斯坦福、桑巴诺瓦系统公司（SambaNova Systems）和伯克利联手搞了个新框架，叫“智能体上下文工程”（Agentic Context Engineering, ACE），让模型像人一样，通过复盘和迭代来自我进化。关键是，这个过程不动模型权重，成本还暴降。看看这性能提升：这事儿挺颠覆的。

这事儿在全球科技圈里炸开了锅。在OpenAI的GPT系列、Meta的Llama、Anthropic的Claude这些美国大模型还在玩“数据黑箱”魔术的时候，Apertus从模型权重、架构、训练代码，到数据配方，甚至连完整的训练过程文档，全部公开，一点不藏着掖着。开发团队说得很直白，他们就是要给世界，尤其是给欧洲，提供一个“可信赖、主权、包容”的AI基础，一个美国大模型的伦理替代选择。这意味着它不再

日本最大的IT服务提供商富士通 (Fujitsu) ，宣布搞出了一项革命性的生成式AI重建技术，简单来说，就是能给那些臃肿的AI大模型来一次极限“抽脂瘦身”，效果堪称炸裂：模型体积直接砍掉94%，原本需要四块高端GPU (图形处理器) 才能跑得动的大家伙，现在一块低端GPU就能轻松拿下，而且准确率几乎没掉线！

在众多挑战者中，SambaNova Systems的玩法最为独特。这家成立于2017年的公司，创始团队堪称豪华，汇聚了来自Sun/Oracle和斯坦福大学的硬件与软件泰斗。手握软银、英特尔资本、贝莱德等顶级投资机构超过10亿美元的融资，SambaNova从一开始就没打算走寻常路。他们的核心理念，用一句话概括就是：不要让软件去适应硬件，而是让硬件为软件而“变形”。这个理念，被他们做成了一套名为“可重

由此诞生了强化学习与可验证奖励（Reinforcement Learning with Verifiable Rewards，简称RLVR）。各种RLVR算法层出不穷，但都面临着一个致命的弱点——模型太容易“早熟”了，也就是过早收敛，并且训练过程中还会出现一种叫“熵崩溃”的现象，也就是模型的思想僵化了，失去了探索新世界的动力。

大模型这个“数字巨兽”，吞噬着海量内存和算力，让你的笔记本电脑瑟瑟发抖。以LLaMA-70B为例，在常规的FP16精度下，它需要高达140GB的内存空间，几乎所有的消费级GPU都只能“望洋兴叹”。随着模型参数从百亿卷到千亿，甚至万亿，这个挑战变得愈发尖锐。于是“量化”技术临危受命，被推上了历史舞台。如果能把模型从16位浮点数，压缩到2-4位的整数，就能实现4到8倍的惊人压缩比，内存占用和计算开销都

中国科学院香港创新研究院人工智能与机器人创新中心（Centre for Artificial Intelligence and Robotics, CAIR）发布了一个名为“聆音”（EchoCare）的超声大模型。用一个超过400万张图像的、目前全球已知规模最大的超声数据集，通过“自监督学习”框架，“自学成才”训练出了一个AI。结果是，这个AI在好几项关键的诊断任务上，把之前的最高纪录都给破了。

一个叫MiroMind的AI公司，在全球首个动态实时预测基准FutureX上拿了第一。老板，是陈天桥。就是那个创办了盛大网络，后来跑去做脑科学研究的陈天桥。从网游、到人脑、再到人工智能，这位大佬好像总在琢磨未来的事。

小米在通用音频智能领域扔出一颗“重磅炸弹”：小米MiMo-Audio大模型，预训练数据规模直接干到1亿多小时的狠角色。在MMSU（多模态语音理解）、MMAU（多模态音频理解）、MMAR（多模态音频推理）、MMAU-Pro（多模态音频理解-专业版）这些业内公认的基准测试里，它成了开源7B（70亿参数）模型里的“天花板”，也就是SOTA（State-Of-The-Art，当前最佳）。小米把所有相关资源

在代码能力上，它在LiveCodeBench这个评估高难度编程竞赛能力的榜单上，拿了79.4分，不仅在开源模型里是第一，甚至和顶级的闭源模型GPT-5的表现差不多。整体来看，这套两步走的方法，前半段像打地基，补足推理数据的稀缺，后半段则用精细化的RL系统把楼层拔高，让模型既能解数学题、写代码，也能在更广泛任务中展现稳定的推理力。在通用推理能力上，它在一个叫ARC-AGI的基准测试里，拿了50.3分