缓存拥塞的反馈、模型行为契约与可编辑幻灯片

推理与训练｜突发之后的缓存反馈，以及前向算力的用途

Basin｜流量回落之后，缓存拥塞仍可能持续

Agent 调用变慢会延长会话停留时间，增大的合计上下文又挤压缓存、增加重算，形成自我维持的拥塞。Basin 将会话排序、准入、借用 decode 空闲内存与卸载需求结合，控制这种反馈；只把到达流量降回原水平，未必足以恢复服务。

Qwen3.6-35B-A3B FP8、SGLang＋NIXL 的四张 H200 1P3D 测试回放 Terminal-Bench 和 SWE-bench Pro 轨迹。四种突发场景中，作者报告实机原型的有效会话吞吐为 Continuum 的 1.20–1.70 倍。该指标同时要求会话 slowdown 不超过 4，且至少 95% 解码步骤满足 50ms ITL，并非原始 token 吞吐。

实机原型采用到达时间排序与当前上下文准入；预测峰值上下文、按大小固定优先级的完整控制器仍在模拟中验证。单一模型和固定容量的实验，也不足以证明父子 Agent 工作流或动态扩缩容具有相同恢复特性。

来源：2026-11-02（UTC 首提），A 级｜论文与首提记录 · 缓存反馈、有效吞吐与原型范围。

BasisKV｜同一份 Value latent 减少缓存和通信

BasisKV 将张量并行各分区的 attention 输出压到低秩 Value latent，经 AllGather 后重建完整输出。同一 latent 又用于压缩 Value 缓存，并结合 Key 专用残差选择页面；选中页面后才读取原始 Key 计算精确 QK，压缩目标因此同时考虑完整输出和分布式通信。

八张 L40S 48GB、PCIe 4.0×16、无 NVLink 的测试，在 4K 提示、128 输出、batch 256、Value 宽度 64 的 Llama-3.1-8B 配置下，相对 dense 对照最高端到端加速 1.42 倍。rank、校准语料和页面配置仍影响质量与成本，不能将它解释为严格无损或跨硬件通用收益。

公开代码当前的 compact-vLLM adapter 只支持 Qwen3，尚未交付论文中 Llama 的对应比较路径；它还依赖特定运行时接口，普通 vLLM 安装不足以直接复现。质量评估与系统性能使用的页面协议也不同，复现时需要分别核对。

来源：2026-11-02（UTC 首提），A 级｜论文与首提记录 · 低秩机制与系统实验 · 作者仓库；B 级｜基准协议与交付限制。

ZO-Curv｜空闲前向设备提供曲率，训练仍计算真实梯度

ZO-Curv 让 serving 设备执行扰动前向查询、返回曲率统计，训练节点继续反向传播，并用这些统计调整更新。它利用的是零阶查询中的曲率信息，而不是用噪声零阶梯度直接替代完整预训练梯度。

OpenWebText、125M–1.5B 模型的主实验以八张 H100 模拟 serving 池，计时排除了假定由闲置设备并发承担的查询时间，因此训练关键路径改善不等于总 GPU 成本下降。另一个四张训练、四张前向查询 GPU 的同节点并发实验支持分工的可行性，但尚非大规模异构 serving 集群验证；代码仍计划在录用后开放。

来源：2026-11-02（UTC 首提），A 级｜论文与首提记录 · 查询计时口径与真实并发实验。

平台工程｜写入可协调，行为基线也要可审阅

Pando｜独立协调 ref 更新，复用已有 packfile

OpenAI 披露的 Pando 保留 Git 协议与客户端工作流，将 push 的 packfile 放入对象存储，把 ref 版本及依赖写入元数据服务。不同 ref 可以独立协调更新；fetch 选择已有 pack，通过 packfile-uri 和区域缓存交付，减少逐客户端重新打包的计算。

单个 ref 的更新可串行化，跨分支读取却不保证仓库级同一时点快照。新功能分支默认共享 trunk 基础，也会重复传输 trunk 之外的对象，用更多客户端带宽换取服务端复用。11 月 2 日是工程披露日期，生产服务已从 4 月运行；公开 Git 分发与上游补丁不等于 Pando 后端已经开源。

来源：2026-11-02（工程披露），B 级｜OpenAI 原始工程说明。

Transformers MIC｜冻结小模型和人工审阅的行为基线

Model Integration Contracts 将保留关键层与原 tokenizer／processor 的小型 fixture、可运行的 Markdown 使用路径、人工审阅的输出基线组合起来。冻结工件在 CI 中检查生成、loss、梯度与优化步骤，覆盖“能运行 forward”之外的行为；LLM 可以起草代码和 manifest，预期输出变更仍需人工批准。

UMT5 历史提交的回放中，SDPA 路径能发现 decoder 看到未来 token 的回归，仅测 eager 会漏掉，说明 fixture 需要保留相关执行路径。这是旧提交的回放证据，不是本周新发生的漏洞。截至文章记录的 11 月 1 日，MIC CI 仅报告失败、不阻断 PR；该提议及公开工具仍需评估覆盖和维护成本，小模型通过也不能替代真实检查点的 nightly 或发布测试。

来源：2026-11-03，B 级｜作者工程发布 · 当前证据与覆盖范围；A 级｜MIC 原仓库。

科研计算｜稀疏算子与论文复现分别限定比较对象

Ascend-SpMM｜按稀疏结构分配 Cube 与 Vector 工作

Ascend-SpMM 用内存成本模型分配稠密区域和稀疏残余，协调 Cube、Vector 子内核及输出写冲突，再用分层流水和环形缓冲隐藏访存。Atlas 800I A2、CANN 8.5.0 上，820 个 SuiteSparse 方阵、FP16／FP32、特征宽 128／256 的测试中，作者报告几何平均 12.70–20.55 倍加速。

这里的基线是逐矩阵选出的最强 NPU 实现，不是 A100。跨硬件对照中 FlashSparse 在部分配置更强，不能概括为 NPU 全面胜过 GPU。公开仓库已有算子、PyTorch NPU 扩展和正确性测试，但不包含完整 benchmark、profiling 与绘图流程，算子开放与整套性能可复现仍有距离。

来源：2026-11-01（UTC 首提），A 级｜论文与首提记录 · 硬件、逐矩阵基线与跨设备对照 · 作者代码与交付范围。

OmniQ｜先核对研究记录，再复用专家确认的修复

OmniQ 与 Residual Agents 先检查论文、代码和目标结果之间的矛盾，再将专家核验过的修复整理为经验，更新前仍需专家审阅。60 篇量子研究经过清理，排除一个无法忠实复现的案例后形成 59 项任务；它解决的是复现记录和执行链条的缺口，而不只是接通科学工具。

固定 DeepSeek V4.1 Flash＋DSH、每任务 24 小时预算下，作者报告复现率约从 68% 升至 85%。经验来自五项开发任务，另外 54 项在开发时未见，不能把 59 项全部称为留出测试。签名证据针对指定计算的复现，不能证明原论文结论正确；完整公共服务也仍计划部署。

来源：2026-11-02（UTC 首提），A 级｜论文与首提记录 · 任务划分、专家反馈与服务交付范围。

模型与产品｜可修改的中间结构，以及可核实的服务入口

Palette｜先编辑幻灯片 brief，再生成和检查代码

IBM Research 的 Palette 将设计与编码拆成同一 20B 模型 LoRA 的两个角色：designer 先生成可编辑 JSON brief，coder 再按单页规格生成 pptxgenjs 代码。渲染检查发现重叠或越界后，另一个 editor 模型提出修复，只在检查指标改善时保留修改，让中间结构成为人和 Agent 都能核对的接口。

PresentBench 的三个领域中，团队报告两项第一、三领域均分第二；完整评测先由另一个前沿模型把源文档变成计划，修复也使用独立模型，因此不是单个 20B 模型独立完成全部流程的证明。几何检查改善也不等于事实完全正确。文章尚未给出本次模型权重或完整 harness 下载入口，便于迁移用户模板的轻量方案仍属后续工作。

来源：2026-11-03，A 级｜IBM Research 原始研究发布。

LongCat-2.5｜正式服务接上视觉编码与长程训练

美团在 11 月 2 日发布 LongCat-2.5 正式服务，区别于 9 月的 Preview。模型总参数 1.6 万亿、每 token 激活约 480 亿，以多层级离散 token 处理视觉与文本，并将长程轨迹、可验证任务和跨 harness 训练接到智能体编程流程。

技术说明还披露 W4A4 专家权重与激活量化，在 token 复制和分发前完成共享变换，让同一 INT4 表示贯穿通信与计算。这些优化针对团队的国产加速器路径，不能据此为任意 GPU 推断吞吐收益。本次能核实的交付是在线与 API 服务，原文没有提供 2.5 权重下载入口；自有工具链仍需验收图像输入、工具调用和多轮结果。

来源：2026-11-02（正式发布），A 级｜美团原始技术发布；B 级｜正式版与 Preview 的 API 发布记录。