OpenAI 发布 GPT-6.1 Terra，官方强调其详细视觉推理与精确电脑操作能力，并称其写作更清晰自然，相比 GPT-5.6 Terra 有明显提升。该模型定价为每百万输入 token 1 美元、每百万输出 token 5 美元，约为 GPT-5.6 Terra 和 GPT-6.1 Sol 的一半，约为 GPT-6 Luna 的 10 倍。
推荐理由：文章梳理了 GPT-6.1 Terra 在视觉推理与电脑操作上的定位，并给出与同系列模型的取舍参考。
EXL 在《Engineering the Harness》系列中探讨企业 AI 的生产化挑战：决定竞争力的不再是选哪个模型，而是围绕模型构建的服务框架，涵盖架构、内存管理、调度与推理优化。文章主张从工作负载而非模型出发，先测量再优化，并指出 KV cache 随并发与上下文增长会先耗尽 GPU 显存，此时单纯加算力只会让低效系统更贵。
微软研究院的 Xinzhi Zhang 与合著者 Zhao Song 证明了 1995 年提出的 Kannan-Lovász-Simonovits（KLS）猜想，证明该猜想中的界与维度无关，是一个固定常数。
推荐理由：这篇论文证明了一个悬置31年的高维几何猜想，并展示了研究者如何通过人工筛选引导AI智能体探索上百条路径。
Berkeley Sky Lab 与 IBM Research 将 K-Search 内核搜索框架扩展到 MLX 后端，并加入结构化 CUDA-to-MLX 翻译层，让已有 CUDA 内核作为知识库迁移到 Apple Silicon。
推荐理由：原文给出注意力与 Mamba 两个内核的实测数字，并拆出翻译层带来的增益，可据此判断跨平台内核迁移的可行边界。
Berkeley AI Research 提出 ABBEL 框架，将摘要内容隔离为自然语言"信念状态"并加以监督，以替代完整交互历史作为智能体的工作上下文。在 CollabBench 协作编码任务上，基于重建的信念评分将 ABBEL 与全上下文模型的性能差距缩小约 50%，训练步数从 100 降至 50，峰值 token 长度也显著低于全上下文设置。
伯克利 AI 研究团队梳理了并行推理领域进展，重点分析自适应并行推理：让模型自行决定何时分解并并行化独立子任务、开多少并发线程以及如何协调。现有 self-consistency、Best-of-N、Tree of Thoughts、MCTS、ParaThinker、GroupThink、Hogwild! Inference 等方法多由外部固定并行结构，未按问题难度自适应调整。
Berkeley AI Research 提出梯度规划器 GRASP，通过将轨迹提升到虚拟状态实现跨时间并行优化、在状态迭代中注入随机性以探索、并重塑梯度让动作获得清晰信号，从而让世界模型的长时程规划更稳健。该方法针对长时程 rollout 中梯度爆炸/消失、非贪心结构导致的局部最优和高维视觉潜空间失败模式等问题。
Berkeley AI Research 提出 SPEX 与 ProxySPEX 算法，用于在大规模场景下识别 LLM 中的关键交互。SPEX 利用稀疏性与低阶性把交互搜索转化为稀疏恢复问题，ProxySPEX 进一步借助层级结构，以约 10x 更少的消融达到 SPEX 的性能。在情感分析任务上，SPEX 在上下文扩展至数千特征时仍保持高忠实度，优于 LIME、Banzhaf 等方法。