Claude Opus 5 以半價提供高效能表現
Anthropic 發布了 Claude Opus 5，針對開發者與企業提升了編碼與推理能力。該模型在提供接近 Fable 效能的同時，大幅降低了使用者的成本。
Search
Tag: #llm-optimization47 results
GATS：無需 LLM 推理調用的高效代理規劃框架
GATS 是一個全新的規劃框架，透過分層世界模型與系統化的 UCB1 樹狀搜尋，取代了昂貴的 LLM 推理。該框架在複雜任務中實現了 100% 的成功率，並在規劃階段完全消除了 LLM 的調用需求。
JetSpec：透過平行樹狀推測解碼實現 1000 TPS
JetSpec 引入了一種用於推測解碼的平行樹狀草擬方法，在 LLM 推論上實現了高達 9.64 倍的速度提升。它在保持無損生成品質的同時，於單張 B200 GPU 上達到了每秒 1000 個 Token 的速度。
Z.ai 發布 GLM-5.2：開源權重編碼模型擊敗 GPT-5.5
Z.ai 推出了 GLM-5.2，這是一款擁有 7,530 億參數的開源權重模型，專為長跨度編碼任務進行了優化。該模型具備 100 萬 token 的上下文窗口，並採用全新的 IndexShare 架構，大幅降低了運算成本。
月之暗面發布並開源 Kimi K2.7 Code 程式模型
月之暗面（Moonshot AI）發布並開源了 Kimi K2.7 Code 程式模型，顯著提升了長上下文指令遵循能力與程式編寫效能。相比前代 K2.6 模型，該模型平均 token 消耗減少了 30%。
LenVM：用於自回歸模型的 Token 級長度建模
Apple 研究人員推出了 Length Value Model (LenVM)，這是一個在 Token 層級對剩餘生成長度進行建模的框架。透過將長度建模視為帶有負獎勵的價值估計問題，它提升了對生成長度和推理效率的控制能力。
CLaRa：透過連續潛在推理連結檢索與生成
Apple 研究人員推出了 CLaRa，這是一個透過連續潛在推理整合檢索與生成的框架。它利用基於嵌入的壓縮技術來減少文件長度，同時為 LLM 保持語義豐富度。
YUKTI：語言模型之穩健且可驗證的決策框架
YUKTI 引入了型別命題圖（typed-proposition graph），旨在超越語言模型中單純的點值優化。透過整合不確定性、來源追溯以及假設穩健的帕累托前沿（Pareto frontiers），該框架能顯著降低複雜現實場景中的決策遺憾。
KV-PRM：透過 KV-Cache 傳輸實現高效流程獎勵建模
KV-PRM 提出了一種透過直接讀取 LLM 的 KV cache 而非重新編碼文字來進行流程獎勵建模的方法。此方法在維持或超越傳統文字型 PRM 效能的同時，顯著降低了長上下文多代理系統的計算開銷。
SwarmResearch：編排編碼代理以實現更佳的探索
SwarmResearch 是一個新型的多代理框架，透過 Shepherd Agent 在不同的 git 分支中協調多個 Search Agent。它克服了單一代理系統容易收斂於次優解的傾向，實現了更高層次的探索。