Meta 发布 Muse Wonder 与 Muse Wonder Full 模型家族
Meta Superintelligence Labs 发布第二代模型家族 Muse Wonder 与 Muse Wonder Full，前者通过 Meta Model API 和 Muse Code 提供，后者仅面向 Muse Code 订阅用户。
推荐理由：汇总 Meta Muse Wonder 家族发布细节与第三方评测，可对照其与 Opus 5.5、GPT-6 系列的位次与定价。
#推理
Latent Space精选AI 评分8282 TechCrunch · AIAI 评分8080 Meta 发布首个前沿模型 Muse Wonder 与 Muse Wonder Full
Meta 的 Superintelligence Lab 发布 Muse Wonder 和 Muse Wonder Full 两款新模型，这是该公司首次尝试前沿模型。
The DecoderAI 评分6464 微软研究：清空对话历史可让 AI 智能体找到更好方案
微软研究院一项研究提出 Fork-and-Flush 方法，让长时运行的 AI 研究智能体在保留工作区文件的同时清空对话上下文，从而跳出反复收敛到同一类方案的 idea basin。
AWS Machine Learning BlogAI 评分3232 在 Amazon SageMaker AI 上用 llama.cpp 部署决策模型
AWS 发布面向 llama.cpp 的 Deep Learning Container，可在 Amazon SageMaker AI 上以 CPU 或 GPU 托管量化模型，并通过 InvokeEndpoint 提供 OpenAI 兼容的 chat completions。
AWS Machine Learning BlogAI 评分3434 用 Ray LLM Deep Learning Containers 在 Amazon EKS 上运行多节点推理
AWS 发布面向多节点部署的 Ray LLM Deep Learning Containers，可在 Amazon EKS 上把单个大语言模型拆分到两个 GPU 节点，分别承担 prefill 与 decode 阶段，并统一暴露一个 OpenAI 兼容端点。
The DecoderAI 评分5050 Anthropic 的 Andrej Karpathy：外界只看到了 AI 能力的“预览版”
Anthropic 的 Andrej Karpathy 将大语言模型用户分为四层：约 60 亿人几乎未接触过 LLM，10 至 20 亿人只是把免费版 ChatGPT 类产品当作更好的搜索引擎，约 2000 万数学和编程领域的专业用户已用智能体完成过去需数周乃至数月的复杂项目，而仅约 5000 人能接触内部前沿系统。
The Decoder精选AI 评分8282 Google DeepMind 的 AlphaProof Nexus 解决数十个开放数学问题并通过同行评审
Google DeepMind 的 AlphaProof Nexus 独立解决了数十个开放数学问题，相关研究发表在 Science 上。它攻克了 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：AlphaProof Nexus 在 Erdős 开放问题上取得成果并走完同行评审，可与 OpenAI 未投稿的做法形成对照。
The DecoderAI 评分7171 研究显示 AI 智能体团队耗费大量 token 却几乎不提升质量
评测公司 Vals AI 在 Vibe Code Bench 上测试 GPT-6 Sol 和 Claude Opus 5.5，分别以单智能体和团队形式在中等与最高推理强度下运行，团队成本是单智能体的 1.8 倍到 5.1 倍。
Latent SpaceAI 评分3636 Google DeepMind 的 Pushmeet Kohli 与 Biohub 的 Sal Candido 谈：为什么 AlphaFold 没有解决蛋白质折叠问题
Google DeepMind 的 Pushmeet Kohli 与 Biohub 的 Sal Candido 在对话中指出，AlphaFold 的突破只是开始，蛋白质结构预测远未解决，蛋白质动态与无序等问题仍待攻克。