ARC Prize 2026：ARC-AGI-3 Milestone #2 三位获奖者开源方案
ARC Prize 公布 2026 年 ARC-AGI-3 Milestone #2 三位获奖者，均开源了各自得分最高的解法：Daniel Franzen 以 27.9% 获 2.5 万美元，Lord Han Solo 以 23.8% 获 7500 美元，Lohit Siriki 以 22.5% 获 5000 美元。
#推理
#推理
X：ARC Prize (@arcprize)AI 评分 X：ARC Prize (@arcprize)AI 评分 ARC Prize 2026：ARC-AGI-3 里程碑 #2 获奖者公布
ARC Prize 2026 公布 ARC-AGI-3 里程碑 #2 的三位获奖者，均开源了各自得分最高的解法：Daniel Franzen 以 27.9% 获 $25K，Lord Han Solo 以 23.8% 获 $7.5K，Lohit Siriki 以 22.5% 获 $5K。
X：Rohan Paul (@rohanpaul_ai)AI 评分 伯克利论文：LLM 常沿用旧偏好，智能体需在提示词中写明当前状态
伯克利论文《When Context Changes: Understanding Update Failures in LLMs》发现，当偏好或截止时间等发生变化时，旧版本仍留在上下文中，模型虽掌握新值，注意力却持续漂回旧提及。
X：Testing Catalog (@testingcatalog)AI 评分 Volantis 获 8800 万美元 A 轮融资，用光学互连解决 AI 内存瓶颈
Volantis 完成 8800 万美元 A 轮融资，由 Lachy Groom 和 Abstract 联合领投，John Doerr、Susa Ventures、VXI Capital 和 Triatomic Capital 参投。
X：OpenRouter (@OpenRouter)AI 评分 Liquid AI 的 D1 决策模型上线 OpenRouter
Liquid AI 的 D1 模型已在 OpenRouter 上线，这是一个决策模型，输入应用状态和是/否、选择或评分问题，返回带每个选项概率的类型化答案。该模型零数据留存，定价为 $0.04/M 输入、$0 输出，上下文窗口 65K。
X：SemiAnalysis (@SemiAnalysis_)AI 评分 SemiAnalysis Weekly：GPU 是不是印钞机？InferenceX 团队解析 Engram 内存卸载、AgentX 利润计算器、TPU v7 与 Vera Rubin vs. Blackwell
SemiAnalysis Weekly 新一期由 Jordan Nanos 主持，Cam Quilici、Bryan Shan 和 Alec Ibarra 参与，InferenceX 团队解析了 Engram 内存卸载、AgentX 利润计算器、TPU v7、Vera Rubin 与 Blackwell 的对比，以及更快的 token 是否值得溢价。
X：Karina Nguyen（@karinanguyen）AI 评分 Repovive 数学竞赛 AI 判卷评测：GPT 与 Claude 模型评判数学证明的能力对比
Repovive 联合 IOI、IMO、ICPC 决赛选手评测 AI 判卷能力，从数学竞赛中选出 534 份可疑或边缘提交，建立统一评分标准与专家参考判断。模型整体偏严，更常拒绝有效提交；清晰指令让 GPT 模型平均提升约 2 个百分点，加入评分示例后 Claude 平均提升约 10 个百分点、GPT 约 5 个百分点。Grok 几乎拒绝一切，仅接受 1–5% 提交，而金标准接受 64.4%。
X：AI at Meta (@AIatMeta)AI 评分 Meta 发布数学家与 Muse Spark 协作完成的六篇论文
Meta 分享六篇论文，来自数学家与 Muse Spark 1.1、Muse Spark 1.2 在 Thinking Mode 下通过常规 meta.ai 聊天界面协作求解开放数学问题，未使用定制研究框架。合作遵循数学家主导研究、第二组数学家评审、论文标注人机撰写段落并致谢所依据的先前研究等原则，对同一问题其他团队的独立解法也予以承认。
X：Elvis Saravia (@omarsar0, DAIR.AI)AI 评分 Google Research 发布多智能体证明发现论文，Cogentic 在五个开放问题上取得新结果
Google Research 发布多智能体证明发现论文，其系统 Cogentic 基于 Gemini，从问题陈述出发、无需专家提示，在在线学习、拍卖理论和机制设计五个开放问题上取得新结果，每个结果均由领域专家核查。
OpenAI NewsAI 评分 GPT-6 系列模型选型指南
OpenAI 发布 GPT-6 系列模型指南，面向初创公司讲解如何选择 GPT-6 模型、调节推理强度、优化提示词与技能、协调工具调用，并为生产环境准备工作流。
X：Nathan Lambert (@natolambert)AI 评分 Gacha Decoding：用外部 RNG 与指令遵循提升 LM 输出多样性，样本效率超此前方法 11 倍
Gacha Decoding 通过给 LM 配备 RNG 工具并让其"掷骰规划"，把多样性来源从 token 熵转向指令遵循，样本效率比此前方法提升逾 11 倍。
X：DAIR.AI (@dair_ai)AI 评分 NVIDIA 论文提出 Long-Transduction，量化长时程智能体准确率下降原因
NVIDIA 发布关于长时程智能体的论文，提出 Long-Transduction 测试方法，要求模型在数千次输出中持续读取、更新并输出依赖状态的结果，并分别改变三个因素。
MIT Technology Review · AIAI 评分 别被迷惑——LLM 并不会推理
前 Google DeepMind 研究员指出，LLM 靠逐个预测 token 生成答案，其思维链仍由同一套下一 token 预测产生，并非 AlphaGo 那种独立搜索机制，因此不构成真正的推理。他列举三大缺陷：模型没有显式可检查的认知状态、知识与推理在权重中纠缠不清、思维链常是事后编造。为此他离开 Google DeepMind，主张借鉴 AlphaGo 架构，让系统维护可更新的认知状态。
Latent SpaceAI 评分 MIT 的 Alex Zhang 谈 RLM、GPU Kernel 与智能体集群研究
MIT 的 Alex Zhang 在 Latent Space 播客中介绍了其递归语言模型（RLM）研究，基于 RLM 的 harness 是首个接近解决 ARC-AGI-3 的方案，早于 OpenAI 的 Astra。
NVIDIA Blog精选AI 评分 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：OpenAI 在 NVIDIA Blackwell 上推出 Astra Ultrafast 模式，读者可了解其相对标准模式的提速幅度与开放入口。
X：AK (@_akhaliq)AI 评分 AREX-2：用长时程反思任务推进自我改进智能体，27B 模型在 MLE-bench Lite 达 81.8
AREX-2 是一个 27B 智能体，通过长时程反思任务实现自我改进，在可验证的 ML 与算法任务上训练，测试时轮次越多解越好。它在 MLE-bench Lite 上取得 81.8，在 Frontier-CS 上取得 70.7，并可迁移到深度研究任务。
X：ARC Prize (@arcprize)AI 评分 ARC Prize 回应 Qwen3.8-27B 榜单成本估算方式，ARC-AGI-3 结果待测试完成
ARC Prize 表示 Qwen3.8-27B 的榜单成本是按阿里云公开 token 价格乘以记录的 token 用量估算，而非其专用推理收费。该模型经 Baseten 测试，使用自带 chat template：low 要求思考简短聚焦，xhigh 要求仔细思考并检查假设，medium 两者都不加。ARC-AGI-3 结果将在测试完成后公布。
X：ARC Prize (@arcprize)AI 评分 ARC Prize 实测 Qwen3.8-27B：ARC-AGI v2 得分 42.4%，单任务 0.45 美元
ARC Prize 公布 Qwen3.8-27B 在 ARC-AGI（Verified）上的测试结果：ARC-AGI v2 得分 42.4%、每任务 0.45 美元，ARC-AGI v1 得分 87.5%、每任务 0.22 美元。
Ars Technica · AIAI 评分 CMU 等团队用 16 块 GPU 训练的 Ataraxos 以 15 比 1 击败最强 Stratego 人类选手
卡内基梅隆、MIT、纽约大学和斯坦福的研究团队开发的 AI 系统 Ataraxos 以 15 胜 1 负 4 平击败被认为是史上最强的 Stratego 选手 Pim Niemeijer，训练仅用 16 块 GPU、花费几千美元。
NVIDIA BlogAI 评分 高效、耐用、通用：NVIDIA AI 工厂如何最大化投资回报
NVIDIA 提出 AI 工厂的投资回报取决于产出能力、使用寿命与需求三项，其平台通过全栈协同设计同时做到高产出、耐用与通用。SemiAnalysis AgentX 数据显示，Vera Rubin NVL72 每兆瓦吞吐量比 GB300 NVL72 高 30 倍以上，在 DeepSeek V4 Pro 上每百万 token 成本最多低 45 倍。
Latent Space精选AI 评分 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。
推荐理由：汇总了 Gemini 4 Argon 的基准、定价与可用范围，并列出同期多家模型与工具的动态，便于横向比较。
X：ARC Prize (@arcprize)精选AI 评分 ARC Prize 公布 GPT-6.1 Sol 在 ARC-AGI 三代基准上的成绩与成本
ARC Prize 公布 OpenAI 的 GPT-6.1 Sol 在 ARC-AGI 上的验证成绩：ARC-AGI-3 在标准 harness 下为 52.7%。
推荐理由：ARC Prize 给出 GPT-6.1 Sol 在三代 ARC-AGI 上的成绩与单任务成本，可对比其与 GPT-6 Astra 的性价比差异。
X：ARC Prize (@arcprize)AI 评分 ARC Prize：GPT-6.1 Sol 在 ARC-AGI-3 上更高推理档位决策更优、推理成本更低
ARC Prize 称 GPT-6.1 Sol 在 ARC-AGI-3 上提高推理档位后决策更优，完成关卡所需动作更少，从而降低了总推理成本。在 sk48 上，使用 provider adapter（保留跨轮不透明推理状态并支持自动压缩）时，max reasoning 的 GPT-6.1 Sol 以 463 个动作完成游戏，而 low reasoning 用了 1,078 个。
X：Google DeepMind (@GoogleDeepMind)AI 评分 Google DeepMind 介绍 Argon：1M token 输出上限，强化多步推理
Google DeepMind 介绍 Argon，其输出上限为 1M token，并加入更深层的推理能力，用于一次性处理长链条、多步骤问题。官方表示将参考早期测试者的反馈完善系统，之后再面向开发者、企业和消费者更广泛地推出。更多信息见 goo.gle/4rZBiSd。
Google DeepMind精选AI 评分 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，随后将逐步面向开发者、企业和消费者推出，起步价为每百万输入 token 2 美元、每百万输出 token 10 美元。
推荐理由：Gemini 4 Argon 的 1M 输出 token 与多项基准成绩，展示了长程复杂任务上的能力边界变化。
X：ARC Prize (@arcprize)AI 评分 Astra 在 ARC-AGI-3 上得分 99.9%，ARC Prize 推出交互式探索方式
Astra 在 ARC-AGI-3 上得分 99.9%，ARC Prize 为此构建了一个交互式页面，让用户亲自试玩模型受测的游戏，并阅读 Astra 自己运行过程留下的笔记。有评论质疑该成绩并未体现理解能力，认为关键在于弄清这些游戏的机制，而 Astra 的笔记中看不到它如何预判新关卡会发生什么。
X：ARC Prize (@arcprize)AI 评分 ARC Prize：ARC-AGI-1 达标成本 19 个月下降 99.95%，ARC-AGI-2 半年下降 99.44%
ARC Prize 公布数据称，达到 ARC-AGI-1 75% 分数的成本在 19 个月内下降 99.95%，从 o3-preview 的 $26/task 降至 DeepSeek V4 Flash 的 $0.01/task。
X：ARC Prize (@arcprize)AI 评分 GLM 5.3 Flash 在 ARC-AGI-2 取得 65.8%，单任务成本 0.09 美元
ARC Prize 公布智谱 GLM 5.3 Flash 在 ARC-AGI 上的 Verified 结果：ARC-AGI-2 得分 65.8%，每任务成本 0.09 美元；ARC-AGI-1 得分 91.0%，每任务成本 0.04 美元。ARC Prize 称该模型在两个基准上表现强劲，且每任务成本均低于 0.10 美元，并提供了排行榜、复现仓库、测试政策与完整结果链接。
X：ARC Prize (@arcprize)AI 评分 GLM 5.3 Flash 在 ARC-AGI 基准跑出 65.8% 与 91.0%
ARC Prize 公布智谱 GLM 5.3 Flash 在 ARC-AGI 上的验证成绩：ARC-AGI-2 为 65.8%，每任务 $0.09；ARC-AGI-1 为 91.0%，每任务 $0.04。该模型在两个基准上的单任务成本均低于 $0.10。
X：ARC Prize (@arcprize)AI 评分 ARC Prize 测试 GLM 5.3 Flash：正式版在 ARC-AGI-1 & 2 上平均提升 15 个百分点
ARC Prize 对 GLM 5.3 Flash 在 ARC-AGI-1 与 ARC-AGI-2 公开任务上做了测试。该模型曾以 Ox Alpha 之名在 OpenRouter 上隐身提供，后经 Baseten 测试官方版 GLM 5.3 Flash，两项基准分数平均上升 15 个百分点。
X：ARC Prize (@arcprize)AI 评分 ARC Prize 2026：Tufa Labs 以 45.33% 刷新 ARC-AGI-3 高分，重夺第一
Tufa Labs 在 ARC Prize 2026 的 ARC-AGI-3 上将高分从 27.29% 提升至 45.33%，重新夺回第一。这一成绩使其明显领先第二名。
X：ARC Prize (@arcprize)AI 评分 ARC Prize 公布 GPT-6 Sol 在 ARC-AGI 系列基准上的成绩
ARC Prize 公布 OpenAI GPT-6 Sol 在 ARC-AGI 系列基准上的成绩：ARC-AGI-3 为 4.6%（$5.6K，标准 harness）和 23.0%（$8.7K，provider adapter harness），ARC-AGI-2 为 89.6%（$0.44/task），ARC-AGI-1 为 95.5%（$0.14/task）。
X：ARC Prize (@arcprize)AI 评分 ARC Prize：GPT-6 Sol 在 ARC-AGI-1 得分 92.7%，单任务成本比 GPT-5.6 Sol 低 73%
ARC Prize 公布测试结果，在 ARC-AGI-1 的 xhigh 推理档位下，GPT-6 Sol 得分 92.7%，GPT-5.6 Sol 为 97.5%。在匹配的推理档位上，GPT-6 Sol 每个任务的成本比 GPT-5.6 Sol 低 73%。完整结果见 arcprize.org/results/openai-gpt-6-sol。
X：ARC Prize (@arcprize)AI 评分 ARC Prize 公布 GPT-6 Sol 在 ARC-AGI 系列上的成绩与成本
ARC Prize 公布 OpenAI 的 GPT-6 Sol 在 ARC-AGI 系列基准上的成绩：ARC-AGI-3 在标准 harness 下为 4.6%。
Hugging Face BlogAI 评分 Liquid AI 发布 LFM2.5-VL-DSpark 草稿模型，加速视觉语言模型推理
Liquid AI 为视觉语言模型 LFM2.5-VL-3B 发布实验性 DSpark 草稿模型，解码速度在设备端最高提升 3.13x、H100 上最高 2.66x，端到端最高提升 2.62x 和 2.27x。该草稿模型约 280M 参数，仅增加 8.9% 参数量，首日支持 llama.cpp、MLX-VLM 和 SGLang，输出质量不变。
X：面壁智能 OpenBMB (@OpenBMB)AI 评分 SGLang Omni 中的批大小之争：性能验证与调度权衡
面壁智能 OpenBMB 分享 SGLang Omni 中关于批大小的讨论，聚焦性能验证与调度权衡。此前在《Revisiting CPU Resources as a First-Class Citizen in Speech Model Serving》一文中已指出，同一 commit 的吞吐量会因宿主机资源争用而出现显著变化。
X：MiniMax (@MiniMax_AI)AI 评分 MiniMax-H3 获 VC-Attention 免训练低比特加速，B200 上提速 1.6 倍
Nunchux AI 及合作者推出 VC-Attention，为 MiniMax-H3 带来免训练低比特注意力加速，在 B200 上较 FlashAttention-4 提速 1.6 倍、B300 上提速 1.5 倍，保真度优于 SageAttention2。
X：商汤 SenseTime (@SenseTime_AI)精选AI 评分 商汤发布 SenseNova U1.5 技术报告：开源 8B-MoT 原生统一模型
商汤发布 SenseNova U1.5 技术报告，推出开源 8B-MoT 原生统一模型，通过共享注意力连接理解与生成。模型采用 Pixel Shuffle 加 3×3 空间卷积实现原生 4K 生成，并用多专家在线策略蒸馏整合美学、OCR、信息图与编辑能力。
推荐理由：技术报告与训练配方同步开源，读者可据此了解统一多模态模型如何打通理解与生成。
Google ResearchAI 评分 Google Research 提出 Retrieve-for-Train：用 RL 编译扩散模型绕过推理瓶颈，加速复杂 AI 搜索
Google Research 提出 Retrieve-for-Train 框架，通过离线强化学习发现奖励对齐的查询扇出并编译为监督信号，再蒸馏进一个 53.9M 参数的扩散检索器，实现推理时单次非自回归的查询扇出。
X：Fei-Fei Li (@drfeifei, World Labs)AI 评分 World Labs 的 Atlas 模型经推理优化实现实时运行
World Labs 的新 Atlas 模型经过大幅推理优化后实现实时运行，生成和漫游世界在交互状态下更具临场感。其推理在 B200 和 MI355X 上运行，两者性能相近。