在 PyTorch Conference North America 2026 上，Google 与 Meta 联合开源 TorchTPU——一个面向 Google TPU 的原生 PyTorch 后端。此前 PyTorch 用户在 TPU 上需经 XLA 间接编译，调试与算子覆盖受限；TorchTPU 提供原生执行路径，Meta 表示计划将其内部 TPU 训练负载迁移过来。此举降低非 NVIDIA 硬件上跑 PyTorch 的门槛，直接冲击「CUDA 生态锁定」格局，多云与自建算力的训练选型多了一个正式选项。
NVIDIA 开源机器人数据引擎 Flora 模型套件：标注 1 小时机器人视频成本约 0.72 美元，而用 GPT-6 Astra 约 88 美元，且标注质量评分略高。Flora 是训练 GR00T-2 的引擎，已在 512 块 GB300 GPU 上做到每天标注 20 万小时视频的规模，输出带时间戳的动作指令、稠密过程奖励和结局奖励。开源后研究团队可低成本自建机器人数据管线。
Google 发布并开源 ML Drift，一个面向端侧 AI/ML 推理的高性能跨平台 GPU 计算引擎，Apache 2.0 协议，代码托管于 google-ai-edge/ml-drift。它是 LiteRT 背后的核心 GPU 加速层，覆盖 Vulkan/Metal/WebGPU 等图形后端，Arm 也已合作优化其 GPU 上的性能。端侧推理框架选型中原有 NNAPI/Metal/ROCm 各自为战的局面，多了一个统一抽象层。
OpenMobile-2 论文（arXiv:2610.14157）显示，手机 GUI Agent 的提升关键不是更多数据，而是训练时覆盖尽可能多的不同 App：模型用多样化模拟 App、大规模监督+强化学习数据及 GUI/工具混合调用训练，在跨 App 任务上追平专有模型水平。模型、数据与代码全部开源，为端侧自动化交互提供了可复现基线。
Anthropic 联合创始人 Jack Clark 依据 P-Zero Research 新基准的进展，把「AI 能自主设计与评估实验」的时间预测从 2029 年提前至 2027 年。该基准测量模型独立设计实验、解读结果并迭代的能力，近几个版本模型的分数上升速度超出其此前预期。若曲线延续，自动化科研工作流将比多数机构规划的时间表更早进入实用区间。
Anthropic 设计工程师 Chase McCoy 宣布 Claude 桌面应用推出全新界面，新版 UI 由 Claude 参与设计，从草图到正式上线全程不到 3 周。部分用户反馈新版信息密度偏低、简化了部分高级操作入口，团队表示将持续迭代。AI 深度参与自身产品 UI 设计并快速交付，本身即是「AI 加速产品研发」的一个可观察样本。
Anthropic 提出企业应评估把多子 Agent 架构合并为单个按需加载上下文的 Agent：在其实测的一个架构案例中，合并后复杂任务成功率更高、成本更低。当前模型长上下文与上下文管理能力增强后，早期为绕过窗口限制而拆分的编排层反而成为额外故障面。做 Agent 系统设计时可先验证「单 Agent + 按需取数」的基线，再决定是否真的需要多 Agent 编排。
OpenMobile-2 的消融实验给出可落地结论：手机 Agent 训练中，覆盖 App 种类的多样性比单纯堆数据量贡献更大；配合模拟 App 合成轨迹 + GUI/工具混合调用，可在无真机采集的情况下达到接近闭源的效果。做 GUI Agent 或浏览器自动化的团队，与其扩大爬取规模，不如优先扩充「环境多样性」与工具调用混合比例。