购物推理基准（Shopping Reasoning Bench）是一个由零售领域专家创建的新基准，包含525个任务（232个单轮、293个多轮）和10863条重要性加权的二元评分标准，旨在评估对话式购物助手在偏好细化、权衡分析和兼容性评估等多轮推理能力。测试结果表明，GPT、Claude和Gemini等顶级模型的整体通过率仅为57-77%，且在多轮任务中表现显著下降，表明当前模型在提供专家级建议方面仍有较大差距。

本研究将抽象的波斯谚语转化为富有道德寓意的故事视为一种'约束语义解压缩'任务，并引入波斯谚语对齐叙事数据集（PAND）。通过混合评估框架，发现当前LLM虽能生成流畅文本，但常无法忠实体现谚语中的道德和因果结构，而显式推理和迭代细化可部分缓解这一解压缩差距。

本文提出了一种用于机制级药物相互作用（DDI）预测的可复现标注与评估协议，包含7家族147亚型分类法和泄漏安全的冷分片策略。并开发了7B参数的MARD模型，融合单令牌KL散度、PRM加权DPO和机制感知检索通道三项创新。在2026年4月DrugBank数据集上，MARD-7B是32个系统中唯一在药物对新颖性下保持准确率的模型，比最佳基线高13.9个百分点，比GPT-4o高6.7个百分点，成本仅为前沿API的1%。分析表明其优势源于结构化药理推理而非药物频率记忆。

EDEN（急诊科电子笔记）是一个新的大规模临床笔记语料库，包含约400万份来自意大利医院急诊科的完全匿名化笔记。其中约六千份笔记由临床专家手动标注，涉及呼吸困难和意识丧失两种患者情况，包含132个条目。该数据集旨在填补意大利语临床数据空白，支持大型语言模型在医疗领域的应用。

大型语言模型中的访问控制需要模块化机制，但适配器组合时存在干扰。本研究通过DoRA-RBAC框架测试了假设，发现基于几何感知的合并策略并未优于标准平均，表明干扰主要源于共享非线性表示而非参数空间几何。

本研究通过直接反向传播通过偏微分方程结构来诊断损失景观，发现优化失败源于平坦高原和陡峭悬崖。当神经网络固定时，残差损失产生平滑景观，避免病态，而神经网络仅用于补全观测数据。

本文提出了一种针对伯恩斯坦-舒尔核的新型随机特征构造方法，该类核是有限特征核与完全单调平移不变核的乘积。该方法结合了草图调制和径向随机化，实现了线性特征维度，同时提供了包括无偏性和算子范数界在内的严格理论保证。该方法在核岭回归中提高了效率，旗舰实例是有偏yat核。

MF-Net是一种递归动力学模型，将所有变量表示在共享的场状态中，并通过学习的关系律更新状态。该模型在已知定律相互作用系统、混沌基准测试、真实神经记录和生态时间序列中实现了有竞争力的短期和中期预测，同时保留了可检查的结构化读出。在40维Lorenz-96测试平台上，八步R²达到0.798±0.018，关系矩阵以19.80±1.00的局部/非局部强度比和1.000±0.000的Precision@K恢复局部耦合支持。

本文论述了在半导体制造等物理约束严格的领域中，生成式AI必须从构造上嵌入物理信息，而非事后过滤。综述了物理信息扩散、PDE约束变分模型、神经算子先验等架构工具，并提出了包含物理保真度基准、可微分模拟器及多模态基础模型的研究议程。

ProHiFlo 是一种创新的分层流匹配框架，用于从头蛋白质生成，通过粗到细的生成、功能引导和自适应 SE(3)-等变架构，在保持精度的同时减少计算成本，并在酶活性位点支架设计上取得了 58.9% 的成功率，显著优于现有方法。

基于重采样的统计显著性评估在数据挖掘中至关重要，但传统方法需要生成数千个重采样数据集，计算成本高。本文提出FewRS方法，通过推导检验统计量的上确界偏差新界限，仅需极少量重采样数据集即可保证低误报率，在模式挖掘和网络分析任务中将运行时间降低两个数量级，同时保持高统计功效。

激活引导可以改变大语言模型的行为，但标准评估通常不测试减少奉承行为的引导方向是否也会抑制对事实正确陈述的同意。本文引入双立场评估，对Llama-3-8B-Instruct应用质心差分引导，发现模型将奉承性同意和事实性同意表示在几何上不同的子空间中，但引导方向在两个子空间上的投影相等，无法区分目标。因此，引导同时减少了奉承性陈述和事实正确陈述（如“地球是圆的”）的同意。所有其他静态属性均匹配，表明行为分离源于生成动态或残差流分析无法解析的更精细结构。这一模式揭示了一个普遍差距：从激活中可读的表征不一定可通过激活写入。

本文研究具有二元潜状态和不完美二元反馈的休眠多臂赌博机问题，受机会频谱接入中感知误差的启发。作者开发了基于部分守恒定律（PCL）的分析与计算框架，用于建立可索引性并计算Whittle指数。该框架通过关联确定性骨架、更新分解和单词组合等工具，在多个阈值区域得到了可处理的折扣奖励和资源指标表达式，完全验证了PCL-可索引性条件。对于未能完全解析的区域，推导了高效数值方案来计算边际生产力指数。大量计算实验表明，该条件在广泛参数范围内成立，且MP指数策略通常显著优于标准基准策略。

该论文提出了一种以部署为中心的评估方法，针对嵌入电子健康记录的临床大语言模型系统，利用查询内容和部署特定上下文（如提供者类型、科室、所用模型）训练预响应分类器，预测用户拒绝风险。经过4.5个月的前瞻性分析，模型AUROC达到0.719，证明了利用部署上下文预测用户拒绝的可行性，为触发防护栏和弃权策略提供了依据。

一篇新预印本论文探讨了从人类水平的通用人工智能（AGI）向人工通用超级智能（ASI）的过渡，提出了四种潜在路径：扩展AGI、AI范式转变、递归改进以及大规模多智能体集体涌现的ASI。论文还讨论了这些路径上的摩擦与瓶颈，并指出AI进步可能加速，导致一系列变革而非单一突破。

紧凑型语言模型在工具使用方面面临挑战，尤其是在孤立函数调用之外。Evoflux 在推理时使用进化搜索来修复可执行工具工作流，在 MCP-Bench 任务上将执行可行性从约3%提高到17-24%，优于 SFT 和 DPO 基线。

TrajGenAgent提出了一种基于分层LLM智能体的框架，无需模型微调即可生成逼真的合成人类移动轨迹。它采用两阶段设计：LLM首先通过上下文学习合成个体和星期条件化的活动链，然后通过确定性工作流（包括个性化POI检索、距离感知位置选择、运动学感知的旅行时间传播和LLM持续时间估计）将每个活动转化为完整的访问记录。此外，引入基于异常检测的评估框架来评估行为与语义合理性。实验表明，该方法在时空保真度、语义一致性和个体行为真实性方面优于现有方法。

该研究评估了大型语言模型中的谎言检测器，创建了13个推理模型有机体（其隐藏信念通过思维链验证），并提出了多样化欺骗测试床。在31个模型上测试了四种检测器，发现所有检测器在提示性撒谎任务中随模型能力扩展，但在训练有机体上，除思维链裁判外性能大幅下降。当前检测器难以对模型信念做出高置信度声明。

PersonaDrive是一种新框架，通过检索风格指令的人类驾驶演示来调节视觉-语言-动作（VLA）驾驶智能体，实现多样化的驾驶风格。它包括离线三元组挖掘、轻量级检索头训练和单一VLA主干微调，无需针对每种风格重新训练即可切换风格。在Bench2Drive上，无风格条件下驾驶得分提升4.6%，风格条件下每种风格均取得最高分，且保守到激进风格平均速度和加速度分别提升18%和25%。

Pythagoras-Prover是一个计算高效的Lean定理证明器家族，包含4B和32B的自回归模型以及4B的扩散模型。它通过分层课程SFT和动态证明过滤提高训练效率，并引入增强型Lean形式化(ALF)扩展验证语料库。实验显示，4B模型在MiniF2F-Test上以86.1%的pass@32超越DeepSeek-Prover-V2-671B（82.4%），而32B模型达到93.0%的新开源最佳水平，并在PutnamBench上解决93个问题。

传统决策支持研究人类如何利用机器学习模型做出更好决策，但现代AI代理系统中角色反转，AI代理代表用户行动，人类和工具成为支持机制。本文提出一个框架，通过优化问题最小化支持使用，同时控制反事实的遗漏支持错误——即代理在独立行动时若获得支持本可改善输出的概率。最优策略是基于支持价值的阈值规则，并开发在线算法适应性地调整阈值，使用随机探索控制错误，还引入即时校准减少不必要的支持调用。实验表明该方法可靠地控制目标错误并大幅减少支持使用。

Arbor是一个多代理框架，将结构化树搜索作为自主代理的认知层，用于大规模有状态动作空间。在全栈LLM推理优化中，相比供应商优化基线，实现了高达193%的吞吐量-延迟帕累托改进，并且硬件无关、可重复。

研究人员发现，当前用于评估大语言模型工具检索能力的基准测试存在高估问题。为此，他们提出了ToolSense，一个开源的自动诊断框架，可生成三种基准测试来更真实地评估模型对工具的理解。在ToolBench（约4.7万个工具）上的实验揭示了知识-检索分离现象：一些模型在标准基准上表现良好，但在更现实的查询中性能大幅下降，甚至低于嵌入基线。

一款本地优先的AI编码命令行工具，能够适应用户的使用习惯。

Otty 是一款 Mac 原生、GPU 加速的终端模拟器，专为代码代理设计。它提供流畅的输入体验、会话恢复、可点击链接等功能，旨在保持终端的简洁与高效。

AI智能体正从简单的聊天机器人演变为能够自主操作应用和数据的数字员工，带来了安全与治理难题。专家建议将其视为需要严格监督的人类实习生，限制权限、明确意图，并持续监控。平衡独立性与控制力是关键。

OpenAI宣布收购Ona，这是一家提供云沙箱平台管理长时间运行AI代理的初创公司。Ona的技术使AI代理能在开发者关机后继续工作，并增强安全性。OpenAI将利用该技术改进其Codex AI助手，提升其执行长时间任务的能力。交易条款未披露。

Preply利用OpenAI技术推出AI生成的课程总结，提供个性化反馈和语言学习练习。

Datadog的高级FinOps分析师Deeja Cruz在FinOps X 2026上表示，AI成本管理的核心依然是了解使用情况、原因和成本，而良好的标记是分配支出和识别优化机会的关键。她还强调模型治理和跨团队协作的重要性，并分享了AI辅助FinOps的实际案例。

Simon Willison 展示了 Claude Fable 5 的惊人主动性：仅凭一张截图和一行提示，它自主调试了一个 CSS 滚动条错误，使用了多种创新技巧，包括自定义屏幕截图、编辑模板注入 JS、搭建 CORS 服务器等。同时也警示了未沙箱化编码代理的安全风险。