要点速览
- Google Gemini 4 Argon 在 Blueprint-Bench 2、AutomationBench-AA 等基准登顶，智能指数与 GPT-6 Astra 持平，但准确率与定价存在取舍。
- 研究显示前沿 AI 在中等长度会计任务上已快于并优于初级会计师，18 个月前还远低于人类水平。
- Perplexity 推出 Decisions API，输出固定答案集上的概率分布而非文本，并计划开源对应多模态决策模型。
- Hugging Face 生态密集更新：多 harness RL 让同一模型跨 harness 得分从 62% 降至 33% 的问题得到缓解，Diffusers 张量并行加载提速约 2.4 倍。
- SpaceX 完成 Crew-13、Transporter-18 与 NROL-97 多项发射，Google 与 Planet 将搭载四个 TPU 的原型卫星送入轨道。
- LeCun 转发观点认为 AI 投资需在 2032 年达到约 3.7 万亿美元年收入才能回本，而当前约 2000 亿美元。
一、AI 模型与基准
- Google 新模型 Gemini 4 Argon 在 Blueprint-Bench 2（AI 代理根据公寓室内照片绘制平面图）上排名第一，被称对物理 3D 世界的理解优于其他 AI。据转发信息，其在 Artificial Analysis 智能指数（高推理）得 53 分，与 GPT-6 Astra（max，53）持平，领先 GPT-6.1 Sol（max，52）1 分，比 Gemini 3.1 Pro Preview（30）高 23 分；幻觉率 15%，为智能指数 45 分以上模型中最低，但准确率 50%，低于 GPT-6 Astra（max，63%）。1 2
- 价格方面，Gemini 4 Argon 标准定价为每百万输入/输出 token 4/20 美元，当前五折至 2/10 美元，缓存输入折扣升至 95%；折后每项智能指数任务成本 1.99 美元，为 GPT-6 Astra（max）的 60%，但为 GPT-6.1 Sol（max）的 2.7 倍，折扣结束后将升至 3.98 美元。该模型正面向部分用户推送、尚未公开，折扣为初期促销，结束日期未确认。1
- 代理能力上，Gemini 4 Argon 在 AutomationBench-AA 以 77.5% 排名第一，领先 Claude Sonnet 5.5（max，71.3%）6 个百分点；Terminal Bench 4 得 57%，较 Gemini 3.1 Pro Preview 提升 53 个百分点，落后于 Claude Sonnet 5.5（max，64%）、Claude Opus 5.5（max，60%）和 GPT-6 Astra（59%）。模型支持 100 万 token 上下文，可输入文本、图像、视频和语音，输出文本。1
- 一项研究结论显示，在中等长度、定义明确的会计任务上，前沿 AI 模型已比初级会计师更快、更准确，甚至优于该研究中表现最好的初级会计师；而 18 个月前，这些模型的得分还远低于人类会计师。另有观点称，若任务可验证，AI 现已解决此类任务：18 个月前最佳模型低于会计师平均约 37% 的得分，如今模型可满分完成；Opus 5.5 几乎即时以 100% 准确率解决所有会计任务，而人类耗时更多且错误较多。1 2 3
二、AI 产品与基础设施
- Perplexity 推出 Decisions API，由多模态决策模型 pplx-decider-v1-27b 驱动，该模型输出固定答案集上的概率分布而非文本；定价为每百万输入 token 0.04 美元，基准测试得分 85.71%。作者表示将开源该多模态决策模型 pplx-decider-27b，Decisions API 输出 token 免费，并计划在未来数日进一步降价。1 2
- Hugging Face 生态密集更新：huggingface_hub v2.1.0 发布，新增 Jobs 的重试、重跑、重新调度与端口暴露功能，可追踪 ZeroGPU 配额，HfFileSystem 下载借助 hf_xet 最高提速 17 倍，并支持从已测试配方部署 Inference Endpoints。Diffusers 的张量并行加载大幅升级：在 Flux.2-Dev DiT、TP 度为 4（A10G）时，加载时间从 30.4 秒降至 12.5 秒，每 rank 峰值 CPU 内存从 64.1 GB 降至 6.8 GB，约快 2.4 倍、CPU 内存减少约 89%。1 2
- 多 harness RL 方面，作者称同一模型、相同权重在不同 agent harness 中得分可从 62% 降至 33%；@adithya_s_k 与 Hugging Face 团队发布多 harness RL 指南，做法是不改 harness，而是把请求指向代理，代理兼容编码 agent 使用的四种 API 格式，记录 vLLM 采样的确切 token id 与 logprobs 并据此训练，无需改动 Claude Code、Codex 或 OpenCode 的任何代码。结果：同时在 4 个 harness 上训练，@liquidai 的 LFM2.5-2.6B 从 42% 提升到 54%；因对更少步骤完成任务给予小幅奖励，工具调用减少 31%；仅在 OpenCode 上训练可将其从 34% 提升到 58%，但多 harness 模型在所有 harness 上均有改善。1
- NVIDIA 表示，CoreWeave 新服务使用 NVIDIA Dynamo 中的 ModelExpress 和 Router 加速强化学习后训练中的模型权重重载，在与 NVIDIA 及 You.com 合作对 Nemotron 3.5 Lightning 做后训练时，模型重载速度较其基线提升 15 倍，并减少停机时间。CoreWeave Forge 将 W&B、OpenPipeAI 的后训练和 marimo 笔记本与 CoreWeave 的训练、推理、沙箱和注册表统一到一个环境中，使生产环境标记的 trace 可转为训练数据集和评估门槛；该服务支持任意模型、框架或云，已有 MasterClass 和 Canva 使用，并提供免费、专业和企业版。1
三、航天与物理世界模型
- SpaceX 完成 Crew-13 载人发射并与国际空间站对接，同时 Falcon 9 执行 Transporter-18 任务将 130 个载荷送入轨道，Falcon Heavy 完成 NROL-97 发射（NRO 首次使用 Falcon Heavy），共 4 枚助推器着陆。1 2 3 4 5 6 7 8 9 10 11 12 13
- Google 与 Planet 合作，通过 SpaceX Transporter-18 拼车任务将一颗搭载 四个 TPU 的原型卫星送入轨道，这是 Project Suncatcher 的第一步，该项目旨在研究未来能否在太空托管可扩展的机器学习基础设施；未来数周将收集 TPU 在太空物理应力、辐射和极端温度下的在轨数据，用于改进后续设计。1
- Starlink 机上 Wi-Fi 进展：阿拉斯加航空集团已在超过 40% 机队完成安装，夏威夷航空长途机队及阿拉斯加航空区域机队全部完成；有推文称机上 Wi-Fi 将于 2027 年推出。1 2
四、行业观点与争议
- LeCun 转发引用 Stijn Van Nieuwerburgh 的研究：2025-2032 年 AI 投资年均约占 GDP 3.6%，按 10% 回报率，到 2032 年行业需年收入约 3.7 万亿美元才能回本，而当前约 2000 亿美元；作者认为该收入难以达到，理由包括扩散缓慢、开放权重模型竞争限制定价、AI 短期内无法自动化整个职业；若达到则资本份额与不平等激增，若无法盈利则可能崩盘。1
- Anthropic 分享哈佛物理学家 Matthew Schwartz 的 Science Blog 客座文章观点：AI 与科学之间存在类似物理中“阻抗失配”的问题——两个系统各自运作良好，但彼此匹配不佳；把大模型当作人类合作者来使用，目前并非激发其科学优势的最佳方式。为应对该失配，Schwartz 构建了一套用于定量科学精确计算的工具包；由于相似计算常出现在差异很大的科学领域，Claude 找到了与生态学、群体遗传学及其他十余个领域的联系，Schwartz 随后与各领域专家合作，将模型引导向有意思的问题。1
- 关于《白宫超级智能协议》，有观点认为其通过要求聘请第三方审计并向独立董事会委员会报告，比几乎任何可设想的监管行动更具近期实际意义；董事会成员负有信托义务，若忽视审计报告可能面临法院恶意认定及 D&O 保险拒赔，认为这对普通美国人有利，且优于可能造成前沿受监管寡头垄断的新监管机构。1
- 争议/待证实：LeCun 转发讨论 LeWM 按时间步应用 SIGReg 无法阻止时间坍缩，建议对 (N*T, D) 张量应用 SIGReg 以处理慢特征，并称已证明可解决该问题。1
