SuperCLUE 2026 年 11 月榜单发布：19 个模型同台，每月换新私有考题
SuperCLUE 发布 2026 年 11 月榜单，用每月重建的私有测试集评测 19 个前沿模型，覆盖智能体编程、数理推理、幻觉控制、指令遵循和超长上下文五个维度。
#推理
Google AI · DEV 作者专属AI 评分4949 Google AI · DEV 作者专属AI 评分7373 解读 Thinking Machines 的 Inkling 2 Small：594B 参数、跑分接近前沿模型但速度偏慢
Thinking Machines Lab 于 11 月 5 日发布 Inkling 2 Small，594B 参数的 MoE 模型，每 token 仅激活 17B，Artificial Analysis Intelligence Index 得分 31，公司自报 SWE-bench Verified 82.2%、GPQA Diamond 93.0%。
Google AI · DEV 作者专属AI 评分5454 nbxtensor：不依赖 PyTorch 的开源推理张量库
NeuroBrix 发布推理张量库 nbxtensor，全程不导入 PyTorch，可经 pip install nbxtensor 安装，代码以 Apache 2.0 开源在 GitHub。
IT之家·人工智能AI 评分6565 Anthropic 未发布模型助 PSI 三天证明阿伦森－安拜尼斯猜想
物理研究机构 Physical Superintelligence（PSI）宣布，借助 Anthropic 一款尚未发布的 AI 模型，量子计算领域的阿伦森－安拜尼斯猜想得到证明，该猜想自 2008 年提出以来一直未获证明，研究的是量子计算机在何种条件下能远超传统计算机。
AI 科技评论AI 评分5151 上交大张伟楠在 CNCC 2026 梳理物理智能的定义与七层技术栈
上海交通大学张伟楠在 CNCC 2026 Tutorial 演讲《物理智能及关键技术概述》，提出物理智能是感知、预测、行动与持续学习的完整闭环，范围比具身智能更广。
MarkTechPostAI 评分7272 Thinking Machines 发布 Inkling 2 Small，594B 总参 17B 激活的 MoE 模型
Thinking Machines Lab 发布第二代 Inkling 系列首个模型 Inkling 2 Small，总参数 594B、激活 17B 的稀疏 MoE，支持文本与图像输入和 1M token 上下文，已在 Tinker 开放微调与推理。
Dwarkesh Patel · Podcast & BlogAI 评分6161 Dwarkesh Patel 打造 AI 必须撒谎才能赢的 Blood on the Clocktower 评测基准
Dwarkesh Patel 花 2 万美元 API 额度自建 Blood on the Clocktower 社交欺骗游戏基准，让 AI 模型互相对战 386 场，考察模型在秘密撒谎、多智能体协作与长程策略推理上的进展。
SemiAnalysis 长文 RSSAI 评分7171 SemiAnalysis 公布 TPUv7 智能体推理基准结果，Google TPU 在推理性价比上正面挑战 NVIDIA
SemiAnalysis 公布 TPUv7 在四个前沿模型上的长上下文多轮智能体推理基准结果，称对外部客户而言 Google TPU 的性价比或领先或具竞争力。
NVIDIA BlogAI 评分4343 让每一字节发挥更多性能：NVIDIA 全栈协同设计如何化解 AI 内存挑战
NVIDIA 以 GPU、CPU、网络、存储与软件的全栈协同设计化解 AI 工厂的内存压力：从 Blackwell Ultra 到 Vera Rubin 平台，每 GPU HBM 容量仅增约 3%，SemiAnalysis AgentX 上每美元智能体吞吐量最高提升 30x。
MarkTechPostAI 评分5050 webAI 发布 8.8B 推理模型 TwIL-8B，MATH-500 得分 98.2
webAI 发布 8.79B 稠密推理模型 TwIL-8B，由 IBM Granite 4.2 8B 后训练而来，权重已在 Hugging Face 开放，采用非商业许可。
Hugging Face Daily PapersAI 评分4444 SwarmEvolve：用于进化发现与优化的潜空间智能体集群
Brown University 团队提出 LLM 引导进化搜索框架 SwarmEvolve，每轮让数百个低成本智能体集群在潜空间推理、靠传递 KV cache 通信，无需解码成文本。
InterconnectsAI 评分5252 开源模型经济现在有多大？
Nathan Lambert 在 Interconnects 发文估算开源模型经济规模，认为现有开源模型采用数据都很不精确，主要用 Baseten、Fireworks、Together AI 的 token 披露和 OpenRouter 的开源模型 token 占比来衡量。
OpenAlex 主题 · 可解释 AIAI 评分4848 开放权重：当 AI 模型成为解释与干预的对象
Takehi、Teoh、Zhang 和 Khattab 于 2026 年 11 月 2 日报告实验：GPT-6 Astra 从小型神经网络的权重中推断出其特性。在另一项实验中，GPT-6 Astra 借助工具与反馈编辑语言模型，以减少推理循环。论文将神经网络权重视为训练产物与干预媒介，探讨 AI 模型成为解释与干预对象这一命题。
Hugging Face Daily PapersAI 评分4646 D3D：面向异步推测解码的解耦扩散起草
复旦大学团队提出独立扩散草稿模型 D3D，去除对目标模型隐藏状态的依赖，实现起草与验证异步并行的推测解码。D3D 以 Qwen3-8B 和 Qwen3-32B 为目标时，在七个基准上平均取得 5.00× 和 5.71× 解码加速，超过 DFlash 的 4.03× 和 3.67×，GSM8K 上最高达 7.48×。代码、模型权重与基准测试脚本已开源。
Hugging Face BlogAI 评分5353 StateBench 基准测试语言模型在长文档中的状态追踪能力
Ai2 推出 StateBench 基准，用四个难度层级衡量语言模型在长文档中追踪实体状态变化的能力，并公开了论文、数据与代码。
Ai2 / Allen Institute for AIAI 评分5050 StateBench：测试语言模型如何追踪长文档中的状态变化
Ai2 推出 StateBench 基准，以四个难度层级测试语言模型追踪长文档状态变化的能力。在这些任务上直接训练时，带 Gated DeltaNet 层的循环与混合架构泛化远超 Transformer。Gemini 3.8 Flash、Claude Opus 5.5 和 GPT-6 Sol、Luna 等前沿模型随输入变长，仍在更难的状态追踪任务上失效。
Google Developers Blog精选AI 评分6262 Google 用轻量分类器路由 Gemini 模型与思考级别以降低每任务成本
Google Developers Blog 介绍以每成功任务成本而非每 token 价格衡量 coding agent 经济性，并把 TypeSafe 的 Jev 分类器接在 Google Antigravity 的模型调用前做路由。
推荐理由：Google 官方用 50 题基准实测轻量分类器路由 Gemini 模型的成本收益，给出了可复用的路由方法和三条落地规则。
Import AIAI 评分4747 Import AI 479：太空战；低延迟任务 vs LLM；Genie 4
研究者构建 Realtime-Bench 基准，显示 LLM 难以胜任需实时决策的低延迟任务，GPT-6 Astra（high）在 wall clock 设置下通过率最高仅 36%。
Amazon ScienceAI 评分4040 Amazon Science 如何用知识蒸馏与 Medusa 加速旅行应用的大语言模型
Amazon Science 与 Booking.com 合作，用知识蒸馏和 Medusa 框架加速旅行应用中的大语言模型。实验以 1.1B 参数的 TinyLlama 为学生、70B 参数的 Llama-3.1 为教师，最终模型匹配教师质量，推理提速 10-20 倍，成本不到三分之一。方案面向 AI Trip Planner、Smart Filters 和住宿描述生成三项功能。
Mistral AI精选AI 评分8181 Mistral 开放 Mistral Large 4（Le Chonk）模型权重，主打智能体编码与防御安全
Mistral 发布 Mistral Large 4（Le Chonk）开放权重，这款 1 万亿参数、原生多模态模型本月早些时候曾以公开预览形式发布，经三周强化学习后在 FrontierCode 2.0 得分 19.7%、Terminal-Bench 4.0 得分 41%，居开源权重模型首位，并在 Artificial Analysis Cyber Index 得分 51%。
推荐理由：原文给出编码与防御安全的多项基准成绩、三档推理模式与定价，可帮助开发者评估自托管开源模型的能力与成本取舍。
vLLM 官方博客精选AI 评分7373 vLLM 推出对 Mistral Large 4 的 Day 0 支持
vLLM 官方宣布为 Mistral 新旗舰 MoE 原生多模态模型 Mistral Large 4 提供 Day 0 支持，FP8 与 NVFP4 权重均可通过 vllm/vllm-openai:mistral-large-4 镜像部署。
推荐理由：原文在发布支持的同时给出 FP8 与 NVFP4 的质量速度实测对比，读者可据此为不同硬件规模选择部署配置。
Google DeepMind精选AI 评分7777 Google DeepMind 发布 Gemini 4 Carbon，主打网络安全与长程智能体能力
Google DeepMind 发布新前沿模型 Gemini 4 Carbon，称其为其最强模型，主打网络安全与长程智能体能力，在 Artificial Analysis Intelligence Index v5.0 以 59 分排名第一。
推荐理由：原文完整给出安全基准成绩、分阶段开放节奏和定价，读者可以据此评估它在编码与网络安全场景的适用性。
Google Research 博客精选AI 评分6161 Google Research 提出睡眠框架，让大语言模型在持续学习中保留知识
Google Research 提出持续学习中的睡眠框架，让大语言模型在活跃交互与离线睡眠之间交替，把脆弱的短期记忆固化为长期参数记忆，同时缓解灾难性遗忘。睡眠阶段包含记忆巩固与做梦两部分，通过解锁 MoE 记忆块、结合 GKD 与强化学习的知识注入，以及随机专家选择和梯度筛选合成样本来实现自我提升。
推荐理由：原文给出睡眠框架在持续翻译、长上下文和数学推理上对比 ICL、SFT 等基线的实验结果，可了解缓解灾难性遗忘的一种新思路。
Ahead of AIAI 评分6363 Sebastian Raschka 推出从零构建推理模型视频课程，共 8 集约 11 小时
Sebastian Raschka 发布《从零构建推理模型》视频课程，共 8 集、约 11 小时，配套其书籍 Build a Reasoning Model (From Scratch)。
Google Developers Blog精选AI 评分6666 Google 发布 TPU 上的 vLLM 与 SGLang 原生 PyTorch 推理引擎
Google 在 TPU 上推出基于 TorchTPU 的原生 PyTorch 推理引擎 vLLM-TorchTPU 与 SGLang-TorchTPU，分别与 Inferact 和 RadixArk 合作开发，项目已在 GitHub 开源。
推荐理由：为习惯 PyTorch 的开发者提供不经 JAX 后端直接在 TPU 上运行 vLLM 和 SGLang 的方式，并附公开基准的成本与吞吐数据。
vLLM Releases精选AI 评分6060 vLLM 发布 v0.32.0，包含 814 项提交与多项安全修复
vLLM 发布 v0.32.0，包含 363 位贡献者的 814 项提交，新增 /v1/systemone 结构化端点和读取 checkpoint response_template 的通用 hf 工具与推理解析器。
推荐理由：本次集中改进低精度 KV cache、启动速度和 API 负载均衡，并修复多个安全问题，自行部署推理服务的读者可据此评估升级收益。
Ollama BlogAI 评分6767 Reflection 首个开源权重模型 Beam 限时免费上线 Ollama
Reflection 首个开源权重模型 Beam 即日全面可用，并在 Ollama 云端限时免费开放，端点实现完整零数据保留（ZDR）。Beam 为 MoE 模型，总参数约 501B、每 token 激活 23B，具备 1M token 上下文窗口，采用 Apache 2.0 协议，面向软件工程、推理和长程智能体任务。
Apple Machine Learning ResearchAI 评分4444 Selection-Based Structured Reasoning：迈向高效多模态搜索智能体
Apple 研究团队提出 Selection-Based Structured Reasoning（SSR）框架，将多模态搜索智能体的逐步推理从开放式生成改为从预置候选中选取。在 2B 和 4B 模型、七个多模态搜索基准上的评估显示，SSR 平均成功率与同规模领先搜索智能体相当，单轮推理延迟降低逾 90%，每题总模型推理延迟降低 28–54%。
Google AI Blog精选AI 评分8383 Google 发布 Gemini 4 Argon 前沿模型，面向开发者与企业全球开放
Google 全球开放前沿模型 Gemini 4 Argon，开发者可通过 Gemini API 在 AI Studio 使用，Google AI Ultra 与 Pro 订阅用户可在 Gemini 应用、搜索 AI Mode 及 Antigravity 中体验。
推荐理由：原文以 Chrome 重构等内部工程数据说明模型落地效果，读者可以据此评估它在复杂编码与科研任务上的可用性。
Microsoft · Official Blog精选AI 评分6767 Microsoft 宣布 Azure Maia 系统扩展至多吉瓦级部署，Maia 300 将于 2027 年推出
Microsoft 宣布从 2027 年起将 Azure Maia 家族扩展至多吉瓦级部署，并使 Maia 成为 Microsoft 产品与服务的主要推理系统。
推荐理由：原文给出 Maia 300 每兆瓦 token 效率和机架吞吐的具体数字，读者可据此比较微软自研芯片与 GPU 方案的定位。
InterconnectsAI 评分5252 Nathan Lambert 预判 AI 将快速进步但不会走向通用超级智能
Nathan Lambert 撰文判断，AI 基础设施与工程能力未来几年将大幅加速，但这不会让模型在性质上发生剧变，也不指向通用超级智能。他认为近期进展主要来自用现有工具扩展推理时算力，模型智能的有效成本将接近指数级下降，并预测预训练研究中的架构与数据选择在 2-3 年内实现自动化。
Timothy B. Lee · Understanding AI精选AI 评分7676 智能体蜂群为何可能成为下一个 scaling law
Understanding AI 撰文认为，智能体蜂群可能成为继推理缩放之后的新 scaling law，OpenAI 已在含其他智能体的环境中训练模型，让它们互相发消息并协作达成目标。
推荐理由：文章权衡智能体蜂群是解锁新能力还是只买来速度，并汇总 OpenAI 与 Anthropic 一线的收益递减证据。
Ahead of AIAI 评分6868 Sebastian Raschka 长文解读 Jev：从 bag-of-words 到大模型的文本分类技术史
Sebastian Raschka 在 Ahead of AI 发表长文，从 bag-of-words、朴素贝叶斯、RNN/CNN 到 BERT、GPT、T5 梳理文本分类方法史，以此解读 TypeSafe AI 新发布的 Jev 模型为何走红。
SGLang ReleasesAI 评分5757 SGLang v0.5.20 发布，新增 8 个模型支持与采样掩码等特性
SGLang 发布 v0.5.20，合入来自 237 位贡献者的 713 个 PR，新增 GLM-5.3-Flash、Qwen3.8-Flash-Next、K2 Horizon 等 8 个模型支持。
Dwarkesh Patel · Podcast & BlogAI 评分6969 OpenAI 研究员 Noam Brown 谈智能体集群、对齐与递归自我改进
Dwarkesh Patel 在播客中与 OpenAI 研究员 Noam Brown 对谈多智能体系统、数学进展对递归自我改进的启示及对齐问题。Brown 称上周用 10,000 个智能体耗 130 billion tokens、88 小时求解千禧年大奖问题 Navier-Stokes，但多智能体功劳不到 10%，核心是很强的通用模型。
Ahead of AIAI 评分7474 Sebastian Raschka 解析 GPT-6 Astra 实测表现与 looped transformer 隐藏思维链传闻
Sebastian Raschka 评测上周发布的 GPT-6 Astra，认为它可能是其迄今用过的最强模型，图形渲染与电脑操作能力尤其突出，ARC-AGI-3 达 99.9%（GPT-5.6 Sol 仅 7.8%）。
GitHub · vLLM ReleasesAI 评分5151 vLLM v0.28.0 发布，重点优化 Kimi-K3 推理性能
vLLM 发布 v0.28.0，包含来自 270 位贡献者的 584 个提交，其中 76 位是新贡献者。
Johann Rehberger / Embrace The RedAI 评分7272 安全研究者实测重放攻击，跨账号还原 OpenAI GPT-5.6 加密推理轨迹
安全研究者 Johann Rehberger 复现论文提出的重放攻击，把 GPT-5.6 Sol 生成的加密推理轨迹经 chatgpt.com/backend-api/codex/responses 重放给 GPT-5.6 Luna 并诱导其转写，在跨会话、跨模型乃至跨账号的情况下都能还原推理内容。
Ahead of AIAI 评分6363 Sebastian Raschka 解析 LLM 推理强度档位的控制与训练机制
Sebastian Raschka 撰文解析 LLM 推理强度档位的原理，指出档位在推理时通常通过系统提示控制，训练上可采用档位条件化的 RLVR 或 RLVR 后按档位做 SFT 两条路径。
Moonshot AI / Kimi Research精选AI 评分8686 Moonshot AI 发布 2.8T 参数模型 Kimi K3
Moonshot AI 发布 2.8T 参数模型 Kimi K3，基于 Kimi Delta Attention 与 Attention Residuals，具备原生视觉能力和 100 万 token 上下文窗口。
推荐理由：原文同时给出基准对比、架构细节、API 定价与权重开放时间，读者可据此评估这款 2.8T 开源模型在编码与智能体工作里的可用性。