Anthropic 发布 Mythos 5.2 与 Fable 5.2 模型，RSI 担忧伴随而来
Anthropic 周一发布 Mythos 5.2 和 Fable 5.2，称新模型在编码、推理和视觉方面有所提升，与用户沟通更清晰。Fable 的输入价格从每百万 token 10 美元降至 8 美元，低于主要竞品 GPT-6 Astra，响应速度提升 30%，并可通过 Enterprise Frontier Safeguards 支持零数据保留（ZDR）政策。
#推理
TechCrunch · AIAI 评分8080 Simon WillisonAI 评分7272 Meta 发布最小最高效模型 Muse Ember
Meta AI 发布小模型 Muse Ember，主打复杂推理执行和智能体日常重复工作，包括工具调用、编码子任务、路由、抽取和长文档解析。短提示词下定价与 GPT-6 Luna、Claude Haiku 5.5 相同，为每百万输入 token 0.10 美元、输出 0.50 美元；提示词超过 200k token 后涨到 0.30/1.50 美元，介于两者之间。
Latent Space精选AI 评分8888 Anthropic 发布 Claude Fable 5.2 与 Mythos 5.2，重夺 LLM 榜首
Anthropic 发布 Claude Fable 5.2 和 Claude Mythos 5.2，在 Artificial Analysis Intelligence Index v5 上以 65 分重回第一，超过 Gemini 4 Carbon 的 60 分和 Opus 5.5 的 59 分。
推荐理由：汇总 Fable 5.2 的独立评测、每任务成本变化与订阅额度限制，可看清这次升级的取舍。
Simon WillisonAI 评分6565 llm-anthropic 0.31 支持 Anthropic 新模型 Fable 5.2 与 Mythos 5.2
Simon Willison 在 llm-anthropic 0.31 中加入 Anthropic 今日发布的 Fable 5.2 和 Mythos 5.2，可通过 llm -m claude-fable-5.2 调用。
AWS Machine Learning BlogAI 评分5858 SageMaker Inference 支持 NVIDIA MIG GPU 分区
Amazon SageMaker Inference 新增 GPU 分区能力，基于 NVIDIA MIG 把单块 GPU 切成最多 7 个硬件隔离分区，每个分区可独立部署不同模型。
Latent Space精选AI 评分8282 Thinking Machines 发布 Inkling 2 Small：594B 总参数 MoE，68 小时预训练
Thinking Machines 发布 Inkling 2 Small，一个 594B 总参数、17B 激活参数的多模态 MoE 模型，已在 Tinker 上线，Apache 2.0 权重承诺下周外部安全测试完成后开放。
推荐理由：原文汇总了 Inkling 2 Small 的训练时长、基准成绩与安全披露，可对照同期开源模型判断其位置。
Microsoft Research精选AI 评分7171 微软研究院等证明31年未解的KLS猜想
微软研究院张新志等研究者证明了1995年提出的KLS猜想，确认对一大类高维概率分布，最佳平面切割与任意形状最佳切割的效果差距不超过一个与维度无关的固定常数。作者在人类主导的智能体搜索流程中探索了100多条候选路径，由研究者筛选和调整方向，最终通过反复递归应用新判据完成证明；同期另有独立团队给出完整证明，并有Lean 4形式化验证。该结果使此前依赖该猜想作为假设的结论可以无条件成立。
推荐理由：这篇论文用人类主导的智能体搜索证明了一个悬置31年的几何猜想，读者可据此了解人机协作做数学研究的实际分工。
Microsoft Research精选AI 评分6060 微软研究院推出 Magnetar：基于标准哈希函数的通用零知识证明系统
微软研究院发布零知识虚拟机 Magnetar，可直接证明用 Rust、Go 或 C 编写的程序执行过程，并输出可在约 12 毫秒内验证的简短证明。它在笔记本上每秒可证明 720 万至 870 万条 RISC-V 指令，在 15 个基准程序上平均比同类最快 zkVM 快 10 至 39 倍，优化版本可达每秒 950 万至 1280 万周期。
推荐理由：微软研究院把十余年零知识证明成果整合为 Magnetar，读者可了解通用程序证明在速度与密码学假设上的取舍。
Berkeley AI Research精选AI 评分6060 从 CUDA 到 MLX：K-Search 如何将多年内核优化经验带到 Apple Silicon
IBM Research 基于 UC Berkeley Sky Lab 的 K-Search 演化式内核搜索框架，新增 MLX 后端和结构化 CUDA-to-MLX 翻译层，让已有 CUDA 内核作为知识库迁移到 Apple Silicon。
推荐理由：作者展示了把 CUDA 优化经验迁移到 Apple Silicon 的具体做法，并给出与原生 MLX 内核的对比数据。
Berkeley AI ResearchAI 评分4040 Berkeley AI Research 提出 GRASP：面向世界模型长时程规划的梯度规划器
Berkeley AI Research 提出 GRASP，一种面向学习型世界模型的梯度规划器，通过将轨迹提升到虚拟状态实现跨时间并行优化、在状态迭代上加入随机性以促进探索，并重塑梯度让动作获得清晰信号。该方法针对长时程规划中梯度爆炸/消失、非贪心结构导致局部极小值以及高维视觉模型梯度脆弱等问题，使基于梯度的长时程规划更稳健。