该研究提出了一种双数据集基准评估框架，用于公平评估时间序列基础模型（TSFMs）在电力价格预测中的表现。研究发现，TSFMs在零样本预测中表现强劲，但严重依赖于协变量支持，且不一定超越专用领域方法。有趣的是，TSFMs与领域特定方法的简单集成显示出显著潜力，表明两种方法捕获了互补的预测信息。

本文指出，基于扰动的构造有效性审计本身存在脆弱性，其结论可能被读者看不到的实现细节悄然操控。作者命名了五种管道失败模式（F1-F5），并通过在两个模型和五个安全基准上的自我审计进行了演示。在一个统一的六点尽职调查门控下，所有单元均未达到确认标准。该门控被定位为用于保证级证据的扣留与披露协议，补充而非替代经典的构造有效性证据。

该论文提出了一种基于滑动窗口的强化学习（SWRL）框架，用于解决具有复杂配套约束的柔性装配流水车间调度问题。该方法将问题建模为异构图马尔可夫决策过程，并集成了滑动窗口过滤、时空图编码和动态动作映射模块。在家电制造企业的真实数据实验中，SWRL相比经典调度规则和现有深度强化学习方法，显著降低了延迟，并在不同资源配置下展现出鲁棒性。

VERITAS 是一个领域无关的复制框架，基于 CLI 编码代理，能自动提取论文声明、运行方法并判断结果，返回重要性加权的复制分数和修复日志。在涵盖计算机科学、社会科学、医学和天体物理学的 65 篇论文评估中，VERITAS 在 CORE-Bench 和 ReplicationBench 上均达到最优性能。

大型语言模型（LLM）在安全性和有用性之间面临挑战。传统的拒绝式对齐策略会拒绝敏感查询，但可能无法满足用户合理需求。Oyster-II提出基于强化学习（RL）的建设性安全对齐框架，采用Zero-RL范式和多阶段RL策略，解决了Oyster-I中监督微调（SFT）方案的安全泛化不足和安全思维链过度泛化问题。在多个基准测试中，Oyster-II在安全维度上全面超越Qwen3-14B和Oyster-I，性能堪比Qwen3-Max和Qwen3.5-397B。

新基准测试MedCalc-Pro评估了大语言模型在复杂医学计算中的表现，涵盖多计算器、嵌套比例和模糊查询。作者还提出了一个通用代理框架，在三种任务设定中均优于现有模型。

大型语言模型代理可以通过积累经验来改进，但自由形式的文本记忆难以维护、验证和重用。本文提出以对象为中心的环境建模（OCM），将经验组织成可执行的对象中心环境模型。OCM维护两个相连的代码库：对象知识（用Python类定义环境实体和机制）和过程知识（记录可重用的交互模式）。实验表明，OCM在基准测试中取得最佳平均排名，并减少了无效动作。

SwarmResearch 是一种编排器-子代理架构，通过全局上下文指导搜索代理种群，在开放式优化任务中优于现有方法。

研究人员推出了REDI，这是一个开源框架，通过统一的五阶段管道（摄取、预处理、转换、结构化、输出）自动将大规模科学数据集转化为人工智能就绪数据。它包含可追溯性、可复现性以及代理可调用技能部署。配套工具SetGo可自动化FAIR合规性和目录发布。在气候、蛋白质组学、材料科学和核聚变领域进行了评估，显示出近乎理想的并行扩展能力，并识别出文件I/O为主要成本。

本文提出ASK+方法，通过为小语言模型提供轨迹感知上下文和结构化思维链推理，显著提升了部分可观测环境下强化学习代理的性能。实验表明，ASK+在DoorKey、FourRooms等任务中超越基线，且提示设计比模型规模更重要。

成对比较常用于学习人们对决策规则的偏好，但本文指出它基于两个强假设：局部比较能反映全局偏好，且人能果断回答。在内部多元主义（个体根据多种权威优先级评估规则）下，这些假设可能失效。全局优先事项（如比例性）无法通过局部比较捕捉，且优先级冲突会导致行为扭曲。允许报告犹豫可减少查询次数，并为直接引出优先级的方法指明方向。

讯飞具身全模态是一个统一的多模态基础模型，联合建模视觉（视频和图像）、语言和动作。它采用大脑-小脑协作架构：视觉语言模型和视频生成模型充当高级大脑进行理解和规划，动作生成模型充当低级小脑执行动作。该模型通过四阶段训练策略在包含人类演示、机器人交互和通用图像文本数据的综合性数据集上训练。

社交媒体正将AI眼镜等监控技术包装成时尚潮流，从而淡化其隐私风险，使骚扰和非自愿拍摄行为正常化。本文以Alexa Chung发布Ring安防摄像头穿搭照为例，揭示了这一趋势的隐患。

大学越来越多地使用AI检测工具来识别学生作业中是否使用生成式AI，但研究表明这些工具存在高误报率，甚至将人类写的文章误判为AI生成，引发公平性担忧。

Panoptes 是一个开源工具，用于监控 AI 代理的操作，记录所有工具调用、文件读取和 shell 命令，并提供可查询的审计追踪和策略执行功能。

Stitch 是一款开源、本地运行的AI桌面应用，集成记忆、会议记录、日程管理、自动化、邮件处理等功能。支持多种AI模型及本地模型，无需创建账户，所有数据本地存储，确保隐私安全。

本文通过计算机架构的视角，分析AI编程代理（如Claude Code、Cursor）的运行机制，指出其本质与CPU的取指-译码-执行周期无异。文章剖析了在本地运行代理的三大瓶颈：计算资源不足、无法持续在线、环境异构与污染。随后讨论了OpenClaw等自托管方案的短暂热潮及其局限，最后论证云原生代理是必然趋势，能实现从笔记本电脑的2-3个代理到云端1000+的规模跃迁，并带来15倍的投资回报率。

Artificial Analysis 与 Zapier 合作推出 AutomationBench-AA 排行榜，测试 AI 模型在真实 SaaS 工作流中的自动化能力。该基准包含 657 个任务，覆盖多个业务领域。Claude Fable 5 以 48.6% 的得分领先，Gemini 3.5 Flash 在成本效益上表现突出。所有模型均出现防护栏违规，金融任务难度最高。

Kickbacks CLI 是 Kickbacks.ai 的终端和Mac菜单栏伴侣，方便用户快速访问和使用AI服务。

Foundation 是一个开源的全栈框架，通过单一合约架构、Hermes 热平面和零拷贝通信，弥合硬件速度与软件栈之间的差距，为 AI 代理和人类开发者提供高性能、确定性协作环境。

pi_agent_rust 是 Pi Agent 的 Rust 完全移植版，即时启动、稳定流式输出、内存占用低，并提供扩展系统和多种运行模式，解决现有 AI 编码助手的性能瓶颈。

Millfolio是一个在Mac上运行的本地优先AI工具，通过将程序发送到数据而非将数据发送到模型来保护隐私。它使用Mojo构建后端，利用本地模型索引文件，并通过前沿模型（Claude）编写查询程序，该程序只访问脱敏的模式信息。

本教程介绍如何构建一个端到端的自主AI合作科学家工作流程，用于发现针对非小细胞肺癌中C797S奥希替尼耐药突变的新一代EGFR抑制剂。流程包括通过ChEMBL和UniProt解析靶点、挖掘IC50数据并转换为pIC50数据集、使用RDKit标准化分子、计算摩根指纹、训练基于骨架分割的随机森林QSAR模型、使用SHAP解释活性驱动因素，以及通过BRICS片段重组生成并筛选新型候选分子。

作者以个人经历反思AI的操纵性，指出AI系统虽有用但存在偏见，可能无意中成为西方文明衰落的推手。

Meta正在测试一款名为Pocket的社交应用，用户无需编程即可创建、分享和发现AI生成的迷你游戏（称为“gizmos”）。该应用目前处于Google Play的封闭测试阶段，合作平台包括Facebook、Instagram和WhatsApp的交叉推广。

明智地使用AI要求团队优先考虑价值而非采用率。本文通过电影《Obsession》中的角色误用魔法捷径的类比，强调了治理和审慎决策的重要性。

用户批评Anthropic的Claude Fable 5在7月1日重新发布后表现下降，认为其安全护栏过于严格。基准测试分数大幅下滑，但Anthropic坚称模型未变，归因于增强的安全分类器。

澳大利亚支付Plus（AP+）使用ChatGPT Enterprise和Codex来应对支付复杂性，提高效率和质量，同时保持人工判断的核心地位。

SkyPilot与Hugging Face合作，允许用户将模型和数据集存储在Hugging Face Hub上，并通过SkyPilot在任何云上运行计算任务，无需支付数据传输费用。

研究表明，语言模型的安全对齐通过两种机械上不同的系统运作：拒绝对话的神经元和编码有害知识的概念神经元。通过针对每个系统中的单个神经元，研究人员展示了两种失败模式——通过抑制绕过明确有害请求的安全性，以及通过放大从无害提示中诱导有害内容——涉及7个模型、两个系列、参数规模从1.7B到70B，无需任何训练或提示工程。这表明安全对齐并未稳健地分布在模型权重中，而是由单个神经元介导，这些神经元在因果上足以控制拒绝行为。