MacArena是一个新的基准测试，包含421个手动验证的任务，涵盖50个应用程序，专门用于评估macOS上的计算机使用代理（CUA）。它结合了OSWorld和macOSWorld的任务以及49个新的macOS原生任务，运行在Apple Silicon的原生虚拟化框架上。评估表明，macOS带来了独特的GUI挑战，模型在现有基准上的表现并不能反映其跨平台能力，排名在移植任务和macOS原生任务之间发生反转，领先模型在MacArena子集上落后超过26%。

新研究提出MSFAN深度学习架构，结合太赫兹双梳光谱技术对12种聚合物进行分类，准确率达85.2%，有望提升塑料回收分拣效率。

扩散大语言模型(dLLMs)在迭代精炼令牌时存在“稳定滞后”问题，早期决策即使已提交仍很脆弱。后训练量化(PTQ)错误容易翻转这些边界决策并永久锁定放大。为此，本文提出FAIR-Calib，一个两阶段PTQ框架：第一阶段探测全精度教师以估计结合前沿命中与掩蔽阶段可靠性的位置先验；第二阶段通过最小化重加权隐藏状态MSE执行离策略逐层校准，优先保护脆弱的前沿状态。理论上证明加权目标是输出KL散度的代理。实验表明，FAIR-Calib在LLaDA和Dream模型上持续优于最先进基线，显著减少了前沿决策翻转和后提交不匹配。

本文提出Elmes*框架，用于自动构建、优化和应用于教育场景的细粒度评估标准。通过多智能体引擎和自进化模块SceneGen，构建了涵盖11个学科、3个年级段、10种任务类型、超1000个二级指标的Edu-330基准。实验表明教育能力是多维的，顶尖LLM在创造力和价值观整合上差异显著，知识型模型可能在苏格拉底式引导中失败，教育专用模型InnoSpark取得最佳人工评分。LLM评估者保持与人类相当的排名，但存在自我偏好等偏差。该框架为基于教学法的LLM评估提供了可扩展的诊断基础设施。

本文研究了并行连续局部搜索（CLS）在布尔可满足性问题（SAT）中处理对称伪布尔约束时的应用。通过将问题松弛为超立方体上的连续优化，实验发现冗余约束会阻碍收敛；CLS在混合求解中能快速完成部分赋值；局部搜索由于目标函数鞍点密集而迅速收敛到稳定解质量分布。这些发现为在加速器硬件上使用CLS求解SAT提供了实际指导。

本文介绍加速傅里叶SAT（AFSAT），一种基于连续局部搜索（CLS）的GPU加速伪布尔可满足性求解器。AFSAT将概念验证方法FastFourierSAT发展为完全工程化的求解器，支持任意异构对称约束类型和长度的混合。利用JAX编译器，通过纯函数组合、自动向量化、自动微分和即时编译实现大规模并行CLS。与概念验证相比，AFSAT在数值稳定性、运行时性能和内存效率上显著提升，通过解决内存延迟和浮点表示限制，以及利用自动并行化和紧凑表示实现。定制的离散傅里叶变换部分解决了浮点限制，通过JAX数组分片实现多加速器近线性扩展。

本文主张，AI科学应超越仅分析事后模型的研究范式，转向研究训练过程中模型行为产生的动态机制。通过预测早期信号、干预异常轨迹及设计可靠的训练流程，实现更深入的AI理解。

CARVE-Q是一种量子-AI混合架构，用于对自动驾驶中被否决的机动进行经过认证的修复。它利用量子最小搜索加速修复枚举，同时保持安全认证的经典性，实现了可证明的加速和100%的合规性。

一项新研究表明，在代理型AI控制评估中，如果攻击者战略性地选择攻击时机，系统的实测安全性会显著下降。研究人员将攻击决策分解为开始和停止策略，并在BashArena和LinuxArena两个环境中验证，发现即使审计预算仅为1%，攻击选择也能使安全性降低20至28个百分点，且不改变攻击能力本身。现有评估可能高估了系统的安全性，未来应纳入攻击选择因素以得到更现实的评估。

大语言模型在数学推理方面取得了显著进展，但现有基准通常评估有明确最终问题、逐步解决方案或完整证明的问题，未能捕捉协作式开放问题求解的过程。本文介绍了CrowdMath，一个包含164条专家注释进展链的数据集，来源于MIT PRIMES与AoPS合作的CrowdMath项目（2016-2025）。每条链追踪从开放问题到证明完成的多参与者论坛讨论，帖子按功能角色标注。六种前沿模型在下一帖预测上达到83-88%的准确率，但在帖子角色分类上最佳宏F1仅为0.42，揭示了模型在理解协作式数学进展方面的不足。

本文提出Lean4Agent，据我们所知，这是首个使用依赖类型形式语言Lean4来建模和验证大语言模型智能体行为的框架。它包含FormalAgentLib库和LeanEvolve优化工具，实验表明通过验证的工作流性能平均提升11.94%，LeanEvolve进一步将软件工程任务性能提升7.47%。

针对数独求解中学习型求解器缺乏正确性保证、符号求解器易陷入长尾搜索的问题，研究人员提出了一种扩散模型引导的分支选择方法DiBS。该方法在保持符号求解器完备性的同时，利用扩散模型对候选值进行排序，显著降低了搜索成本。在Royle 17线索数独基准测试上，DiBS减少了节点数、回溯次数和长尾百分位，证明了全局学习引导在困难实例上的有效性。

该论文将机器学习中的偏见形式化为对称性破缺，通过损失正则化恢复对称性，在合成数据集上实现了90%以上的违规减少，准确率成本仅约5%。该方法无需因果图知识，计算轻量，适用于任何可定义为位翻转的敏感属性。

Cerebro白皮书提出了一种全新的AI治理理念：将公司本身视为基础设施，使小型运营者能够运营AI原生企业。该框架涵盖内存、决策、工作流、智能体、模型和治理，所有组件都是版本化、可检查且由运营者拥有的。它是Libro（一个面向Claude Code的开源Ops脚手架）的配套文档。

本文介绍了一个自定义的 Claude Code 状态栏脚本，可实时显示上下文窗口使用率、令牌总数、代码增减行数以及速率限制剩余配额，帮助开发者避免中途被限制。

英伟达与LG集团宣布合作建设AI工厂，为LG提供加速计算基础设施，以支持其在机器人、自动驾驶、数据中心和GPU云服务等领域的AI业务。双方将整合英伟达的全栈AI工厂平台与LG在消费电子、机器人、移动出行组件等领域的全球领先地位，打造统一的物理AI系统开发工作流程。

TeardownHQ 为独立 SaaS 创始人提供经过验证的收入数据和深度研究手册，详细剖析初创公司如何增长，包括渠道、定价和进入市场策略。目录免费浏览，完整分解报告为付费产品。前500名用户可获创始会员终身优惠。

Solarch 是一个利用 AI 创建交互式图表的工具，确保您的代码始终保持同步。

Preseason.ai 是一个开源基准测试平台，通过一系列标准化提示，追踪 AI 模型在不同开发场景下选择的工具，并展示排名结果。测试覆盖从初级到专家的多个级别，包括 AI 支持平台、SaaS 应用、电商等场景。结果显示 Stripe、PostgreSQL、Auth0 等工具在多个类别中领先。

PandaProbe Cloud 是一个完全托管的代理工程平台。

OpenAI 发布了关于人工智能未来的愿景，重点在于可及性、安全性和共享繁荣，确保通用人工智能造福全人类。

OpenAI展望AI的未来，专注于可及性、安全性和共享繁荣，确保通用人工智能惠及每一个人。

本文探讨了学生过度依赖AI完成写作任务的问题，指出这可能导致未来的专业人士缺乏必备的写作和批判性思维能力，从而影响社会。

EMILIAProtocol定义了一个便携式、供应商中立的协议，用于高风险工作流中的信任评估和预行动信任执行。它通过信任收据、信任配置文件和信任决策等核心对象，结合握手和问责签核机制，确保系统在执行前对具体行动进行约束。

AI代码缝合器是一个开源工具，可将AI生成的代码精确整合到现有代码库中。最新版本v1.74引入了自动更新和导入提升功能，同时保持了对用户控制的坚定承诺，区别于行业中日益自主的AI代理。

苹果发布了第三代基础模型系列，包含五个模型，与谷歌合作开发，涵盖设备端和服务器端，强调隐私保护和新架构。这些模型驱动全新Siri和智能工具，在评估中展现出显著质量提升。

OpenAI 发起经济研究交流计划，旨在研究人工智能对就业、生产力和经济的影响。现已开放研究项目申请。

OpenEnv是一个用于创建智能体执行环境（如终端、浏览器等）的开源工具。今天，我们宣布OpenEnv将变得更加开放，由一个包括Meta-PyTorch、Reflection、Unsloth、Modal、Prime Intellect、Nvidia、Mercor、Fleet AI和Hugging Face在内的委员会协调。该项目旨在为开放源代码的智能体训练提供通用基础设施，并专注于作为互操作性层，而不是定义奖励或训练循环。

matchmind是一款AI驱动的求职匹配工具，每天早上6点自动扫描5个招聘板，根据用户个人资料对职位进行评分，并发送前10个最匹配的职位。它使用GPT-4分析职位描述，提供评分和解释，并支持反馈循环以持续优化匹配结果。

Simon Willison 发布了 datasette-agent-edit 0.1a0，这是一个为 Datasette Agent 插件提供通用文件编辑工具的基础插件，实现了查看、字符串替换和插入等核心功能。