模型推理能力的进展：思维链、推理模型与测试时计算，数学、逻辑与代码基准的突破与争议。
Google DeepMind 发布 Gemini 4 Argon，面向开发者、企业和消费者开放，通过 AI Studio、Gemini API、Google Antigravity 以及 Gemini 应用和 Search 的 AI Mode 提供，API 定价为每百万输入 token 2 美元、每百万输出 token 10 美元，缓存输入 token 享 95% 折扣。
推荐理由：Google DeepMind 发布 Gemini 4 Argon，官方给出编码、科研与安全对齐的具体数据，可了解新前沿模型的能力边界与定价。
Google 正式发布 Gemini 4 Argon，称其具备前沿推理能力并改善复杂工作流表现，在编码、网络安全、科学、金融和法律等基准上超过 GPT-6 Astra、Claude Fable 5.1 和 Claude Opus 5.5。
推荐理由：Google 发布 Gemini 4 Argon，官方称在编码、安全、科学等基准上超过竞品，并给出每百万 token 2 美元输入、10 美元输出的尝鲜价。
Meta Superintelligence Labs 发布第二代模型家族 Muse Wonder（代号 Watermelon）与 Muse Wonder Full，距实验室成立约 14 个月。
推荐理由：Meta MSL 发布第二代模型家族 Muse Wonder 与 Wonder Full，第三方评测显示其接近前沿水平，并附有定价、上下文窗口与基准对比。
Anthropic 发布研究，把自主复制拆成寻找目标、获取执行、建立推理、继续传播四步，重点测试小模型能否在陌生硬件上部署推理。实验中 Gemma4-26B-A4B 分布在 15 台约 55 美元的杂牌 Android TV 盒子上运行，速度约 0.39 tokens/s；9B 模型在 9 类硬件中的 8 类成功跑起推理。
推荐理由：Anthropic 用 15 台廉价 Android TV 盒子跑通 26B 模型分布式推理，并实测小模型自主复制的各环节能力边界。
数学爱好者 nor 用 GPT-6 Astra 严格证明了摆圆问题中 N=15、16、17、18 和 20 这 5 种情形，此前只有 N≤14 和 N=19 得到验证。模型的核心思路是通过几何约束把无限多种排列缩减为有限情况，再用计算机逐一排除，最终证明经典排列已是最优。nor 表示自己的贡献包括确定问题可行性、引导模型、手动验证有效性，并用 Astra 和 Opus 5.5 重新检查所有内容。
推荐理由：数学爱好者用 GPT-6 Astra 严格证明摆圆问题 N=15 至 20 的最优性，可看人机分工与验证方式。
Meta 的 Superintelligence Lab 发布 Muse Wonder 和 Muse Wonder Full 两款模型，这是该公司首次推出前沿模型。
推荐理由：Meta 首次发布前沿模型 Muse Wonder 系列，含定价、基准对比与 active memory 能力，可了解其与 OpenAI、Anthropic 的竞争位置。
AWS 发布教程，介绍用 AWS DLC for llama.cpp 在 Amazon SageMaker AI 上部署决策模型，先通过 InvokeEndpoint 提供 OpenAI 兼容的 chat completions，再用 SemIf 适配器返回声明选项上的概率而不生成答案 token。
推荐理由：AWS 官方教程，给出在 SageMaker AI 上用 llama.cpp 部署决策模型的完整步骤与 CPU/GPU 基准数据，含可直接运行的代码示例。
微软开源 bitnet.cpp，这是面向 1-bit LLM（如 BitNet b1.58）的官方推理框架，提供在 CPU 和 GPU 上快速无损推理的优化 kernel，NPU 支持后续推出。
推荐理由：微软开源 1-bit LLM 推理框架 bitnet.cpp，给出 CPU/GPU 上的加速与能耗数据，并放出官方 1-bit 模型与嵌入模型。
Google DeepMind 的 AlphaProof Nexus 独立解出多个开放数学问题，相关研究发表在 Science 上。它解出 353 个 Erdős 开放问题中的 9 个，其中两个已悬置 56 年，还证明了 OEIS 整数序列数据库中的 44 个猜想、解决了一个代数几何开放问题，并改进了 min-max 优化中的一个已知界。
推荐理由：DeepMind 的 AlphaProof Nexus 在 Science 发表，独立解出多个悬置数十年的开放数学问题，并罕见地走完同行评审流程。
LongHarness 是一个模型无关的 harness，通过证据与结论协同演化机制，用未解决的结论引导检索、用新证据修正结论，并配合证据生命周期管理保持证据可追溯。
推荐理由：提出模型无关的 harness，把已获取证据与结论显式分离管理，在多个长上下文基准上大幅提升精确匹配率。
何恺明团队在论文《VISTA: A Visual Harness for Reasoning in an Interactive World》中提出视觉原生 Harness 框架 VISTA，让现有多模态模型直接观察环境、保存原始画面，并在推理时随时回看、放大和检查细节，无需从头训练。
推荐理由：何恺明团队提出视觉原生 Harness，让现有多模态模型保存原始画面并按需回看，无需重新训练即可提升交互式视觉推理表现。
TypeSafe AI 宣布完成 8.7 亿美元 A 轮融资，投后估值 75 亿美元，距其 9 月 15 日 4000 万美元种子轮、2 亿美元估值仅 24 天。
推荐理由：TypeSafe AI 凭决策模型 Jev 在 24 天内估值从 2 亿美元升至 75 亿美元，可看资本为何押注非对话式模型。
微软发布 Microsoft-Decision-1，一款面向路由、分类、优先级排序、验证和工作流控制的决策模型，已在 Microsoft Foundry 上线，并将通过 OpenRouter 提供。
推荐理由：微软发布面向结构化决策的专用模型，主打低延迟与高准确率，并给出内部多个团队的实测数据。
Anthropic 发布 Claude Haiku 5.5，这是 Haiku 档约一年来的首次更新，定价与 OpenAI 的 GPT-6 Luna 相同，同日还下调了 Sonnet 5.5 与订阅计划价格。
推荐理由：Anthropic 一年来首次更新 Haiku 档，价格对齐 GPT-6 Luna，第三方评测给出与竞品的具体差距和 token 消耗代价。
Anthropic 发布 Claude Haiku 5.5，官方跑分逐项超过 GPT-6 Luna，并超过 DeepSeek V4.1 Flash 和 GLM-5.3-Flash。
推荐理由：Claude Haiku 5.5 发布，跑分逐项超过 GPT-6 Luna，价格大幅下调，但换了 tokenizer 且接口有五处不兼容改动。
Anthropic 发布 Claude Haiku 5.5，这是其目前最便宜最快的小模型，面向摘要、压缩、分类和子智能体任务，保持 1M token 上下文窗口和最高 128K 输出 token。
推荐理由：Anthropic 发布小模型 Claude Haiku 5.5，1M 上下文、短上下文价格降至 Haiku 4.5 的十分之一，并给出与 GPT-6 Luna 的对比数据。
NVIDIA 团队从 Nemotron 3 出发，用监督微调、强化学习和反馈驱动的推理流程，在 IOI 2026 与 IMO 2026 上分别取得 535.4/600 和 30/42 的成绩，均超过金牌线。
推荐理由：NVIDIA 用 SFT、RL 加生成-验证-精修流程把 Nemotron 3 微调成 IOI 与 IMO 双金牌级专家模型，并公开数据与配方。
得州大学奥斯汀分校理论计算机科学家 Scott Aaronson 记录，OpenAI 在前一天放出 372 项重大数学结果，其中包括他妻子 Dana Moshkovitz 长期研究的 Unique Games Conjecture 证明，部分结果附有 Lean 证书，但几乎没有人类读懂这些证明。
推荐理由：作者以亲历者视角记录 OpenAI 一次性放出 372 项数学结果后，数学界如何消化这些无人读懂的证明。
Anthropic 发布快速低价模型 Claude Haiku 5.5，定价为每百万 token 输入 $0.10、输出 $0.50，与 OpenAI 上月发布的 GPT-6 Luna 持平，超过 100,000 token 后涨至 $0.50/$2.50。
推荐理由：Anthropic 发布低价 Haiku 5.5，作者实测其定价、分词器与推理档位，并对比 OpenAI 同级模型。
Anthropic 发布 Claude Haiku 5.5，这是其最快、最便宜的小模型，平均价格比 Haiku 4.5 低约 75%，10 万 token 以内的提示词价格最高下降 90%，超过 10 万 token 则贵 5 倍。
推荐理由：Anthropic 发布小模型 Haiku 5.5，价格较上代平均降约 75%，并首次支持可调推理等级，可对照基准数据判断是否适合高并发低成本任务。