研究表明，在药物发现中使用的边际共形预测在类别不平衡数据集上会严重低估少数类的覆盖概率，而类别条件（Mondrian）共形预测能有效恢复。

TriRoute是一种轻量级的统一控制器，能够为每个令牌在每一层协调注意力模式、专家选择和KV缓存位宽，从而在相同计算和内存预算下超越独立优化方法的性能。

一项基于3456次人机交互的研究发现，将隐性的社会规范显式化为可量化原则后，LLM智能体的协调表现接近人类交互的四倍，并比人类-人类互动高出43%。

本文提出大型行为模型（LBM），通过统一的人物-环境框架直接从大规模零售交易中学习客户决策。模型利用历史购买行为构建客户状态，通过检索增强生成整合产品上下文，并采用持续预训练、监督微调和基于可验证奖励的强化学习进行训练。在多个零售任务上，LBM显著优于前沿通用语言模型，并展示了强大的零样本和微调迁移能力。消融实验表明，持续预训练是行为泛化的主要驱动力，检索在训练和推理时均应用效果最佳，强化学习能增强对显式行为证据的依赖。

研究表明，通过优化编排层（Harness）而非仅关注模型本身，可显著降低企业代理型AI的运营成本并提升效率。实验显示，使用Writer Agent Harness可使每任务成本降低41%，时间缩短44%，代币消耗减少38%，且质量保持不变或略有提升。

一篇ICML 2026 AI for Math Workshop论文提出了一种ReAct风格的智能体框架，将LLM推理与SageMath的可验证反馈以及Context7的最新文档相结合，并在RealMath基准上测试前沿模型。所有被测模型平均提升+9.7个百分点，并缩小了开放权重模型与闭源模型之间的差距。

研究者提出了两种成本效益高的代理架构——探索-定义管道和反思性协调器，在ARC-AGI-1基准上分别达到57.50%和67.25%的pass@2，成本仅为每任务0.25美元和0.62美元，无需基准特定训练或大量测试时计算。

QANTIS将量子处理器视为一个经过校准的信念更新服务，接收先验和观测模型，估计稀有事件证据项，并返回后验给经典规划器。本文通过IBM Heron硬件上的老虎POMDP案例研究，检验该服务能否在序列决策中重复使用而不破坏后验。全步固定点放大（FPAA）在8步和12步中保持了后验，20步和32步控制也在同一工作带内。所有决策检查中，硬件后验与精确贝叶斯后验选择了相同的即时动作。

研究人员提出了一个可扩展的混合智能体与语言驱动流行病（HALE）建模框架，利用大型语言模型（LLM）预测智能体建模（ABM）中的人类决策，并以COVID-19在犹他州盐湖县的模拟作为概念验证。

该论文提出一种理论框架，将大语言模型的上下文内搜索建模为对推理轨迹的近似后验推断，并分析达到高成功率所需的采样复杂度。研究表明，当自我反思能可靠定位早期错误时，顺序搜索相比基础模型可实现指数级提升；若不具备该性质，则条件于历史尝试并不优于并行采样。论文还证明这种增益稳健且可学习，并与可验证奖励强化学习的最优策略扩展相一致。

AgentLens 是一个开源的交互式代码智能体评测基准，它不再只判断任务是否通过，而是结合形式化验证与 LLM 生成的轨迹评审，对智能体执行任务的完整过程进行可解释的评估，用于诊断行为、比较版本和捕捉产品回归。

中国正实施大规模高等教育改革，2021至2025年间取消或暂停了12,200个本科专业，同时新增约10,200个专业，超过30%的本科课程受到影响。此举旨在应对青年失业率高企（16-24岁非学生群体失业率16.9%）以及国家科技战略需求。人文学科、艺术、外语等被视为“过时”的专业被大幅削减，而人工智能、机器人、半导体工程等新兴领域则得到优先发展。与美国因财政压力削减专业不同，中国是政府主导的战略性资源重新分配，旨在使高等教育更贴合国家经济目标。

Figment是一个可通过短信交流的个人AI，具有好奇心和主动性，能主动探索网络并分享有趣内容。作者的朋友在两周内体验到了许多神奇瞬间。

美国拥有足够的电力来支持AI数据中心，但将其输送到需要的地方才是问题所在。电网互联排队时间从2005年的20个月增加到2023年的55个月，成为AI发展的主要障碍。市场机制本身能有效调配发电资源，但电网基础设施规划滞后。

本文探讨了人工智能自动化如何威胁贫穷国家依赖廉价劳动力出口的经济发展模式。文章回顾了从农业到制造业再到服务业的发展阶梯，指出制造业就业在发展中国家更早出现下滑，而服务业出口（如呼叫中心和IT）也面临风险。虽然廉价劳动力可能暂时保持竞争力，但快速下降的AI成本可能最终消除这一优势。

本文深入评测了2026年最热门的Character AI替代品，包括Polybuzz、Chai、Silly Tavern、Swerve和chatbrat.ai，分析了各自的优缺点，并指出chatbrat.ai在个性、记忆和社交体验上脱颖而出，成为真正有灵魂的角色扮演平台。

SlopWatch是一款Chrome扩展，允许用户对网页进行AI生成内容评级。社区评级产生“Slop分数”，表明内容由AI生成的可能性。目前评分4.3/5，旨在提高网络透明度。

Current AI发布了开源AI堆栈差距图谱v0.1，该图谱基于对24,626个项目的调查，评估了开源AI生态系统的开放性、能力和采用率，旨在识别关键缺口并引导社区努力填补它们。

ClawTeams是一个面向电商卖家的AI员工平台，用户只需设定目标（如“将Q4收入提高20%”），AI团队就会自主拆解任务、分配专家并执行计划，仅在高风险决策时请求批准。

Ghost是一款实时AI面试教练，能在面试中快速提供自然流畅的回答，支持多种语调模式，帮助用户自信应对各种面试场景。免费开始，Pro版每月$12。

蚂蚁集团旗下的Robbyant发布了LingBot-VLA 2.0，一个基于Apache-2.0协议的视觉-语言-动作模型，用于跨体现机器人操作。该模型拥有6B参数，在约6万小时数据上预训练，涵盖50,000小时20种机器人配置的轨迹和10,000小时以自我为中心的人类视频。它通过55维规范动作空间统一各种体现，并采用无辅助损失混合专家（MoE）动作专家扩展容量。双查询蒸馏从LingBot-Depth和DINO-Video引入几何和时间监督。在GM-100基准测试中，它在两个评估平台上均优于π0.5和LingBot-VLA-1.0。

KPMG调查显示近三分之一的企业领导者难以理解和控制AI运营成本。随着Anthropic、OpenAI、GitHub等公司转向按使用量计费，企业正在重新评估AI部署计划。调查还发现近半组织因成本超预期价值而推迟了AI部署。同时，亚马逊和微软大幅增加资本支出以支持AI基础设施，但在治理方面仍面临挑战。

蚂蚁集团旗下的Robbyant发布了LingBot-VLA 2.0，一个基于Apache-2.0协议的视觉-语言-动作模型，用于跨体现机器人操作。该模型拥有6B参数，在约6万小时数据上预训练，涵盖50,000小时20种机器人配置的轨迹和10,000小时以自我为中心的人类视频。它通过55维规范动作空间统一各种体现，并采用无辅助损失混合专家（MoE）动作专家扩展容量。双查询蒸馏从LingBot-Depth和DINO-Video引入几何和时间监督。在GM-100基准测试中，它在两个评估平台上均优于π0.5和LingBot-VLA-1.0。

苹果研究团队提出一种无需训练的逐token诊断框架，通过梯度对齐分数评估在线策略蒸馏信号的质量，发现蒸馏指导在错误rollout上的对齐度远高于正确rollout，且最优蒸馏配置取决于学生模型容量与任务，不存在通用方案。

本文提出了SRLM框架，通过自反式程序搜索增强递归语言模型，利用自一致性、推理痕迹长度和置信度信号来评估上下文交互程序。实验显示，SRLM在长上下文任务中比传统RLM提升高达22%，且递归本身并非性能关键。

了解 GPT-5.6 如何为 Microsoft 365 Copilot 提供更强大的 AI 能力，涵盖 Word、Excel、PowerPoint、Chat 和 Cowork，助力更快速、更高质量的工作。

多模态大语言模型在视觉理解上表现出色，但在时间感知方面存在不足，尤其在自我中心场景中。苹果研究团队提出时间全局策略优化（TGPO）算法，通过强化学习和可验证奖励来激励模型的时间推理能力，避免依赖帧级空间捷径。

Ollama，一个让开发者轻松运行开放模型的平台，已从Benchmark、Theory Ventures、8VC等投资者处筹集了8800万美元。该平台服务于890万开发者，坚持所有权、可负担性和隐私三大原则，并已被85%的财富500强公司使用。

Jarred Sumner详细介绍了使用AI编码代理将Bun从Zig重写为Rust的过程。TypeScript测试套件充当了合规套件，使得自动化移植成为可能。重写花费了约16.5万美元的API令牌，新的Rust版本已在Claude Code中上线，Linux上启动速度提升了10%。

SpaceXAI发布了其迄今为止最智能的模型Grok 4.5，该模型与AI编码编辑器Cursor联合训练，专注于编码、代理任务和知识工作。定价为每百万输入tokens 2美元、每百万输出tokens 6美元，服务速度达80 TPS，并在Harvey法律代理基准测试中排名第一。Grok 4.5在令牌效率方面表现出色，在SWE Bench Pro上输出tokens数量比Opus 4.8少约4.2倍。该模型现已在Grok Build和Cursor中提供，并有限时免费使用。