OpenAI 確認自 12 月起把 ChatGPT 與 Codex 的用量合併為同一個 token 池，覆蓋 Plus、Pro、Business 三檔，並改為按 token 計量，具體額度和上線日期尚未公布。Anthropic 的 Claude 擴充套件在 Cursor 外掛市場被植入後門近 12 小時，最多波及 5000 名開發者；修復版雖已推送，帳號如何失守仍未說明。
OpenAI 上線用量說明文件：從 12 月起，Plus、Pro、Business 三檔的用量額度在 ChatGPT 與 Codex 之間共用同一個池子，並統一按 token 計算，不再按訊息條數，只有 Instant 聊天不計入額度。具體上線日期與各檔可用 token 數均未公布，額度用盡後可等重置、升級套餐或購買 credits。
推薦理由：首次把 ChatGPT 日常聊天與 Codex 併入同一 token 額度池，併疊加裝置帳號上限，直接影響 Plus、Pro、Business 訂閱者的額度規劃與多帳號輪換用法。
輝達與滑鐵盧大學開源 PixelUMM，一個不依賴 VAE 和 ViT、直接在畫素空間統一影像與影片理解及生成的多模態模型。它用單層線性投影把影像 patch 和影片 tubelet 接入以 Qwen3 初始化的 Mixture-of-Transformers 主幹，理解與生成共享注意力，沒有視覺編碼器、VAE 或離散視覺 tokenizer，程式碼和權重均已開源。模型可直接生成 832×464、96 幀（4 秒、24fps）影片；
推薦理由：用單層線性投影取代 ViT 和 VAE，把影片也納入畫素空間統一建模，並開原始碼與權重；對關注統一多模態架構與畫素空間生成的研究者和開發者有參考價值。
飛捷科思與復旦 CITLab 的統一世界動作模型 Fysiverse-UniWAM 不靠大規模機器人預訓練，在 24 項真機測試中 13 項導航位置誤差全部第一、4 項移動操作成功率全部第一（平均 80.0%，領先 π₀.₅ 17.5 個百分點）。它用 MAP 操作錨定位姿定義導航終點，以共享骨幹的 Mixed-Stream 分開訓練導航與操作，自動生成超 150 萬條軌跡、約 7500 小時的 MAP-Data。
推薦理由：24 項真機逐項對比 π₀.₅、GR00T N1.7 等基線，給出釐米級停靠誤差與成功率數字，說明不靠大規模機器人預訓練也能統一導航、移動操作與靈巧操作，對具身智慧與 VLA 研究者參考價值最大。
模思智慧發布全雙工即時互動系統 MOSS-Live，可在說話的同時持續傾聽，並結合語義判斷何時回應、等待或接受打斷。官方評測中其停頓搶話率為 1.44%，低於 GPT Realtime 2.1 的 3.83% 和 Doubao SeedDuplex 的 14.29%，無關語音誤接話率為 2.00%。系統支援即時影片與螢幕共享、工具呼叫與後臺非同步執行，以及流式同聲傳譯。目前已開放線上體驗與 API 接入，API 限時免費。
推薦理由：給出了與 GPT Realtime 2.1、Doubao SeedDuplex 同臺對比的多項全雙工指標，搶話率 1.44% 差距明顯，且 API 限時免費，做即時語音助手與語音智慧體的開發者可直接試用。
Anthropic 已確認，Claude Code 於 10 月 27 日前後通過伺服器端推送了一條無法關閉的提示詞規則：可以製作原創遊戲、某一型別的遊戲或基於使用者自有素材的遊戲，但不得復刻某款特定的現有遊戲，即使改名或聲稱原創。該規則掛在 Opus 5.5 上，以字串形式存放在本地 .claude.json 的 tengu_heron_brook 欄位中，其他模型是否同樣受限未說明。Claude Code 開發者 Addy Osmani 表示，依據是既有使用政策；
推薦理由：Anthropic 官方確認了針對 Opus 5.5 的提示詞級限制，首次把反克隆條款寫進模型指令，因此用 Claude Code 做粉絲重製、老遊戲移植或 Mod 的開發者需注意被誤拒的風險。
小米開源了 AI 桌寵硬體 HachimoDock，軟體原始碼已上傳 GitHub，硬體物料清單、結構件模型與裝配教程在嘉立創公開，自製成本約 150 元。它結合按鍵、搖桿、語音和觸屏，可語音指揮電腦端 Agent（如 Codex、WorkBuddy）並在螢幕上顯示思考、執行、等待確認等狀態，還能借 xiaomi Miloco 聯動智慧家居。內建小狗形象可換成照片或社群數萬形象，使用者能用自然語言分鐘級生成元件；熱度已導致開發板、螢幕等元器件漲價缺貨。
推薦理由：150 元成本、軟硬體全套開源，把語音指揮 Agent、桌寵與智慧家居中控合成一臺可復刻裝置，對想低成本動手做 AI 硬體的開發者和嵌入式愛好者最有參考價值。
星衍智慧的通用具身 Harness 框架 Auriga 在零樣本、單次執行且不允許環境重置的 RoboDojo 評測中以 57.74% 平均成功率、64.00 分領跑榜單，並在 RoboCasa365 Target50 取得 73.2% 成功率。RoboDojo 覆蓋 42 項任務、6300 個測試 Episode，Auriga 以 GPT-6 Astra 為基礎模型，記憶任務成功率達 92.99%。
推薦理由：提供了不依賴專家演示與環境重置的具身評測結果，以及 13 次 Harness 迭代將 RoboDojo 成功率從 36.2% 提升到 57.7% 的量化證據，對關注具身智慧與機器人操作的研究者最有參考價值。
Anthropic 官方的 Claude VS Code 擴充套件在 Cursor 外掛市場被植入後門，惡意版本 2.1.313 上線近 12 小時，最多影響 5000 名開發者。該版本經 Anthropic 在 Cursor 的官方帳號分發，使用者手動下載或系統自動更新時即可能中招，Anthropic 隨後推送了 2.1.314。目前 Cursor 與 Anthropic 均未說明攻擊者如何取得帳號控制權，Anthropic 也尚未向客戶發出警示。
推薦理由：官方帳號分發的擴充套件被投毒近 12 小時、最多波及 5000 臺機器，且廠商尚未通知使用者，Cursor 上的 Claude 擴充套件使用者需核查版本 2.1.313。
Karpathy 用 Claude Code（Opus 5.5、Medium 強度）約兩小時做出 HackerTube：讓 Claude 過濾 HN 二十年積累的 4300 萬條評論，篩出 6454 個被反覆推薦的影片。站點無需登入、狀態只存在本地瀏覽器會話，縮圖取影片中段的代表幀，而不是上傳者精心 A/B 過的封面。評論分析資料打包成一個 zip，可交給 Claude 生成自己的版本。
推薦理由：這是一份一手實測：從 4300 萬條評論篩選到部署加固全由 Claude Code 完成，並公開可複用資料 zip，為 coding agent 能壓縮多少工期提供了具體參照。
Google 聯合多所高校開源 CLASHarness，這是首個針對多 Agent 衝突場景的 Computer Use 基準：在 600 個任務、20 步限制下，15 個前沿模型的端到端通過率無一突破 30%，最高為 Claude Opus 5 的 25.2%，GPT-5.6 Sol 24.5%，放開步數後 GPT-6 Astra 達 28.7%，開源 Kimi K3 以 21.8% 排第五。資料集覆蓋 20 個真實領域、7,970 張 4K 視覺證據圖、3,284 項檢查點。
推薦理由：首次把隊友 Agent 報假訊息、搶鎖這類衝突做成 600 個可驗證任務，並以 9,000+ 條沙盒軌跡給出 15 個模型的橫向排名和失敗環節拆解，對做多 Agent 編排與 Computer Use 評測的開發者最有參考價值。
清華大學姚期智、袁洋團隊提出「代數世界模型」（AWM），讓 AI 把觀察到的現象寫成可執行假設、凝鍊為通用規則，最後用 Lean 4 形式化成機器可檢驗的數學證明。在 ARC-AGI-3 上，基於 Opus 5 的 AWM 通關全部 183 個關卡，得分 99.9%，平均通關步數只有人類基準的 43%；面對被人為改成無解的關卡，它嘗試兩次即證明「不可能」，並指出再增加一步就能獲勝。團隊同時說明，這些證明只在已觀測到的世界內成立，探索不全時得到的只是區域性真理。
推薦理由：把探索、凝鍊與 Lean 4 形式化證明串成閉環，在 ARC-AGI-3 以人類 43% 的步數通關，還能證明關卡無解，關注 AI 推理與世界模型路線的讀者可看。
LeCun 參與的論文把柏拉圖表示假說變成定理：在不同模態上分別訓練的 JEPA，只要正樣本是同一場景的兩個好視角，就能學到僅差一個旋轉的相同表示。作者稱下一 token 預測相當於使用壞視角的 JEPA，因而語言模型只能靠規模與視覺對齊；在 14.5 萬條描述到 9.4 億張網路影像文字上驗證了對齊縮放律。相同語料下，好視角所需樣本比下一 token 預測少 42 倍；
推薦理由：首次把柏拉圖表示假說從猜想變成定理，並實測好視角樣本效率高 42 倍、1.09 億引數文字 JEPA 的對齊效果超過至多 720 億引數語言模型，對多模態與高效訓練研究有直接參考價值。
IEA 2026 年 4 月報告測算，全球資料中心用電量將從 2025 年的 485 太瓦時翻倍到 2030 年的 950 太瓦時，其中 AI 資料中心的用電量增至三倍。制約擴張的不只是電力：美國大型變壓器交付週期最長四年、燃氣輪機超過三年，而吉瓦級資料中心約兩年就能建成。機櫃功率密度同步飆升，Vera Rubin NVL72 為 190 至 230 千瓦，2027 年的 Kyber 預計達 600 千瓦，風冷已接近極限。HBM 短缺預計至少延續到 2027 年。
推薦理由：文章把算力擴張拆成電力、能效、演算法與利用率四個因子，用變壓器四年交付週期、燃氣輪機訂單約等於六年產量、600 千瓦機櫃等具體數字，說明瓶頸正從 GPU 遷移到電網與封裝。
浙江大學等聯合團隊提出的大語言模型多智慧體系統 MAESTRO 已接入浙江省級應急平台，在 100 個颱風情景中預警等級判定平均準確率 98.4%，平均耗時 37.9 秒，約為專家流程 250 秒的 15%。系統按機構職責設定態勢感知、執行與領域專業三類智慧體，排程氣象、水文、地質災害模型協同分析，公眾預警發布仍由應急指揮機構稽核。2024—2025 年四次颱風回應中完成 80 餘次預警迴圈，行動方案生成由專家約 3 小時縮短至 3—5 分鐘。
推薦理由：少見的省級應急平台真實部署資料：80 餘次預警迴圈、研判耗時僅為專家流程 15%，對關注多智慧體落地與 AI for Science 的讀者有直接參考價值。
復旦大學與上海創智學院 OpenMOSS 團隊在 376M、776M、1B、3B 四個規模上，系統比較了 RoPE/NoPE 全注意力與滑窗注意力、GLA/GDN 門控線性注意力的混合架構。結論是滑窗混合（SWA-NoPE）長度外推更強但長文續訓偏弱，線性混合（GLA/GDN-NoPE）正好相反，團隊稱之為蹺蹺板效應與沒有免費午餐效應。
推薦理由：系統給出滑窗與線性混合架構的能力邊界（蹺蹺板效應、沒有免費午餐），並提出 SWLA 讓 GLA/GDN 混合在 RULER 上實現 16 倍免訓練外推、準確率 100%，對設計長上下文架構的人有直接參考價值。
香港科技大學與澳門大學團隊提出 META-Robot，讓機器人在任務中同時改進操作技能、反饋獲取方式與判斷標準，並用動作級謂詞把失敗追溯到具體動作。在 LIBERO-Pro 模擬 Spatial-Task 設定下，採用 GPT-6 Astra 的 META-Robot 成功率為 95.8%，比 ASPIRE 的 60.0% 高 35.8 個百分點，移除動作級謂詞後降至 76.0%。
推薦理由：給出把抓取失敗拆成可驗證動作級謂詞的具體機制，並披露 95.8% 對 60.0% 的模擬對比與真機分任務成功率，對做機器人操作與具身智慧研究的人有參考價值。
Lev 讓決策模型通過多跑幾圈迴圈來「多想」，同一份權重可以在任意圈數作答：Lev-2.6B 在 JevBench 的 231 道公開題上一圈準確率為 63.2%，四圈升到 76.2%。一個輕量停止器逐題決定算幾圈，實際只用到最深一圈 76% 到 85% 的計算量，準確率損失不到 1 個百分點。在 50 毫秒以內的延遲區間，小號 Lev 比同樣延遲的 dense 模型和級聯高 5 到 8 個百分點。
推薦理由：它把迴圈 Transformer 的「深度旋鈕」裝進一次前向就出結果的決策模型，公開題上同一權重增加三圈就提升 13 個百分點，並給出 50 毫秒內的實測延遲對比，對做低延遲分類、路由類推理的人有參考價值。
京東零售與南京大學 LAMDA 實驗室提出 Road MOPD，用跨教師反饋緩解多教師線上策略蒸餾（MOPD）中的合版衝突。方法先按教師共識調節 token 級監督強度，再用預防性梯度投影削減引數更新中的衝突分量，同時保留當前任務的學習力度。在 Qwen3-4B 上，數學＋醫學組合的醫學均分比 Vanilla MOPD 提高 8.78 個百分點，數學提高 1.63；程式碼＋醫學組合分別提高 2.49 和 7.00。
推薦理由：針對多教師蒸餾中教師風格差異引發的引數更新衝突，給出可復現的協調方案，並公開醫學均分提升 8.78 個百分點的實測資料；對做多領域能力合版與蒸餾的團隊有直接參考。
紅旗連鎖在立項 16 個月後終止機器人無人售貨系統研發，理由是樣機未達到大規模商業化落地標準。2025 年 3 月公告立項時公司股價次日漲停、隨後累計上漲約 35%，2025 年研發費用約 286.68 萬元。據業內人士，機械臂在夏季拿取結水珠的玻璃瓶冷飲時抓不穩、總摔碎，複雜包裝商品也難以穩定拿取，貨架過道狹窄、周邊有顧客等真實場景都遠比實驗室複雜。
推薦理由：A 股便利店龍頭公開叫停機器人售貨專案，並給出抓取失敗的具體場景與約 287 萬元研發投入，為評估零售機器人的落地進度與成本提供了官方口徑。