Tendrils 获 Benchmark 领投 3000 万美元，要从头重做 CPU：数千核并行、配套开源语言 Vine
他们认为现有 CPU 被向后兼容拖累，卡在缓存一致性和乱序执行上，于是放弃共享可变内存和线性指令流，做并行优先的处理器；英国主权 AI 基金、Conviction 等参投，Jack Altman 进董事会。离量产还很远，但代表了 AI 时代对通用计算架构的又一次押注。
https://tendrils.co/blog/2026-11-10/30m-raisedReposted. Will be removed on request. All rights belong to the original author.
More from this batch
阿里发布 Qwen4-Max 预览版：主打编程和智能体，先在 Token Plan 和自家产品里开放
Qwen 官方只说新一代在知识、世界理解、编程和智能体任务上更强，面向复杂编程、前端搭建和专业软件操作；目前没公布参数、跑分、按量价格和正式发布日期，模型 ID 是 qwen4-max-preview。可以通过千问 Token Plan（限时最低 1 折）接到 Claude Co…
Nvidia hires law firm Wachtell Lipton to lead Jensen Huang affair probe
On Sunday, Huang admitted to having an affair with a woman who has been connected to Chinese intelligence by reports in The New York Times a…
Anthropic opens Australian retail IPO offering as AI scrutiny intensifies
Anthropic opened its Australia retail IPO offering on Wednesday, allowing individual investors to apply for shares ahead of its planned IPO.
CoreWeave 三季度营收 36.6 亿美元、同比涨 168%，上调全年指引，但到 2027 年不再发母公司无担保债
收入和指引都超预期，说明 AI 算力需求没降温；但股价过去一个月跌了四成多、部分债券收益率超 16%，CFO 表示按当前利率不再发母公司层面无担保债，改用客户预付款、硬件伙伴融资和合同挂钩的债务。新云厂商的瓶颈已经从需求转到资金成本。
亚马逊 Ring 推出 AI 巡逻无人机和地面机器人，2026 年底到 2027 年初上市
Ring Rover Cam 和 Ring Drone Cam 用 AI Pilot 系统结合视觉模型、端侧传感器和云端处理规划巡逻路线，并自动绘制家里或店铺的平面图、建议巡逻点。会动的摄像头也带来新的隐私问题，Ars 回顾了亚马逊上次推室内飞行摄像头时引发的争议。
删权重就能后训练：只把不到 0.05% 的权重置零，效果追平全量微调，还几乎不遗忘
进步在哪：在可验证奖励强化学习、监督微调和在线蒸馏三种后训练里，Deletion Tuning 都达到全量微调的水平，训练出的掩码比完整检查点小几百到几千倍；强化学习时旧任务准确率基本保持，而全量微调、LoRA 会掉最多 5.4 分。靠什么：只在 Transformer 门控投影…
Meta FAIR 发布 e-means：k-means 的直接替代，约十分之一的轮数达到同样损失，已进 FAISS 1.16.0
进步在哪：在 24 种数据配置上，1.4 到 2.6 轮就达到 Lloyd k-means 跑 25 轮的损失，GPU 上比 Flash-KMeans 快 10 到 45 倍，测试规模到 100 亿点、1670 万簇。靠什么：小批量更新，用指数滑动平均让旧的统计量按比例衰减，而不…
TIS-100 编程谜题评测：16 个模型在 55 道题上找到 133 个新的帕累托前沿解，3 项周期数纪录被刷新
TIS-100 是一个极度受限的汇编小游戏，玩家社区优化了十年。作者给模型游戏和手册、不给排行榜，让它们不断改进；Opus 5.5 和 GPT-6 Astra 领先、全部解出，几天后人类玩家又在模型解法上继续改进。说明模型在长时间、多目标的代码优化上已经能做出人类没想到的东西。
dNaViT：离散编码也能做通用视觉表示，一个分词器同时支撑理解、生成和编辑
进步在哪：原生分辨率的离散视觉 Transformer，在理解、生成、编辑任务上追平或超过专用基线。靠什么：分组乘积量化加双分支训练目标，让离散 token 同时保留语义和重建细节。对做统一多模态模型（同一套 token 既看又画）的路线是个支撑。
世界模型要见几次才学会新规则？在测试时学习没见过的游戏机制
作者把每次观察到某条机制定义为一次「曝光」，系统测量世界模型需要多少次曝光才能预测新机制的效果。这关系到智能体进入陌生环境（比如新软件、新业务系统）时，能多快靠少量交互学会规则。
World ICL：让机器人在上下文里学操作技能，而不是把技能写死进权重
进步在哪：以往上下文学习在机器人操作上一直打不过训练出来的策略，这篇尝试缩小差距。靠什么：把「世界」本身作为上下文示例给智能体，让它在部署时从示范中学技能，避免训练分布绑定。
Infrathon：评测智能体能否长期持续优化真实 AI 基础设施
一组多样的长周期 AI 基础设施优化任务，考察前沿智能体能否像工程师一样持续改进训练和推理系统。和最近 METR 关于 AI 加速自身研发的讨论直接相关，也适合做平台工程的团队参考自动化的边界。