美团开源万亿参数模型，百度ERNIE Evolve实现自动化研发

美团开源万亿参数多模态模型 LongCat-2.5

美团把自家原生多模态混合专家（MoE）模型 LongCat-2.5 开源了。总参数量 1.6 万亿，每个 Token 激活的参数约为 480 亿。开发者能直接拿到的好处是：上下文窗口支持百万级别，许可协议用的是 MIT，商业使用基本没什么门槛。

长文本处理和多模态理解如今已是标配，美团此时把这么大体量的模型放出来，意图很明显——在下层基础设施上抢一块地盘。百万上下文能一次装下整本技术手册、长篇法律合同，或者几个小时的视频转录文本，细节不会丢。对要处理海量非结构化数据的企业应用来说，这种能力比对话流不流畅更有吸引力。

百度发布自动化研究系统 ERNIE Evolve

百度公开了自动化研究系统 ERNIE Evolve 的最新进展。这套系统干的事是让 AI 自己做研究：自主选题、改代码、跑实验，再把有效的改进方案挑出来。目前它已经用进了百度最新模型的研发流程。

百度公布的数据显示，经 ERNIE Evolve 优化后，GPU 推理吞吐量最高提升 33.7%。研发范式正在因此改变。以前做模型优化，工程师得手动调超参数、试不同的架构组合，费时且结果难料。现在系统能自动遍历大量可能，把人类容易漏掉的最优解找出来。迭代周期加快了，人力成本也降了。对大型科技公司而言，这种“自我进化”的本事，战略意义可能比单个模型的性能提升更大。

Google 扩展第八代 TPU 及配套软件栈

Google 在硬件基础设施上继续投入，第八代 TPU 新增两款：TPU 8tx 和 TPU 8i Max。前者侧重机密推理，适合数据安全要求极高的场景；后者聚焦长上下文和高密度计算。一年之内，Google 第八代 TPU 产品线已扩到四款，AI 算力竞争中的紧迫感可见一斑。

硬件之外，Google 同步推出 TPU Sync 技术，用于在 TPU 推理和强化学习任务中高速传输 KV Cache 与模型权重。这一功能直接冲着大模型推理的内存带宽瓶颈去，目的是减少等待、提高整体效率。另外，分布式机器学习运行时 Cloud Pathways 和 GKE Dynamic Slicing 功能也正式 GA（通用可用）。Cloud Pathways 面向大规模训练任务，Dynamic Slicing 则把逻辑 TPU 切片的创建与物理节点池配置解耦，资源利用率随之提高。

这一连串动作说明，Google 正从单纯的芯片提供商转向全栈基础设施服务商。硬件只是入口，真正难被复制的地方在于：怎么让这些硬件更容易被开发者用起来，以及怎么靠软件优化把硬件性能榨到最大。

NVIDIA 发布 GR00T 2 世界动作模型

NVIDIA 在 CoRL 会议上发布了开放世界动作模型 GR00T 2，重点讲的是机器人在任务中的少样本泛化能力。同一时间，NVIDIA 还公布了 Isaac Lab 3.0 等开放技术。

GR00T 2 想做到的是让机器人像人一样，看少量演示就能学会新技能，而不是每个动作都重复训练成千上万次。少样本泛化是具身智能走向实用的关键一步。机器人要是每换个环境、换个物体都得重新训练，商业化落地几乎无从谈起。Isaac Lab 3.0 则给开发者提供了更强的仿真环境，在虚拟世界里训练机器人变得更高效、也更接近真实。

ElevenLabs 推出自动持续外呼工具 Campaign Manager

语音 AI 公司 ElevenLabs 推出 Campaign Manager，这是一款自动持续外呼工具。它按预设的联系人列表和业务目标执行多轮外呼，多次接触之间会保留上下文信息。

用户可以在系统里设置触达时段、最大尝试次数，以及对方拒接后是否停止联系。销售和客户服务场景很吃这种精细化控制。传统自动外呼常被当成骚扰电话，原因就是没有上下文记忆、策略也调不灵活，Campaign Manager 想用更聪明的交互逻辑绕开这个问题。它不只是个拨号器，更像一个带着基本沟通策略的数字员工。

Databricks 推出 UCDataset 加速 GPU 训练数据读取

Databricks 发布 UCDataset，用来加速从 Unity Catalog 表中读取训练数据。大规模 GPU 训练中，数据管道经常成为瓶颈，昂贵的 GPU 只能干等。UCDataset 优化了数据读取路径，等待时间缩短，训练利用率随之提升。

这个问题业界普遍存在。模型越大，训练数据量跟着猛涨，传统 I/O 方式很难跟上 GPU 的高速需求。UCDataset 就是对这一痛点的具体回应。手头数据资产多的企业，能不能把这些数据高效转成训练素材，直接关系到模型迭代的成本和速度。

行业资讯与研究洞察

HOPE 研究：保留 MoE 专家间协作关系

亚马逊研究人员提出 HOPE 方法，关注混合专家模型（MoE）中具有协作关系的专家。传统剪枝方法通常把每个专家单独处理，专家之间的协同效应可能因此被破坏。HOPE 要保留的就是这种高阶关系，为专家剪枝和 MoE 路由研究提供了新思路。要进一步压缩 MoE 模型、压低推理成本，这条路有潜在价值。

研究发现 AI 智能体约 18% 的输出 Token 可被移除

UCLA 和东北大学联合做的一项研究显示，AI 智能体产出的内容里，大约 18% 的 Token 删掉之后，任务成功率基本不受影响。SWE-bench 的部分实验中，输出量砍掉 41%，性能也没有掉下来。这说明眼下大模型生成的内容存在冗余，也给推理成本优化指了个方向：要是能用技术手段把这些无效 Token 认出来、剔出去，大规模部署时省下的算力会相当可观。