CoreWeave 在旧金山峰会上宣布 NVIDIA Vera Rubin NVL72 系统正式上线，Cognition（Devin 的开发团队）成为首个生产用户，在 SWE-2 推理工作负载中实现相比 GB200 NVL72 高达 4.8 倍的 token 吞吐量提升。
推荐理由：原文给出了具体性能数据（4.8x token throughput、3x faster sandbox startup、1.7x Terminal-Bench 提升），读者可据此判断 Vera Rubin 和 CoreWeave Forge 的实际能力变化。
OpenAI 推出 MentalHealthBench，这是一款专家参与开发的基准测试，用于在真实心理健康对话场景中评估 AI 响应的有用性和安全性。基准涵盖多个心理健康主题，帮助开发者衡量 AI 心理支持能力的可靠性。该测试旨在推动 AI 在心理健康领域的安全应用。
Google DeepMind 发布 AlphaGenome Atlas 平台，包含人类基因组全部约 90 亿个单核苷酸变异的分子效应预测，总数据量达 1 PB（约为 AlphaFold 数据库的 30 倍）。
推荐理由：Google DeepMind 一次性公开了全部 90 亿个单核苷酸变异的分子效应预测，并配套 AVI 评分系统，研究者可据此快速评估候选变异的潜在影响。
GitHub 发布 Project HydraFusion 研究预览，通过运行时编排选择多模型协同完成任务，支持 Single（单模型直接解决）、Cascade（级联升级）和 Critique（批评修订）三种执行模式。
推荐理由：原文给出了能力变化和开放入口，读者可以据此判断它会怎样改变现有工作流。
Legora 用 GPT-6 Astra 在数分钟内审查41份文档，精准找出全部4个植入错误。该财务审查工作流性能提升近40%，验证了 GPT-6 Astra 在大规模文档分析场景下的准确率和效率。
Microsoft Research 开源了 GigaPath-Flash 和 GigaTIME-Flash，这是 GigaPath 和 GigaTIME 的蒸馏高效版本。
推荐理由：GigaPath-Flash 在保持 97% 性能的同时将计算量降低约 50 倍，使大规模病理研究从不可行变为可操作。
微软推出 MindTopo 拓扑推理基准，测试多模态大模型对连通性、分离、秩序、围合和绳结等拓扑关系的理解能力。评测涵盖静态推理和交互式规划两类任务，测试范围包括迷宫连通性判断、绳结真伪识别、围栏内动物定位等场景。结果显示，当前模型在静态识别上表现较好，但在需要跨多步操作保持拓扑一致性的规划任务中显著落后，且错误多发生在规划阶段而非感知阶段，表现为忽视动作后果、丢失任务目标或违反环境物理约束。
推荐理由：微软发布拓扑推理基准 MindTopo，测试发现当前多模态模型在静态识别上表现尚可，但在需要保持拓扑关系的多步规划任务中表现明显下滑，揭示了感知与行动之间的一致性缺口。
GPT-5.6 通过启用两个 API 设置，在 ARC-AGI-3 基准测试中分数提升至原来的三倍。这两个设置分别是保留推理（retaining reasoning）和启用压缩（enabling compaction），在提升准确率的同时优化了推理效率。
OpenAI 在 2026 Gartner Magic Quadrant 企业 AI 编码智能体评估中被评为领导者，Codex 因创新性和企业级部署能力获得认可。Gartner 报告指出 OpenAI 在愿景完整性与执行能力两个维度均处于领先地位。
BAIR 团队发布 SPEX 及其改进版 ProxySPEX 算法，旨在高效识别 LLM 等复杂 ML 系统中的关键交互作用。该框架利用交互作用的稀疏性和低阶性，将搜索问题转化为稀疏恢复问题，在数千个特征规模下仍能保持高 faithfulness，而 LIME 等边际方法在此规模下 faithfulness 显著下降。
Berkeley AI Research 在 NeurIPS 2025 发表论文，提出基于信息内容的成像系统直接评估与优化框架，利用互信息量化测量区分物体的能力，无需重建算法即可预测系统性能。该方法在颜色摄影、射电天文学、无透镜成像和显微镜四个领域验证了信息估计值与下游任务准确率的一致性，可匹配端到端方法但所需内存与算力更少且无需任务专属解码器设计。
OpenAI 发布 BrowseComp，一个用于评估浏览型 AI 智能体性能的评测基准。该基准测试专门针对智能体在网页浏览任务中的准确性和效率进行测试。BrowseComp 的推出为 AI 智能体的浏览能力提供了标准化评估框架。
OpenAI 发布 GPT-4.5 研究预览版本，号称是其迄今为止最大、最博学的模型。