Hugging Face 发布 Profiling in PyTorch 系列第三篇，在 NVIDIA A100 上用 profiler 对比朴素 attention、in-place 掩码、SDPA math/efficient/flash/cuDNN 六种实现的 trace。
推荐理由：原文用 profiler 实测六种 attention 实现的内核差异，读者可以学会从 trace 里读出 inplace 省一次拷贝、SDPA 各后端的真实代价。
Mistral 发布 Apache-2.0 开源模型 Leanstral 1.5，119B 总参数、6B 激活参数，通过 mid-training、监督微调和 CISPO 强化学习训练。
推荐理由：官方披露了完整训练流程、基准数字和真实代码验证案例，读者可以据此评估形式化验证模型在数学证明和开源查错上的实用程度。
Berkeley AI Research（BAIR）实验室发布 2026 届博士毕业生巡礼，介绍 Baifeng Shi、Charlie Snell、Hanlin Zhu 等毕业生在机器人与具身智能、LLM 推理与 test-time scaling、生成模型、AI 安全与人机交互、语音与医疗 AI 等方向的研究成果。
Google Research 在 COLM 2026 发表的论文发现，开启链式推理能让 Gemini-2.5（Flash 和 Pro）与 Qwen3-32B 召回关闭推理时几乎无法答对的简单单跳事实。
Google DeepMind 发布开源实验模型 DiffusionGemma，基于文本扩散方法生成整块文本，在专用 GPU 上推理速度最高达 4x（单张 NVIDIA H100 超 1000 tokens/秒，RTX 5090 超 700 tokens/秒）。
推荐理由：官方明确了 4x 提速的具体硬件数字和输出质量取舍，读者可以据此判断它适不适合本地低并发场景。
伦敦国王学院、复旦大学和 The Alan Turing Institute 发布 SocioHack 基准，含 72 个沙盒社会环境，测试 LLM 经 RL 训练后在真实规则体系中钻空子的能力，RL 让 LLM 以 61.25% recall 和 90.85% precision 重新发现历史上被修补的漏洞。
Google Research 在 I/O 2026 上宣布 Gemini for Science，一套与 Google Cloud、Google DeepMind 和 Google Labs 合作打造的实验性科学工具集。
Mistral 收购 Emmi AI，将物理 AI 定位于航空航天、汽车、半导体和能源等行业的工程研发，目标是让工程师更快构建下一代产品并在大规模运营中持续提升性能。
Import AI 第 456 期聚焦三个话题。Law & AI 研究者提出 AI 监管的“激进可选性”路线：政府应避免过度监管，现在就投入建设信息收集、举报人保护、模型权重安全与人才等能力，以应对未来变革性 AI。
Berkeley AI Research 发布关于自适应并行推理的研究综述，探讨让推理模型自主决定何时分解任务、并行生成多少线程并协调它们的思路。
Google Research 介绍其 2025 年 9 月发布的 Empirical Research Assistance（ERA）在四个科研领域的实际应用进展。
Berkeley AI Research 提出 GRASP，一种基于梯度的世界模型规划器，让长时序规划更实用。其核心改进包括三点：把轨迹提升到虚拟状态使优化在时间上并行、在状态迭代中直接加入随机性以支持探索、重塑梯度避免穿过高维视觉模型的脆弱"状态-输入"梯度。
Google Research 推出 TurboQuant 压缩算法（将发表于 ICLR 2026），通过结合 Quantized Johnson-Lindenstrauss（QJL）和 PolarQuant（将发表于 AISTATS 2026）实现零内存开销的向量压缩，可在不损失精度的情况下压缩模型和 KV cache。
Mistral AI 发布 Mistral Small 4，是首个将 Magistral 推理、Pixtral 多模态、Devstral 智能体编码能力统一到单一模型的小型模型，采用 Apache 2.0 许可开源。
推荐理由：官方发布正文给出了完整的架构参数、基准对比和部署要求，读者可据此评估其替代多模型组合的可行性。
Google Research 与 Cornell、Harvard 合作在 PNAS 发表论文，让 12 位高温超导领域专家出 67 道题、盲评 6 个 LLM 的回答。
Mistral 发布新一代模型系列 Mistral 3，包括 MoE 架构的 Mistral Large 3（41B 激活、675B 总参数）以及 3B、8B、14B 三个尺寸的 Ministral 3 模型，全部以 Apache 2.0 协议开源。
推荐理由：官方公告完整列出了模型规格、开源协议、部署方式与可用平台，读者可据此评估在自有环境落地的可行性。
Berkeley AI Research 提出一种基于分而治之（divide and conquer）的 off-policy RL 价值学习算法，不再使用时间差分（TD）学习，后者因 Bellman 递归误差累积难以扩展到长时程任务。
Berkeley AI Research 提出 word2vec 学习过程的定量理论：在若干温和近似下，其学习问题可归约为无加权最小二乘矩阵分解，梯度流动力学有闭式解，最终嵌入等价于对目标矩阵 M* 做 PCA。
Mistral AI 发布其首个推理模型 Magistral，分开源的 Magistral Small（24B，Apache 2.0）与企业版 Magistral Medium 两个版本。
推荐理由：官方同时开源与商用双版本，给出 AIME2024 分数、开源许可和部署渠道，读者可据此评估选型。