头条

1. 谷歌发布Gemini 3 Ultra，原生多模态推理能力跃升，CEO称“已接近通用助手临界点”
谷歌在今日凌晨的Cloud Next大会上正式推出Gemini 3 Ultra，该模型采用稀疏激活的MoE架构，总参数量达4.2万亿，但每次推理仅激活4200亿参数。据官方基准，其在MMMU-Pro、GPQA Diamond及新发布的AgentBench-2026上均刷新SOTA，特别是在复杂视觉推理任务中准确率较Gemini 2.5 Pro提升18.7%。谷歌CEO皮查伊现场演示了模型通过连续观察屏幕、操作浏览器完成跨平台机票比价与酒店预订的完整流程，全程未出现人为干预。来源：The Verge

2. OpenAI宣布ChatGPT企业版月度活跃用户突破1亿，并推出“记忆保险库”合规方案
OpenAI首席执行官奥特曼在旧金山举办的DevDay上公布，ChatGPT Enterprise月活已突破1亿，覆盖全球超6.2万家企业客户。针对近期欧盟《AI责任法》修订草案，OpenAI同步推出“记忆保险库”（Memory Vault）功能，允许企业将敏感对话数据在本地加密存储，仅将脱敏后的任务向量发送至云端模型推理，同时提供可审计的遗忘日志API。这一方案被业界视为对Anthropic“零保留”企业模式的直接回应。来源：路透社

3. 英伟达发布全球首个AI推理专用光互连集群NVL72-R，功耗降低40%
英伟达在今日的GTC China线上专场中揭晓了面向超大规模推理的NVL72-R系统，其采用NVLink 6.0光子互连结合液冷背板，在72颗B300推理芯片间实现300TB/s双向带宽。官方测试显示，相比上一代DGX平台，运行GPT-3.5级模型的每token能耗下降40%，而集群线性扩展效率最高达96%。英伟达称该系统将于2026年Q4向首批云厂商供货，并已给出“每百万token推理成本低于0.3美元”的参考指标。来源：Tom’s Hardware

模型发布

4. Mistral AI发布Mistral Large 3，主打长程自主规划与工具调用可靠性
Mistral AI今日正式发布Mistral Large 3，参数量为1.2万亿（MoE激活3600亿），上下文窗口扩展至400万token。该模型最大的改进在于“工具调用工作流引擎”：在SWE-bench Verified、WebArena-L2和MultiTool-27三项工具智能基准中，其首次尝试成功率分别达到68.4%、51.2%和73.9%，较前代提升近20个百分点。Mistral同步开源了端侧蒸馏版本Mistral-Large-3-Mobile（80亿参数），可在旗舰手机本地运行，完成复杂日程规划及跨App操作。来源：TechCrunch

5. 阿里云推出通义千问Qwen3.5-Pro，数学与代码生成能力逼近闭源旗舰
阿里云在今日的云栖大会前瞻发布会上开源了Qwen3.5-Pro，这是一款基于Qwen3.5架构的7400亿参数MoE模型，激活参数为860亿。在AIME 2026数学竞赛测试集上，其得分达到89.2分，超过GPT-5.1 Turbo的87.5分；在LiveCodeBench 2026（含1万道最新竞赛题）中，一次通过率突破61%。该模型采用Apache 2.0许可证，并首次支持“动态预算推理”——用户可设置时间阈值，模型自动在推理深度与响应速度间权衡。来源：机器之心

行业动态

6. 微软与欧洲核子研究中心达成合作，将用AI重建500PB粒子物理数据检索系统
微软宣布与CERN启动为期五年的“Atlas-AI”项目，利用Azure上的专用FPGA集群和GraphRAG架构，为大型强子对撞机（LHC）的实验数据构建语义索引。该系统预计可将物理学家检索特定碰撞事件的平均时间从3小时缩短至40秒，并支持自然语言查询，如“寻找与希格斯玻色子衰变到双光子能量异常相关的新事件”。CERN计算部主任表示，该方案将首先部署在ATLAS探测器数据流中。来源：Nature News

7. 国内首部《生成式AI训练数据合规审计指引》正式发布，9月10日起施行
由中国信通院联合多家头部大模型企业起草的《生成式AI训练数据合规审计指引》于今日正式发布并即刻生效。指引要求训练数据提供方每季度进行一次“版权风险溯源”和“个人信息去标识化有效性审计”，并规定所有开源训练数据集必须附带可机读的“数据血缘声明”。据悉，已有十余家国内模型厂商承诺在三个月内完成存量数据改造，字节跳动与百度同步公布了各自的审计自动化工具。来源：财新网

研究精选

8. DeepMind新论文提出“思维地图”（MindMap）机制，使大模型推理可解释性大幅提升
DeepMind团队今日在arXiv预印本平台发布题为《MindMap: Transparent Reasoning via Hierarchical Latent Thought Graphs》的论文。该研究在模型注意力层之上引入动态构建的潜在思维图节点，每个节点代表一个复合推理子目标，并支持通过图剪枝实现“反事实解释”。在GSM8K-Inverse和HotpotQA-X两个对照实验中，人类评估者对该模型错误答案的可修正性评分为4.8/5.0，远高于普通CoT模型的2.3/5.0。论文同时展示了利用MindMap自动发现模型隐藏偏见的案例。来源：arXiv

以上内容综合自多家媒体报道。