Rohan Paul@rohanpaul_aiAI 评分5050NaceAI 发布文档解析模型 Drex，先用小模型把 PDF 或扫描件转成文本，再逐块与原始页面图像比对，只把不匹配的文本送回修正，成本为每 1000 页 7 美元。
Introducing Drex for Document Processing 📑 Decision-powered parsing that catches errors before they reach your agents. → #1 on our parsing leaderboard → Beats GPT-6 Astra, Claude Opus 4.7 & every parser tested → 38% faster corrections on RealDocBench Try it: console.nace.ai
Google DeepMind 推出 Gemini Decisions API，底层模型 Gemini Decision 1 面向是非题、选择题和量表评分等封闭式决策，单次可处理最多 1,000 个独立问题，支持文本、图像、音频、视频和 PDF，150 到 250 毫秒内返回概率与置信度。
Google 推出 Gemini Decisions API，由新模型 Gemini Decision 1 驱动，可在 150-250ms 端到端延迟内对文本、图像、音频、视频和 PDF（最多 256K tokens）一次性评估最多 1000 个是/否、多选和评分题。
推荐理由：原文给出延迟、价格和基准对比等具体数据，读者可以据此评估这个封闭式决策接口是否适合替代自训分类器。
苹果研究团队评估了 LLM 评审在个性化写作任务中的表现，用 4 个 LLM 生成 3 类长文写作任务的文本，并收集人类成对偏好标注与评审 LLM 的成对排序标注进行对比。
ComfyUI 博客讲解如何在不改变模型和输出质量的前提下将本地 Qwen3.x 文本生成 token 速率提升至最高两倍，改进随 v0.45.0 提供。RTX 5090 上 Qwen3.5 9B 从 106 升至 219 tokens/秒，Qwen3.8 27B 描述 1536×1536 图像从 55 升至 122 tokens/秒。
Google DeepMind@GoogleDeepMindAI 评分6363蚂蚁 inclusionAI 在 HuggingFace 发布基于 Qwen3.5 的 4B 多模态决策模型 SingVL_S1_4B，支持对文本或 JSON 及最多四张图片按 choice、noul、score 三类问题单次前向打分。
Rohan Paul@rohanpaul_aiAI 评分4040一篇论文发现，仅用带少量示例的简短直接提示词（In-Context Learning），小型开源 LLM 在自然语言推理（NLI）任务上就能追平更复杂的提示方法。
KORA Systems 发布宣称首个"自下而上"专为 AI PC 设计的操作系统 KORA OS，基于 NixOS 构建，在系统底层融入智能体工作流、上下文记忆和本地 AI 推理。
谷歌于当地时间 11 月 10 日宣布正式开放 Gemini 4 Carbon 模型，面向开发者、企业、科研人员和消费者提供服务，定位为谷歌目前能力最强的推理模型。
同一件事，精选收录的是《Google DeepMind 发布 Gemini 4 Carbon 前沿模型》
UC Berkeley 与 AWS 团队提出 Aqueduct 框架，让编程智能体加速已有函数并在 Lean 4 中证明新实现 f′ 与原函数 f 在所有输入上等价，无需人工写规格。
Latent Space 评测面向编码的开源权重模型 Naive-N0.5-Flash，该模型由 NaiveAI 在小米 MiMo-V2.5（310B 参数 MoE、15B 激活、48T tokens）基础上继续训练约 3.25T tokens 并适配 DeepSeek Sparse Attention。
PSI 实验室的 David Turturean 借助 Anthropic Fable 5.2 模型早期访问权限解决了存在 18 年的量子计算问题 Aaronson-Ambainis 猜想，证明经 Lean 自动形式化验证。
推荐理由：通过 PSI 解决 Aaronson-Ambainis 猜想的案例，探讨用专用模型框架和脚手架推动科学发现这一商业模式的路径。
Google 发布 Gemini 4 Carbon，面向开发者、企业、科学家和消费者开放，定位为在网络安全和跨知识工作、软件工程、科学推理的长程智能体工作流上性能最强的模型，定价与 Gemini 4 Argon 相同，为每百万输入 token $2、每百万输出 token $10。
同一件事，精选收录的是《Google DeepMind 发布 Gemini 4 Carbon 前沿模型》
Google DeepMind 正式向开发者、企业、科学家和普通用户开放 Gemini 4 Carbon，定位为其最强前沿模型，主打网络安全能力与复杂知识工作、软件工程、科学推理中的长程智能体工作流。
推荐理由：官方发布页给出基准排名、定价和安全数据，读者可据此判断 Carbon 与 Argon 的分工及适用工作流。
Google@Google同事件AI 评分6666Google 宣布 Gemini 4 Carbon 正式可用，称其为最强模型，面向深度挖掘、长程任务和多步推理。官方表示 Argon 适合复杂任务，Carbon 则用于解决最难的问题。
同一件事，精选收录的是《Google DeepMind 发布 Gemini 4 Carbon 前沿模型》
Google 发布 Gemini 4 Carbon（gemini-4-carbon）正式可用版本，定位为其最强推理模型，面向持续智能体编码、多模态知识工作、科学推理和网络安全防御。2026 年 11 月 30 日前提供入门价 $2.00 per 1M input tokens、$10.00 per 1M output tokens。
同一件事，精选收录的是《Google DeepMind 发布 Gemini 4 Carbon 前沿模型》
Goodfire Research 发布研究论文，通过对 Qwen3.6-35B-A3B 神经元的稀疏化实验、子电路分析和智能体驱动的描述生成，论证神经元比以往认为的更可解释。
Anthropic 于 11 月 10 日发布 Claude Fable 5.2 与 Claude Mythos 5.2 两款模型，官方称输出速度最高提高 30%，成本下降 20%。
同一件事，精选收录的是《Anthropic 发布 Claude Fable 5.2 与 Claude Mythos 5.2》
Rohan Paul@rohanpaul_aiAI 评分5959Rohan Paul 转发 @claudeai 的消息称，Claude Fable 5.2 解决了两个与黑洞相关的理论物理开放问题，其中一项是悬置 23 年的繁琐计算。
Fable 5.2 solved two open problems in theoretical physics related to black holes. In the first, Fable 5.2 completed a laborious calculation that had gone unsolved for 23 years.
Claude@claudeaiAI 评分4444规划并执行反应以合成一个复杂分子（即“路线”），是有机化学中最困难的工作之一。 仅凭四种分子各一张图片，在没有互联网、且代码是唯一工具的条件下，Claude 在大约半小时内写出了一条完整路线。
Claude@claudeaiAI 评分4040Fable 5.2 解决了理论物理中两个与黑洞相关的开放问题。 在第一个问题中，Fable 5.2 完成了一项长达 23 年未解出的繁重计算。
Anthropic 发布 Claude Fable 5.2，定位为面向高难度技术挑战和开放式技术工作的模型，在编码、推理和视觉等方面有提升。模型现已向 Pro、Max、Team 和 Enterprise 计划开放，官方同时建议多数编码和知识类任务仍从 Opus 5.5 起步。
同一件事，精选收录的是《Anthropic 发布 Claude Fable 5.2 与 Claude Mythos 5.2》
Lydia Hallie ✨@lydiahallie同事件AI 评分6868隆重推出 Claude Fable 5.2 和 Claude Mythos 5.2，旨在应对最艰巨的技术挑战。 它们是众多领域雄心勃勃项目中的得力协作者，并在编码、推理和视觉等方面展现出改进。
同一件事，精选收录的是《Anthropic 发布 Claude Fable 5.2 与 Claude Mythos 5.2》
Anthropic 发布 Claude Fable 5.2 和 Claude Mythos 5.2，两者为同一底层模型，Mythos 需通过 Cyber 或 Life Sciences Verification Program 申请访问。
推荐理由：官方发布给出了具体基准对比、定价与安全测试细节，读者可据此评估新旧模型的能力与成本差异。
百度发布自动化研究系统 ERNIE Evolve，给定仓库、目标和评估标准后可自动选方向、改代码并跑实验，通过隐藏评估器和独立审查的改动才会保留。
百度文心团队发布自动研究系统 ERNIE Evolve，用双层循环组织研究方向选择与实验迭代，由 Director、Selector、Executor、Evaluator 和 Reviewer 分工推进研究。
推荐理由：官方详解自动研究系统的双层循环架构，并用公开榜单和生产级推理优化结果说明其实际收益。
Artificial Analysis@ArtificialAnlysAI 评分5252Rohan Paul@rohanpaul_aiAI 评分5555图灵奖得主、“苦涩的教训”作者 Richard Sutton 发文称，单纯堆算力不足以实现智能，AI 科学需要聪明的新方法且“远未完成”，引发 X 上广泛讨论。
芝加哥大学数学教授 Frank Calegari 认为，AI 能批量生成证明后，数学人才招聘应更多依赖面对面交流而非书面材料，30 分钟面谈即可区分批量产出低质量成果者与有清晰研究愿景的候选人。他主张评审委员会不应仅凭一篇论文或一项成果录用学生，并有责任培养研究生的数学表达能力。此前康奈尔大学教授 Steven Strogatz 也指出，能解释 AI 生成结果并提出新问题的数学家更受重视。
作者提出把大模型推理看作在 token 空间中从提示 x 到正确答案集合的路径搜索，推导出 RL with verifiable reward 的 REINFORCE 梯度正是以成功率加权的拒绝采样微调。
MarkTechPost 发布一篇教程，讲解如何用 llama.cpp 运行 NVIDIA Nemotron Labs 的 Dory 1.0 4B 循环推理模型。
Rohan Paul@rohanpaul_aiAI 评分4040
