今天最重的一条来自硬件：OpenAI 联手博通发布首款自研推理芯片 Jalapeño，9 个月走完一个周期，瞄准 2026 年底吉瓦级部署，微软预计吃下首批四成产能——前沿实验室开始把算力命脉攥进自己手里，能效数字仍为自报、待验证。
模型与能力侧多点开花：谷歌把 computer use 做成 Gemini 3.5 Flash 的原生内置工具，覆盖浏览器、移动端和桌面端的智能体；Mistral OCR 4 称盲测 72% 胜率、支持 170 种语言；Krea 2 开源 12B 文生图基础模型挤进文生图榜前十；NVIDIA 用 NVFP4 4-bit 量化 MiniMax-M3（428B MoE、百万上下文），显存砍半而 GPQA Diamond 几乎不掉点。
商业格局在重排：高通收购 AI 基础设施创业公司 Modular（Mojo 语言 / MAX 推理引擎）；Anthropic 推出 Claude Tag，在 Slack 里 @Claude 派活，并称内部产品团队 65% 的代码已由其生成；周鸿祎在 ISC.AI 2026 发布对标 Anthropic Mythos 的漏洞挖掘智能体「图龙锋」，称累计挖洞 3432 个。
研究侧密度同样高：Qwen-AgentWorld 推出首个能模拟智能体环境的语言世界模型并配套 AgentWorldBench；NatureBench 发现最强智能体仅在 17.8% 的科研任务上超越已发表 SOTA；SHERLOC 把代码故障定位做到 SWE-Bench Lite 84.33% acc@1；Zyphra 拟合出持续训练中可塑性丧失的 scaling law。
具身长尾里，World Value Model 把世界模型与价值估计结合成通用机器人价值模型，并提出多本体的 Suboptimal-Value-Bench。
类别
来源
日报20
1
🏗️基建
OpenAI 和博通联合发布了自研推理芯片 Jalapeño——这是 OpenAI 第一颗专为大模型推理设计、用来跑已训练好模型的定制 ASIC，目标是降低对英伟达 GPU 的依赖、压低推理成本。它从设计到流片只用了 9 个月，OpenAI 称这是其所知最快的高性能芯片开发周期，过程中还用自家模型辅助设计。计划于 2026 年底首次以「吉瓦级」规模部署，微软据传已同意包下首批产量的 40%。制造和网络由博通负责，板卡与整机集成由 Celestica 承担。OpenAI 自报每瓦性能「显著优于」当前最先进硬件，但官方明确说这些数字尚未最终敲定、应谨慎看待。对关注推理成本和算力供应格局的人，这是又一家头部实验室自己造芯的明确信号。
2
🤖智能体
Google 把 computer use（让模型看屏幕、推理、然后真去操作界面的能力）做成了 Gemini 3.5 Flash 的原生内置工具。变化的核心在"内置"：此前这是一个独立的 Gemini 2.5 computer use 模型，要专门去调；现在它并进了主打速度与成本的主力快模型，开发者常规调用就能用上。能力覆盖浏览器、移动端和桌面三端——很多现有方案只围着浏览器转，三端齐全意味着能搭的 agent 种类更广。Google 称这是它在 agentic 操作电脑任务上迄今最好的表现，博客也放了一张 OSWorld-Ver 基准图，但正文没给出可读的具体分数；延迟、价格也未披露。能力通过 Gemini API、Gemini Enterprise Agent Platform 开放，另有 Browserbase 托管的 demo 可试。对做自动化 agent 的团队，这是个实在信号：computer-use 正从需特意接入的旁路能力，变成主流模型的标配。HN 170 分、103 条评论。
3
🧠模型
通义团队发布 Qwen-AgentWorld，号称是首个能模拟 agentic 环境的「语言世界模型」。世界模型的作用是根据当前观察和动作预测环境接下来会怎么变，是智能体做推理和规划的核心机制；过去这类模型多用在游戏或视频生成，这次把它用语言模型来做、专门服务通用 agent。团队放出 35B-A3B 和 397B-A17B 两档 MoE 模型（激活参数分别约 3B 和 17B），覆盖 7 个域，靠超过 1000 万条真实环境交互轨迹经 CPT、SFT、RL 三段训练而成，并通过长链思维推理来模拟状态转移。同时发布配套评测 AgentWorldBench，由 5 个前沿模型在 9 个既有基准上的真实交互构建。论文称用它做 world-model 预热训练后，下游 7 个 agentic 基准都有提升。对做 agent、RL 环境和规划的人，这是一个把「环境模拟」从专用仿真器转向语言模型的方向性尝试。
4
💰商业
据 Reuters 6 月 24 日报道，高通将收购 AI 基础设施创业公司 Modular——也就是做 Mojo 编程语言和 MAX 推理引擎的那家公司。Mojo 主打"既有 Python 的写法、又能压榨硬件性能"，MAX 则是一套要在多种芯片上跑统一推理的软件栈，二者都瞄着模型部署这层最痛的成本与可移植性问题。对做 serving、做端侧部署的人，这条值得看：高通过去是手机芯片厂，靠这笔交易把一支编译器和推理软件的团队收进来，意图很明显是补上"硬件之上缺一层好用软件栈"的短板，往数据中心和边缘 AI 推理市场延伸。这条目前在 Hacker News 上 139 分、36 条讨论；具体收购金额报道摘要里未给出。
5
📦产品
Mistral 在 6 月 24 日发布了新一代文档识别模型 OCR 4，专门把 PDF、Word、PowerPoint 这类文档里的文字和版面结构抽取出来。官方给出的核心成绩是一场盲测：在 600 多份文档上，独立评审在 72% 的情况下更偏好 OCR 4 的结果，而非其他参与对比的模型——不过文章没有点名具体对手，也没给出基准的数值分数。它支持 170 种语言，并能在抽取时做块级分类（区分标题、表格、公式、签名等元素），还为每个词、每一页输出置信度。价格为每千页 4 美元，批处理模式 2 美元，仅通过 Mistral API、Mistral Studio 和微软 Foundry 提供，没有开源权重。对要把文档喂进 RAG 或处理流水线的团队，这是一个新的现成选项，但 72% 属于厂商自报的盲测胜率，真实差距仍需第三方验证。
6
📦产品
Krea 2 是一款开源权重的文生图基础模型，发布了两个变体：K2 Raw 是未经蒸馏的基座，留给做微调和后训练研究的人；K2 Turbo 经过引导与时间步蒸馏，专攻少步快速出图。它在 Artificial Analysis 的文生图榜单上进入前十，在独立实验室出品的模型里排第二——这意味着权重可下载、可自部署的开放阵营，在闭源大厂之外又拿出了一个接近第一梯队的选项。架构上它采用扩散 Transformer（DiT），文图共享注意力权重，文本侧用 Qwen 3 VL 编码器，权重以宽松协议放上了 Hugging Face 和 GitHub。对想把图像生成跑在自己机器上、或在开放底座上继续研究的人，这是当下少见的一个高排名开放选择。需要注意榜单名次是第三方评测，但参数规模等细节技术报告本身着墨不多。
7
🧠模型
NVIDIA 在 Hugging Face 上放出了 MiniMax-M3 的 NVFP4 4-bit 量化版。原模型是个 428B 总参、每 token 只激活约 23B 的多模态 MoE，带 100 万 token 上下文；NVFP4 把权重压到 4-bit 后，相比 FP8 磁盘和显存占用再省约一半，专门针对 Blackwell 架构 GPU 跑。值得看的是精度几乎没掉：GPQA Diamond 从 FP8 的 92.53 只降到 91.92，其余几项基准（AA-LCR、τ²-Telecom、MMMU-Pro、SciCode）的落差也都在一个点上下。换句话说，一个超大上下文的多模态大模型被压到能在更少显卡上部署，代价小到几乎可以忽略——这正是想本地或低成本跑长上下文模型的人会关心的一步。
8
🤖智能体
当 agent 把任务拆成几十上百步、还多 agent 协作时，它的执行轨迹会长到塞不进任何模型的上下文窗口，出了错想定位是哪一步、哪个 agent 的锅就很难。现有做法是把整条轨迹一股脑灌进 LLM 上下文里读，结果注意力被稀释、轨迹一超长就直接失效。SAFARI 换了思路：不再线性加载全文，而是给模型配一套工具箱（按需读取、检索轨迹片段）加一块持久的短期记忆（STM，做跨轮推理），把诊断准确率和上下文长度解耦开。效果上，1M token 预算下在 Who&When 数据集超 SOTA 20%，25K 预算下在 TRAIL GAIA 子集超 19%；最关键的是，当故障点位于模型原生上下文 5 倍之外、传统方法已完全失效时，它仍保住 0.58 precision。论文发在 ICML 2026 的 AIWILD workshop。
9
☁️MaaS
Sakana AI 把新模型 Fugu Ultra 挂上了 OpenRouter，它走的不是"再训一个更大的基座"路线，而是一个学出来的多智能体编排系统：模型本身负责把任务路由到一个可热插拔的底层模型池，必要时还会递归调用自己的实例，主打复杂多步推理、编程与 agentic 工作流的答案质量。规格上给到 1M token 上下文，仅支持文本输入输出，定价为输入 $5、输出 $30 每百万 token，并支持可配置的推理强度、工具调用与内置网络搜索。要注意编排过程本身消耗的 token 会按普通输入/输出 token 计费，单价不低意味着实际花费取决于它内部调度的轮数。OpenRouter 标注该模型由单一供应商托管、不参与二次路由，发布日期为 6 月 24 日。原文未给出任何基准分数，性能到底如何还无从对照。
10
📊评测
NatureBench 提出了一个用来逼问"AI 编程智能体能不能做真科学发现、而不只是复现"的基准：90 个任务全部从 Nature 系列同行评议论文里蒸馏出来，覆盖多个学科，并用 NatureGym 流水线为每个任务自动搭出标准化的容器环境，专治此前同类基准环境零散、结果不可信的老毛病。在禁止联网搜索的严格协议下评测十种前沿智能体配置，最强的一个也只在 17.8% 的任务上（g>0.1 标准）超过论文已发表的 SOTA。作者还分析了智能体到底是怎么"过关"的，发现它们多半是把科学问题翻译成自己熟悉的监督预测任务，而非真正做出方法创新；失败也主要栽在选错方法和算力预算不够，而不是没读懂任务。基准、流水线和带维护方复现的公开榜单一并放出。
11
🎛️后训练
on-policy 蒸馏（OPD）正成为大模型后训练的关键手段：让学生模型在自己生成的 rollout 上训练、由 teacher 反馈来引导。但和强化学习一样，它卡在同一个系统瓶颈上——推理类任务里 rollout 生成会吃掉大半训练时间。异步流水线能把 rollout 生成和参数更新解耦来提速，代价是引入 stale（陈旧策略）数据。这篇 AsyncOPD 是首个系统研究 OPD 中 stale 数据影响的工作。核心发现是 KL 方向决定了陈旧数据的危害：teacher 加权的前向 KL 对 stale rollout 更鲁棒，而 student 加权的反向 KL 很脆弱；针对脆弱情形，作者提出在 learner 端用当前学生重算反向 KL 信号这一更简单的办法，效果反而胜过照搬异步 RL 的稳定化方法。最终其异步流水线相比严格同步训练拿到 1.6 到 3.8 倍吞吐提升，且精度相当，代码已开源。
12
🧠模型
罕见病的难点不在没有模型，而在专科经验太稀缺、诊断往往拖很久。一个团队开源了 RaDaR，一个 320 亿参数的推理模型，专门做罕见病诊断，用 49170 例真实病例加 104666 例合成病例做了强化推理训练。规模不大却很能打：在公开基准和四家外部验证中心上，它压过了包括 6710 亿参数 DeepSeek-R1 在内的所有受测开源模型。更有意思的是临床向的两组验证——回顾性队列里，它在 61.06% 的病例中比医生记录的临床怀疑更早锁定最终诊断，平均提前约 1.87 个月；随机对照的医生辅助试验里，用它辅助比仅靠网络检索把医生的罕见病诊断准确率拉高了 21.44 个百分点。对关注医疗 AI 落地、小模型蒸馏和长尾领域数据稀缺问题的人，这条值得看。
13
🎛️后训练
仓库级 coding agent 有个隐形成本：动手改代码前，光是定位 bug 藏在哪就要花掉近一半预算。SHERLOC 针对这一步提出一个免训练（training-free）的故障定位框架，不微调、不靠多 agent 编排，只用一个推理 LLM 加上轻量仓库工具和自我纠错机制。论文报告它在多个模型规模上达到定位 SOTA：SWE-Bench Lite 上 accuracy@1 为 84.33%，SWE-Bench Verified 上 recall@1 为 81.27%；在约 30B 参数下就能与其他 agentic 方法打平甚至超过。更关键的是落点——把它产出的位置和诊断结论注入修复 agent 后，SWE-Bench Verified 平均解决率提升 5.95 个百分点，同时定位 token 降 36.7%、总 token 降 23.1%。它的主张不只是定位更准，而是把定位从"给文件路径"升级成"给可执行的诊断上下文"，对正被定位成本拖累的 coding agent 团队是个务实的新选项。数字均为论文自报，待第三方复现。
14
🎛️后训练
Zyphra 发布了它在持续学习（continual learning）方向的第一项工作，研究一个绕不开的老问题：大模型能不能持续从新数据里学下去、而不是越训越"僵"。它们盯住的拦路虎叫"可塑性损失"（plasticity loss）——模型在长期持续训练中逐渐丧失再学习新东西的能力，最终进入一种"刚性"状态，新数据喂进去也学不动。Zyphra 的核心贡献是为这种刚性"开始出现"的临界点拟合出了一条 scaling law，相当于给"模型还能学多久"画出一条可外推的曲线。这件事之所以值得看，是因为不少人把持续学习视为通往递归自我改进（RSI）乃至 AGI 的一条路径，而可塑性损失正是第一道门槛——能把它的发生规律量化，意味着可以预测、进而尝试推迟这个临界点。需要说明：原文（推特线程摘要）只给了 scaling law 这个框架性表述，未披露具体数值、模型规模或实验设置。
15
📦产品
Anthropic 推出 Claude Tag，把自家 AI 塞进了团队日常用的 Slack：在任意频道里 @Claude 并丢给它一个任务，它就接活去做，而不是另开一个独立的对话窗口或 IDE。官方给出的一个数字是，这套工具在 Anthropic 内部已经生成了产品团队 65% 的代码。值得看的点在于交付形态变了——AI 协作从"切换到专门工具里提问"挪进了团队既有的沟通流，工作分派和给同事派活用的是同一个 @ 动作，门槛和心智负担都更低。不过这条来自二手报道、且 65% 是公司自报的内部数字，缺少口径说明（比如统计的是行数还是合并的提交、是否经人工修改），具体怎么算、对外何时开放、定价如何，现有素材都未给出。
16
🦾具身
机器人策略要从海量、质量参差的数据里学好，关键是有一个能判断"这条轨迹好不好、任务推进了多少"的通用价值模型。这篇论文指出，现有机器人价值模型大多搭在视觉语言模型(VLM)骨干上，而 VLM 主要在静态或时间稀疏的画面上预训练，缺乏价值估计真正需要的时序理解能力。作者据此把世界模型(world model)与价值估计结合，提出通用价值模型 WVM——世界模型天生擅长时序建模和对未来的规划，正好补上这块短板，能更准地给出任务进度、用来评估数据质量。论文称 WVM 在标准基准上的 Value-Order Correlation(VOC，价值排序相关性)取得 SOTA；并新提出多本体基准 Suboptimal-Value-Bench，含 800 条次优轨迹和人工逐帧标注，用来补足只含专家数据的现有评测。原文未给出具体数值，但报告 WVM 在该基准上同样保持 SOTA，并在仿真与真机的策略学习中提升了操作表现。
17
⚡推理
长上下文推理现在卡的不是算力而是显存——KV cache 随上下文线性膨胀，把模型部署在小显存硬件上的成本居高不下。常见做法是给所有注意力头的 token 打个启发式分数、留高分丢低分，但这忽略了不同注意力头分工不同，容易把关键 token 误删、拖垮效果。CompressKV 换了个思路：先找出真正负责"检索"的那批注意力头（论文称 Semantic Retrieval Heads，SRH，它们专盯提示词的开头、结尾以及中段语义关键的证据），只用这些头来决定哪些 token 的 KV 该保留；同时按各层离线估出的驱逐误差，把缓存预算分层分配。论文在 LongBench 和 Needle-in-a-Haystack 上验证，称在各档内存预算下都持续优于现有 KV-cache 驱逐方法，代码已开源。对做长文本 serving、想压显存又不想掉精度的团队，这是一个针对 GQA 模型的较实在的新选项。
18
📊评测
DeepSWE 是一个开源、号称"无污染"的编程能力基准，专门用来测今天的前沿 coding agent 在真实软件工程任务上到底行不行。它的核心卖点是任务全部从零手写，而不是从现有的 commit 或 PR 改编而来——这样可以确保没有哪个模型在预训练阶段见过答案，从根上规避了基准被"刷过"的污染问题。任务覆盖 91 个代码仓库、5 种语言（TypeScript、Go、Python、JavaScript、Rust），共 113 道题。难度也更贴近实战：提示词长度只有 SWE-bench Pro 的约一半，但解题所需的代码量是后者的 5.5 倍、输出 token 约 2 倍，更考验长链路工程能力。验证环节由人工编写、只看软件的可观察行为是否正确，而不抠具体实现细节。对关心 coding 模型真实水平、又苦于公开基准被污染的人，这是个值得留意的新评测。
19
🧠模型
百度放出了一个叫 Unlimited-OCR 的模型，并在 Hugging Face Spaces 上挂了可直接试玩的公开 demo。它主打长文档转录：号称能一次处理 40 多页、且保持上下文不断裂，也就是不用把长文档切成一页页分别识别再人工拼回去。规格上走的是 MoE 路线，总参数 3B、每次推理只激活 500M，意味着算力开销远小于参数量看上去的规模。对要把扫描件、PDF、长报告批量转成文本的场景，这是一个体量很小、又能直接上手试的新选项。消息于 2026-06-23/24 经 @_akhaliq 转发披露。原文未给出基准分数、支持语言和授权协议等更细的信息。
20
💰商业
在6月24日开幕的ISC.AI 2026上，360创始人周鸿祎发布了两款AI安全能力：漏洞自动化挖掘智能体"图龙锋"，以及网络安全自动化防御系统"仪天阵"，并把"图龙锋"对标Anthropic受限对外的最强模型Mythos，称之为中国版Mythos。360给出的成绩是"图龙锋"已累计挖掘漏洞3432个、其中监管确认105个，多个被定义为高危，覆盖开源代码、操作系统、办公软件和AI智能体平台等场景。同期360联合统信、麒麟、飞腾、海光、山石网科等首批信创与安全厂商发起"磐石之盾"安全协作计划。周鸿祎的核心判断是：AI让漏洞挖掘变得更快、更便宜、更规模化，过去靠"漏洞难找"维持的攻防平衡正在被改写，中国安全行业需要自己的Mythos——自己的漏洞自己先看见、先修补。