模型推理能力的进展：思维链、推理模型、数学与逻辑基准的突破与争议。
作者让 Claude Fable 5 在 Claude Code 中分三步移植其 1993 年 Amiga 游戏：34,000 行 C++ 一个晚上迁入 Godot 4，72,758 行无注释 68000 汇编先用 vasm 重建出与发售版字节一致的二进制再移植，并把 1993 原作作为第二启动项嵌入新游戏。
推荐理由：作者亲历者复盘用 LLM 移植 68000 汇编的完整过程，给出可验证的字节级校验方法和多处 AI 出错的实例。
Gary Marcus 发文点评 GPT-6 Astra，称多项报告显示其为真正的进步，OpenAI 产品显式创建并操纵符号世界模型，令其近十年的主张获得印证。
推荐理由：作者结合自身近十年主张神经符号世界模型的立场，指出 Astra 的关键未知在鲁棒性与可监控性，判断有具体依据。
Greg Brockman@gdb精选AI 评分7272由 @OpenAI 推出的 GPT-6 Astra 在 ARC-AGI 上达到 SOTA： - Astra 在 ARC-AGI-3 上得分 63%，通过新的提供商适配器测试框架可达 99% - 它在 96% 的 ARC-AGI-3 关卡上超越了人类表现 - 它构建了我们所见过的、对新环境最精确的符号模型 我们的分析：
推荐理由：转发 ARC Prize 对 GPT-6 Astra 的评测数据，标准与 Provider Adapter 两种 harness 分差大，可据此了解 harness 对得分的影响。
Aravind Srinivas@AravSrinivas精选AI 评分7070我们在 WANDR 上评估了 GPT-6 Astra。它以每任务 $11.98 的成本得分 0.682，是我们测试过的所有模型中的最高分。 GPT-6-Astra 比 Fable 5.1 高 13.5%，成本低 6.1%；比 Opus 5 高 27.0%，成本高 3.3%。
推荐理由：Perplexity CEO 确认 GPT-6 Astra 在其评测中领先，并宣布将向 Pro 和 Max 用户开放。
Rohan Paul@rohanpaul_ai精选AI 评分7878
OpenAI 的发布视频越来越出色了。
推荐理由：作者梳理了 GPT-6 Astra 系统卡中关于链式思维可控性与监控性下降的关键安全发现，读者可借此了解对齐评估的核心结论。
Sherwin Wu@sherwinwu精选AI 评分6666当我们发布 ARC 3 时，有人问我：“你觉得前沿模型什么时候能把它刷满？”我回答说：“大约一年吧，不过这取决于它被专门针对的程度。” 那是 6 个月前的事了，所以 Astra 所代表的进展大约比我预想的快了 2 倍。我认为进展的速度会让很多人吃惊，而新模型能做到的事，将会挑战人们通过使用前几代模型所形成的对 AI 的看法。
推荐理由：结合 Arc Prize 负责人的预估与半年即饱和的结果，读者可以借此对照自己对前沿模型进展速度的预期。
François Chollet@fchollet精选AI 评分8181推荐理由：ARC Prize 作者基于自家标准 harness 的实测数据评估 GPT-6 Astra，读者可对比 66% 与近 100% 两种设置看模型与 harness 能力的边界变化。
IFM 发布 K2 Horizon 模型系列，共六个模型：375B-A23B、36B-A4B、32B、7B、3.7B 和 0.9B，均以 Apache 2.0 开源，其中 0.9B、3.7B 和 7B 宣称在其规模上达到 SOTA，36B-A4B 采用新提出的稀疏注意力架构 MoVA。
推荐理由：原文在发布模型之外还放出从预训练到智能体后训练的全流程产物，研究者可以据此复现和改造整套训练方法。
OpenAI 发布最新模型 Astra，称其为迄今最强大模型，主打计算机和浏览器操作，先面向 Daybreak 网络安全计划客户开放，随后一周内覆盖 Pro、Plus、Enterprise、Business 付费账户及 API。
推荐理由：原文梳理了 Astra 的能力主张、发布节奏，以及 opaque recurrence 引发的可监控性争议，信息较为完整。
NVIDIA 发布教程，讲解在 Jetson 上部署新一代开放推理模型的方法，以 Nemotron 3.5 Lightning 和 Qwen3.8-27B 为例。
推荐理由：官方教程给出模型选型、NVFP4 量化与投机解码配置和实测吞吐数据，可迁移到自己的 Jetson 部署流程。
Google DeepMind 发布 Gemini 3.8 Flash 与 3.8 Flash Cyber。
推荐理由：官方给出两版模型的定价、基准成绩和实际安全应用数据，读者可据此评估在新旧 Flash 模型间的迁移与选型。
Sundar Pichai@sundarpichai精选AI 评分6565
推荐理由：原文给出模型能力变化、定价和多项基准对比，读者可据此评估它相对更大模型的性价比与适用场景。
ARC Prize 报告 OpenAI 的 GPT-6 Astra 在 ARC-AGI-3 Semi-Private 上，Standard harness 得分 62.7%（成本 $26K），Provider Adapter harness 得分 99.9%（成本 $19K），均为 SOTA。
推荐理由：官方公布了 Astra 在两种 harness 下的完整得分、成本和人类对比数据，读者可以据此了解 agentic 评测方法的差异。
Google DeepMind 发布 Gemini 3.8 Flash，在 Artificial Analysis Intelligence Index 上以 high 推理得分 59，较 Gemini 3.7 Flash 提升 3 分。
推荐理由：评测方一手数据给出了智能指数、单任务成本和速度的具体变化，可帮助读者判断该模型在实际任务中的性价比。
Meta 发布 Muse Spark 1.3，是其五个月内第四个 Muse Spark 版本。xhigh 版在 Artificial Analysis Intelligence Index 得 61 分。
推荐理由：独立评测方给出与同档模型的分数和单任务成本对比，读者可据此判断该模型在智能与成本上的位置。
上海AI实验室发布 InternLumina-U2，一个 16B 参数（激活 1B）的 MoE 扩散语言模型，用 8 码本全离散视觉表示统一覆盖文本问答、文生图、图像理解与编辑、视频及 3D 理解。
推荐理由：原文给出多码本全离散统一架构的设计细节、基准分数和双硬件适配说明，读者可以了解统一理解与生成模型的一条新路线。
Artificial Analysis 评测 Claude Fable 5.1，其以 66 分登顶 Artificial Analysis Intelligence Index，超过 Claude Opus 5（63）、Fable 5（62）、GPT-5.6 Sol（61）和 Grok 4.6（61）。
推荐理由：Artificial Analysis 实测了 Claude Fable 5.1 的智能指数、各基准得分与每任务成本，读者可据此权衡其相对 Opus 5 和 GPT-5.6 的性价比。
斯坦福大学研究人员领衔发布 Terminal-Bench-Science 0.1，用来自生命、物理、地球、数学和工程科学的 70 个专家精选任务评估 AI 智能体的科研能力。
推荐理由：70 个专家任务里最强模型仅解决 30%，成本与 token 前沿还显示不同系统取舍，为选择科学智能体提供了比软件基准更接近真实研究的依据。
腾讯混元发布新一代旗舰模型 Hy4 preview，总参数 770B、激活参数 49B、上下文长度 1M，现已开源并在腾讯云 TokenHub 和 OpenRouter 上线。
推荐理由：官方盲测中它与 GLM-5.3、Kimi K3 的分差不足 0.1，选型时 1M 上下文和开源部署成本可能比榜单排名更实际。
截至 2026 年 6 月，我国日均词元调用量已突破 500 万亿，中国大模型在全球竞争中位居第一梯队。当前旗舰模型几乎以月为单位更新，竞争焦点转向智能体落地与生态建设，推理算力需求随之爆发。腾讯混元 3 正式版上线第一周，Token 调用量比上一代混元 2 增长 68 倍。
推荐理由：模型更新周期缩短至4到6周，且智能体任务的多轮调用说明推理算力需求上升，对算力产业链的判断需从训练侧扩展到推理侧。