Azure Container Apps Sandboxes 已正式可用，为 AI 智能体提供快速、隔离的沙箱基础设施。Azure 同时提供 Microsoft Foundry、Microsoft Fabric、Microsoft IQ 等产品，用于构建、评估和部署生成式 AI 方案与自定义智能体。Azure HorizonDB 处于预览阶段，是基于 PostgreSQL 的云数据库服务。
METR 正将内部评估与智能体启发研究工具从 Vivaria 迁移到 Inspect，并建议新项目优先使用 Inspect。Vivaria 仍以开源形式可用，但新功能开发已逐步停止，现有用户可继续使用。
SGLang 团队与蚂蚁集团 DeepXPU 团队宣布在 SGLang 内实现 Diffusion LLM（dLLM）框架，并 Day-0 支持 LLaDA 2.0。
推荐理由：原文给出 SGLang 支持 Block Diffusion LLM 的实现思路和实测吞吐数据，读者可据此评估 dLLM 推理方案的可用性。
LMSYS Chatbot Arena 团队复盘 SGLang-Diffusion 自 2025 年 11 月初发布两个月来的进展，当前版本（docker tag: lmsysorg/sglang:dev-pr-17247）比初版快最多 2.5 倍，在 NVIDIA GPU 上较其他方案最高快 5x。
推荐理由：官方复盘发布两个月来的优化成果，速度较初版提升至 2.5 倍，并新增 ComfyUI 集成和 LoRA 支持，读者可评估是否迁移现有图像视频生成工作流。
Miles 强化学习框架现已支持 AMD Instinct GPU（含 MI300/350 系列），可在 ROCm 上原生运行大规模 RL 后训练。Miles 基于 SGLang 与 Slime 生态，支持 GRPO/PPO、Ray 编排及 Megatron-LM 集成，并提供预构建容器。在单节点 8 卡 MI300X 上，团队用 GRPO 训练了 Qwen3-30B-A3B。
LMSYS 的 SGLang 与 Miles 团队宣布对 DeepSeek-V4（1.6T Pro、284B Flash）提供 Day-0 推理和 RL 训练支持，是首个在发布日同时服务与训练该模型的开源栈。
推荐理由：LMSYS 团队详述了为 DeepSeek-V4 混合稀疏注意力等新架构所做的推理与 RL 训练优化，附基准数据。
SGLang-Omni 团队宣布为 Boson AI 的 Higgs Audio v3 TTS 提供端到端推理服务。该模型约 4B 参数，基于 Qwen3-4B 骨干，支持流式合成和 100 种语言的个位数 WER/CER，开发者可通过文本流内嵌控制标签调节情绪、风格、韵律和音效。
MOSS-TTS-Local-Transformer-v1.5 已在 SGLang-Omni 上实现端到端服务，与 MOSI 和 OpenMOSS 团队合作完成。
DeepSeek-V4 Flash 的 RL 训练现已在 AMD Instinct MI355X GPU 上通过 Miles 与 ROCm 支持，完成四节点端到端验证。
SGLang 团队与 Thinking Machines Lab 合作，为 975B 参数、1M 上下文的多模态模型 Inkling 提供Day-0推理与 RL 支持，并为 Modal 训练的 DFlash 草稿模型提供投机解码。
推荐理由：原文出自 SGLang 团队，给出针对 Inkling 新架构的具体优化手段和实测吞吐数字，读者可评估其对自建推理或 RL 流程的参考价值。
RadixArk 与 Google Cloud 宣布合作，把开源推理框架 SGLang 带到 Google TPU 上。
SGLang 团队与 Meta Superintelligence Labs 合作，为 30B 参数多模态稠密模型 Muse Glimmer 提供 Day-0 支持，面向本地硬件上的智能体工作流推理。
推荐理由：原文给出 Muse Glimmer 在 SGLang 上的多硬件部署方案和分平台实测数据，读者可据此评估本地智能体推理的可行配置。
SGLang 宣布 Day-0 支持 NVIDIA Nemotron 3.5 Lightning，这是一款可定制的开源模型，总参数 30B、每 token 仅激活 3B，上下文最长 100 万 token，由 Nemotron 3 Ultra 蒸馏而来。
SGLang 团队宣布与 Qwen、阿里百炼、NVIDIA 和 AMD 合作，在 SGLang 和 Miles 中于发布当日支持 Qwen3.8-2.4T-A95B，这是千问最大的开源模型，总参数 2.4T、每 token 激活 95B。
推荐理由：原文给出 Qwen3.8 混合注意力架构的推理支撑细节和实测性能数字，读者可据此评估新模型在自建推理栈上的部署可行性。
RadixArk 发布 Miles v0.1，一个面向前沿后训练的全栈生产级系统，是首个 Miles 版本的继任者。它基于 slime 设计，用 SGLang 做 rollout、NVIDIA Megatron-LM 或 FSDP 做训练，支持全异步 RL、三种评估模式和可插拔智能体环境，并附带智能体编码与终端任务的端到端配方。
蚂蚁集团基础设施团队联合阿里巴巴与 SGLang 团队推出 Weight Cache Daemon，通过 CUDA IPC 零拷贝映射将常驻 GPU 的量化后权重直接提供给新的 SGLang 引擎实例。
LlamaIndex 发布 Parse Gateway，基于 LiteParse v2.2.0 的 is_complex 功能在页面级别估计文档复杂度，并将各页路由到不同的 LlamaParse 层级。
LlamaIndex 在 LlamaParse 平台发布 beta 版 Turbo 抽取档位，主打低延迟实时工作流。
多数智能文档处理（IDP）平台在演示中表现良好，但在生产环境中因文档多样性而失效，演示与生产的准确率差距常达 10 到 20 个百分点，98% 的干净 PDF 提取准确率在实际收件中可能降至 82%。传统平台依赖模板，模板数量会随文档种类增长而不断累积，且普遍忽略图表、示意图、图像等非文本内容。新一代方案采用 LLM 编排层，将文本、表格、图表分别路由给 OCR、版面感知提取和视觉语言模型处理。
LlamaIndex 发布 LiteParse 更新，通过对自维护 PDFium fork 做内存分配等优化，文本提取提速 20-25%，OCR 关闭下平均 2.8ms/page 提取文本、3.9ms/page 渲染 markdown。
LlamaIndex 提出将 OCR 融入更广泛的解析与索引框架，用 VLM 文档解析、机器学习和结构化解析把发票转为可校验的结构化财务数据，而非只做字符识别。该方案称可提升准确率、降低成本、把处理周期从数天缩短到数分钟，并支持行项目级提取与审计追溯。
Agentic OCR 将推理、验证与自适应模型选择引入文档处理流程，以目标导向的智能体循环取代传统 OCR 的一次性提取。它用多模态语言模型作为推理层，通过视觉定位（bounding box）让每个抽取字段可回溯到原文位置，并自动识别文档类型、无需模板即可适配新格式。相比传统 OCR 与 IDP，它在版面变化时自动适应、能自我纠错并输出带引用的校验结果，新文档类型的接入从数周配置缩短到数分钟。
Agentic 文档抽取把文档处理当作推理任务，通过"规划-执行-验证"循环先识别文档类型与逻辑结构，再抽取数据并自查结果，可捕获 OCR 高置信度但语义不合理的错误。LlamaParse 对每份文档同时校验视觉布局与语义内容，并用视觉定位将文本绑定到页面坐标，从而区分格式相同的金额或日期字段。该方式无需为 500 种发票格式分别维护模板，可动态推断表头与单元格关系。
LlamaIndex 发文介绍 KYC 自动化如何以软件完成身份核验、制裁筛查与风险评分，标准案例处理时间从数天至数周缩短到数分钟至数小时，且成本不随客户量线性增长。文中将流程拆为文档收集、身份核验与数据提取等五个阶段，并指出文档处理层是多数实现低估的成败关键，LlamaParse 以 agentic 文档解析将任意格式文档转为结构化内容。
收入验证 API 通过数据采集、验证与决策支持三步流程，将工资单、税表、银行流水等文档转为结构化收入记录。文章对比了 payroll API（Argyle、Pinwheel）、开放银行数据、人工审核与文档提取 API（LlamaParse）四类方案，指出 payroll API 对自雇、零工及小雇主覆盖不足，文档提取可覆盖任意收入类型但需下游结构化逻辑，混合方案覆盖更广但集成更复杂。
LlamaIndex 为旗下智能体文档处理平台 LlamaParse 开放定制演示预约，主打文档 OCR、信息抽取与索引的行业领先准确率。该平台提供页面级引用、置信度分数和边界框以支持人工复核，并可通过成本优化模式自动选择解析设置来平衡成本与准确率。用户还能借助低代码构建器 LlamaAgents，用自然语言开发和部署文档智能体，实现端到端自动化。
LlamaIndex 公布 LlamaParse 文档解析平台的定价方案，采用 credit 计费，1,000 credits = $1.25，免费版每月含 10K credits，Starter 含 40K、Pro 含 400K。
LlamaIndex 公布了一批客户案例，展示 NTT DATA、Experian、KPMG、Carlyle、SkySQL、11x.ai、Arcee AI、Pursuit、Lyzr 等团队如何用其构建文档解析、RAG 与 AI 智能体应用。
LlamaIndex 面向客服场景提供基于 FAQ、知识库、政策、工单和产品手册的智能体方案，可即时回答重复问题、生成分步排障指引并支持多轮上下文对话。其 LlamaParse 专为含图表和表格的复杂文档设计，提供引用溯源与置信度评分，并配套 Python、TypeScript SDK 和 API。
LlamaIndex 推出技术文档搜索方案，帮助工程与研发团队在规格书、SOP 和手册上构建智能体，实现即时准确的答案检索。方案包含规格搜索、版本对比、QA 文档阅读器和研发助手四项能力，底层由专为图表和表格等复杂文档打造的 LlamaParse 提供解析支持，并提供 Python 与 TypeScript SDK、API 及并行流水线以支撑企业级规模。
LlamaIndex 面向财务与运营团队推出发票处理方案，用 LlamaParse 解析发票中的行项目、税额与总额，并通过 Validation Agent 对照采购订单核验、Approval Assistant 路由审批、Audit Tracker 生成合规记录。方案提供 Python 和 TypeScript SDK、API 及并行流水线，支持在仪表盘、API 或集成中复核监控。
LlamaIndex 面向投资与审计团队，用 LlamaParse 解析合同、财务报表和合规文档中的表格与图表，并提取关键条款、汇总风险义务、比对不同实体的文件差异。其方案结合文档智能与智能体工作流，可上传文档、解析提取信息，再由智能体路由、校验、记录和通知，支持 Python 和 TypeScript SDK 及 API。
LlamaIndex 面向医疗团队提供基于临床笔记、化验报告和研究文档构建智能体的方案，用于加速临床研究并提升患者护理与编码准确性。
LlamaIndex 面向制造业推出基于技术规格、手册与合规文档的 AI 智能体方案，包含 Spec Navigator、Compliance Agents、Supply Chain Analyzer 和 Maintenance Assistant 四类应用，用于减少停机、简化 QA 并提升供应链可见性。
LlamaIndex 推出面向金融机构的文档智能体方案，可在合同、监管申报文件和研究报告上自动完成合规、尽职调查与投资洞察。方案覆盖投资研究、KYC 与 AML、合同分析、审计与风险报告四类场景，依托 LlamaParse 解析含图表和表格的复杂文档，并为每个字段提供引用、可追溯性和置信度分数。
LlamaIndex 面向保险场景推出基于 AI 智能体的理赔与核保自动化方案，用 LlamaParse 解析 PDF、扫描表单和医疗记录等复杂文档，并支持欺诈检测与合规追踪。
金融分析师借助 LlamaIndex 与 LlamaParse 构建 AI 财务模型，将研究时间减少 80%。方案可高精度解析财务 PDF、提取营收、FCF、guidance 等结构化指标与 KPI，并总结财报电话会议记录、对比历史业绩。用户还能构建覆盖、报告与异常检测的自定义智能体，通过 Python 和 TypeScript SDK 及 API 接入。
Liquid AI 表示目前不提供自托管 API，其 LFM 模型可通过 playground（免费限速）和 OpenRouter（付费更高限额）使用，全部模型可在 Hugging Face 直接下载。多数模型支持通过 LEAP 平台定制与部署，并提供本地推理与定制两套软件栈。年营收不超过 $10M 的组织可获商业使用豁免，超过则需联系销售团队定制定价。
Liquid AI 提出端侧 AI 智能体需模型与 harness 协同设计，以在内存、功耗和延迟的硬约束下实现主动式本地推理。其指出云端智能体依赖昂贵的前沿模型，任务越长延迟与 token 成本越叠加，而每次云端回退都会增加成本并把个人上下文送出设备。Liquid 称每个 LFM 都针对设备能力定制，通过本地推理循环持续收集屏幕、车内传感器等上下文，实现无需提示即可自主行动的主动式智能体。
Liquid AI 推出面向国防战术边缘的端侧 AI 方案，其多模态模型完全在设备本地运行，支持威胁检测、自主导航和实时 ISR，推理留在本地以保持速度和断网可用性。该方案针对国防场景的 SWaP 约束调优，适配手持设备、头显、地面车辆和小型 UAS 的 NPU 与 CPU，避免将敏感数据发送至云端带来的安全风险与 ITAR 违规。