sota

Locus，一个自动化AI研究系统，在PostTrainBench上达到SOTA，并能后训练Qwen3基础模型，使其超越人类后训练的模型。它还在Kaggle竞赛中表现出色。

Kimi K3在新的pmpp-hard基准测试中取得了最先进的结果，在69个GPU内核任务中得分为0.71，并超越了其他前沿模型。

Qwen发布了Qwen-CUA，一个拥有397B-A17B混合专家主干的原生计算机使用智能体，在OSWorld-Verified上取得了最先进的结果，并在WebArena上排名第二。技术报告可在Papers with Code上获取。

Mike Bradley 分享了基准测试结果，声称 DeepSeek V4 Flash 0731 是当前190GB显存系统的最佳（SOTA）选择，在质量上匹敌甚至超过 Unsloth 3-bit Qwen3.5-397B，而运行速度大约快3倍。

宣布推出开源SOTA视频生成模型MiniMax H3，具备商业级生成能力、无与伦比的成本效益以及开放权重。

KAT-Coder-V2.5-Dev 是一个开放权重的 MoE 编码模型，总参数为 35B（3B 激活），通过 SFT 和 RL 训练在代理编码基准测试上取得了最先进的结果。

LLM-as-a-Verifier 是一种简单、廉价、通用的面向智能体任务的自我改进技术，通过细粒度评分和基于 logprob 的排名，在 SWE-Bench Verified 和 Terminal-Bench V2 等多个基准测试中取得了最先进的性能。

今天，我们发布 Le Chaton L∃∀N，即 Leanstral 1.5。它在研究生代数基准测试 FATE-H 和 FATE-X 上实现了 SOTA 性能，并在 PutnamBench 上改进了帕累托前沿（Pareto Frontier），以 x10 更低的预算解决了 587/672 个问题。

Ornith-1.0 已在 Hugging Face 上发布，包含一系列模型，参数范围从 9B 到 397B，涵盖密集和 MoE 架构，声称在各项基准测试中达到 SOTA 性能。

GLM-5.2 在 PostTrainBench 上取得了最先进的结果，超越了 GPT-5.5 和 Opus 4.8。

SAG（SQL-Augmented Generation）是一种基于SQL的检索增强生成新方法，通过将数据块转换为事件和实体，利用SQL连接查询实现多跳推理，在MuSiQue数据集上Recall从65.13%提升至80.04%，支持约5亿条数据的秒级线上检索，已开源。

Harrison Chase宣布了一个用于检测生产环境代理追踪问题的后训练模型，声称其准确性达到SOTA水平，而成本仅为前沿模型的1/10到1/100。

Recursive的自动AI研究系统通过在无需任务特定适配的情况下自动化研究循环，在NanoChat、NanoGPT Speedrun和GPU内核基准测试上达到了最先进的成果，并开源了相关工件以供进一步检验。

Browser Use Beta 在困难的内部网络代理基准测试中取得了先进的结果，使用了 Fable 进行优化和分析。

Fable-5/Mythos 在智能体搜索中达到了新的 SOTA，但自托管成本高昂；而开放权重的 Harness-1 以更少的查询限制提供了更具性价比的替代方案。

Anthropic 宣布推出 Fable 5，这是一款在机械工程任务中达到最先进水平的模型，能够通过单个提示生成复杂的装配体与机构。

Argus-Retriever 是一种新型的延迟交互视觉文档检索器，它根据查询自适应文档表示，在 ViDoRe 基准测试上以更小的索引实现了 SOTA 性能。

Miles Brundage 宣布由同事 Carly 在 Clear AVERI Pronunciation Guide Bench 上实现了最先进（SOTA）分数的提升。

推荐阅读MAI-Thinking-1的技术论文，其中详细介绍了训练SOTA大语言模型的几乎全部细节。

NVIDIA 发布 Cosmos 3（混合 Transformer 模型，参数最高达 64B）、Nemotron 3 Ultra（550B-A55B 大语言模型），并在 Computex 2026 上预览了 RTX Spark 个人超级芯片，在多个开源模型排行榜上达到 SOTA。