Ramp AI指数显示，Anthropic最先进的Fable 5仅占该公司模型支出的8%，较便宜的Opus 4.8占28%。Fable 5定价为每百万token 20美元，超过前代10倍，用户因成本转向「足够好」的旧模型。相关观察称，团队已不再默认将最强模型用于全部编码任务，而是按工作价值分配Fable 5、Opus及其他模型，尤其在大规模日常使用中，推理单价正成为核心约束。

Harvey与Fireworks发布法律模型Tenet研究预览，以Kimi K3为基础，通过异步强化学习面向长周期法律代理任务进行后训练。团队称其在内部Legal Agent Benchmark上的任务完成量接近基础模型两倍，在合同子集提高20%，全通过率分别增加9个和2个百分点。训练使用rank-64 LoRA及约150张NVIDIA B300，历时两个月；目前未开放权重、模型卡或API，成绩也未进入公开榜单。

FreeToken推出面向边缘环境的MoE推理引擎，宣称可在单台工作站GPU上运行753B参数的GLM-5.2。系统根据实测PCIe与主机内存带宽，将未命中的专家动态分配给GPU填充或CPU原地计算，再精确合并两部分结果，无需修改路由器或采用近似计算。其全局LRU专家缓存、语义边界状态检查点及弹性内存管理，可在不中断服务的情况下调整GPU缓存和重建主机池，重点缓解超大MoE模型的显存限制。

DeepMind提出Pandora Router，将模型路由建模为「潘多拉盒」决策：先用低成本但有噪声的评分判断候选模型，仅当额外信息的预期收益高于获取成本时，才调用更昂贵的质量估计。在EmbedLLM测试中，平均检查成本由1.986降至0.075；在MATH、RAG和EmbedLLM等设置中，该方法取得最低或并列最低的路由遗憾与检查成本之和，目标是在模型选择准确性与路由开销之间实现动态权衡。

Φ-Bench发布面向大模型基础设施工程的系统评测，任务覆盖跨模块理解、推理服务、系统优化、系统保障及端到端项目迭代，而非仅测试单函数代码生成。结果显示Claude Opus 5综合领先，Kimi K3在推理服务与系统优化方面突出，GLM 5.2在系统保障上表现较好，但没有模型在全部领域占优。评测认为，现有模型仍欠缺长期项目管理、硬件理解、持续验证、实验设计及可靠归因能力，复杂优化通常需要多轮试错。

Anthropic相关实验研究多代理决策中的「隐藏档案问题」：当关键证据分别掌握在不同代理手中，多数模型家族经群体讨论后的正确率仅为17%至36%；单个代理若获得全部证据，则几乎总能作出正确判断，Mythos 5是例外，群体正确率约85%。分析将失败归因于模型间差异不足以及讨论机制不支持异议信息，提示增加代理数量并不必然提升决策质量，系统还需主动保护少数意见并确保私有证据被整合。

Online-SDFT原型让230M参数语言模型在Android设备上持续学习，利用用户打开或忽略通知等延迟且含糊的交互作为软目标。系统采用同一模型的师生机制：关闭LoRA适配器的教师根据事后结果生成动作概率分布，再更新学生模型，并结合受控探索与小型平衡回放缓冲区避免局部最优。合成测试中，该方法在720次决策里匹配506次隐藏偏好，准确率70.3%、累计遗憾44.8%，静态基础模型准确率为28.2%。

一项本地AI代理量化对比测试发现，BF16、FP8、INT8与INT4在长上下文任务中的行为差异明显：INT8和FP8能够较好保持模型保真度，而INT4及NVFP4在工具调用等严格格式任务中出现持续退化，部分测试的token翻转率最高达50%。测试还显示，不同注意力后端即使执行相同数学运算，也可能改变下一token；KV Cache量化是长会话的主要风险点，INT8尚可恢复，INT4误差则会随上下文增长并造成不可逆偏离。