NVIDIA Research 与 Inferact 发布 REINFORCE Zero 论文，通过对齐 rollout 与训练内核、再用不截断的 token 级重要性采样，实现稳定的异步强化学习。
推荐理由：论文把 rollout 与训练的差距拆成权重滞后和内核失配两部分，说明对齐内核后不加截断的重要性采样就能稳定异步训练，滞后 64 仍可学习。
摩尔线程宣布基于 MTT S5000 智算卡与 MUSA 软件栈，完成 Kimi-K3.1 Pro 模型的 Day-0 适配，打通模型加载、服务启动及文本、图片基础推理链路。
AI 行业进入人才互换季：Claude Code 产品负责人 Cat Wu 从 Anthropic 转投 OpenAI，Meta 收购 Conductor。OpenAI 用未发布的 cyber 模型单次运行修补 948 个 Linux 内核提权漏洞，API 成本 $1.2M，并发现至少 10 种新型利用技术。
vLLM 宣布为 Moonshot AI 开源模型 Kimi K3.1 Pro 提供 Day-0 支持，覆盖 NVIDIA GPU、AMD GPU、Google TPU 和 Alibaba T-Head Zhenwu PPU。
推荐理由：原文给出稀疏注意力在多类芯片上的部署方案与吞吐数据，读者可以据此评估长上下文智能体推理的硬件选型。
Nathan Lambert 与 Florian Brand 在 Interconnects 播客中讨论 Kimi K3.1 Pro 基准亮眼却社区反响分化的原因，并评估开放权重模型与网络安全的新格局。
月之暗面发布 Kimi K3.1 Pro，称其为 K3.1 系列首款模型、迄今最强的 3T 级开放权重模型，完整权重将于 2026 年 11 月 4 日前发布。
推荐理由：除基准成绩外，原文还披露了开放权重版移除网络攻防数据的前后评测对照，可帮助读者理解发布决策背后的安全考量。
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。
vLLM v0.27.0 发布，包含来自 242 位贡献者的 561 个 commit，其中 64 位为新贡献者。
月之暗面（MoonshotAI）在 GitHub 开源 Kimi-K3 模型仓库，以 Open Frontier Intelligence（开放前沿智能）为定位。
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。
月之暗面 Kimi 团队发布 PerceptionBench，从 42 个基准上前沿模型的失败中归纳出 10 项原子视觉感知能力并据此评测多模态大模型。基准发布 3,000 道已验证题目，每题只隔离单一能力，看图即可作答，无需推理或外部知识。对 16 个前沿多模态大模型的评测显示无一准确率达 60%，感知相关幻觉是平均最弱的能力。
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。
月之暗面的 Kimi-K2.6 模型在 Hugging Face 开放模型页面，任务类型标注为 image-text-to-text 多模态。页面显示下载量 237218、获赞 1641。
Moonshot AI（MoonshotAI）在 GitHub 发布 Kimi-K2.5 模型，定位为「Open Visual Agentic Intelligence」（开放视觉智能体智能）。仓库地址为 https://github.com/MoonshotAI/Kimi-K2.5，当前正文仅一句口号，未提供权重、基准或能力细节。
月之暗面 Kimi-K2.5 模型页面上线 Hugging Face，任务类型标注为 image-text-to-text 图文多模态。页面显示该模型下载量 395007、点赞 2901。