博客精选。
[AINews] Kimi 3.1 Pro 104BA-2.8T: Fable-5.1-Class Open Weights narrows Closed-AI lead to 1 month... and Pro Highspeed API with 2-3× speed
Latent Space 的 AINews 每日汇总（2026 年 10 月 22–23 日），头条为 Moonshot 发布 Kimi K3.1 Pro。该模型是在 Kimi K3 基础上以更大后训练算力得到的后训练版本，团队优化了 RL 框架、长上下文推理、训练效率、沙箱基础设施与 rollout 调度等，以支持跨数百个下游领域的联合强化学习。文章还提到其开源权重性能超过 Fable 5.1，并提供 2–3 倍速度的高速 API，另含 Reddit 与 Twitter 社区反应摘要。
Bringing foundational models to the front lines of TB screening
Google Research 2026 年 10 月 23 日的博文，介绍其过去五年从早期研究基准走向可在诊疗现场微调部署的开放基础模型的工作，目标是缓解结核病筛查中的放射科瓶颈。文中指出结核病每年约夺去 123 万人的生命，在高负担地区放射科医生稀缺、影像设施往往相距数日路程，导致大量活动性病例未被发现。属于医疗 AI 与公共卫生方向的内容。
Empowering frontline maternal care with AI-assisted ultrasound
Google Research 2026 年 10 月 21 日的博文，介绍一项前瞻性多中心研究：基于 AI 的“盲扫”超声评估，使未受过超声技师培训的操作者用低成本便携探头即可完成专家级的孕龄评估。文中引用 WHO 估计每年有超过 25 万例可预防的妊娠相关死亡，并指出全球三分之二人口无法获得超声等诊断影像，现有方法高度依赖专业临床训练。附论文链接，面向医疗 AI 与全球健康领域读者。
Beyond tree cover: mapping the world’s forest types
Google DeepMind 博客文章（2026 年 10 月 22 日，作者 Maxim Neumann 与 Charlotte Stanton），介绍 Google DeepMind、Google Research 联合 WRI 和 IIASA 发布的 Forest Typology（ForTy）2020 地图。该地图以 10×10 米分辨率把全球地表划分为六种森林与土地利用类型，区分天然林、人工林和农用林，并附有追踪这些森林逐年变化的早期时间序列，是欧盟森林砍伐法规的关键基线。文中指出不同森林类型在碳储量和生物多样性上差异很大。
Democratic governance of frontier AI, part II: Empowering cyber defenders
OpenAI 2026 年 10 月 21 日发布在 Global Affairs 与 Security 栏目的文章，提出一份蓝图，内容涉及用前沿 AI 赋能网络防御者、加强防护措施、推进网络安全现代化以及增强公共机构韧性。页面提供可下载的“Cybersecurity 2.0”蓝图 PDF，正文开头指出 AI 正在改变网络安全的速度、规模与经济性。适合关注 AI 安全政策与治理的读者。
Rapidly scaling online storage to serve over 1 billion ChatGPT users (Part II)
OpenAI 工程博客系列第二部分，作者为 Jon Lee、Hrachya Hakobyan 和 Chaomin Yu，讲述其应用存储平台 Habitat 如何针对 Azure Cosmos DB 做优化以应对用户规模的快速增长，并实现 ChatGPT 读取速度提升 12 倍。内容包括可靠的多租户机制与全局缓存等主题。工程与基础设施方向的读者可参考。
Introducing Kimi K3.1 Pro
Simon Willison 记录 Kimi K3.1 Pro 上线 Kimi API 的情况：权重尚未开放，Moonshot 承诺 2026 年 11 月 4 日前发布完整权重；另有价格翻倍、速度 2–3 倍的 Highspeed 版本（输入缓存命中价格相同）。文中列出定价（输入 2 美元/百万 token、输出 10 美元/百万 token）与 Moonshot 及 Artificial Analysis 的基准对比，并附上他用 LLM 0.32 的 openai endpoint 命令在三个推理级别下生成骑自行车鹈鹕 SVG 的测试过程。
Donating Agent Skills to the Agentic AI Foundation
Simon Willison 的短博客，转述 Anthropic 宣布将 Agent Skills 标准捐给 Linux 基金会下的 Agentic AI Foundation（AAIF），该基金会由 Anthropic 与 Block、OpenAI 于去年共同创立，此前的 Model Context Protocol 也已捐入。作者提到自己去年 12 月曾预测此事，并说明他是通过 datasette-mcp 插件用提示让 Claude 在自己博客中检索到相关旧文。
MPS in PyTorch 2.15
Hugging Face PyTorch 团队撰写的博客文章，介绍 PyTorch 2.15 中 Apple MPS 后端的更新，包括 MPS 支持 FP8、语言模型解码在线性层与 softmax 上获得更快路径、以及针对音频、视频和训练工作负载中新 Metal 内核。文中说明该团队以 Hugging Face Hub 上的真实模型排查 MPS 不足并向上游修复，并提到 MoE 模型解码速度较 2.14 提升 5–6.5 倍。适合在 Mac 上运行或训练 PyTorch 模型的读者。
Does Your Model Run on AWS Trainium? Look It Up
文章介绍一个 torch-neuronx 模型支持情况 Space，用于查询 Hub 上热门模型能否在 AWS Trainium 上运行。该 Space 的 Selected 视图展示按下载量和趋势分挑选的模型，每行给出结果、模型分片占用的 Trainium 核心数、运行实际耗时（含编译）和峰值设备内存；Trending 和 Downloads 视图按 Hub 自身排名逐任务列出结果，并对故意未测试的模型说明原因，还可选择 neuronx-cc 和 Transformers 的版本。这是继此前介绍 TorchNeuron 的文章之后的更新。
Turning Database Grading into RL Rewards: Post-Training Agents with ThinkingBox
这是此前博客的后续，介绍已在 GitHub 上发布的 ThinkingBox-Training。作者用比较最终数据库状态与预期结果的方式评估智能体工作，并把同类的可执行信号用作 ThinkingBox-Bench 之外训练任务的奖励。文中报告对 Qwen3.8-27B 经 50 步 GRPO 后平均成功率从 51.70% 升至 60.78%，二十次尝试全部正确的任务数从 38 增至 107；ThinkingBox-Bench 包含 507 项任务。
Ensemble forecasting with IBM Granite time-series models
文章介绍 Granite Timeseries Ensemble：用一个可扩展的预测接口组合四个开放的 Granite 模型，返回中位数和分位数预测，无需重新训练，也不需要拟合集成权重。文中建议先用概率集成（均匀概率池化），再比较自适应四分位距（IQR）集成，并可用兼容的预测模型扩展同一接口。内容针对预训练时间序列模型需要选择模型的问题：不同模型分别擅长平滑工业信号、噪声较大的零售需求或长季节周期。