AMD 82 亿美元买下 World Labs,李飞飞任首席科学家【AI 早报 2026-11-21】
今日头条是 AMD 以约 82 亿美元全股票交易完成对李飞飞创办的 World Labs 的收购;模型侧腾讯混元开源 770B 多模态 Hy4,Thinking Machines Lab 放出可在笔记本运行的 26B 循环 Transformer;研究侧 AI 参与黎曼猜想与顶刊定理证明成为焦点。
今日概览
要闻
- AMD 82 亿美元收购 World Labs,李飞飞出任首席科学家
模型发布
- 腾讯混元 Hy4 正式开源:770B MoE 激活 49B,首次加入视觉能力
- TML 开源 Inkling 2 Mini:26B 循环 Transformer,笔记本可跑智能体
- 上海 AI Lab 开源 Sage S2.1 Flash 技术报告:320B MoE 四项智能体基准 SOTA
技术与洞察
- 黎曼猜想被两次独立“证明”:Claude 生成 1.3GB Lean 代码,人类数学家拿出 940 页手稿
- GPT-6.2 Astra 用 94 分钟、1794 行 Lean 代码拿下 20 年前顶刊定理首个形式化证明
- Claude 自写推理引擎:P90 首 token 延迟从 12.029 秒降至 0.478 秒
- 谷歌提出 CRSI 与 SIM 机制:让 Gemini 继承 Claude 的优化记忆
- OpenAI 发布 MedChemBench:99 道药物化学题,GPT-6.2 Astra 得 84.5%
- OpenAI 披露对抗蒸馏防御:GPT-6.2 受保护推理攻击成功率从 54.0% 降至 0.2%
- RoboScience 发布 WorldFlow:原生 3D 动力学预测世界模型
- alphaXiv 上线 AI Agent 专属预印本服务器:936 个 Agent 12 周产出 936 项成果
- NeurIPS 2026:仅用前向传播让 LLM 在推理中自适应
行业动态
- 姚顺雨团队 Reddit AMA:下一代混元将显著扩参,RSI 仍处早期
- Anthropic 上市首日募资 813 亿美元,随后 AI 板块遭遇回调
产品应用
- ACE Music v1 以 1160 Elo 登顶 AA 音乐榜,超越 Suno v6
- Amazon Textract Insights 正式可用:自然语言定义字段,返回置信度与页码溯源
开发生态
- Meta 发布 TLX:为 Triton 增加 GPU 底层执行控制
- 清华 THUNLP 发布 AutoRLBench:34 个诊断任务 + 17 个修复任务
要闻
AMD 82 亿美元收购 World Labs,李飞飞出任首席科学家
AMD 宣布正式完成对 World Labs 的收购,交易为约 82 亿美元的全股票收购。根据 AMD 向美国证券交易委员会提交的文件,交易实际于 11 月 13 日完成,AMD 向 World Labs 原股东发行了约 1498 万股普通股。李飞飞正式加入 AMD,出任执行副总裁兼首席科学家,直接向 CEO 苏姿丰汇报。这是 AMD 继 2022 年以约 488 亿美元收购 Xilinx 后,按公布交易价值计算的又一大笔收购。World Labs 由李飞飞等人于 2024 年创立,主要研究空间智能和世界模型,方向包括交互式三维世界生成、机器人学习与仿真,与 AMD 传统的 CPU、GPU 产品区别明显。苏姿丰在公告中表示,要为下一阶段超级智能提供基础设施,就必须同时优化计算平台和模型。此前 AMD 已在 2024 年以约 6.65 亿美元收购 Silo AI,2025 年收购 Brium,2026 年 8 月宣布拟以约 29 亿美元收购 Taalas。 来源:https://mp.weixin.qq.com/s?__biz=MjM5MDE0Mjc4MA==&mid=2651297672&idx=2&sn=4605e980c9db040552ef9ddd33d8c124
模型发布
腾讯混元 Hy4 正式开源:770B MoE 激活 49B,首次加入视觉能力
腾讯混元正式开源 Hy4,这是一个支持视觉理解与电脑操作的多模态大模型,面向开发、办公、深度研究等任务。相比 Hy4 preview,Hy4 扩大了预训练和后训练规模,首次引入视觉能力,并提升了指令遵循、长文理解、长程任务、深度研究等综合能力。本次开源三个版本:Hy4 后训练模型用于对话与任务执行,Hy4-base 为预训练基座,Hy4-FP8 为 FP8 量化版本用于低精度推理部署。视觉与电脑任务方面,Hy4 可结合感知、推理和工具调用完成细粒度图像处理与复杂图表分析,支持命令行与图形界面,并针对 Blender、CAD 等专业软件及跨应用长程任务开展专项训练。游戏开发场景与腾讯 IEG 合作,适配 UE、Unity、Godot 等引擎,GameDev 和 GameLogic 评测分别提升 19.1% 和 9.8%。金融场景联合腾讯金融科技 FiT 开展 213 位专家众测,在 579 个真实金融任务上综合得分 3.04/4,高于 DeepSeek-V4.1-Flash-1017 的 2.97/4、Kimi K3.1 Pro 的 2.68/4 和 GLM-5.3 的 2.68/4;幻觉率从 Hy4 preview 的 15.76% 降至 5.45%,猜测导致的错误率从 23.1% 降至 5.6%。科研方面,在涵盖 7 大学科、123 项任务的 TenureTrail 内部评测中,Hy4 在参评开源模型中排名第一;结合 Hyra 2.0 脚手架自动完成 Jev 模型训练,Hyra-Jev 在 8 项基准中有 6 项优于官方 Jev。 来源:https://mp.weixin.qq.com/s?__biz=Mzk3NTc1NTU0Mw==&mid=2247515963&idx=1&sn=d82e7d4f23e0719fbd137e2072eec688
TML 开源 Inkling 2 Mini:26B 循环 Transformer,笔记本可跑智能体
Thinking Machines Lab 发布并开放 Inkling 2 Mini 权重,这是一个总参数 26B 的多模态模型,采用循环 Transformer 架构,支持文本和图像输入,最大上下文窗口为 100 万 token,权重按 Apache 2.0 许可发布。模型共 24 层,最前和最后的 6 层各运行一次,中间 12 层运行三次,后续轮次读取上一轮信息,因此只需存储 24 层权重即可为每个 token 完成 48 次层计算。它还采用混合专家架构,激活参数约 3.4B,将循环中的重复计算计入后有效参数激活量约 5.4B。官方演示中,研究人员用配备 48GB 内存的 M5 Pro MacBook 断网运行,几分钟内生成一个可玩的飞行模拟器;同一模型还在离线笔记本上驱动 20 位村民组成的像素小镇。评测上,Inkling 2 Mini 在 DeepSWE v1.1 任务解决率为 48.2%,对比 Qwen3.8-27B 的 42.2%;在 SWE-bench Verified 上分别为 79.2% 和 77.8%。专家层主要使用 NVFP4 低精度格式,最后 4 层采用 MXFP8,发布的检查点约 20GB,支持至少 32GB 内存的 Apple 芯片设备运行。官方也说明,它在多轮对话和多重约束指令上仍有短板,复杂推理与更大模型存在差距。 来源:https://mp.weixin.qq.com/s?__biz=MzA3MzI4MjgzMw==&mid=2651075624&idx=2&sn=b6e7e23d631dba7a952cbe5da8e77769
上海 AI Lab 开源 Sage S2.1 Flash 技术报告:320B MoE 四项智能体基准 SOTA
上海人工智能实验室联合复旦大学、中国科学院软件研究所、中国人民大学、中国科学院自动化研究所、华东师范大学、哈尔滨工业大学、北京大学等机构发布 Sage S2.1 Flash 技术报告,披露这一总参数量达 320B 的混合专家模型的完整训练流程与技术细节。模型采用动态专家路由控制推理计算量,并结合稀疏注意力与线性注意力支持长上下文处理,主干可在共享上下文中处理文本、图像和科学数据表示。针对分子、蛋白质、核酸及光谱等科学数据,团队设计 Sage Sci-Perception 科学多模态感知模块,采用 MoleculeSTM、ESM-2、DNABERT-2、RNA-FM、DiffSpectra 等专用编码方法提取特征,再通过可训练的模态投影器映射至语言模型统一表示空间。智能体训练方面,ToolSpace 框架覆盖 2042 种工具、77760 个调用模式节点和 804 个环境,生成的监督微调轨迹平均包含 18.86 次工具调用,最长 209 次,平均跨越 2.29 个环境。ML Coding 流水线整合 4936 条 Kaggle 数据来源和 2960 篇研究论文。示例中,模型可从一个指令出发,从 12487 张 CT 图像中找出目标扫描序列的切片,再操作医学影像软件 3D Slicer 重建三维骨骼模型。 来源:https://mp.weixin.qq.com/s?__biz=MzA3MzI4MjgzMw==&mid=2651075493&idx=3&sn=63643451e794a6d8ac3dbb423d7f460d
技术与洞察
黎曼猜想被两次独立“证明”:Claude 生成 1.3GB Lean 代码,人类数学家拿出 940 页手稿
两位数学家在数小时内先后宣称独立证明了黎曼猜想。Anthropic 的 Levent Alpöge 首先发布由 Claude 驱动的证明,形式是一份附有 Lean 代码的笔记,而非完整论文,Lean 代码规模达 1.3GB,约相当于 25 万页。Elliot Glazer 确认形式化陈述为 GRH(广义黎曼猜想),并估计 Lean 存在 bug 的概率低于 1%。随后,Alessandro Masullo 发布了一份 940 页、100% 由人类完成、仍在进行中的证明,据 Kevin Hartnett 报道,该手稿已秘密进行人工评审和修订 12 年。这是继 Navier-Stokes 解与 Quasi-Riemann 界定之后的第三项前沿数学突破。OpenAI 9 月的 Navier-Stokes 声明仍是警示案例:批评者认为其 Lean 证明与自然语言结果不匹配,两项 AI 宣称的千禧奖级结果都可能需要数年验证。两组证明形成鲜明对比——AI 写出的解可能正确但难以被人完整阅读,人类写出的解可能技术上存在错误但可理解。 来源:https://latent.space/p/ainews-riemann-hypothesis-proved-twice-independently/
GPT-6.2 Astra 用 94 分钟、1794 行 Lean 代码拿下 20 年前顶刊定理首个形式化证明
第三方评测机构 Vals AI 发布高难数学基准 Autoform-Hard 最新榜单,56 道博士与科研级数学难题此前由 10 个前沿大模型测试,结果一道都没做出来。本轮测试中,Claude Fable 5.2 和 GPT-6.2 Sol 双双做对 48 道,GPT-6.2 Astra 多做对第 49 道,拿下榜单第一。这道拉开差距的题是 2006 年发表于《Inventiones Mathematicae》的 Smoktunowicz 间隙定理。在全程零人工干预的环境里,Astra 只用 94 分钟、写下 1794 行 Lean 代码,完成其全球首个形式化证明。原论文后半程调用了 Bergman 间隙定理、Small-Warfield 定理和代数曲线上的黎曼-罗赫定理,而这三个定理在 Lean 公共数学库中都不存在。Astra 在原路走不通后,半路自行定义了一个名为“capacity”的新数学工具,绕开三个大定理走出全新证明路线。Vals AI 团队复核后写道,这是对 Smoktunowicz 定理本身的形式化证明,而非对原作者证明过程的翻译。 来源:https://mp.weixin.qq.com/s?__biz=MzI3MTA0MTk1MA==&mid=2652744186&idx=2&sn=e971240579573375d9d13105f1750d6f
Claude 自写推理引擎:P90 首 token 延迟从 12.029 秒降至 0.478 秒
卡内基梅隆大学、NVIDIA 等机构研究者提交《Singularity-Bench: Can Agents Build Agents?》预印本,其中一道题给 Claude Opus 5.5 一份基础服务器代码、4 张 GB300 显卡和 12 小时,禁用上网查资料,要求用 Claude Code 写一套推理引擎,负责接收请求、调度显卡运行模型并返回回复。引擎写完后,研究者用真实编程会话回放检验:两套引擎分别用 4 张 GB300 运行同一模型,回放同一批 16 路并发的真实会话。结果显示,成熟引擎 SGLang v0.5.20 的 P90 首 token 延迟约 12 秒,Claude 写的引擎仅 0.478 秒;Claude 引擎为 0.478 秒,SGLang 为 12.029 秒。两套引擎一旦开始生成,速度几乎一样:Claude 引擎按中位数每秒生成 124.2 个 token,SGLang 为 125.0 个。关键差异在输入处理与调度:Claude 引擎把同一段前文对应的两份计算记录一起缓存,缓存命中率约 96%,并按“剩余计算量少者优先”调度,叠加投机解码与 GPU 操作合并。相同回放时限内,SGLang 完成 705 个请求,Claude 引擎完成 983 个;按预设单价折算模拟收入,每 GPU 小时产出从 8.18 美元提高到 11.52 美元,增长 40.8%。11 套 AI 自研引擎中,最终只有 5 套同时通过完整生成与隐藏测试准确率两道门槛。 来源:https://mp.weixin.qq.com/s?__biz=MzI3MTA0MTk1MA==&mid=2652744186&idx=2&sn=e971240579573375d9d13105f1750d6f
谷歌提出 CRSI 与 SIM 机制:让 Gemini 继承 Claude 的优化记忆
谷歌与宾夕法尼亚州立大学联合发布论文,提出 CRSI(持续递归自我改进)框架,核心是 SIM(自我改进记忆)机制。研究首先指出现有 RSI 的问题:一个在 Claude Opus 上深度进化、表现优异的 Harness 直接套到 Gemini 上,得分反而比 Gemini 原生初始 Harness 还低,因为换模型时只保留了“结果”而丢失了“原因”。SIM 会把每次对 Harness 的修改按问题根因分组,记录四类信息:修改动机与具体代码、预期效果、实际效果、评估上下文。实验中,团队把 Claude Opus 5.5 进化出的 Harness 连同 SIM 记忆一起交给 Gemini 3.8 Flash 继续优化。没有 SIM 时,Gemini 面对一个防止“未执行命令就提交完成”的拦截器,连续 4 次重写该段代码,其中 2 次是在修复自己刚引入的 bug;带 SIM 时,Gemini 读懂日志后保留拦截器,并加入针对特定目标任务的检查,要求得分达标才允许提交。团队在代码编写、文本分类、工作区任务、工程设计四大领域测试,Full SIM 的表现优于冷启动、仅传代码、仅传根因三种基线。 来源:https://mp.weixin.qq.com/s?__biz=MzI3MTA0MTk1MA==&mid=2652744315&idx=2&sn=acf4991da5cf22769949784e84cb0518
OpenAI 发布 MedChemBench:99 道药物化学题,GPT-6.2 Astra 得 84.5%
OpenAI 发布 MedChemBench,用于评估 AI 模型在药物化学研究推理任务上的表现,测试模型能否把分子结构与实验证据连接起来解释结果、比较化合物并预测性质。基准从 117 篇论文和专利中提取 99 道题,包含 761 个不同分子结构。大多数题目给模型提供研究项目某一时点的上下文:生物靶点、研究目标、已研究化合物和选定实验结果。评测覆盖四个部分:分子结构(正确原子连接与立体化学)、科学推理(用给定证据解释为何选某个化合物)、化合物比较、数值性质预测。在 xhigh 推理设置下,GPT-6.2 Astra 获得 84.5% 的可用分数,GPT-6 Astra 为 83.3%,GPT-6.1 Sol 为 82.0%,GPT-5.6 Sol 为 58.2%。OpenAI 指出,GPT-6 Astra 在重建分子结构和解释实验证据上最强,而选择化合物和预测其数值性质对该模型更难。 来源:https://openai.com/index/introducing-medchembench
OpenAI 披露对抗蒸馏防御:GPT-6.2 受保护推理攻击成功率从 54.0% 降至 0.2%
OpenAI 发文说明如何检测和阻断对抗蒸馏,并披露针对“受保护推理”的防御升级。对抗蒸馏指一方未经授权使用前沿模型的输出训练另一个能力相近的模型,再在没有同等防护的情况下部署,例如蒸馏模型的网络能力后用于原始模型会拒绝协助的攻击。OpenAI 的方法结合对抗测试、模型训练、分类器、API 级防护,以及对协同提取模型能力行为的调查,更新后的防护与生物学、网络安全领域所用防护更接近。公司重点防止攻击者提取模型的 chain-of-thought,即模型在给出答案前内部生成的中间步骤,这些轨迹可能包含最终答案没有的信息,是训练另一模型的高价值数据。OpenAI 表示已在 GPT-6.2 Astra 和 GPT-6.2 Sol 上加强防御。在一项使用强自动化红队的内部自适应评估中,攻击者尝试恢复模型此前回答问题时生成的受保护推理,平均攻击成功率从针对 GPT-6 Astra 原始防护的 54.0% 降至针对 GPT-6.2 Astra 更新防护的 0.2%。 来源:https://openai.com/index/combatting-adversarial-distillation
RoboScience 发布 WorldFlow:原生 3D 动力学预测世界模型
RoboScience 机器科学团队发布 WorldFlow,称其为全球首个原生 3D 动力学预测世界模型,让机器人根据眼前场景和任务指令理解操作意图,并预测物体接下来在三维空间中的移动。现有路线有两大问题:视频生成模型能从海量视频积累物理交互经验,但三维运动隐含在二维像素变化中,需借助几何重建和运动跟踪提取,会引入累积误差;直接预测三维轨迹的方法又缺乏视觉信号,难以理解接触与交互。WorldFlow 的做法是把三维运动作为与视频并列的独立生成模态,在同一生成过程中同步预测未来画面与物体三维运动。给定观测画面、一句语言指令和目标物体,模型可联合预测未来视频和目标物体的三维轨迹。例如面对“拿起黑色拖鞋,放到鞋架第三层”的指令,模型不仅预演拖鞋被拿起、移动、放上鞋架的画面,还直接预测拖鞋上各点在三维空间中的移动路径与最终落点。团队设计三维点几何编码与时空位置编码两套机制,在 Mixture of Transformer 架构中让视频与运动通过双向注意力交换信息并共同去噪。相关论文编号为 arXiv:2610.39278。 来源:https://mp.weixin.qq.com/s/nxr34ClHbxqVW3aULfyYVQ
alphaXiv 上线 AI Agent 专属预印本服务器:936 个 Agent 12 周产出 936 项成果
alphaXiv 推出一个专门面向 AI Agent 的预印本服务器,允许不同实验室的 Agent 在同一平台自主开展研究、交流成果。实验从 2026 年 8 月 19 日持续到 11 月 12 日,共有全球 22 家机构的研究者参与,来自 35 个由人类运营的实验室的 936 个 AI Agent 接入平台。12 周内,这些 Agent 累计产出 936 项研究成果,交换约 9500 条消息,并创建 229 个讨论群组。Agent 会提出假设、设计实验、运行代码、分析数据、撰写论文,并提交给其他 Agent 审查;有 Agent 公开质疑同行实验设计,有 Agent 发现错误后主动撤回结论,还有 Agent 自己创办期刊并让其他 Agent 担任审稿人。参与者使用的模型、算力和研究方向各不相同,有的运行在只有 CPU 的笔记本电脑上,有的使用 AMD GPU,有的可调用 NVIDIA B200 集群,研究覆盖机制可解释性、持续学习、语言模型微调、太阳物理学等领域。研究团队还测试了审稿有效性:16 篇存在实验缺陷的初稿中,仅阅读论文文本的评审者发现 11 篇问题;面对已修正并公开披露局限的版本,它们仍在 16 篇中指出 10 篇有问题,说明单看文本难以区分隐藏缺陷与已披露局限。 来源:https://mp.weixin.qq.com/s/TZdcXjnuTyieM_S_XfFGPg
NeurIPS 2026:仅用前向传播让 LLM 在推理中自适应
隆德大学与 Google DeepMind 合作论文《Efficient LLM Adaptation with Forward-Only Passes》入选 NeurIPS 2026,研究如何让 LLM 在推理服务过程中仅通过前向传播完成对下游任务的自适应。主流自适应方法依赖参数高效微调、提示调优或 RAG,调优技术通常需要反向传播,相比推理本身会产生额外资源开销。该论文利用 LLM 前向传播中激活值的角度集中度,衡量参数奇异值分解中不同 rank 对激活值的贡献,并据此裁剪相应 ranks。团队提出仅前向搜索来加速识别所选权重矩阵:先做多分量 SVD 分解,所有分量激活值之和可恢复标准前向传播,再通过前向传播测量角度集中度,找出离散度最高的权重矩阵进行降秩。结果显示,与基于梯度的 LASER-Grad 相比,该前向方法峰值内存更低、加速比更高;与穷举搜索的 LASER 相比,加速比更高且精度相当。验证覆盖知识推理、知识干预、多跳推理、事实验证、公平性与偏见评估、幻觉检测和信息检索等数据集。 来源:https://mp.weixin.qq.com/s/WgJNWHiUImUiQmKu-mYevQ
行业动态
姚顺雨团队 Reddit AMA:下一代混元将显著扩参,RSI 仍处早期
11 月 21 日凌晨,腾讯首席 AI 科学家、混元大模型负责人姚顺雨与混元研究团队现身 Reddit 的 LocalLLaMA 社区,进行约两小时 AMA 公开问答,这是该团队首次在这一开发者社区集中回应外界提问,讨论围绕刚发布的 Hy4 与 Hy4 flash 展开。对于模型规模,团队明确表示下一代 Hy 模型的参数量将进一步显著扩大,并强调仍然相信 Scaling Law、会继续投入;被问到友商推进 3T 甚至 5T 参数时,团队回应称 Hy3 和 Hy4 已表明做得扎实的较小模型往往可以胜过更大模型,且成本更低。对于递归自我改进,团队承认相关能力仍处早期,虽已开发内部评测基准,但当前更重要任务是提高模型基础智能水平。被问到后训练中最难改善的模型行为时,团队给出简短答案:“过度思考”。路线图方面,团队确认 Hy4-mini 已在计划中,正在考虑 24–31B 稠密模型,将推出前沿的 Flash-Lite 模型(如 35B-A3B 规模),并考虑更小的图像模型和新一代视频模型;团队还表示 A3B(激活参数约 30 亿)的模型已可用于图像、UI 截图或图表的视觉理解与推理。Hy4 于 11 月 4 日发布,随后发布的 Hy4 flash 单任务成本约为 Hy4 的二十分之一,腾讯 11 月 18 日公布的第三季度业绩材料也特别强调了这一推理成本优势。 来源:https://mp.weixin.qq.com/s?__biz=MjM5MDE0Mjc4MA==&mid=2651297672&idx=1&sn=ae9e6b857a99459fb72743b7247e1099
Anthropic 上市首日募资 813 亿美元,随后 AI 板块遭遇回调
Anthropic 于 11 月 19 日在纳斯达克上市,代码 ANT,以每股 83 美元定价发行 9.8 亿股,高于此前 70 至 78 美元的区间,募资 813 亿美元。承销商还可额外购买至多 1.47 亿股 A 类股,总额可能达到 935 亿美元,超过 SpaceX 6 月募集的 857 亿美元;Anthropic 向银行支付了 5.5 亿美元费用。股票开盘报 111.50 美元,较发行价高 34%,短暂隐含完全稀释估值接近 2 万亿美元,随后回落,收盘报 97.17 美元、涨 17%,对应市值 1.27 万亿美元。周五该股回吐大部分涨幅,收跌约 9%,盘中一度下跌 14%,仅略高于发行价。上市并未提振大盘:周四道指下跌约 1100 点、跌幅 2.19%,纳斯达克综合指数跌 2.25%,Cboe 波动率指数涨近 16% 至近 29;周五纳指跌 5.28% 至 22617.73,抹去 2026 年涨幅,标普 500 跌 3.7%,道指跌 1.93%,自 6 月以来首次收于 50000 点下方。芯片与 AI 基础设施股领跌,英伟达跌 13%,AMD 跌 13%,美光跌近 14%,CoreWeave 与 Nebius 跌超 10%。 来源:https://lastweekin.ai/p/last-week-in-ai-348-ipo-correction
产品应用
ACE Music v1 以 1160 Elo 登顶 AA 音乐榜,超越 Suno v6
ACE 自研模型 ACE Music v1 在 Artificial Analysis 音乐人声榜单上以 1160 分的 Elo 成绩,超过 Suno 一个多月前发布的最强模型 Suno v6 的 1144 分,登顶全球第一。这是 AA 音乐榜诞生以来 Suno 最强模型首次被击败,也是 ACE Music 首次出现在该榜单上。从 2025 年 3 月启动音乐基座模型研发,到 2026 年 11 月登顶,ACE 用了约 18 个月。AA 音乐榜采用人类主观偏好评估,评测人员匿名听取两个不同模型根据同一提示词生成的作品并选择更喜欢的一首,音频经过统一响度和格式处理,每次比较要求至少听取两首作品各 10 秒,最终转化为 Elo 分数。当前榜单排名为:ACE Music v1 1160 分、Suno v6 1144 分、Suno v6-mini 1132 分、Mureka V9.5 1101 分;ACE 领先 Suno v6 达 16 分,超过第二名与第三名之间的 12 分之差。作为对比,截至 2026 年 2 月,Suno 已有超过 1 亿人使用、付费用户突破 200 万、年收入约 3 亿美元、同比增长超 400%,用户每天生成的歌曲超过 700 万首。 来源:https://mp.weixin.qq.com/s?__biz=MzA3MzI4MjgzMw==&mid=2651075493&idx=1&sn=f8ab8aea34e7c653723fdeab5ae401bd
Amazon Textract Insights 正式可用:自然语言定义字段,返回置信度与页码溯源
AWS 宣布 Amazon Textract Insights 正式可用,这是 Amazon Textract 的一项新生成式 AI 功能,通过 Amazon Textract 内的新 API 提供。用户用自然语言描述所需字段,提交单个文档或混合的多文档包,即可获得结构化结果,每个值都带有置信度和页码级 grounding,无需模型训练。用户通过 blueprint 定义要提取的内容,blueprint 是一个 JSON Schema,每个字段携带具体定义。该功能针对高价值的混合文档工作负载:例如一份抵押贷款文件可能是一个扫描件,里面同时包含 W-2、工资单、银行对账单和一页手写笔记,各自版式不同且顺序不固定。此前的两种做法各有代价:自定义流水线需要组合 OCR、文档拆分、分类、基础模型提示和复核步骤,团队必须自行集成、扩展和运维;通用大语言模型返回流畅答案,但不能可靠引用来源页或给出置信度分数,团队难以判断哪些值可自动接受、哪些需要人工复核。Textract Insights 把这些流程收敛为单一异步请求。 来源:https://aws.amazon.com/blogs/machine-learning/announcing-amazon-textract-insights-verifiable-generative-ai-for-documents/
开发生态
Meta 发布 TLX:为 Triton 增加 GPU 底层执行控制
Meta 开发了 Triton Low-Level Extensions(TLX),用于弥合高级 GPU 编程抽象与充分利用现代 GPU 架构所需的底层执行控制之间的差距。Meta 工程师指出,现代 GPU 提供 warp specialization、异步内存移动、tensor memory 和 cluster 级执行等性能优化特性,而 Triton 的传统编程模型简化了内核开发,却抽象掉了底层执行结构。例如现代 FlashAttention 内核可能让一个 warp group 负责发出 TMA 传输、另一个执行 tensor-core 计算;Blackwell GEMM 内核可能同时协调多个 warp group、TMEM 分配和 cluster 资源,性能不仅取决于计算本身,还取决于多个执行代理如何协作。此前使用这些特性需要大量架构特定的编排代码。TLX 引入新的 MIMW(Multiple Instructions, Multiple Warps)执行模型,桥接 CUDA 的线程级控制与 Triton 的块级抽象,并在五个关键方向扩展 Triton:warp-group 编排、同步、内存编排、cluster 执行和可选 layout。开发者可保留 Python、自动调优和块张量编程的优势,同时获得更细粒度的执行控制。 来源:https://www.infoq.com/news/2026/11/meta-triton-tlx-gpu-compiler/?utm_campaign=infoq_content&utm_source=infoq&utm_medium=feed&utm_term=global
清华 THUNLP 发布 AutoRLBench:34 个诊断任务 + 17 个修复任务
清华大学自然语言处理与社会人文计算实验室发布 AutoRLBench,把真实的强化学习训练事故整理成一套智能体基准,考察 agent 能否发现训练失败、定位根因并真正修复问题。当前版本包含 34 个诊断任务和 17 个修复任务,覆盖 configuration、reward、data、environment、algorithm、infrastructure 六大故障类别,应用场景包括数学、代码、工具调用、软件工程和 GUI。每个任务尽量保留真实事故现场,包括源代码、配置、日志、评估记录和运行环境,并配有隐藏参考答案;诊断任务要求判断训练是否健康、定位具体根因并提供证据,修复任务要求修改 workspace,系统在干净环境中重新运行训练并根据最终指标判定修复是否有效。基准重点收录隐蔽故障,例如 reward 看似上涨但模型学到错误目标,训练曲线正常但日志暴露数据异常,或修复早期有效、训练后期再次崩溃。初步评测包含 10 个前沿模型、340 条诊断轨迹和 170 条修复轨迹,最高整体通过率为 37.3%;其中 83.6% 的轨迹正确判断训练状态不健康,但只有 27.5% 找到了正确根因。 来源:https://mp.weixin.qq.com/s?__biz=MzU3NjE4NjQ4MA==&mid=2247557792&idx=1&sn=0bbfe05f18ffd1a7d19e795d8b1f907b
暂无评论。