深度精读中科院自动化所、国科大与腾讯微信联合发表的 FlashPrefill V2——面向长上下文 LLM 服务的训练免费块稀疏 prefill 注意力方案。针对前作「精度失控、内核落后、不兼容生产引擎」的三重差距，V2 以块均值校正补偿被剪枝块的注意力贡献、以对齐 FA3/4 的 warp 特化稀疏内核兑现稀疏收益、以原生 paged KV 与连续批处理无缝接入 SGLang。128K 上下文下 H20 算子级较 FA3/4 对齐 dense 基线加速 17.5 倍（FP8 达 30 倍），端到端 TTFT 最高 4.83 倍，而 RULER/LongBench 精度损失不足 1.1 分，是「算法-内核-系统」三层协同落地的教科书级范例。
新加坡国立大学、南方科技大学与牛津大学团队论证：在长程agent微调场景中，进化策略（ES）不只是更便宜的RL替代品，而是结构性更优的选择。Agentic ESOpt以参数空间扰动+奖励加权更新实现免反传全参优化，GPU显存与推理持平（8.41GB，比GRPO低85.7%），在可控Sudoku实验中呈现horizon-dependent crossover——H*=15时超最强GRPO 12.5个百分点；WebArena-Lite上完成27B模型全参适配（29.47%→36.16%），并支持prompt-参数协同进化。
华为LegoX团队联合港中文发布LEGO-RL——在不修改原生编码agent harness内部控制流的前提下接入可扩展策略梯度训练。三大支柱：进程内LLM代理捕获原始生成流实现token级对齐与训练端logprob重算（即使harness压缩/重序列化上下文）、Nydus镜像缓存+分级防御抑制reward hacking、插件化校验监控+Live UI轨迹诊断。训练Qwen3.5-35B-A3B（GSPO）在三大harness上全面提升：OpenHands SDK 64.0%→70.4%、Claude Code 62.4%→68.2%、OpenCode 57.2%→66.6%，rollout-训练概率相关性保持0.99以上。
三星研究院提出MoNe——附加到任意冻结预训练Transformer上的模块化神经记忆，实现O(N)预处理+O(1)查询的长上下文推理。两阶段设计：测试时以固定分段读入上下文、快权重神经记忆网络做层局部梯度更新；推理时仅从查询token生成KV，不再重读任何上下文token。128K token时计算与峰值显存较ICL均降约80%（参数开销仅6.4%），RULER上S-NIAH 128K达0.96（ICL仅0.28、MK-NIAH上ICL完全归零而MoNe保持），且可泛化到骨干原生窗口远之外的长度。
Intellifusion（云天励飞）技术报告：验证通用代码Agent能否在无任何手写CUDA的前提下产出SOTA GPU内核。在Houmao多Agent编排框架中构建“正确性门控”的内核优化工作流——人类仅做编排（定义流程、强制正确性与反作弊约束、提供关键参考、卡住时重定向搜索），完全不审阅内核代码；起点仅为PyTorch参考实现+工作负载定义+基准命令+紧凑CUDA优化技能集。约19亿agent token在NVIDIA B200上产出：Fused MoE加速92.68×（FlashInfer库为47.08×）、DSA TopK 1101.02×（FlashInfer 52.03×）、DSA Sparse Attention 181.35×（FlashInfer 10.33×）；MLSys 2026 FlashInfer竞赛官方评测中Fused MoE内核1.71×超FlashInfer基线并超过agent-assisted赛道第一名（1.68×）。
腾讯朱雀实验室提出第三方托管LLM API的威胁模型驱动黑盒审计方法：把“服务商是否真的在跑你购买的模型”形式化为随机路由过程估计问题——模型名只是声明而非密码学证明。Ventor-QTest无需目标API任何概率信息：重复请求组件对冻结约束上下文多次重发、从返回文本计数重构类别输出分布，联合报告平均保真损失（AFL）与最坏情况期望保真损失（EFL）双指标，覆盖“平均诚实但最坏降级”的攻击面。论文论证两指标须联合报告（尤其对长时程agentic任务的最坏行为敏感），工具已开源并入腾讯AI-Infra-Guard。
混合线性注意力（HLA）LLM 用少量全注意力层搭配大量线性注意力层来兼顾长上下文与效率，但巨量激活（Massive Activations）在其中如何表现此前几乎无人研究。本精读覆盖首个系统性分析工作：论文发现两种与架构严格对齐的激活形态——注意力前尖峰（PAS）与尖峰间平台（ISP），在 5 种线性架构、6 种混合配置、5 个数据域、1.2B–397B 的 12 个开源检查点上高度复现，Sink-spike 对齐率高达 99.4%–100%；并提出统一的「写入-汇聚-抵消」生命周期机制：MA 的抵消时机决定形态——快速抵消形成 PAS，延迟抵消形成 ISP，全注意力极限下恢复传统 LLM 的稳定 MA。门控实验的不对称效应进一步印证全注意力层是组织 MA 动力学的核心节点。
测试时算力扩展是大推理模型性能的主引擎，但并行采样极度浪费、减法剪枝又让GPU挨饿，核心问题已从“花多少算力”变成“把算力花在哪”。本文提出思维级束搜索 Gambit：用轻量评分器探测步骤边界隐状态，周期性剪除劣迹并立即从高分前缀分支，以零和交换维持固定容量活跃池，同时保持硬件满载。在 5 个基准 × 3 个模型上严格支配 SC、Slim-SC、DeepConf、STEP 四大基线：HMMT-24 最高 +6.7%，token 消耗较并行采样最高降 68.5%，吞吐超 2 倍，管理开销仅 0.97%。本精读覆盖其问题形式化、方法细节、实验证据与因果链根源分析。
DeepSeek V4 Pro登场，中国开源模型连续逼近前沿能力，迫使黄仁勋牵头组建美国"开放安全AI联盟"，Sam Altman、Sundar Pichai等闭源掌门人罕见支持。这期硅谷101系统拆解了AI"开源"到底开的是什么——从七步训练流程到Open Weights与Open Source的本质区别，以及许可证之争、开源公司如何赚钱、闭源阵营的安全担忧与商业焦虑。
交互式视频世界模型在长时程生成中会遇到一个隐蔽的「记忆失效」问题：KV cache 里明明存着过去的画面，模型却读不出来。本文精读 NVIDIA/Princeton/ Toronto 联合提出的 WorldTrace 框架，它精准定位了 RoPE 旋转位置编码超出训练范围导致的「内容不可寻址」根因，并用一套无需训练的虚拟槽位机制，在时间一致性上提升 15.5%、在 LoopBench 情景回忆上提升 19.5%。本精读将从世界模型的记忆机制讲起，逐层揭开位置编码、相位抵消、虚拟槽位、规范 key 平均等关键技术。