依意思最接近的 30 筆
中國科大 MIRACLE 實驗室的 structRFM 發表於《Nature》正刊，這是一個把 RNA 鹼基配對關係引入序列預訓練的結構引導 RNA 基礎模型。團隊用 MUSES 整合三種二級結構預測器，建置約 2100 萬條序列—二級結構配對資料，並以 SgMLM 聯合遮蔽配對位點；在 ArchiveII600 和 bpRNA-TS0 上二級結構 INF 達 0.890 和 0.669，較無結構引導對照提升 4.46% 和 6.19%。
上海創智學院與新序智慧開源 801-30B base 模型，並公開首份預訓練級 RSI 的完整技術報告與輕量 SFT 資料。團隊用時不到三個月從零訓練，13 項基礎評測平均分 73.13，與 Nemotron-3.5-Lightning-30B-A3B（73.07）持平，領先 Qwen3-30B-A3B（66.16）。同一份 SFT 資料微調後平均分升至 81.34；僅做 6B tokens 輕量 SFT 的版本在四項 agent 評測上平均 58.4。
11 月 5 日，百度開源基座模型文心 5.5 Flash Base（ERNIE 5.5 Flash Base）。它採用 MoE 架構，總引數 2800 億、每 Token 啟用 140 億，用 33.5 萬億 Token 預訓練，預訓練上下文最高 128K，微調與推理支援最長 100 萬 Token；在知識、推理、數學、程式碼、多語言和長上下文等基準上取得同尺寸 SOTA，超過 DeepSeek-V4-Flash-Base 等。模型已在 Hugging Face 開放，面向開發者與企業微調定製。
Anthropic 在更新後的招股書中警告，自家下一代模型可能即將觸及《負責任擴充套件協議》定義的「由 AI 驅動的大幅加速進展」RSI 閾值，並承認衡量研發加速的證據多為滯後指標，可能在加速發生後才察覺。同期披露的 Q3 營收約 170 億美元（1130 億人民幣），同比增長 1127%，但環比增速由 Q2 的 144% 降至 47%；單季淨虧損 232.9 億美元，前九個月累計虧損 1040 億美元。招股書還首次列明 8954 億美元的算力採購賬單。
百度開源基座模型文心 5.5 Flash Base，採用 MoE 架構，總引數 2800 億、每 Token 啟用 140 億，使用 33.5 萬億 Token 預訓練，預訓練上下文最高 128K，微調與推理階段支援最長 100 萬 Token。官方稱其在知識、推理、數學、程式碼、多語言與長上下文等基準上取得同尺寸模型 SOTA，超過 DeepSeek-V4-Flash-Base、Hy3-preview-Base 等。模型權重已發布於 Hugging Face，供開發者與企業微調定製。
北京通用人工智慧研究院體系孵化的通衍靈智公布 RSI（遞迴自我改進）個性化 AI 路線：在共享基礎模型之上，用輕量 Personal LoRA 承載個人與企業的專屬能力。Evaluator 先按使用者標準篩選業務反饋，只把反覆出現的模式用於增量更新；更新後要與舊版本在同一批任務上對比，退化就回滾。
田淵棟參與創立的 Recursive_SI 發布首個模型 Flint-40B-A2B，已在 Hugging Face 以 Apache 2.0 開放權重。這是一個總引數 400 億、每 Token 僅啟用 25 億的 MoE 智慧體程式設計模型，在 M4 Pro MacBook Pro 上生成速度超過每秒 125 Token，在 64GB 記憶體的 NVIDIA RTX Spark 上超過每秒 150 Token。
通衍靈智提出以 RSI（遞迴自我改進）為核心的個性化路線：在共享基座模型上用輕量 Personal LoRA 承載個人、專案與企業的專屬能力，而非重訓基座。RSI 以 Accept/Reject、Code Review 等真實反饋訓練 Evaluator，篩選正負樣本後增量更新 LoRA，驗證失敗則回滾。
arXiv 上《The Little Book of Generative AI Foundations》發布修訂版 v2，全書 195 頁，並補充了貫穿全書的圖解說明。該書以推導為主線，把 PCA、機率 PCA、變分自編碼器、擴散模型、normalising flows、自迴歸分解、GAN、Wasserstein GAN 與能量模型放進同一條數學脈絡。
Mistral 發布首個時間序列基礎模型家族 Timestral，最大的 209M 引數版本在 GIFT-Eval、TIME、fev-bench 三個公開基準上均排名第一，且引數量只有此前最優模型的三分之二。家族含 5M、28M、123M、209M 四個規模，支援機率與多變數預測、已知未來協變數，零樣本即可使用。推理無需 GPU，在 8 執行緒標準伺服器 CPU 上，用三週 15 分鐘粒度歷史預測未來一天，5M 耗時 10ms、209M 為 140ms；
10 月 21 日，OpenAI 聯合 PerturbAI 與 Scripps Research 公布：由新架構 GPT-Rosalind 驅動的數千個 AI 智慧體，在 32 分鐘內解析了約 772 萬行的小鼠全腦 CRISPR 擾動資料集，同類工作人類研究者需數月到一年。分散式叢集合計引用 700 餘篇文獻，而單智慧體受上下文視窗限制平均僅引用 11 篇；盲法專家比較中，75% 更偏好分散式報告。
新加坡南洋理工大學、北航、新加坡國立大學、上海交大等團隊提出 RoboFoundry，把機器人智慧體的整套外圍系統當作策略來進化，基座模型引數保持凍結。在 EmbodiedBench 上，GPT-5.5 的平均成功率從 56.9% 提升到 72.7%，五個基座模型全部提升，基座間最大差距由 19.6 個百分點縮小到約 11.5。長程記憶基準 RoboMemArena 上任務成功率比所有基線至少高 39.0%，真機套娃任務成功率 70%，單獨使用 π0.5 為 30%。
百度發布 ERNIE 5.5 Flash Base：總引數 280B、每 token 啟用 14B 的稀疏 MoE 基座模型，權重停在預訓練結束、未做任何中期或後訓練。它在 33.5T token 上從零預訓練，訓練上下文最長 128K，微調與推理支援 1M token。架構上用 MLA 與強壓縮注意力 HCA 混合，只有七分之一層保留 token 級全上下文，其餘層把每 128 個 token 壓成一個快取條目，以壓低 KV cache 和長上下文開銷。
Scinetics 與復旦大學、中國科學技術大學、香港科技大學的研究者發布 ScienceRSI 框架，按專業化、驗證、遷移、複用四步在模型之間傳遞科學能力，並已在 Hugging Face 開源 ScienceRSI-8b 權重。用 8B 專家向 Qwen3.5-27B 遷移後，七項基準的等權平均分從 87.3% 升至 94.0%，提高 6.7 個百分點；4B 與 8B 模型在五項科學評測上均取得對比方法中的最高分。
OpenAI 發布 GPT-Rosalind，用於幫助科研人員跨科學文獻與生物資料進行推理，由科學家提供專業判斷來評估證據。符合條件的實驗室可獲最多 12 個月的 OpenAI 工具贊助訪問，其中 GPT-Rosalind 需通過可信訪問審批。通過 Rosalind Academic Plan 共享的研究資料預設不用於訓練模型。
arXiv 新論文用心理語言學特徵分析 AI 生成文字，發現九個前沿與準前沿模型都比人類寫作更常用無生命主語搭配有生命動詞、更多低頻 n-gram，多數模型在對話中還使用更長依存、更多名詞堆疊和縮減關係從句，且不同模型家族差異明顯。作者提出的解釋是：人類語言為溝通最佳化，而 AI 文字越來越為數學、程式碼與推理最佳化，追求資訊密度；用長度懲罰微調模型的初步實驗復現了這種偏離人類語言習慣的現象。
Hugging Face 的 yuvraj sharma 用 HuggingChat 裡的 ML Intern agent，幾天內做出 6 個公開模型，其中把 Qwen-Image 2.1 自帶的 9B 提示改寫器蒸餾成 0.8B 版本，可在 CPU 執行，輸出有效率 99.7%，token 消耗約為教師模型的四分之一。該專案含 9B 模型標註 8,797 條樣本，算力成本 16 美元。
羅格斯大學、得州大學奧斯汀分校與普渡大學團隊提出線上審計模型 AgentForesight，用 7B 模型在任務執行中逐步讀取軌跡字首，在關鍵錯誤擴散成失敗前報警。在 AFTraj-2K 測試集上，其關鍵錯誤步驟識別 Exact-F1 達 66.44，比最強通用基線 DeepSeek-V4-Pro 高 19.88 分，成功軌跡誤報率僅 2.37%。
Anthropic 在修訂版 S-1A 的風險因素中警告，公司可能很快達到其《負責任擴充套件政策》對“遞迴自我改進”（RSI）的定義，即 AI 大幅加速自身研發進展。檔案承認過去曾用 AI 開發新模型而未及時識別能力躍升；但也強調目前沒有任何模型越過該門檻，並承諾在可預見的未來仍保持人類監督。同期披露的財務資料顯示收入快速上漲、支出同步走高。
華盛頓大學大衛·貝克團隊聯合新加坡國立大學提出文字條件化全原子蛋白質結構生成模型 Prompteina，用自然語言提示即可指定蛋白質的結構與功能特性。團隊同時建置了含 180 萬個結構、超 5000 萬條說明文字的 Prompteina-Data 資料集。在 18 項結構特性基準中 Prompteina 有 15 項領先基線，智慧體引導的結合體設計介面置信度比最強基線提高 14%；針對此前無已報導從頭設計結合體的 GM2A，90 個測試設計中有 9 個產生結合體。
以色列創業公司 42AI 結束隱身狀態，帶著 6,250 萬美元種子輪融資推出「行為世界模型」，用來預測人在全新情境下會做出什麼決策。它已在約 10 家大型券商上線，用於管理流動性、保證金要求與對沖敞口；公司稱其交易預測準確率達 98%（指交易流是否落在預測區間），預測交易方向與成交量的 F1 為 0.8 到 0.85。模型訓練資料覆蓋 200 多萬人與近 3,000 萬條客戶記錄，據稱不需要個人身份資訊，收入已達七位數，後續將探索遊戲、反欺詐與網路安全。
Ai2 推出 StateBench，一個按四檔難度衡量語言模型在長文件中追蹤實體狀態變化的基準。結果顯示：迴圈與混合架構（如加入 Gated DeltaNet 層的 Olmo Hybrid）在直接訓練後泛化能力遠超 transformer，而 Gemini 3.8 Flash、Claude Opus 5.5、GPT-6 Sol/Luna 等前沿模型在輸入變長、依賴鏈變複雜時仍會失效。
Revolut 正圍繞單一基礎模型 PRAGMA 重建技術棧，在 NVIDIA Blackwell Ultra GPU 上用 cuDF 與 Dynamo-Triton 在生產環境擴容，初期服務 8000 萬使用者，並設計為可再擴 3 倍。同場公布的歐洲金融案例還包括 Starling Bank 在 Civo 英國雲上用自有交易資料訓練 agentic 模型、Lloyds 用 RTX PRO 6000 Blackwell 打造交易基礎模型 ATUM。
OpenAI 的 Ted Sanders 解釋了公司的模型命名規則：模型按規模從小到大排為 Luna < Terra < Sol < Astra，模型越大效能越可靠、冷門事實召回越好，但每 token 成本更高。版本號同時反映發布順序、與其他版本的關係和改進幅度，例如 6.1 在 5.6 之後發布、與其他 6.1 模型在訓練資料和風格上相近（所以不叫 5.7），但提升幅度不足以稱為 7。
Anthropic 週一發布研究報告，稱可自我複製的 AI 蠕蟲可能數月內就具備在 IoT 裝置上擴散的能力。報告稱 90 億引數模型在 9 類硬體中的 8 類上成功部署推理，Gemma4-26B-A4B 分散跑在 15 臺安卓電視盒上僅 0.39 tokens/秒；GLM-5.2 成功向 8 個安卓 15 模擬器節點傳播 Llama3.1-8B，5 次試驗中 4 次全部成功。
Ricursive Intelligence 發布 Ripple-65B Preview，稱其在美國開放權重模型中 agentic coding 排名第一，TerminalBench 2.1 得分 80.52，高於 Reflection Beam 501B（80.1）、Meta Muse Spark Open 816B（76.4）等更大模型。
Anthropic 在修訂版 S-1A 中稱，依據對未來模型的內部預估，公司可能即將達到自家 Responsible Scaling Policy 對遞迴自我改進（RSI）的定義，但現有模型都未跨過該門檻，並正考慮修訂 RSP 以保持人類對前沿模型開發的控制。公司同時在推進上市：10 月 26 日提交初始 S-1，擬以 ANT 在納斯達克交易。
llama.cpp 發布 b11598 建置，主要變更是為 laguna 系列模型載入 YaRN beta 後設資料（#30331），該提交由 Codex 協助完成。
宇樹機器人發布通用人形基礎模型 UnifoLM-WLA-1.0，引數 6B，用約 2500 小時真實機器人資料訓練，單個模型可完成 64 項任務（10 項全身 + 54 項桌面），並支援平行夾爪與兩種靈巧手。架構上以基於 Qwen3-VL 的具身推理器 UnifoLM-ER-1 為起點，加入光流與 VQ-VAE 的未來動態區域預測、殘差 VQ 動作離散化，以及 MMDiT 動作專家做連續控制。演示在宇樹 G1 上完成鋪床、裝洗衣機、疊衣服、物體分揀等操作。
據 The Information 報導，Anthropic 正準備推出一款新模型，其推理與直覺判斷據稱超過現役所有商用 Claude 模型，並能從有限指令推斷出使用者未明說的目標。試用者舉例稱，讓它修復一個 Bug，它可能找出導致該 Bug 的一整類底層問題，並主動詢問是否一併修復；該模型的名稱、發布時間與評測成績均未公布。