對1536種高斯釋出協方差的測試發現，沒有一種能在自適應檢索攻擊下同時實現中等效用和隱私保護。研究者提出了費舍爾球下界，證明均勻高斯安全性不可能，並指出對角逆費舍爾釋出是最優的但處於隱私/效用邊緣。提出分裂記憶Transformer在隱私-效用權衡上顯著優於GPT基線。

神經運算元作為科學建模中快速資料驅動替代方案，但存在頻譜偏差問題，難以解析高頻細節。本文提出迭代精化神經運算元（IRNO），透過固定點迭代增廣預訓練運算元，並引入漸進頻譜損失，在湍流等測試中誤差降低高達56.05%，高頻誤差顯著減少。

該論文提出了“可驗證Transformer”框架，將區域性任務Transformer電路轉化為有界、可求解器檢查的命題，透過直接驗證和替代中介驗證兩種方法，在小型符號序列任務上實現了對電路屬性的窮舉驗證，並在GPT-2規模上展示了替代中介驗證的有效性，旨在為機械論解釋提供形式化證明路徑。

本文提出CAFD，一種結合模型訊號、距離特徵和概念失敗比（CFR）的故障檢測方法，利用視覺-語言模型提取影像概念，有效提升DNN故障檢測效能，在多個基準上平均故障檢測率提升18.3%。

本文提出了一種名為MODIAD的新型框架，用於解決工業環境中的多模態線上分散式異常檢測問題。該框架包括一個多類智慧排程（MIS）問題以協調跨類模型更新，並透過序列邊際增益貪心（SMG）演算法高效求解。此外，還提出了資源高效類級低秩自適應（REC-LoRA）策略以降低訓練開銷。在MVTec 3D-AD和Eyecandies資料集上的實驗表明，該方法在MODIAD場景下實現了卓越的效能和效率。

本文提出“演算法度量”（algometrics）框架，用於處理預測模型影響自身資料生成過程的時序預測問題。區分了被動預測下的歷史風險和部署風險，並證明：部署風險無法僅從歷史資料識別；演算法擁擠可導致歷史排名反轉；隨機化或工具化行動可識別短時域線性反饋。建議演算法市場的基準應同時報告預測精度和反饋敏感性。

本文提出一種執行時執行模型，在自主智慧體系統中強制執行重構許可權（RAM）條件：僅當能從當前狀態構造出許可權時，才允許執行動作。該模型擴充套件了傳統“允許/拒絕”二元狀態，引入“暫停”狀態以處理因觀測不完整或不確定而許可權未定義的情況。具體執行協議包括動態依賴解析、許可權重構和顯式決策語義。此外，透過整合漂移檢測（IML）與執行控制（ACP）的恢復迴圈，系統可暫停執行、獲取缺失資訊並重新嘗試許可權重構。實驗證明該模型保證了安全性（無動作在無構造許可權時執行）和有條件的活性（當許可權定義變數可觀測時恢復執行）。

本研究將飛秒雷射泵浦的相干伊辛機（CIM）與大語言模型（LLM）驅動的智慧體系統整合，利用LangGraph和LangChain框架實現了量子建模的自動化。LLM能夠有效執行QUBO/Ising模型校準、約束權重迭代和文獻方案驗證。所有任務均基於國產大模型和國產CIM硬體實現，完全依賴自主核心技術。研究還意外發現，智慧體輔助量子計算迭代積累的知識能夠反向增強智慧體自身的問題解決能力，形成新的協同正規化。

一項新研究提出了Med-Stress壓力測試框架，揭示了在臨床對話中不斷升級的壓力下，大型語言模型（LLM）的醫學知識與信念穩定性之間存在脫節。作者提出了兩種防禦機制：基於角色的認識防禦（RBED）和韌性導向微調（R-FT），其中R-FT幾乎消除了信念改變。

研究人員提出BODHI方法，透過領域知識提示技術大幅提升大型語言模型生成作業系統核心形式化規範的能力。在OSV-Bench基準上，結合Claude Opus 4.6的BODHI方法達到了96.73%的Pass@1，相較於此前最佳結果提升顯著。

本文介紹了基於量化時間機制的雙人合作遊戲《量子青蛙》，使用強化學習分析難度縮放、最優單智慧體策略、合作差距及湧現策略。研究發現：量化時間使得“衝刺策略”普遍最優；新增不協調的第二玩家比將交通量增加六倍更困難；合作訓練可提升成功率達32–34個百分點，並將回合長度從約90步縮短至約6步；湧現的合作策略是同步衝刺，而非複雜的位置協調。

本文分析了大型語言模型（LLM）驅動的代理工作流中延遲、可靠性和成本之間的基本權衡，提出了一種引數化指數可靠性函式來建模LLM代理的計算投入與輸出質量關係，並推導了最優令牌分配策略（注水演算法）以及影子價格表徵。

本文介紹了Context，即Magarshak架構的智慧層，它用主動目標導向代理取代了被動問答聊天機器人。該架構基於三種機制：編寫時上下文組裝、可組合沙盒智慧程式以及主動目標流狀態機。論文證明了六個定理，包括上下文穩定性、程式組合正確性、主動優勢等。該實現基於開源Qbix/Safebox/Safebots棧。

該研究量化了推理型大語言模型在長鏈思考中的冗餘程度，發現61%至93%的推理步驟可以截斷而不影響正確性，並證明這種冗餘是長度無關結果獎勵的結構性後果，而非模型缺陷。

研究發現大型語言模型（LLMs）在置信度校準上存在類似人類的偏差：在困難任務上過度自信，在簡單任務上則信心不足。研究者開發了LifeEval測試集，用於評估不同難度級別下的模型校準表現。

該研究透過用前沿視覺語言模型（VLM）替代人類使用者，複製了人類驅動開放式搜尋的經典範例Picbreeder，比較了系統輸出與歷史人類基線的定性差異，並嘗試透過系統發育複雜性、視覺和語義顯著性及新穎性的指標來表徵這些差異。研究還探索了在代理選擇過程中新增探索性噪聲、代理之間的行為多樣性以及以過去行動記憶形式存在的敘事動量等因素的影響。

Allen Wu 開源了 AgentToolBench-Code，這是一個評估AI程式設計代理靜默安全失敗的基準測試。測試了 Claude Code Sonnet 4.6 和 Haiku 4.5，涵蓋16個真實CVE場景。結果顯示 Sonnet 以 +9 分（12捕獲、3靜默失敗、1無操作）明顯優於 Haiku 的 +3 分（8捕獲、5靜默失敗、3無操作）。早期平局源於小語料庫，擴充套件後 Sonnet 在模式識別上優勢顯著。但兩者在依賴安裝和預算消耗等結構性攻擊上均失敗，提示系統性問題。該基準可重複，API成本約3.50美元，社群可貢獻場景。

AIntegriX 是一個開源伺服器，透過單一 API 協調多個 ACP 智慧體，支援並行執行、流水線作業和智慧路由，解決了各代理獨立執行無法協作的問題。

教皇利奧十四世釋出關於人工智慧的通諭《崇高人性》，據稱受Anthropic聯合創始人Christopher Olah影響。Corey Quinn諷刺稱，讓教皇將產品的技術限制奉為精神論著是前所未有的供應商遊說。

區塊鏈生態系統普遍面臨開發者流失，而人工智慧專案在GitHub上成為增長主力。自2025年初以來，每週加密貨幣程式碼提交量從約85萬次降至21萬次，活躍開發者數量減少56%至約4600人。

UUMuse 是一個雲端AI知識庫平臺，只需上傳一次檔案，即可在GPT、Claude、DeepSeek、Qwen等多個模型中進行帶有引用的問答、生成內容和部署。支援透過API和MCP供代理和應用呼叫，提供永久記憶、多專家辯論（Spark）、代理模式等功能，並可將知識庫部署為文件網站、小部件、API端點等。

本文介紹瞭如何使用AI工具進行SEO競爭對手分析，包括關鍵詞差距分析、五步分析法以及定期檢查策略。還推薦了Fox AI的免費競爭者分析工具，幫助團隊快速發現排名機會並生成最佳化方案。

加州州立大學系統與OpenAI簽訂價值數百萬美元的合同，提供ChatGPT Edu工具，但調查顯示多數師生對AI的教育效益持懷疑態度，擔心其對就業、創造力和環境的影響。

ContextVault是一款瀏覽器擴充套件，可在所有主要LLM平臺（如ChatGPT、Claude和Gemini）上即時捕獲AI對話，並將其本地儲存在IndexedDB中。支援一鍵匯出為Markdown或ZIP格式，確保您的對話資料不會離開您的裝置。該工具免費、開源，無需賬戶或後端，注重隱私。

專家警告，偽裝成地方新聞機構的AI生成新聞網站（即“粉紅肉渣”新聞業）已在澳大利亞偏遠地區出現，引發對虛假資訊和媒體信任度下降的擔憂。這些網站背後是一位海外居住的澳大利亞人，他表示這只是一次失敗的實驗。

AI公司大量購買記憶體和儲存裝置推高價格，如今百思買在陣亡將士紀念日週末推出金士頓Fury Beast DDR5 64GB套裝優惠，降價176美元，售價不到1000美元。此套裝適合遊戲和創作工作站，頻率最高可達6400MHz。

隨著懷俄明州面臨又一個火災季節，一家位於傑克遜霍爾的公司利用人工智慧噴水滅火系統在野火中保護房屋。該系統在加州帕利塞茲火災中表現出色，61套啟用的系統僅損失2套房屋。

教皇利奧十四世釋出《Magnifica Humanitas》通諭，就人工智慧時代保護人類尊嚴提出清晰倫理指導。本文摘錄通諭中關於AI可解釋性、發展尊嚴、文化偏見、環境影響、演算法決策責任、資源權力放大及資料公共性等關鍵段落，並回顧作者此前在播客中預測教皇將介入AI討論的趣事。

軟體行業正經歷前所未有的變革，從早期的智慧程式碼完成，到對話式聊天機器人，再到多智慧體系統的失敗，最終進入代理迴圈時代。本文全面分析了從Completion正規化到革命性的Ralph Loop的演變過程，後者正在重新定義我們的編碼方式。

Together AI 釋出了 OSCAR（離線頻譜協方差感知旋轉），這是一種用於長上下文 LLM 服務的 INT2 KV 快取量化方法。與以往基於資料無關的 Hadamard 變換的旋轉方法不同，OSCAR 從離線估計的注意力感知協方差結構中推匯出鍵和值的獨立旋轉。在每 KV 元素 2.28 位的精度下，OSCAR 在 Qwen3-4B-Thinking-2507 上將 BF16 精度差距縮小至 3.78 個點，在 Qwen3-8B 上為 1.42 個點，同時在 100K 上下文長度下實現約 8 倍 KV 記憶體縮減和高達 3 倍的解碼加速。