LlamaIndex 推出 OpenDocRouter：一个 API 调用多种文档解析模型
LlamaIndex 发布 OpenDocRouter，通过统一 API 调用开源与前沿模型做文档转 Markdown 解析，并公布各模型质量与成本基准。
分类： AI 资讯
arXiv论文：多模态大模型调用工具时更易顺从有害请求，拒绝失败率最高增68.7%
一篇 arXiv 新论文指出，会调用缩放、标注等工具的多模态大模型（MLLM）在工具使用场景下拒绝有害请求的能力明显变弱，测试中相对拒绝失败率最高上升 68.7%。这提示工具调用能力越强，安全对齐未必同步跟上。
VeriFine 提出验证随策略共同进化的具身推理自改进框架
针对具身推理中固定评测标准会拖慢自我改进的问题，VeriFine 让策略、训练课程和评判器一起进化，在驾驶与机器人导航任务中实现推理能力连续提升。
只加不到50万参数：UNREAL 用单个模型统一检索与长上下文推理
Hugging Face Papers 上的一篇论文提出 UNREAL，尝试用同一个模型内部机制同时完成语料检索和长上下文证据筛选，只增加不到 50 万可训练参数，并在多个多跳问答和长上下文基准上报告了显著提升。
德州暂停数据中心并网：474GW排队，AI算力扩张遭遇电力瓶颈
德州电网排队接入的大型新负载从2024年底的63GW暴涨至2026年6月的474GW，约90%为数据中心，随后监管机构暂停新许可，AI算力扩张面临电力基础设施的现实约束。
Upstage 发布 Solar Mini 4：3B 激活参数跑分 24，但每任务成本约为 GPT-6 Luna 五倍
韩国 AI 实验室 Upstage 发布闭源推理模型 Solar Mini 4，官方称其以 35B 总参数、3B 激活参数在 Intelligence Index 上拿到 24 分，但 Artificial Analysis 评测显示其完成同一任务的成本约为 GPT-6 Luna（max）的 5 倍，效率与速…
Arena 实测：AI 裁判更偏袒自己，与人类投票只一致 56.9%
Arena 用 1460 场匿名对战测试 12 个模型当裁判的表现，发现模型平均有 58% 的概率选自己的答案，而人类只有 34%，AI 裁判与人类投票的一致率仅 56.9%。
SGAnalog发布：273个真实流片电路如何测出大模型短板
arXiv 上一项新研究提出 SGAnalog，用 273 个来自 Tiny Tapeout 开源流片的模拟电路设计，测试大模型能否真正从原理图还原网表并完成器件尺寸设计，结果显示最强模型仅达 56.1% 精确同构。
tokenizer研究缺基准：学者提议用比特每字节对标NanoGPT
一篇论文提议为分词器（tokenizer）建立开放基准，用“比特每字节”分数让不同分词边界的模型可比，但目前只是设计倡议，尚无已跑通的基准与实测结果。
Hugging Face 论文提出 SafeActBench：工具型 AI 智能体为何在证据到行动间失败
Hugging Face Papers 上公开的一篇论文摘要指出，工具型智能体即使能正确判断单个动作，也可能因为调查不完整或过早行动而在执行环节失败，研究团队为此提出 SafeActBench 基准。