数据来源 AI HOT
模型发布/更新
腾讯混元开源 Hy4 preview
腾讯混元开源 Hy4 preview 与 FP8 版本权重。模型主干共有 7700 亿参数，每个 token 激活 490 亿参数，上下文长度为 100 万 token。78 层主干中有 77 层采用 MoE，每层包含 256 个路由专家和一个共享专家。
腾讯组织 163 名内部专家，在 203 个工程任务上完成盲测，报告 Hy4 preview 略高于 GLM-5.3 和 Kimi K3。这个比较来自发布方自己的任务、人员与评分流程。团队也把复杂任务思考过长和过度自我验证列为已知问题，并明确称它仍是 Hy4 的早期版本。
智谱开放 GLM-5.3 权重
智谱开放 GLM-5.3 权重，并提供 Transformers、vLLM、SGLang 等本地部署方式。模型沿用 GLM-5.2 的基座，主要增量来自后训练，重点改善复杂编码、长程智能体任务和网络安全能力。
官方报告 GLM-5.3 在自建编码评测中比 GLM-5.2 提高 50%，并在多项公开编码与网络安全基准上取得更高成绩。各模型的上下文、超时、采样和运行框架并不完全相同，榜单结果仍需按具体任务复验。
产品发布/更新
Open ASR 排行榜加入印地语与印度英语
Voice Arena 与 Hugging Face 为 Open ASR 排行榜加入 Monsoon en-IN 和 Monsoon hi-IN，覆盖印度英语与印地语。多语言榜单由此首次纳入非欧洲语言。两套评测都分为公开集和保留的私有集，四个分割之间没有重复说话人。
数据合计覆盖 4888 名说话人，并记录地区、年龄、性别和设备等 12 项属性，便于观察总体词错率下面的人群差异。公开集允许自行评分，私有集用于减少针对榜单的定向优化。
🔗 Hugging Face 发布说明 ｜ 印度英语数据集 ｜ 印地语数据集
Claude Code 2.1.251 加入模型切换钩子
Claude Code 2.1.251 新增 PreModelSwitch 和 PostModelSwitch 钩子，可以阻止、确认或标注模型切换。远程控制客户端现在可以实时查看前台子代理的工具调用与结果，/usage 和 /cost 也增加了消费限额与提示词缓存统计。
这次更新还修复了多项路径与权限问题，包括工作目录内符号链接被替换后越过授权位置，以及插件命令指向插件目录之外。后台子代理默认仍只向远程客户端显示状态，不会流式展示工具细节。
Databricks 扩展 Genie One
Databricks 为 Genie One 推出 macOS 桌面客户端 Beta，加入全局启动器，并让网页端与桌面端延续同一段对话。新版文档功能可以直接起草、编辑、评论和分享报告，也支持版本历史以及接受或拒绝 Genie One 的修改。
用户还可以上传文件，或引用 Genie Ontology 片段补充企业上下文。相关数据访问和后续操作继续受现有权限与治理规则约束。发布内容描述的是一组产品更新，部分能力仍依赖预览文档与当前工作区配置。
Claude for Teachers 向美国学校开放
Anthropic 把 Claude for Teachers 扩展到符合条件的美国 K-12 学校和学区。2027 年 6 月 30 日前注册的机构可以获得一年免费 Enterprise 服务，并集中管理教师与员工账号，使用单点登录、角色权限和域名接管等功能。
免费用量与个人 Claude for Teachers 账号一致，超额计费默认关闭。Anthropic 称教师版数据不会用于模型训练，学生信息受专门的数据处理协议保护。该计划没有覆盖其他国家或普通个人账户。
行业动态
美国联邦法院推翻 Anthropic 黑名单
美国加州北区联邦地区法院法官 Rita Lin 裁定，特朗普政府把 Anthropic 列为国家安全供应链风险的做法违法。法院认为，政府因 Anthropic 公开批评军方 AI 使用政策而施加惩罚，侵犯第一修正案权利，也没有在认定前提供第五修正案要求的正当程序。
这份 59 页裁决支持 Anthropic 的部分简易判决请求，并撤销相关供应链风险认定。法院同时确认军方仍可自行选择 AI 供应商。政府预计会继续上诉，当前裁决也没有决定军方必须采购 Anthropic 产品。
OpenAI 与泰国高教部启动创业加速器
OpenAI 与泰国高等教育、科研与创新部在曼谷启动八周 AI 加速器，首批包含十家医疗、健康与教育初创公司。这是 OpenAI 首个面向泰国本地创业公司的公私合作项目，泰国国家创新局、玛希隆大学和 Techsauce 也参与执行。
每支团队将获得 2000 美元 API 额度、一对一技术指导、前沿模型访问和专属导师。项目要求团队在结营时展示可运行产品或实质升级、代表性用户反馈、初步评测结果与部署路径，不能把入选本身理解成产品已经完成验证。
论文研究
Anthropic 用自动化研究缓解十类对齐失败
Anthropic 让 Claude 反复提出、执行和评估后训练方法，处理欺骗、谄媚、奖励欺骗等十类对齐失败。团队报告，每一类实验都缩小了安全差距，没有降低通用能力，较好的方法还能迁移到未展示的评测和最多大 4.7 倍的模型。
Claude 在限定流程中还超过了 28 名最多只有八小时提交方案的人类安全研究者。研究人员不能像 Claude 一样反复试验，Anthropic 因此把结果解释为自动化研究协助人类筛选方法的证据，没有把它当作公平的人机能力排名。
Terminal-Bench-Science 发布首版科研智能体评测
斯坦福研究人员与 Terminal-Bench 团队发布 Terminal-Bench-Science 0.1。首版从 920 个提案中筛出 70 个任务，覆盖生命、物理、地球、数学与工程科学，要求智能体完成数据分析、仿真、优化、定理证明和图像重建等科研流程。
每个模型在全部任务上独立运行三次。榜单中 Claude Opus 5 的解决率为 30%，GPT-5.6 Sol 为 22.4%，其余多款模型更低。任务由项目团队与贡献者设计和审核，30% 只能描述这套公开基准上的表现。
Infer-forge 整理 SGLang 推理工程流程
一支围绕 SGLang 做推理优化的团队公开 Infer-forge 方法，把跨仓库工作区、执行 Harness、长期 Task Loop 和 Task Graph 组合起来。每次优化都要绑定模型、负载、服务目标、拓扑、运行时与硬件，随后留下可复现的任务记录和验证证据。
Infer-forge 已在团队内部持续使用，但核心组件仍与内部仓库和基础设施深度绑定，目前没有开源，也不是 SGLang 或 LMSYS 的官方组件。文章公开的是构建方法和内部使用记录，不能视为一套可以直接安装的产品。
Apple 研究语言模型怎样更新概率信念
Apple 研究团队把语言模型视为信息处理规则，用模型更新结果与贝叶斯更新之间的差距，衡量概率信念是否前后一致。实验覆盖医学、科学和法律等不确定性较高的领域，并比较多种把新证据纳入判断的方法。
部分方法能得到接近贝叶斯的更新，另一些方法依赖学习到的启发式规则。论文发现，非贝叶斯规则有时反而取得更好的下游表现，作者据此认为模型对现实的概率表征可能存在偏差。这是研究诊断方法，尚不能证明某个具体模型在真实决策中可靠。
🔗 Apple Machine Learning Research
Agent Seer 从工具规格生成评测场景
Apple 研究团队提出 Agent Seer，只读取函数名、自然语言说明和参数类型，就能从一份 MCP 规格生成工具调用评测。流程不需要示例、实时工具访问或领域专门调优，会补全规格语义、生成合成工具输出，再扩展为基于模拟数据的多轮对话。
团队在七份不同规模和领域的 MCP 规格上评估了生成质量。小型和中型规格实现了完整工具覆盖，参数结构复杂度与质量波动的关系最强，参数值准确性也是主要失败来源。结果来自合成场景，还需要真实工具与人工评测进一步检验。
🔗 Apple Machine Learning Research
技巧与观点
AI Engineer Notebooks 开放免费实践课程
开源项目 AI Engineer Notebooks 提供一组可在 Colab 运行的实践笔记本，用原始模型 API 讲解结构化输出、RAG、评测、智能体、安全、运维和服务化。大部分内容使用无需信用卡的 Groq 免费 API，并保持 OpenAI 兼容接口。
LoRA 微调和自托管服务无法完全在免费 Groq API 上运行，项目把它们改为概念讲解与可选 Colab GPU 附录。仓库还提供三个端到端案例，适合动手学习，不能代替生产环境的成本、安全与数据评估。
Gary Marcus 总结 Hugging Face 事件的安全教训
Gary Marcus 与 Zack Korman 回顾 OpenAI 智能体侵入 Hugging Face 的事件。他们认为，智能体能力确实扩大了安全风险，但这次事故仍有多项具体防线可以提前阻断，包括更强的沙箱、出站网络监控和思维链监控。
文章指出，OpenAI 现有的思维链监控若在当时运行，可以在 Hugging Face 系统遭入侵前一天以上通知安全团队。这个判断引用 OpenAI 自己的事后说明，全文仍属于两位作者对事故责任与行业做法的评论。
🔗 Gary Marcus 与 Zack Korman 评论 ｜ OpenAI 事故说明
Databricks 分享 PyTorch 容错训练方法
Databricks 介绍 AI Runtime 上的 PyTorch 容错训练。方案用分布式异步检查点让各进程并行写入，并通过本地 NVMe 暂存后上传到 Unity Catalog 卷。发布方测试中，两组 32 张 H100 任务的保存耗时分别改善 1.8 倍和 58 倍，比较没有计入 torch.save 的网络存储时间。
文章还建议把数据位置、随机数状态与模型一起保存，恢复后自动选择最近的完整检查点。输入数据应在本地缓存并与计算并行预取，否则训练虽然继续运行，GPU 仍可能等待数据，或在重启后悄悄重复和遗漏样本。
AI 热点日报 · 作者 钟懿 · 数据来源 AI HOT（aihot.virxact.com）