MIT EQuS小组研究生Beatriz Yankelevich将GPT-5.6 Sol接入Codex与实验室测控软件，让Agent自主完成超导量子比特实验：选择测量参数、操作硬件、分析数据、决定下一步实验。在未校准的六比特芯片上，Agent能以极少人工干预完成跃迁频率识别、控制脉冲校准与相干时间测量；弱信号场景仍需有经验研究者介入。EQuS已常态化让Agent整夜跑测量，研究者可从手机查看进度并远程纠偏。
Mistral宣布完成30亿欧元D轮（投后估值超210亿欧元），为欧洲科技公司史上最大股权融资。三星电子领投，EQT管理的Scaleup Europe Fund与PSG Equity联合领投，Advent、贝莱德、卢森堡大公国等新投资人入场。公司称资金将用于扩展前沿研究、训练算力与基础设施，现已在20个国家运营，服务空客、ASML、汇丰等125家企业，主打「主权开放权重AI」全栈路线。
Meta发布个人AI代理Muse（iOS/Android双端上架），核心是Muse Secure VM——运行在持久专用虚拟机上的安全浏览器环境，可自主完成订票、填表、处理客服事务等任务。Muse定位跨生活场景的「代办型」助手，内置隐私与安全控制，用户可随时接管。这是Meta从超级智能实验室走向消费级Agent产品的关键落子，HN讨论热度622分、683条评论。
Anthropic经济团队基于Korinek等2026年技术报告发布交互式经济场景模型：温和/实质性/极端三种情景下，AI对美国2030年GDP的拉动分别为+1.6%（34.1万亿）、+8.3%（36.3万亿）、+32.4%（44.4万亿美元）。多数情景中失业率维持历史区间，但极端情景（递归自我改进+快速普及）下失业率或飙升至历史高位、知识工作者工资承压。配套调查覆盖10980名美国人，典型受访者预期接近「实质性变化」情景。
AI音乐公司Suno推出v6代模型，分三个版本：旗舰v6面向Pro/Premier付费用户，主打全曲风精准 polished 输出；v6-wild面向实验创作；v6-mini免费开放。三版本对 vocals、配器、曲式、情绪与参考的理解均超上代，支持用文本指令只改歌曲局部（如仅副歌换成福音合唱），也可在单次请求中混合多首歌的人声、鼓组与新歌词。伴随v6上线，Suno将下线全部旧模型。
高通将为AWS跨多个产品世代设计定制芯片，聚焦AI推理负载，双方还将合作1.6Tbps光互连。这是高通6月以来第三个大型数据中心客户（Meta采用其Dragonfly C1000服务器处理器，微软Azure部署其HBC内存架构），高通目标2029年数据中心营收达150亿美元。反向合作中，高通使用Amazon Bedrock等AWS服务加速芯片设计流程；AWS则在高自研Trainium/Graviton之外补充第三方推理算力。
Hugging Face在自家聊天产品中上线「ML Intern」AI助手：用户用自然语言描述想法，助手自动检索Hub、GitHub与网络找模型和数据集，预估算力成本并给出预算上限（批准后不超支），随后自主完成数据集创建、模型训练、任务监控、结果上传Hub、撰写报告与构建demo，每次训练有独立仪表盘。官方演示中一次约6小时的训练花费不到0.5美元。该工具大幅降低了在HF平台发起ML项目的门槛。
现有LoCoMo/LongMemEval等记忆基准只测对话回忆，不测记忆是否改变工具型Agent的行为。MERIT基准用带泄漏校验的分幕工具任务+难度阶梯+记忆损坏注入+全程token/美元计量：在23440个评分回合中，记忆使依赖任务成功率从0.00提升至0.55-1.00；但更新事实场景下向量检索不稳定（0.30-0.95，种子间最大差0.45），update-on-write存储稳定在0.70-1.00；全量重放永不经济，最优条件下记忆的边际效用/美元达2.7-3.9倍。
指令微调中把多条样本拼包（packing、无padding）本与FA2不兼容——旧实现忽略样本边界造成跨样本注意力，损害收敛。HF现在通过position_ids与cumulative_seq_lengths保持边界感知，配合新DataCollatorWithFlattening实现无损拼包：FLAN数据集上llama2-7B/mistral-7B/granite-8B-code吞吐提升2倍、峰值显存降20%，OrcaMath上吞吐1.4倍、显存降6%，且保持相同优化步数、验证损失与padding基线完全一致。已支持Llama 2/3、Qwen2、Phi-3等14类模型。
NVIDIA开发者博客详解Encode-Prefill-Decode（EPD）分离式推理的适用边界：将视觉编码器从prefill/decode中拆出独立扩缩，配合开源推理框架Dynamo，多图/视频重负载下TTFT最高提升5倍、端到端响应快7倍。最佳场景为图像密集提示、中短输出与量化MoE模型；而单图轻负载、输出超长或未量化稠密模型下不推荐。文中给出编码器worker与PD worker的部署拆分方法与实测数据。