GEM提出了一种几何熵混合框架，将数据整理重新表述为超球面上的变分问题，并引入混合平衡正则化器，通过可证明的MM算法优化，有效对抗聚类坍缩，在1.1B参数模型上集成DoReMi和RegMix策略后平均下游准确率提升高达1.2%。

JobBench 是一个新基准，从“人类真正希望委派什么”出发评估职业型 AI 智能体，而非按经济价值衡量替代潜力。它覆盖 35 个职业的 130 个任务，最强的模型 Claude Opus 4.7 在 Claude Code 下也仅得 45.9 分。

当前评估大语言模型（LLM）心智理论（ToM）的方法多依赖最终答案，无法揭示模型是否真正构建了心理状态表征。本研究提出OmniToM基准，通过显式建模故事中所有角色的信念结构来直接评估。基准包含信念提取与信念标注两阶段，采用七维标签体系。基于895个故事和22,343个标注信念命题，借助人类校准的LLM辅助流程构建。零样本评估表明，LLM在将叙事事实转化为角色信念和共享心理状态时存在瓶颈。

AI智能体正开始完成有价值的长期业务运营任务，但企业工作的训练和评估环境在真实性、可验证性和规模之间难以平衡。环境与任务创建经常遭受一种称为“工件漂移”的失败模式：当指令、环境、预测器和验证器由松散耦合的过程创建时，它们经常对任务要求产生分歧，导致环境不可解、可奖励篡改或不一致。本文提出Anchor，一种将领域专家的业务流程规范形式化为约束优化程序的任务生成管道。通过单个参数化规范，管道联合生成自然语言指令、环境配置、求解器认证的真实解决方案和基于状态的验证器。通过改变参数，可产生具有可控难度和已知最优解的新任务，生成仅依赖最终状态业务正确性的与框架无关的环境。作者应用Anchor创建了ERP-Bench，一个包含300个长期任务的基准测试，涵盖生产级ERP系统中的采购和制造工作流。实验发现前沿模型在26.1%的试验中满足显式任务约束，但仅17.4%达到完全最优解。总体而言，Anchor和ERP-Bench为构建可审计的评估环境提供了具体方案，用于评估具有经济价值的智能体工作。

本文介绍了两种新颖的自主AI代理框架——DeepTS/DeepCollector和DeepScribe，它们利用混合本地-远程架构自动化科学工作流程，包括时间序列数据整理和讲座报告转换，并讨论了向知识图谱和高能物理的扩展。

一项名为AgingBench的新基准测试揭示，已部署的AI智能体会通过四种老化机制随着时间的推移而退化，需要生命周期评估和针对性修复，而不仅仅是更强的初始模型。

约束获取（CA）及相关研究因缺乏适当基准而进展受限。现有基准多为求解器设计，忽视领域知识工件。本文提出MPMMine基准套件，以一致性、标准化、完整性、可扩展性、开放性和版本控制为指导，采用MiniZinc、CommonMark和JSON开放格式，提供多模型、多实例及大量解与非解，并附有自然语言描述，以支持文本到模型方法。

arXiv新论文提出GEM（治理演化记忆）框架，将长期AI智能体记忆视为新的数据管理工作负载，通过状态级操作替代记录级数据库操作，解决当前记忆系统的四大缺陷。

arXiv 论文重新审视了证明大型语言模型具有内省能力的两个评估范式，认为现有行为证据不足以得出该结论。

BrickAnything 是一种几何条件自回归框架，能从多种三维表示生成可实际拼搭的砖块结构。它利用点云统一几何接口，引入结构感知树分词建模砖块间局部连接关系，并结合偏好对齐后训练、有效性约束解码和自适应回滚来提升稳定性和几何保真度。实验显示，该方法有效减少回滚和重新生成，生成的结构兼具几何忠实性和物理可实现性。

AI基础设施初创公司Fireworks、Baseten和OpenRouter正在筹集巨额资金，标志着推理基础设施成为关键的AI平台层。同时，智能体工程、新基准测试和模型更新主导了AI新闻周期。

一位独立开发者创建了Snipforge，一个包含28种工具的全能AI视频编辑套件，包括转录、智能剪辑、背景去除等功能。定价从免费到团队版每月15美元。

ACM CAIS 2026注册已满，但可加入候补名单。会议将于2026年5月26日至29日在圣何塞举行，设有主题演讲、63篇研究论文和46个系统演示，并已与AI工程师世界博览会合作。

ClearCompli 提供AI治理与合规洞察，帮助企业应对AI监管挑战。

DeepSeek研究员陈德里使用自研的DeliAutoResearch技能，与DeepSeek-V4-Pro和GPT-Image2合作，在6天内完成了一篇46页的论文。论文提出了L1-L5自主研究智能体分类体系，分析了四种架构模式和17个主流系统，并指出了六大开放问题。陈德里表示，人类仅需投入不到2小时的“CPU时间”，其余工作由AI Agent完成。

Hyper是一款AI驱动的个人知识管理工具，能从Notion、Obsidian等应用中整合上下文，提供智能辅助。创始人此前在Matic从事机器人研发，曾在2020年尝试改进GPT-2未果，如今推出自助版本。

分析显示，教皇利奥十四世关于人工智能的通谕《人间伟大》中部分段落可能由AI生成。AI检测工具Pangram指出，某些段落AI写作比例高达40%至100%，并存在AI生成文本的典型特征，如“genuinely”一词使用频率增加。然而，检测并非绝对可靠，其他部分被认定为人类写作。

谷歌最新无屏幕健康追踪器Fitbit Air售价仅100美元，是Whoop的强力竞争对手。经过一周的跑步、力量训练、瑜伽等测试，我们发现这款设备轻便舒适，电池续航约一周，配合AI健康教练提供全面的追踪体验。虽然无屏幕设计减少了干扰，但在运动中查看数据需要打开手机应用。订阅Google Health Premium可解锁AI教练的高级功能。

theta 是一个用 Rust 编写的 CLI 工具，用于管理代理配置。它读取 theta.toml 文件，解析、锁定、物化并转换代理配置到任何支持的 harness（如 Claude Code、Codex CLI、GitHub Copilot、Cursor），通过解决 .theta/ 文件夹中的资源来实现。它就像一个代理 harness 资源的包管理器。安装简单，支持添加规则、工具、技能和子代理，并提供验证和转换命令。项目深受 uv 启发，是 theta-spec 的标准实现。

一名东湾母亲接到诈骗电话，骗子使用AI和深度伪造技术模仿其女儿的声音，声称她被墨西哥贩毒集团绑架。这是利用AI技术进行诈骗的新趋势，当局提醒公众警惕。

教皇利奥十四世在其首道通谕《伟大的人性》中呼吁各国政府放缓人工智能系统开发，强调AI在战争中的使用必须受到最严格的道德约束，并谴责“正义战争”理论已过时。

本文探讨了防止AI被恶意使用的三大挑战：管辖权漏洞使不法分子可在无法律约束的地区活动；开源模型难以监控和限制；互联网匿名性阻碍了身份识别和追溯。作者呼吁在隐私与安全、开源与管控之间做出艰难权衡，并指出当前默认状态不可持续。

本文探讨了AI工具对工程师判断力的影响，指出被动使用会导致技能退化，而对抗性使用则能锻炼判断力。真正的技能不在于提示词，而在于提出质疑的能力。

Modal 为 Teams 和 Enterprise 用户推出了基于角色的访问控制（RBAC），围绕环境（Environments）构建，支持精细权限管理，确保智能体和人类的安全协作。

本周AI新闻要点：Anthropic公开了此前仅限国防承包商使用的顶级模型Mythos，使五角大楼级AI能力向开发者开放；DeepMind CEO哈萨比斯将AGI时间线提前至2029年；Starlette框架爆出严重认证绕过漏洞，影响数百万AI代理；CrowdStrike等联合摧毁Glassworm僵尸网络；法国巴黎银行与Mistral达成主权AI安全合作；中国限制阿里和深度求索顶尖AI工程师出境；Uber AI预算超支、ClickUp裁员并引入数千AI代理，同时MIT技术评论数据显示AI暴露岗位失业率更低，奥特曼撤回白领失业预言。

本文详细介绍了如何为Reachy Mini机器人部署完全本地的语音对话管道，无需云端或API密钥。采用级联方式，结合VAD、STT、LLM和TTS，推荐使用llama.cpp与Gemma 4、Silero VAD、Parakeet-TDT 0.6B v3 STT和Qwen3-TTS。提供了多种LLM运行选项，包括本地MLX、Transformers、vLLM或远程Responses API。

全球选举前夕，我们致力于帮助人们获取信息、支持网络安全防御者并提升AI透明度。

Warp 利用 GPT-5.5 和 OpenAI 模型，协调跨本地、云端和开源开发工作流的编码代理。

Daniel Stenberg 表示，AI 辅助的安全报告激增导致 curl 项目每天收到超过一份报告，给团队带来前所未有的心理压力，尽管这些漏洞大多为低或中危级别。

本教程详细介绍了如何使用zeroentropy/zerank-2-reranker（一个基于Qwen3的4B参数交叉编码器重排序器）来提升检索质量。内容涵盖环境搭建、模型加载、查询-文档对评分、使用model.rank进行排序、构建两阶段检索-重排序管道、NDCG@10评估以及跨领域（金融、法律、代码）性能测试，最后还进行了批处理吞吐量测试。