TLDR AI（11-04 期，18 条）、The Verge（AI 栏目 RSS 直连，10 条）、TechCrunch（分类页空，RSS 补齐 20 条）、HN Best（30 条）、HuggingFace Papers（50 篇）均正常；机器之心主站 / RSS / articles 全部返回「数据服务」拦截页，本期内容经 TLDR、HN、The Verge 间接补充。
💥 重磅新闻与行业变化
FlashProve 的思路是让厂商为每个模型发布一个「指纹」，任何人拿输出与指纹比对，就能用密码学手段验证这条回答确实出自声称的模型——而指纹本身不暴露权重，因此闭源厂商也能参与。它要解决的是一类此前没有技术手段的作弊：把贵模型换成便宜模型偷偷降低成本，或者反过来在刷榜时用更强的模型冒充自家小模型。Anthropic 已在 GitHub 开源技术规格与部分可用代码，但明确表示这是「中间进度，不是完成的研究议程」，暂无部署计划。真正的难点在于指纹一旦公开，绕过与伪造的博弈就开始了。
Pierre 的 Code Storage 工具此前已在 Codex 内部使用，OpenAI 称这笔交易的目标是让「已发布的代码」与「人类的判断」可追溯地绑定。这个表述值得注意：它不是买算力也不是买数据，而是买一层版本与决策记录的基础设施。当 agent 开始自己提交大量代码，代码出处、评审链路、责任归属就会成为工程团队的刚需——OpenAI 选择直接把这块能力收进来。
本轮由 Bessemer 领投，Nvidia、Sound Ventures、T. Rowe Price 跟投；Fal 把 E、F 两轮合并宣布，合计 16.5 亿美元，此前一轮由 Sequoia 领投。估值从 4 月的 80 亿翻到 160 亿，年化收入今年早些时候已突破 8 亿美元。驱动力主要来自开源模型的推理需求。但报道也点出结构性矛盾：推理厂商增长快，毛利却被昂贵的算力持续压薄——这也解释了为什么它们都在往训练、微调、沙箱等上游延伸。
昇腾此前基本只承担推理，用国产加速器做前沿模型的预训练是一次真正的压力测试：预训练对集群稳定性、互联带宽、框架成熟度的要求远高于推理。如果跑通，意义不只是 DeepSeek 降低对 Nvidia 的依赖，而是证明「国产芯片 + 国产框架」可以做前沿规模训练，这对整个国内的模型供给侧都是定价与产能的重估。
原帖称 Astra「只看原始权重」就能诊断网络用途，并对 Qwen3.5-0.8B 原生编辑 0.016% 的权重，把 MATH-500 从 7.9% 提到 48.1%。反驳文（HN 1006 票）指出帖子里混了三种不同方法：真正「裸权重、无工具」的检查只发生在 1.7 万～17 万参数的小网络上；涉及真实语言模型的每个实验都用 Python 读写权重并运行网络获取反馈，Qwen 那组更是跑了最多 50 批练习题。此外该方法在 Gemma 3 上失败，「从零写出游戏网络」只在 Breakout 上赢过 PPO，Seaquest 与 Asterix 都输。结论不是实验造假，而是把一个「能写代码操控权重的 agent」包装成了「权重空间可解释性」。
明年起，K-12 学校若不主动开启，Gemini、NotebookLM、Classroom 里的 Gemini 与 Google 搜索中的 AI 功能将默认关闭。但 Google 教育副总裁 Chris Phillips 明确表示「Search 与 AI 已深度整合」，因此选择完全禁用 AI 的学校，学生也就无法访问搜索。这是个不对称的选择题：学校可以拒绝 AI Overviews，却几乎不可能在教学中放弃搜索。同期 Google 还推出 Guided Learning，用 AI 导师引导理解而非直接给答案。
🛠️ 技术动态与产品发布
在 Forge 大会上 Fireworks 一口气发布了四类东西：推理速度到 1500 tokens/s、更便宜的后台批处理、可在 Claude Code / Codex / Cursor 等既有工具内调用的 Nexus 多模型路由，以及评测、微调部署和企业自控基础设施。Nexus 的卖点是按每一轮对话实时选开源或闭源模型并学习团队偏好，官方数据是 1222 个任务上 89.3% vs Claude Opus 5.5 的 86.8%，成本低 17%，自称首个在 Vals 路由指数上突破 60% 的产品。
Grid 负责路由与治理，Sandboxes 提供 VM 隔离、可重启的 agent 执行环境，Loops（serverless SFT/RL）正式 GA。三者组合的意义是把「训练好的模型」到「agent 实际干活」之间那段最脏的工程接起来：状态持久化、失败重启、权限与配额。Baseten 强调客户保留训练出的权重所有权——这在当下的推理/微调服务商里是个明确的差异化承诺。
开发者可在「所有 app」中集成 Siri AI 的语言处理与个人上下文感知能力，让语音助手跨应用执行动作。限制很明确：欧盟地区不可用，未满 13 岁不可用；部分语言已就绪，其余后续补齐。对开发者而言这是第一次能在系统级助手里拿到用户上下文，但也意味着要把 app 的关键路径暴露给苹果的入口层——谁定义交互，谁就拿走分发。
OpenAI 称其模型正在把机械与电气工程从设计一路加速到仿真与量产，工程师用 GPT-6 Astra 做器件设计、CAD 建模与性能仿真，内部工作流已改；同时公布了与马自达在整车空气动力学上的合作。这条的看点不是「AI 会画图」，而是模型开始进入有物理约束、有可验证结果的工程闭环——这里的评测标准比写代码严苛得多。
这是一套 REST 接口，用于创建与管理 notebook 及其来源，可把网页、YouTube 视频、文本、Markdown 转成持久化知识库，同时提供 MCP server 供 agent 直接调用。目前仅对个人 Google 账号开放，Workspace 账号还不支持。对做 agent 的团队来说，MCP server 那一半比 REST 更有意思：它意味着「资料库」可以被当作 agent 的一个标准工具来挂载。
开发者实测，RTX Spark 笔记本在 Linux 下受加密固件影响，推理吞吐只有正常水平的 35%（HN 373 票）。这与「本地跑模型」的叙事直接冲突：如果厂商用固件把性能锁在特定驱动/平台的组合上，那么「买张卡就能本地推理」的自由度其实是假的。对做端侧或私有化部署的团队，这类平台锁定需要在选型阶段就纳入评估。
GitHub issue 中开发者称 Postman 在未提示的情况下安装 AI 相关插件，并出现把 API 数据向外共享的行为尝试（HN 1433 票）。对企业来说这不是产品体验问题，而是凭证与接口清单的外泄风险：API 工具天然持有全公司的 key 和调用拓扑，一旦遥测边界不清，等于把所有系统的地图交出去。建议在客户端层面直接做网络与插件白名单。
北弗吉尼亚接入 100MW 电网要约七年，新增发电容量普遍要等到 2031 年，于是把退役航空发动机改烧天然气成了「快通路」：xAI 在密西西比为 Colossus 2 装了 8 台改造机组，OpenAI 在德州 Abilene 的 Stargate 首站用燃气轮机，Crusoe 4 月向 ProEnergy 下单 13 台。Rystad 分析师的说法很直白——「就是为了最快拿到电」，机组方案 24 个月可投运。代价是效率更低、污染更高、同功率需要更多机组，业内普遍认为这只是一两年的过渡方案。微软则因电力交付要等到 2030 年代中期，退出了 Nscale 英国园区的锚定客户。
💡 深度分析与观点
Alphabet 财报里有一组互相矛盾的数：搜索查询量以五年来最快速度增长，但搜索收入同比增速从约 17% 掉到 12%。问题出在单位经济——AI Overviews 吃起来是真金白银的推理成本，而它替代的那次点击原本是广告位。查询变多、变现变弱，是这类「AI 增强搜索」的典型症状。对整个行业的意义在于：如果连拥有最强分发和最强广告系统的 Google 都还在找答案，那么靠订阅或 API 计费的玩家要面对的毛利压力只会更大。
这条（HN 352 票）真正的信息量不在于「公司用 AI 很凶」，而在于它给行业提供了一个可迁移的估算口径：如果一家全员重度使用 agent 的公司按对外零售价结算自己的 token 消耗，账单已经超过人力成本，那么「AI 替代人」在财务上就没那么划算——除非模型价格继续快速下降，或者推理效率大幅提升。同时 TechCrunch 也指出 Anthropic 的算力毛利本应改善却反而变差，两条放在一起看，指向同一个约束：算力。
文章以 PHP 生态里一个可被远程利用的漏洞为切口，指出 agent 把攻击面自动化放大的同时，也让那些「一直没人愿意动的老代码」第一次变成必须修的紧急项：过去靠人工审计速度慢到不构成威胁的缺陷，在自动化扫描和自动利用面前会瞬间被兑现。结论对做平台的团队同样成立——AI 能力的引入速度，正在被底层代码库的健康度反向卡住（HN 480 票）。
核心论点是「确定性骨架」：把权限边界、人工审批闸门、重试策略、完成校验写成状态机，而不是塞进系统提示词里祈望模型遵守。这是今年 agent 落地里最有共识的一条经验——prompt 能提高配合度，但无法提供保证；一旦涉及转账、改配置、动生产库，需要的是可以被审计和复现的状态转移，而不是一句「请不要」。对平台侧的含义是：agent 的可信度来自外层的执行框架，而不是模型本身。
实测显示，低推理强度模型在很多任务上能以低得多的成本达到高推理强度的效果，但收益高度依赖任务类型——在需要长链假设的任务上会明显掉分。给工程实践的直接建议是：把 reasoning effort 当作一个可调参数去逐任务测量，而不是全局设成最高。另一篇
Prime Intellect 的评测审计也指向同一个问题：公开评测的题目描述含糊、评分宽松，是可以被系统性「刷」出来的，他们改用了 JSON schema、新评分器和分层监控。两份材料合起来说明：现在真正稀缺的是可信、可复现的任务级评测。
📜 论文推荐（HuggingFace Daily Papers）
大推理模型在难任务上表现强，但长思维链的代价是「信息已经够了还在继续想」。已有压缩方法多在整条推理轨迹上做删减，这篇改为在轨迹内部做局部的偏好学习，让模型学会在句子/步骤粒度上判断哪里该停。今日 HF 日榜票数最高的一篇，工程价值直接对应推理成本。
论文指出后段 token 的生成成本显著高于前段，在前沿开源权重模型上这个差距可达 7 倍。作者用高频压缩（compaction）在大量长程、长输入任务上验证：把上下文不断压实，任务准确率几乎没有损失。这与「上下文窗口越大越好」的产品叙事相反——更实用的路线可能是 agent 主动做记忆整理，而不是硬塞长上下文。
在归一化 Transformer（nGPT）骨架上交替使用滑动窗口与全注意力层，做潜空间循环（looped / latent-recurrent），从而支持「弹性深度」：同一个 checkpoint 可按可用算力决定循环几轮，在推理时调节质量与成本的权衡。对想用单模型覆盖多档延迟的部署场景很有参考价值。
on-policy 自蒸馏（OPSD）用带「特权参考」的教师来后训练大模型，但现有做法要么全程固定一个看得到完整答案的教师，要么固定为不看的版本，粒度过粗。这篇改成按 token 动态选择教师与参考暴露程度，让每步预测都拿到合适的监督信号。属于典型的后训练方法改进，直接影响推理模型的训练效率。
基因组基础模型越来越多被用来直接提出 DNA 序列与编辑方案，但现有基准测的只是「能否预测变异效应」，不测设计能力。BEND 2.0 把 DNA 语言模型的评测扩展到设计任务的所需能力维度，为生物方向的模型选型提供了更贴近实际用途的尺度。