論文提出了一個“代理就緒網站”設計框架，旨在增強電商平台對AI代理的可讀性、可解釋性、可驗證性和可操作性。實驗表明，代理就緒網站將嚴格成功率從49.3%提升至89.3%，部分成功結果從43降至3，平均步驟數從9.31降至6.49。

本文提出LP Mining with LP2Graph方法，從已發表的LP和MILP公式中挖掘結構，構建可重複數據集和分類體系，應用於鐵路重新調度領域。

本文批判了人工智能中的優化文化，指出優化過程雖然能衡量文本的不可預測性，但無法區分錯誤與創新。儘管如此，優化已在短短五年內取代了傳統機構，掌握了定義合法語言權威的地位。

提出一種可復現的校準優先獎勵審計框架，用於智能温室強化學習控制，將標量獎勵分解為温度、CO2、濕度等組件，並在GreenLight-Gym和自主温室挑戰賽數據上驗證。

GRID是一種基於語法約束的解碼引擎，通過將LALR(1)解析器狀態作為掩碼鍵，確保SQL輸出語法正確且符合角色權限策略，提供可證明的保證、恆定時間成本及完整審計追蹤。在Spider數據集上，0.5B模型執行準確率提升13%，7B模型通過修復達到94.5%可執行率。

該研究結合了本體增強蒸餾與情境審計兩項方法，針對受數據居留規則約束的金融機構，提出租户自有語言模型的構建與治理方案。蒸餾實驗表明，Qwen3.6-27B學生模型在40項越南語金融任務中達到36項正確，與GPT-5相當，但統計功效不足以證明等價；情境審計試點的結果表明殘存情境性為零，直接影響與構造耦合才是有效信號。研究不支持當前模型的可部署性、安全性或優越性。

本文綜述了非平穩環境下的上下文強化學習（ICRL），即預訓練或微調的決策模型如何僅通過交互上下文推斷潛在任務規則並改進未來行為，而無需在測試時更新參數。在變化的環境中，累積的上下文可能變得過時甚至誤導，因此策略必須推斷當前決策規則並識別哪些歷史證據仍然有效。論文圍繞三個核心問題組織文獻：什麼在變化、變化如何展開以及變化對智能體的可觀察程度，並將其與元強化學習、決策序列建模、檢索增強強化學習等方法聯繫起來。

本文提出了一個嚴格的永續期貨市場最優做市理論框架，將做市問題建模為隨機最優控制問題，貢獻包括損益分解定理、HJB方程、高APY區域定理等。數值分析揭示了盈利與非盈利區間的相變。

本文介紹了Millwright——一種三層數據契約架構，使模型生成的分析結果在不接觸標記、樣式或DOM的情況下渲染。通過類型化的結果構件、語義化版本控制的看板以及僅允許添加的導航頁面，確保安全、可審計且可撤銷的AI集成。

Syncless 的 Devices 功能允許用户將多個環境（如 MacBook、服務器、瀏覽器）連接到一個 AI 代理，實現跨機器無縫協作，無需 SSH 隧道或端口轉發。文章介紹了設置方法、使用場景及解決實際痛點。

時間線工作室是一款免費的開源AI視頻編輯器和語音生成器，運行在瀏覽器中，無需下載安裝。它利用人工智能技術簡化視頻製作流程，適合內容創作者和開發者。

儘管AI智能體被廣泛看好，但實際表現遠未達到預期。當前最佳模型的成功率僅為45.7%，且面臨可靠性、成本、法律和信任等多重挑戰。文章探討了單體和多智能體架構的優劣，並指出短期內AI應輔助而非完全替代人類。

GPT-5.6系列中，Sol和Luna在任何智能水平上的成本效率均優於Terra，尤其是Luna表現出極高的性價比。

澳大利亞總理阿爾巴尼斯在悉尼大學闡述AI應對策略，承諾加快數據中心審批以吸引投資。文章強調連貫決策和內部問責制的重要性，並指出AI帶來的經濟和社會挑戰亟需有效監管。

文章探討了“AI例外主義”現象，即人們對AI的態度因自身利益而異：當AI威脅自身職業時被視為不道德，而當其帶來便利時則被接受。通過記者、版權糾紛、好萊塢罷工和大學等例子，揭示了這種雙重標準的普遍性。

Gomoku AI Edu 是一款專為 macOS 設計的五子棋遊戲，提供 AI 對手、棋局分析、局域網對戰、SGF 導出等功能。界面簡潔，支持離線使用，並針對 Apple Silicon 優化，適合從新手到進階玩家。

Nitrosend是一個為AI代理提供電子郵件服務的平台，允許AI代理註冊、發送和回覆郵件，旨在簡化AI與人類之間的通信。

Vehir是一個實驗性的AI原生計算平台，專為代理與計算機交互設計。它擁有自託管本地編譯器、用户空間微內核、內容尋址存儲和聲明式協調等核心特性，目前處於積極開發階段。

bunny是一個開源工具，通過共享遠程環境、聊天原生工作流和並行驗證，幫助團隊在AI時代進行協作開發。它允許人類和AI代理在統一上下文中討論、執行和迭代，並提供了基於RBAC的治理層。

Meta下一代智能AI眼鏡的“超級感知”功能將啓用攝像頭而不閃爍指示燈，引發隱私擔憂。儘管Meta正打擊篡改指示燈行為，其自身卻計劃在某些AI功能中禁用該燈，可能助長秘密錄製。

一位精品投資銀行創始人注意到AI正在替代實習生，於是創建了一個去中心化實習項目，專注於Bittensor（TAO）協議。實習生完成8周任務和最終演講，獲得“工作量證明”經驗。

首次評估了LLM函數調用中的不確定性量化方法，發現多采樣方法不優於單採樣方法，並提出基於抽象語法樹聚類和語義標記選擇的改進策略。

CLaRa是一種統一的檢索增強生成框架，通過將文檔壓縮為連續向量並端到端聯合優化重排序器和生成器，顯著減少了上下文長度，提高了問答性能。其關鍵創新包括基於問答和釋義的SCP數據合成以及可微分的top-k估計器，實現了高達16倍的壓縮率，超越了基於文本的基線方法。

Thinking Machines 發佈了通用多模態模型 Inkling，支持文本、圖像和音頻輸入並生成文本輸出，現可通過 Modal 託管端點使用，採用基於令牌的定價。文章還討論了其獨特的局部注意力架構和 DFlash 推測解碼技術的優勢。

Thinking Machines發佈了Inkling，一個擁有約1萬億參數的開源多模態模型，支持圖像、文本和音頻輸入，可處理高達100萬token的上下文。該模型採用混合專家架構，僅激活410億參數，並配有相對注意力和短卷積等創新設計。Inkling已在Hugging Face上發佈，並得到transformers、SGLang和llama.cpp的即日支持。

Together AI發佈一系列更新，旨在提升生產環境GPU集羣的可靠性與操作控制。新功能包括被動健康檢查、自動節點修復、強化版Slurm-on-K8s棧、集羣詳情視圖、外部OIDC認證、啓動腳本以及可選的驗收測試。這些改進幫助團隊更快發現硬件故障、自動化恢復流程，並提供更細粒度的訪問控制和自定義能力。

Thinking Machines Lab 發佈了 Inkling，一個多模態混合專家模型，專注於高效推理、原生多模態理解和廣泛任務適用性。Together AI 在其推理平台上提供該模型，支持可控推理努力、文本/圖像/音頻輸入，以及 1M 上下文窗口。

提出FAE（特徵自編碼器）框架，僅用單個注意力層即可將預訓練視覺表示適配為低維生成潛空間，在ImageNet 256×256上達到接近SOTA的FID 1.29（含CFG）和1.48（無CFG），兼顧重建與理解信息。

現有的基準測試顯示語音AI接近人類水平，但實際對話卻大不相同。Hume AI發佈了Real World VoiceEQ基準，從超過40個語音模型在15+維度和60+指標上進行評估，基於超過100萬人類評分。關鍵發現包括：語音AI進展日益專業化、模型更擅長説話而非傾聽、傳統基準高估了實際性能、人類評估仍然不可或缺。

超級應用Codex每天新增100萬用户。AI新聞彙總涵蓋編碼代理、開放模型、多模態系統、基準測試和物理AI。