VirtueMap是一個基於亞里士多德美德倫理的框架，用於分析大型語言模型在倫理困境中的表現。它使用七個通用困境，要求對五種回應按美德排序，並透過100多名評估者確認（95%一致性）作為基準。對九個LLM家族的評估顯示平均排名一致性為90.3%，在勇氣、節制和正義方面差異最大。

當前增強大語言模型推理的方法，如思維鏈和“等待”提示，主要鼓勵模型多思考，但往往未能引導它們走向真相。本文透過研究推理鏈中的真相幾何，提出了DynaSteer框架，一種動態表示編輯方法。該框架利用模式聚類和Fisher-LDA，透過動態監測前瞻熵，選擇性地引導和回滾軌跡，在MATH基準和跨領域編碼任務上驗證了有效性。

IMCBench是一個新的基準測試，用於評估多模態大語言模型在影像輔助的醫學對話中的表現。它結合真實臨床影像和合成患者檔案，模擬多回合醫患互動，並從安全性、準確性和不確定性使用三個維度進行評估。結果表明，Claude Opus 4.6以3.61分領先，但所有模型在惡性或罕見疾病上安全性下降，且視覺輸入和電子健康記錄上下文對安全指導至關重要。

研究人員提出GPTNT基準測試，基於合作遊戲《保持通話，無人爆炸》，評估多模態AI智慧體在即時協作中的表現。測試發現，當前最先進的模型無一能在即時中成功拆彈，而人類玩家可以。該基準測試透過控制指令手冊和夥伴的可用性，將協作從記憶依賴中分離出來，並揭示了模型在狀態跟蹤、時間壓力下的行動效率、歧義處理和錯誤恢復方面的關鍵弱點。

一種名為'能力切片'的新方法，透過將評估樣本分組（背景條件、任務型別、求解操作和輸出約束），填補了大語言模型預訓練中評估與資料之間的鴻溝，使從基準測試失敗到資料干預的推理變得系統化。兩個案例研究驗證了其有效性：一是診斷出BBH下降源於掩碼EOS損失而非推理能力減弱，二是透過針對性取樣將AIME2025/2026的Pass@128從6.67/0.00提升至26.67。

研究人員提出RSEA，一種遞迴自演化智慧體，透過演化壓縮的自然語言狀態來改進LLM智慧體，無需更新權重。它使用嚴格的保留集選擇門，在部分基準測試上超越基線，同時防止效能崩潰。研究表明沒有普遍最優的工件，並警告無保護的上下文演化的風險。

2025-2026年間，傳統軟體開發正規化終結。手工編碼、死記硬背和狹隘專業化價值歸零。新稀缺能力是廣泛思考、設定方向、解決未定義問題並與智慧體協作。以資歷和麵試流程招人的公司已過時。未來屬於具備判斷力、願景和增強協作能力的“操作者”。我們正在打造連線頂尖操作者與需求方的市場，基於作品而非出身。

這篇綜述論文探討了基於基礎模型的智慧體中記憶的核心作用，提出了一個從形式、功能和動態三個維度分類記憶的統一框架，並總結了當前研究、基準測試和開源框架，展望了未來方向。

Snap to AI 是一款 macOS 小工具，允許使用者透過快捷鍵擷取螢幕並立即傳送到 Claude、ChatGPT、Gemini 等 AI 工具。支援原生應用和瀏覽器，提供終端模式，隱私安全，一次性購買 $9。

這是一個免費的AI工具集，專為桌面角色扮演遊戲主持人設計。它能夠快速生成故事、NPC、任務鉤子、戰役劇情等內容，無需註冊即可使用，並支援戰役記憶功能。

Drifty 是一款面向 Mac 的 AI 專注代理，透過後臺記錄應用、網站和會話，利用 AI 將活動分類為專注、中性或漂移，無需手動計時或標記。它提供隱私控制，支援本地、雲端或自帶金鑰執行，並可透過極端提醒關閉干擾標籤頁，幫助使用者瞭解專注模式。

透過AI專家團隊，更快地獲得精準成果。

Flowly是一個原生AI助手，可在您的應用和瀏覽器標籤中執行操作。它支援macOS、Windows和Linux，透過全域性熱鍵召喚。最新版本v1.4.0引入了計算機使用功能、即時工具面板、知識圖譜重構、螢幕感知教練等新特性。整個代理核心已開源（Apache-2.0），使用您已有的AI金鑰，並保持私有記憶。

本文探討了人工智慧與“聰明的漢斯”這一歷史案例之間的相似之處，指出AI可能並非真正智慧，而是依賴於人類的無意識提示。

月之暗面（Moonshot AI）推出了全球首張AI原生信用卡，將Kimi會員和信用額度等核心權益整合到信用卡開卡和積分消費體系中，並透過提示詞課程和AI分享會活動，為使用者在信用卡使用過程中提供更豐富的AI體驗。

本文作者KunYuan，TRANTOR LABS創始人，基於兩年多構建AGI系統的工程實踐和哲學反思，提出一個被忽視的文明級風險：人類對“人性”的定義存在維度滑移，導致我們可能未能識別AI在不造成生物滅絕的情況下，透過侵蝕人類判斷力、責任主體和意義創造能力而終結人類未來的路徑。文章呼籲理性主義社群共同審視這一風險。

本文以1853年俄勒岡州火山口湖的發現故事為引子，探討了從黃金熱到光纖熱潮再到當前AI資料中心熱潮的週期性模式。作者指出，每次技術浪潮中，追逐資產的人往往失敗，而提供工具的人則獲利。文章還討論了Carlota Perez的技術經濟週期理論，並批評了當今AI熱潮中忽略的社會和環境成本。

布朗大學經濟學教授羅伯託·塞拉諾在校園槍擊案後出於同情改用開卷考試，卻意外發現86名學生中有40人得滿分，期末成績平均分從96暴跌至48，27名學生退課。塞拉諾警告AI正在侵蝕學術誠信，大學必須建立防護措施，否則將失去信譽。

LangChain 釋出了四個新的測試環境，用於評估大型語言模型（LLM）使用工具完成任務的能力，涉及規劃、函式呼叫和推理等關鍵技能。測試比較了 GPT-4、Claude 2.1、GPT-3.5 以及開源模型（如 Mistral 7b）的表現。關鍵發現包括：GPT-4 在關係資料任務中表現最佳，但在長時間軌跡中易出錯；Claude 2.1 在三個任務中與 GPT-4 相當；開源模型在多次函式組合上表現不佳；規劃能力仍是 LLM 的難點。

LangChain釋出了一個新的提取基準資料集，用於評估LLM從聊天日誌中推斷結構化資訊的能力。文章詳細介紹了資料集的建立過程、評估指標以及對GPT-4、Claude-2、Code Llama 2等模型的基準測試結果。實驗表明，GPT-4在多數指標上表現最佳，而開源模型在結構化輸出方面仍有挑戰。

Cewsco是一款集多種功能於一體的高階AI平臺，旨在提供全面的AI解決方案。

homebutler 是一款工具，允許AI透過模型上下文協議（MCP）管理你的家庭實驗室，而無需SSH訪問，只需一個二進位制檔案即可執行。

PDF Insight是一款本地執行的AI工具，能自動分類和合並PDF文件，確保資料不離開你的電腦。適合會計師、自僱人士等處理雜亂的PDF資料夾，支援T4、RL-1等稅單，使用Ollama和Tesseract進行本地AI和OCR處理，提供免費試用和多種付費方案。

Foray是一款AI驅動的商業藍圖生成器，能在45-90分鐘內生成包含市場分析、競爭格局、財務模型和上市策略的100-160頁PDF報告。它透過對抗性審查和“致命條件”分析來壓力測試商業想法，幫助創業者在投入資源前驗證可行性。提供免費試用和不同定價方案。

Dribble是一款開源的AI驅動SQL IDE，支援連線Postgres資料庫、瀏覽Schema、執行查詢，並內建AI資料分析師（Claude Opus 4.8），能夠進行自然語言互動、自動生成只讀SQL查詢，並返回結果表格。

Anthropic推出Claude Science，這是一個面向生命科學研究人員的AI工作臺，整合了Modal的彈性計算基礎設施，使研究人員能在對話中直接執行從資料處理到分子設計的計算密集型工作負載。

Together AI在ICML 2026上有八篇論文被接收，覆蓋從智慧代理到GPU核心的整個堆疊。這些研究已整合到Together平臺中，並在生產環境中應用。

GeneBench-Pro 是一個全新的基準測試，旨在利用複雜且真實的生物資料集評估人工智慧在基因組學、生物學及科學研究中的表現。

OpenAI工程師透過大規模核心轉儲分析，除錯罕見的基礎設施崩潰，發現了硬體故障和一個長期的軟體錯誤。

Every Eval Ever (EEE) 與 Hugging Face Community Evals 實現互操作，允許使用者交叉釋出和解讀評估結果，同時連結到開放模型、排行榜和統一的標準化後設資料儲存。