14 条新闻 — 🟡 11 值得关注 , 🟢 3 有趣
AWS推出了P-EAGLE，一种在单次模型前向传播中预测所有推测令牌的并行推测解码方法。在Qwen3-Coder-30B-A3B和NVIDIA B200 FP8精度下，P-EAGLE达到每秒1167个令牌，而EAGLE-3为955个（提升22%），在HumanEval上比基线推理最高快3.97倍。预训练的P-EAGLE头已在Amazon SageMaker AI上为GPT-OSS-120B、GPT-OSS-20B、Qwen3-Coder-30B-A3B和Gemma-4-31B提供支持。
论文表明基准测试结果在很大程度上取决于测量协议：在软件、数学、医学和网络安全 7 项高难度测试上测试了 12 个前沿模型。更大的 token 预算显著提升了 FrontierMath、Humanity's Last Exam 和 TerminalBench 上的结果，而模型排名随推理计算预算的不同而不同。作者建议将能力作为推理时计算量的函数来报告，而非单一数字。
LangChain 描述了「loop engineering」，这是一种围绕智能体构建多个反馈循环以实现可靠性和自我改进的方法。定义了四种技术：Agent Loop（基本工具调用）、Verification Loop（评估器按评分标准对输出评分并重复执行）、Event-Driven Loop（由事件驱动的智能体）和 Hill Climbing Loop（利用生产轨迹自动改进提示词和工具）。示例是一个内部文档智能体，它接收 Slack 请求、草拟修改、运行测试并自行分析失败原因。
新论文提出了首个智能体技能评估系统框架：500 项真实技能和 1000 个任务，配有分别评估指令遵循和目标完成的评分标准，在 19 种专有和开源模型配置上进行测试。模型表现出显著差异，取决于技能指令的精确度。评估集已公开发布，研究结论对智能体的生产部署具有直接意义。
AMD在MLPerf Training v6.0中展示了Instinct MI355X在LLM基准测试中与同级NVIDIA GPU性能差距约为5%。MI355X比去年的MI300X快3.5倍，比上一轮快13–19%。AMD首次引入MXFP4（FP4）训练配方和Primus统一框架，并完成了包含512块MI300X GPU、64个节点的多节点提交。
NVIDIA宣布其Blackwell平台在MLPerf Training 6.0全部七项测试中取得最佳成绩。GB300 NVL72训练速度比GB200 NVL72最高提升1.6倍，最大规模提交使用8192块Blackwell GPU训练拥有6710亿参数的DeepSeek-V3模型。CoreWeave用8192块GPU在2.02分钟内完成DeepSeek-V3 671B训练，微软Azure用7.07分钟完成Llama 3.1 405B训练。
Anthropic发布了关于Claude Code智能体编码的经济研究。用户做出约70%的规划决策，而Claude承担约80%的执行决策。专家用户每次提示获得12个动作和3200个词，而初学者仅获得5个动作和600个词，验证任务成功率为28–33%对比15%。调试会话比例从2025年10月到2026年4月间从33%下降至19%，而平均任务价值增长约25%。
AWS在Amazon SageMaker AI中引入了容器镜像预缓存功能，在扩展时无需从ECR拉取镜像，自动启用无需手动配置。对于Qwen3-8B，启动延迟从525秒降至258秒，约51%。用户报告P50延迟降低38~65%，端到端扩展速度最高提升2倍。该功能适用于所有商业AWS区域的所有加速器实例类型。
Google DeepMind、英国政府、Google Cloud与Faculty AI联合开发AI原型，目标将建筑许可审批时间缩短50%。政府目标是在2029年前建造150万套新住房。房主申请占全年申请总量近70%，预计每个议会每年可节省约255小时。该工具目前在Barnet、Camden和Dorset进行测试，计划于2027年全国推广。
Anthropic红队发布了一份分析报告，与Verizon合作将真实的AI武器化网络行动映射至MITRE ATT&CK框架。该研究分析了实践中观察到的AI辅助攻击模式。与此同时，红队还发布了大型语言模型如何加速利用已披露但尚未修补（N-day）漏洞的分析报告。
AWS在Amazon Bedrock中推出了InvokeGuardrailChecks——一个返回评分而不自动拦截且无需预先创建guardrail资源的检测API。涵盖三类保护：内容过滤器、提示攻击检测（越狱、注入、泄露）以及包含31种实体类型的个人信息识别。API以0到1.0的尺度返回严重性和置信度评分，专为多步骤智能体循环设计，由开发团队自行控制阈值。
