Grok 4.7 在法律事务中排名第一

OpenAI Developers 宣布 Ultrafast 今日在 API、Codex 和 ChatGPT Work 上面向 GPT-6.1 Sol 推出，速度最高可达 Sol Standard 的 8 倍，定位为接近 Astra 的智能水平。

MiaAI_lab 展示 GLM 5.3 Flash 在 DGX Sparks 上以 227 tok/s 运行的实测结果，作者称这一速度看起来不太真实，但确实跑出来了。该测试为 4 路并发混合流场景。

Perplexity 的开源权重决策模型，为临床决策提供最佳质量和最低成本。

在 StepFun 的 8 项基准评测中，Step 5 Preview 在 6 项上击败了 Kimi K3 和 GLM-5.3，包括 DeepSWE（67.7）、ProgramBench（80.5）、StepCodeBench（49.0）和 FrontierFinance（66.4）。

MiniMax H3 发布两个月后，热度依旧 🔥。 更多即将到来👀

pplx-decider-v1.1-27b 现已在 OpenRouter 上可用。

Anthropic 发布 Claude Haiku 5.5，在最高 100K token 的提示词上成本比 Haiku 4.5 低 90%，并新增首个 Haiku effort 设置，可在成本与准确率之间取舍；官方仍推荐 Sonnet 5.5 和 Opus 5.5 处理 Terminal-Bench 4.0 这类复杂 agentic coding 任务。

Anthropic 的 Claude Haiku 5.5 已在 OpenRouter 上线。这是首个支持 reasoning efforts 的 Haiku 模型，相比前代便宜约 75%，速度更快（OpenRouter 实测 100+ TPS），基准测试上有明显能力提升。

Hugging Face Blog精选AI 评分7575

Nemotron 微调后在 IOI 2026 与 IMO 2026 双双达到金牌水平

NVIDIA 官方博客称，基于 Nemotron 3 用 SFT、RL 与反馈式推理特化的系统在 IOI 2026 与 IMO 2026 均达金牌水平：Nemotron-3-Ultra-CC 得 535.4/600，超过 361.12 的金牌线与人类最高分 498.27；IMO 系统得 30/42，超过官方金牌线 29。

Latent SpaceAI 评分7474

OpenAI 公开内部模型 722 篇数学论文，解决 90 个顶级开放问题

OpenAI 在公开 GitHub 仓库发布其内部前沿模型产出的 722 篇数学手稿，归为 372 组相关结果，据称解决了 top 500 开放数学问题中的约 90 个，其中 Result 003 即 Quasi-Riemann Hypothesis 被评为分量介于 Fields Medal 与数论 200 年最大成果之间。

OpenAI 发布 722 项 AI 生成的数学证明，其中一项关于矩阵乘法的结果把两个 n×n 矩阵相乘的已证明成本从约 n^2.371177（AlphaEvolve 于 8 月创下的纪录）降至约 n^2.25。该结果附带 Lean 形式化证明，但属于理论上界，尚未给工程师提供适用于真实 GPU 工作负载的更快例程。

The Verge · AIAI 评分7474

OpenAI 发布 722 篇数学手稿，含未发布模型解决的数百个开放问题

OpenAI 发布一批共 722 篇手稿、覆盖 372 个结果族，称其中包含其未发布的前沿模型解决的数百个长期开放数学问题。据 AGMAI 说明，这批结果包含模型推理摘要、算力估算与尝试问题统计，OpenAI 称平均结果约相当于 ChatGPT Pro 三小时思考算力。

OpenAI 公开了其开放问题主张背后的完整论文：722 篇手稿，涵盖 372 项数学结果。这批目录是通过在测试中向内部模型提供约 4K 个研究问题，再对输出进行分组和过滤得到的 372 个重要结果族。几乎所有结果都来自同一标准设置，平均每项结果消耗相当于 ChatGPT Pro 思考 3 小时的算力。

OpenAI 公布内部前沿模型在数学开放问题上的新结果

OpenAI 发布其内部前沿模型在数学开放问题上的新结果，并在 GitHub 上共享 Lean 证明形式化文件与研究细节。

OpenAI 发布了一个仓库，收录其下一代前沿模型解出的一系列数学问题的新解法。绝大多数结果由同一个未发布的 OpenAI 内部模型通过相同流程得到，平均每条结果使用了 3 小时 ChatGPT Pro 的思考算力，评测过程中该模型共被提出约 4,000 道题目。

OpenAI 宣布发布由其内部前沿模型产出的一系列新数学成果，称在发布过程中参考了普林斯顿高等研究院独立的数学与人工智能咨询小组的建议与公开建议，并给出开源仓库 github.com/openai/math。

Mistral 发布 Mistral Large 4 预览版：1 万亿参数、490 亿激活

Mistral 发布 Mistral Large 4 预览版，这是一个 1 万亿参数、490 亿激活参数的模型，在自家 3,800 块 NVIDIA Grace Blackwell GPU 集群上训练，通过其 API 提供，开放权重版本承诺本月底发布。

ARC Prize 公布 DeepSeek V4.1 Flash 在 ARC-AGI（Verified）上的成绩：ARC-AGI-2 为 72.9%，单任务成本 $0.13；ARC-AGI-1 为 94.5%，单任务成本 $0.07。相比 V4 Flash 的最佳成绩，ARC-AGI-1 提升 5.5 个百分点，ARC-AGI-2 提升 11.5 个百分点，但单任务成本高出约 250%。

- 排行榜：arcprize.org/leaderboard - 复现公开结果：github.com/arcprize/arc-agi-… - 测试政策：arcprize.org/policy - Grok 4.7 完整结果：arcprize.org/results/xai-gro…

ARC Prize 指出 Grok 4.7 的 reasoning token 用量与其 ARC-AGI-2 公开得分相关：low 档每次 test-pair 尝试平均约 10k tokens、得分 25%，medium 至 xhigh 档则为 86k 至 120k tokens、得分 57.5% 至 60%。作者认为 low 档较低的 token 用量或可解释其较低的得分。

ARC Prize 公布 Grok 4.7 在 ARC-AGI (Verified) 上的成绩：ARC-AGI-3 在 standard harness 下为 1.8%、$2.7k，在 provider adapter harness 下为 10.0%、$4.8k；ARC-AGI-2 为 61.4%、$2.01/task；ARC-AGI-1 为 90.2%、$0.64/task。与 Grok 4.6 相比，Grok 4.7 在 ARC-AGI-1 上得分更高，但在 ARC-AGI-2 和 3 上更低。

这个花了不少前期功夫。在我们自研算力上训练和部署，RL 没有饱和的迹象。

The DecoderAI 评分6666

Reflection 发布开源模型 Beam，主打低算力下的编码与智能体能力

AI 公司 Reflection 发布首个免费开放模型 Beam，采用 501B 总参数、每 token 激活 23B 的 MoE 架构，主打编码、逻辑推理和智能体任务，以更低算力对标 DeepSeek 和 Qwen 等中国开源模型。

AntLingAGI 发布推理模型 Ling 3.1 Flash，总参数 560B、激活参数 25B、上下文窗口 1M tokens，在 Artificial Analysis Intelligence Index v4.3 上得分 41，较 8 月发布的 Ling 3.0 Flash 的 20 分大幅提升。

作者认为 Beam 是值得关注的西方开放模型，其能力接近 GLM 5.2，但与 GLM 5.3、Kimi K3、DeepSeek V4.1 Flash 相比多项能力仍有差距。它主要靠推理效率争取竞争力，推理计算量只有 GLM 5.2 的 1/3–1/4。

Reflection AI 发布开源模型 Beam，作者称其成为最强西方开源模型，以 3-4x 更少推理算力比肩 GLM-5.2。Beam 为稀疏 MoE 架构，501B 总参数、23B 激活参数，23.8T tokens 预训练，1M-token 有效上下文；RL 阶段用 10.5K GB300 GPU 训练 4 周。

TechCrunch · AIAI 评分7474

Reflection 发布开源权重模型 Beam，称以更低成本对标中国模型

Reflection AI 发布首个前沿开源权重模型 Beam，称其在高级推理基准上比肩 Z.ai 的 GLM-5.2 等中国领先开源模型，且推理算力消耗低 3-4 倍。

达到 50 TPS 而非 30 TPS，同时拥有目前最优化的 tokenizer。而且这些模型在完成任务所需的 token 数量方面相当高效！

Qwen3.8 27B 本地模型英文单词加法评测：关闭推理准确率 23.57%，开启后 169 次答对 167 次

Simon Willison 在本地 DGX Spark 上用 Qwen3.8-27B-Q4_K_M.gguf 复现了 Colin Frasier 两年前用 GPT-4o 做的加法实验，让模型把正整数相加并仅用英文单词给出精确结果。

Aleph Alpha 发布开源权重模型 Kolibri，采用 MoE 架构，78B 总参数、3.46B 激活参数，支持 1M 上下文窗口，以 Apache 2.0 许可证分发。

Perplexity Developers 宣布发布 pplx-decider-v1-27b，该模型基于 Qwen3.8-27B 微调，上下文窗口为 250k。权重已在 Hugging Face 开放查看（huggingface.co/perplexity-ai…），并可通过 Perplexity Decisions API 使用（docs.perplexity.ai/docs/deci…）。

webAI 发布 3.6B 参数 TwIL-LM3-Pro，本地运行并开源

webAI 发布开源小模型 TwIL-LM3-Pro，仅 3.6B 参数，提供量化版本可在日常电脑本地运行，无需云端。其 BIG-Bench Hard 逻辑子集得分 95.4%，对比 VibeThinker-3B 的 61.1%；SVAMP 95%、MuSR 64.1%。

Arena 提出图像模型后训练的复合奖励方案：在约 5.6M 人类偏好投票训练的 Bradley-Terry 奖励模型之上，叠加基于自动提示清单的忠实度奖励、覆盖显式与隐式意图的约束奖励，以及针对乱码文字和写实漂移等失败的反奖励劫持规则奖励。

Meta 宣布分享六篇论文，来自数学家与 Muse Spark 1.1 和 Muse Spark 1.2 在 Thinking Mode 下通过 meta.ai 常规聊天界面的协作，用于求解没有现成解法路径的开放问题，且未使用定制研究脚手架。每篇合作论文均标注哪些段落主要由人类或 AI 起草，并注明所依托的既有研究；若其他团队独立宣布解决了相同问题，也会一并致谢。

Ling-3.1-Flash 现已通过 Novita 在 OpenRouter 上提供，Novita 作为 Day-0 合作伙伴推出，免费至 10 月 13 日 9:00 AM PT。该模型共 560B 参数、激活 25B 参数，面向混合推理与工具调用工作流构建。

ARC Prize 公布 Qwen3.8-27B 在 ARC-AGI (Verified) 上的成绩：ARC-AGI v2 为 42.4%，$0.45/task；ARC-AGI v1 为 87.5%，$0.22/task。作者指出 Qwen 的 chat template 为 low 和 xhigh 推理档位提供了引导，但没有 medium，这可能解释了 medium 消耗更多 token 却得分低于 low 的现象。

Latent Space精选AI 评分7878

Google DeepMind 发布 Gemini 4 Argon，支持 1M token 输出

Google DeepMind 推出 Gemini 4 Argon，面向编码、企业知识工作与网络防御，首批开放给 Fairwind 计划的政府用户与可信网络安全人员，后续再向开发者、企业和消费者开放。

thoughtfullab 宣布通过 PostTrainBench 参与 AI 前沿评测，并公布 Gemini 4 的成绩为 45.3%，较 Gemini 3.1 Pro 的 21.99% 有明显提升，作者称这是迈向负责任自我改进型 AI 的一步。

Artificial Analysis 测评 Google 新模型 Gemini 4 Argon：在 high reasoning 档下其 Artificial Analysis Intelligence Index 得分 53。