微软研究院发布了Fara1.5，这是一个浏览器计算机使用代理模型家族，包括4B、9B和27B三种规模。其中Fara1.5-27B在Online-Mind2Web基准测试中达到72%的任务成功率，超过了OpenAI Operator（58.3%）和Gemini 2.5 Computer Use（57.3%）。该发布还包含了FaraGen1.5，一个用于生成训练轨迹的合成数据流水线。

LLMTest帮助你在应用中选用合适的LLM，并设置备用方案，确保稳定可靠的运行。

李飞飞团队发布ESI-Bench，一个专门评测具身空间智能的新基准。它要求智能体必须主动行动获取信息，闭合感知-行动回路。测试发现当前AI在被动感知上很强，但主动探索能力极弱，存在“动作盲视”和元认知缺陷等问题。

本教程介绍如何利用OpenMythos库在Google Colab中构建端到端的循环深度Transformer工作流。我们创建了MLA和GQA两种注意力变体，比较参数量，并通过谱半径检查循环注入矩阵的稳定性。在合成组合推理任务（预测数字链模固定值的和）上训练模型，研究循环循环如何使单一模型重用参数进行更深层次的计算。最终展示在推理时增加循环次数如何在不改变参数的情况下提升推理深度。

DeepSeek融资额达700亿元，计划推出自家Code产品。资深研究员Deli Chen发帖招聘Harness团队，前TSY Capital联合创始人崔添翼或将出任负责人。

Shroomie 是一个利用人工智能技术，让新闻阅读变得有趣且易于养成习惯的平台。

一个AI统一入口，搞定所有

Faby是一款AI虚拟同事，它拥有自己的电脑、浏览器和编码环境，可以直接在Slack中执行端到端任务，如拉取数据、构建报告、编写代码等。它不同于仅提供建议的聊天机器人，而是能实际完成复杂工作流程。

本周AI新闻相对平静，但基础设施领域迎来重大融资：TurboPuffer实现1亿美元ARR且盈利；Exa以22亿美元估值融资2.5亿美元；Modal以47亿美元估值融资3.55亿美元。其他亮点包括RAEv2表示学习框架、Gated DeltaNet-2注意力机制、以及Codex和Gemini的智能体工具更新。

网络安全风险已成为董事会层面的议题，但传统工具导致安全数据可见性碎片化。安全团队难以将技术信号转化为财务风险洞察，造成与董事会沟通低效。Databricks Genie 支持实时、数据驱动的网络风险量化，将安全态势与业务影响关联，以改善治理。

美国联邦贸易委员会（FTC）对Cox Media Group、MindSift和1010 Digital Works处以近100万美元罚款，因其虚假宣传“主动监听”AI营销服务。调查发现，该服务并未实际监听对话或使用语音数据，而是转售从其他数据经纪商处获得的电子邮件列表。FTC强调，通过服务条款隐藏的“同意”不构成有效授权。

一项新研究通过控制实验发现，Claude Haiku在资源分配任务中，将10个英语程度修饰词压缩为5个不同的中位数输出，且模型对强度词的解释高度依赖于系统状态，在接近可行性边界时出现三种行为模式。

该研究提出了OGCaReBench，一个专注于检索的基准测试，用于评估大型语言模型在回答超出典型指南范围的临床问题时的表现。实验表明，即使是最先进的模型（GPT-5.2）也仅有56%的准确率，而通过检索相关医学文献可提升至82%，强调了证据基础推理在真实医疗场景中的重要性。

本文提出反思式提示调优（RPT）框架，利用大语言模型的函数调用能力模拟人类提示工程师的迭代工作流。通过诊断函数评估目标模型在整个优化集上的表现并生成结构化报告，优化器结合历史报告记忆进行有针对性的提示修改，在三项推理任务上比初始提示提升最多12.9分，并改善了置信度校准。

arXiv最新论文提出PromptNCE方法，仅通过提示和LLM的概率输出即可零样本估计点互信息（PMI），无需训练专用模型。在三个数据集上达到最高Spearman相关性0.82，并在计算机科学教育中展示了低数据场景下的应用。

RankJudge 是一个面向多轮对话的 LLM-as-a-Judge 基准生成器，通过向一对对话中的某一轮注入单一缺陷来构建可明确标注优劣的样本，覆盖机器学习、生物医学和金融三个领域，对 21 个前沿 LLM 评判模型进行了排名。

该论文提出了一种基于贝叶斯规则和随机过程理论的模型无关概率令牌归因方法，通过反转下一令牌的对数概率来计算每个令牌对生成响应的贡献，并结合熵分析来提升LLM的可解释性。

如何区分一篇同行评审是由人类撰写还是AI生成？Sem-Detect方法通过结合文本特征与声明级语义分析，利用AI模型趋向于相似观点而人类评审更为多样化的观察，在ICLR和NeurIPS的2万余篇评审中，将二分类情况下的[email protected]% FPR提升了25.5%。在三类场景中，仅3.5%以下的人类精炼评审被误判为AI生成。

研究者提出CR4T，一个与模型无关的青少年LLM防护框架，它不采用直接拒绝，而是把不安全或拒绝式回答选择性改写为适合年龄、以引导为导向的内容，在保留良性意图的同时减少有害输出和不必要的对话中断。

本文提出DualOptim+优化框架，通过基础状态共享表示和增量状态保留目标特异性残差，自适应桥接共享与解耦状态，并引入8位量化变体降低内存开销，在多个任务上实现更优权衡。

本研究提出yvsoucom-iterkit，一个确定性、日志驱动的自动化机器学习框架，将流水线优化编码为可追踪的日志实体，实现组件归因、交互、相似性和跨种子鲁棒性分析。在Pima印第安人糖尿病和中风数据集上的实验（超过18,000种流水线配置）揭示了结构化且部分冗余的搜索空间，性能由少数交互组件主导。随机森林重要性分析显示，增强（0.454）、模型选择（0.198）和不平衡处理（0.101）是Pima的关键驱动因素，而不平衡处理主导中风数据集（0.406）。组件相似性分析表明强冗余性。集成模型取得了强劲稳定的性能（Pima上加权F1为0.89，宏F1为0.88；中风上加权F1为0.94），但中风上的宏F1较低（0.67）。跨种子分析揭示了性能-鲁棒性权衡。结果表明有效的AutoML优化可以聚焦于少量高影响组件。

本文研究了大型语言模型代理中束带工程（harness engineering）的推理时对齐技术。束带通过任务分解和引导执行来提升长期性能，但更精细的设计并非总是更好。论文从推理时轨迹对齐的角度，揭示了过度分解、过度剪枝和幻觉执行等失败模式，并通过实验表明，部分束带（仅指定初始步骤）可能比完整结构化工作流更有效。

本文研究如何利用少量领域内示例预测LLM提示程序与符号程序（如Python）在未见任务上的性能。作者发现符号程序的性能呈两极分布，而提示程序的性能呈扩散分布，并据此提出RAP方法，通过检索相似任务构建代理先验来提升预测效果。

HealthCraft 是首个基于 FHIR R4 构建的急诊医学强化学习环境，通过双层级评分系统评估语言模型在复杂临床工作流中的安全性。测试显示，前沿模型在多步工作流中几乎完全失败，且基础设施缺陷会影响模型排名。该环境及任务集已开源。

本文通过模拟研究探讨在训练数据受污染时，线性回归中高度非鲁棒的最小二乘插值器是否仍能展现双下降现象。结果表明，在强过参数化下，最小二乘插值器确实出现双下降，泛化性能优异甚至超过鲁棒方法。

一篇 arXiv 论文提出 GOEN 流程，结合多尺度特征、L2 归一化、Mahalanobis 距离和校准头，发现 CenterLoss 这类增强特征紧凑性的正则项虽然提升分类准确率，却会显著降低分布外检测性能。

一项新研究证明了在特征共线时，没有特征排序方法能同时满足忠实性、稳定性和完备性。该不可能性定理通过四种模型类量化，并提出了集成平均方法DASH来解决。在77个公共数据集的调查中，68%存在归因不稳定性。该框架还包括实际诊断工具和对公平性审计的影响。

研究者构建了一个包含11,488个想法对的数据集，并训练语言模型在实验前比较两个研究想法的潜在基准表现。经过监督微调，8B参数模型达到77.1%的准确率，超过了GPT-5的61.1%；而使用可验证奖励强化学习的方法在提供可解释理由的同时达到71.35%的准确率。

arXiv论文提出TCT模型，通过自监督对比学习捕捉金融交易序列中的时间动态，嵌入单独AUC达0.8644，但与领域工程特征结合后无显著提升（AUC 0.9205 vs 0.9245），表明学习表示与现有特征抽象高度重叠。

Mahjax是一个用JAX实现的全向量化日本麻将环境，可在GPU上实现大规模并行模拟，在八块A100 GPU上分别达到每秒200万步（无红宝牌规则）和100万步（有红宝牌规则）的吞吐量，并验证了从零开始训练智能体的有效性。