论文指出概率降尺度中均值-残差范式的根本问题在于训练与测试残差分布的系统性错配，并提出ReMatch方法，通过低维PCA空间的最优传输对齐训练残差分布，显著改善校准与离散度，在合成基准和真实风场降尺度任务上优于现有方法。

该论文提出“深度梯度增强”范式，并实例化出“梯度平滑”方法，通过对沿深度方向的块更新进行平滑，在不修改模型架构或训练目标的情况下，持续提升语言模型预训练、LLM推理RL后训练、扩散建模和ViT图像分类的优化与泛化性能。

本文提出GRPO训练动力学的第一性原理降阶模型，将经验单指数饱和律作为过阻尼极限纳入，并预测组大小不变性、刷新间隔的稳定性阈值以及过阻尼到振荡的转变，在三个模型和两种组大小上以R²≥0.91拟合训练奖励。

本文提出了一种名为“过程侧车”的两系数编辑方法，用于在语言模型的安全训练阶段之后撤销已学习的状态。该方法通过估计AdamW优化过程，实现了二阶精度的记忆撤销，并在三个模型上优于朴素任务算术方法。

ReactionAtlas 是一种机器学习框架，能够仅从少量种子分子出发，自动构建化学反应网络，无需手工规则。它结合生成模型与 DFT 训练的机器学习力场，在前生物条件下发现了约 47,000 个反应，涉及约 12,000 种化合物，并揭示了福尔摩糖循环等生命起源相关化学的新路径。

层级全局注意力（HGA）是一种即插即用的替代方案，用于预训练长上下文Transformer中的密集因果注意力。它无需重新训练或校准，即可在单个RTX 5090上实现64K token上下文，通过分层路由大幅降低GPU内存占用，且质量损失极小。

该论文从几何角度解释了确定性少步生成在连续文本潜变量上失败的原因：平滑且受正则性限制的映射无法在锐利分类读出前解决离散分支选择，失败由解码器锐度而非传输精度控制。作者证明后验均值终端步骤在决策边界附近的翻转率与潜变量质量成正比，并引入DABI和CCI两个诊断指标。实验显示文本解码器的DABI比图像解码器高数个数量级，且两种机制——分类承诺（自回归解码器）和随机重注入（SDE）——可以突破连续类别的理论限制。

论文提出 MetaFlow，把工作流生成视为元学习问题：模型根据任务与可用算子集合，学习如何组合出解题策略。该方法先在有监督的合成工作流数据上微调，再用可验证奖励的强化学习（RLVR）结合跨实例执行反馈优化端到端成功率，在问答、代码生成和数学推理基准上取得与先进基线相当的同域单次推理表现，并对未见任务与全新算子集展现出显著零样本泛化能力。

本研究利用NHANES 2003-2006数据，构建了包含1,381名成年人的加速度计心脏代谢基准，评估了三种表格学习方法（岭回归、XGBoost和TabPFN v2）预测糖化血红蛋白、甘油三酯和C反应蛋白的性能。TabPFN v2整体表现最佳，但甘油三酯预测能力有限。同时，通过分割共形预测评估了预测区间的覆盖公平性，发现总体覆盖达标，但亚组间存在差异。

研究者提出MCO-PDE框架，利用竞争性优化从多源数据集中发现共享的偏微分方程。该方法先为每个数据源训练独立的神经代理模型，再通过软竞争加权机制评估数据可信度并聚合全局系数，结合遗传算法进行结构搜索，同时识别方程形式和参数。在七个案例中，每个数据集仅用50个观测点就能高精度恢复典型方程，并能处理不规则边界、异质系数的二维和三维问题，还成功从真实波浪槽实验中提取了物理规律。

AgRefactor是一种基于LLM的多代理工作流，用于将软件重构为HLS兼容代码。它结合了自我进化记忆系统和自动化重构工具，在9/11个基准上优于或持平现有方法，并实现了高达6.51倍的加速。

本文形式化了基于Huber污染模型的LLM陪审团，并证明即使只有一个评委以LLM典型方式（模式崩溃、谄媚、安全拒绝）产生偏差，任何正污染都会导致PoLL产生无界偏差。通过将陪审团共识视为经典鲁棒均值估计，作者提出RoPoLL，用几何中位数替换聚合函数，实现了最优有限样本崩溃点1/2。实验表明，在13个开源评委（4B-675B）、三个奖励模型基准和四种腐败机制（高达50%）下，RoPoLL在每一种有偏腐败类型上都优于PoLL：在匹配计算量的跨维度攻击上提升约19%，在重尾拜占庭对手上提升数个数量级。一个38B参数的3评委RoPoLL委员会在30%双模随机腐败下，在HelpSteer-2上以18倍参数优势超越Mistral-Large-3（675B）1.31倍。

论文提出 HASTE 框架，将跨竞赛知识分为全局、领域和竞赛特定三层，显著提升机器学习工程代理的奖牌率和学习效率。

一篇被AIDA2J研讨会接收的论文探讨了基于大语言模型的多智能体审议方法在法律推理中的应用。研究者提出了两个受法庭程序和法律论证启发的新框架，实验表明这些多智能体框架在整体性能上与基线大语言模型相当，但能产生显著不同的答案，并且能够解决基线模型无法处理的案件。

一篇 arXiv 论文挑战了智能体默认用户为“专家用户”的假设，提出用户往往需要智能体帮助才能形成偏好。研究者基于信息经济学中的 Search-Experience-Credence 框架提出 CoPref 用户偏好构建模型，并设计了交互式推荐基准 CoShop。在测试五个前沿模型时，没有一个智能体在五轮交互后准确率超过 56%，失败原因在于交互未能有效扩展用户对自身需求的认知。

该研究提出了LearnStop，一种无需隐藏状态的检查点停止器，用于推理语言模型。实验表明，在自由形式的数学任务上，学习多特征停止优于简单的标量退出策略，但在多项选择和极难任务上，标量规则更具竞争力。主要发现是当许多问题在预算耗尽前已正确但缺乏可靠标量信号时，学习停止有用。

研究人员提出BayesBench，一套模拟环境，用于评估大语言模型在多轮对话中更新信念时是否接近理性贝叶斯推理者。在七种模型（3B至70B）上的测试显示，规模扩展能改善潜在推断，但这种优势并不能稳定地迁移到下游预测。

该研究探讨了数据表示、基于Transformer的嵌入模型和检索策略对使用自然语言查询发现仿真模型的影响。结果表明数据表示很重要，开源嵌入模型可实现高性能，重排序方法在查询复杂度增加时尤为关键。

研究者提出对比反思框架，通过对比错误切片与邻近成功示例，指导LLM对检索代理的提示进行更有针对性的迭代修复，在HotpotQA上将精确匹配准确率从51.4%提升至60.4%。

该研究引入了一种受控的学生-教师协议，以区分真正由反馈驱动的改进与仅因重复尝试或重采样带来的提升。在多个基准测试中，自我反馈比无指导的自我改进几乎没有额外收益，而强大的外部教师则带来更大的反馈特定增益。瓶颈在于学生利用反馈的能力，而非反馈的可得性。

Context.dev 提供了一个统一的 API，用于从互联网爬取数据、丰富内容并提取信息。该产品旨在简化数据采集流程，为开发者提供高效的工具。

韩国科学技术院（KAIST）研究团队开发了一种名为BehaVERT的AI模型，该模型将动物的身体动作视为语言模型中的词语，能够自动识别自闭症小鼠模型的核心社交缺陷。该模型在不预先告知的情况下，通过观察小鼠行为自行发现关键差异，为脑科学研究提供了新的可解释AI工具。

AWS致力于安全地提供前沿AI模型，与Anthropic合作通过Project Glasswing改进防护栏，确保新模型能力不被滥用，同时为防御者提供优势。

本文基于Emily M. Bender和Nanna Inie的评论文章，探讨如何避免在使用‘AI’相关技术时使用拟人化语言。作者分类了常见的拟人化表述，并提供了替代方案，如将‘人工智能’替换为‘概率自动化’等。文章鼓励读者在日常讨论中坚持使用更精确的语言，以促进对技术的清晰理解。

Anthropic发布Claude Sonnet 5，定位为最具代理能力的中端模型，具备百万token上下文窗口，标准定价与促销价并行。第三方评测显示其在编程和代理基准上有显著提升，但部分用户因任务级成本增加及缺少Fable 5发布而失望。Fable/Mythos 5经政府批准后重新上线。

美国商务部已取消对Anthropic的Fable和Mythos AI模型的出口管制，此前该公司因国家安全风险被迫暂停对外国公民的访问权限。Anthropic表示将于次日恢复访问。

微软发布的关于美国AI采用情况的报告。

旧金山监事会推迟了一项362页法令的投票，该法令旨在通过AI识别并删除城市法典中的冗余条款。多位监事及书记官对提案内容过于宽泛、难以理解表示担忧，部分人甚至借助AI工具进行分析。投票推迟至7月14日，以便进一步审查。

Agentic OS 是一款主动式AI助手，能够无缝自动化任务、日程和文件管理。

作者使用NVIDIA Jetson Orin Nano Super和Kokoro-82M模型构建了一个本地文本转语音应用StreamTTS，利用持久流（S2）而非传统请求-响应架构，实现了可共享、可重放的实时音频生成，并解决了慢推理、多用户公平调度和去重等问题。