于非推理模式，但每次输出token消耗增加3-6倍，且大量开销用于重复推导已知流程。部署时需严格权衡性能增益与成本。

可扩展解密越狱攻击通过API漏洞提取前沿模型隐藏推理链，技术细节与行业影响值得关注。

• 技术细节：将强模型加密推理trace注入同提供商弱模型，强制其逐字解码输出明文，token计数与计费思考token 1:1匹配
• 行业影响：漏洞存在于所有前沿AI公司API，蒸馏问题已获白宫警告但企业仍失误严重
• 启示：需重新审视模型安全与蒸馏监管，防止推理链被低成本提取。