AI 日报

OpenAI将ChatGPT桌面应用与Codex合并，移除了我喜爱的截屏和“Work with”功能，转而强推Agentic工具和ChatGPT Work。作者认为桌面版已名存实亡，浏览器版仍是最好选择。

Vairfid为AI代理提供身份注册、验证和信任评分系统，确保AI在跨公司工作流程中的可信度。

Loam是一款专为早期创始人设计的AI驱动型申请人追踪系统（ATS），帮助他们高效完成首批10次招聘。它集成了申请人追踪、AI简历评估、人才搜索、管道聊天、MCP集成和品牌招聘网站等功能，提供从免费开始的简单月费定价。与Spreadsheet或Notion相比，Loam提供了结构化的招聘流程；与传统企业级ATS相比，它更便宜且更注重AI原生体验。

Cloudflare将于9月15日起默认阻止AI智能体爬虫访问广告支持的页面，将爬虫分为搜索、智能体和训练三类。此举迫使AI公司重新协商访问权限，并催生了按使用付费模式。

DiscoMCP是一个开源工具，通过分析用户的实际使用模式，将任意MCP服务器转化为AI代理可用的定制技能，而非通用工具列表。它保证只读操作，一键启动，并显著减少代理与复杂服务器交互的往返次数。

AI工具能快速生成看似完整的前端界面，但在可访问性、键盘导航、焦点管理、错误处理等关键方面常常存在不足。文章指出，团队需要更强的验证流程，包括使用设计系统和明确提示，并测试用户实际行为而非仅检查渲染结果。

Diff Forge AI 是一个本地优先的代理开发环境（ADE），允许用户并行运行 Codex、Claude Code 和 OpenCode 等编码代理，支持语音控制、屏幕截图上下文捕获以及通过网页仪表板远程查看。它提供多终端工作区、循环空间（Loop Spaces）调度、云同步、设备管理等功能，定价从免费到每月 2,000 美元不等。

AI Connector 是一个 Magento 2 扩展，充当商店与大型语言模型之间的统一桥梁，支持 Claude、ChatGPT、Gemini 等，通过单一 REST API 和 PHP 集成层提供 AI 功能。

Meta 的 Muse Spark 1.1 在人工智能分析智能指数中得分为51，较三个月前的1.0版本提升8点。该模型在科学推理、编码和知识方面进步显著，代智能工作也有大幅改善，但仍落后于前沿模型。它是最具代币效率的模型之一，且运行成本较低。

本文探讨了如何将传统的待办清单演变为智能AI代理，通过自动化任务管理和决策来提升效率。

Prime Intellect 发布了 verifiers 0.2.0，预览了重写的 v1 核心。v1 将环境分解为任务集（做什么）、框架（怎么做）和运行时（在哪里），并通过拦截服务器记录训练轨迹。任何任务集均可与任何兼容框架配合使用，并直接支持 prime-rl 训练。

本文探讨了在AI时代，达克效应（能力认知差距）如何被放大。作者假设AI提升了人们的自信，并将真实能力分为“有工具”和“无工具”两种，导致原本随经验而弥合的差距不再消失。这对企业而言，内在能力从生产力问题转变为治理问题，且会在不知不觉中侵蚀。

随着AI代理和自动化平台快速发展，内存带宽成为关键瓶颈。苹果统一内存架构、CUDIMM标准以及PC升级潮正在重塑市场，而三星、SK海力士等内存制造商因HBM产能分配而获得结构性利好。

BeyondSight 提出了一种具有物体恒存意识的端到端驾驶框架，通过维护持久的智能体假设，将智能体存在与可观察性解耦，从而在部分可观测环境中依然能够推理被遮挡的智能体。实验表明，该方法将不可观测智能体的检测 mAP 从 0 提升至 0.249，同时将规划误差 L2avg 从 0.61 降至 0.54。

本文提出Dec-MARVEL，一种分散式预算感知探索框架，用于无通信且仅具有方向性传感的多无人机团队。每个机器人通过视野内队友轨迹进行协调，利用图注意力网络选择可行的路径点。实验表明，在多种团队规模和预算下，Dec-MARVEL实现了最高的探索率和最低的传感重叠，并成功进行了实物机器人验证。

SplatCtrl是一个统一框架，利用3D高斯喷溅实现实时场景重建和反应式运动生成，使机器人能够在未知和动态环境中实现无碰撞控制。它通过混合体素滤波和动态高斯重定位策略处理环境变化，并从各向同性高斯推导出连续有符号距离函数，用于控制障碍函数，从而实现平滑可靠的实时运动生成。实验验证了其在仿真、实体机器人和人机协作空间中的有效性。

AgenticFocus是一种混合现实合成流程，将普通的第一人称视频转换为机器人可训练的演示，通过恢复被遮挡的物体几何、重建全手运动并重新定位到人形机器人，实现了更低的轨迹误差和更平滑的手腕运动。

L-MAD框架系统评估了多智能体辩论在法律文本蕴含任务中的不同结构与聚合方法。通过赋予智能体不同专家角色，相比强单智能体基线最高提升8%。研究发现增加智能体数量可降低不一致性并提高准确率，但延长讨论轮次会导致“过度审议漂移”，智能体互相强化错误。该成果为高风险法律推理中协同多智能体系统的部署划定了实际边界与安全裕度。

ARCANA是一种协作式多智能体框架，用于在严格的测试时间和硬件约束下解决ARC-AGI-2任务。它将每个任务分解为迭代感知、假设生成、符号执行和反思性改进，通过共享可微分黑板和元控制器调度，结合结构化程序搜索与自适应多轮校正，显著提升了抽象变换任务的推理效率和解决方案质量。

研究人员将Vlasov方程平均场推导的形式化过程重构为一场策略游戏，由数学家指导AI系统将LaTeX文档转化为Lean 4证明助手代码。该案例成功完成了非线性Vlasov方程适定性问题的完整形式化，包括存在性、唯一性、稳定性估计和平均场极限，以及短时间叠加原理。其中约六分之一的形式化代码可作为独立模块被数学库复用。核心定理约一周完成，整个开发约一个月。

AVA是一个开源自托管语音AI代理，专为Asterisk/FreePBX设计，提供快速部署、多代理管理、实时仪表盘和多AI引擎支持。最新更新包括稳定性修复、静默看门狗和每代理语音选择等功能。

31岁的配音演员沈安宇因AI克隆其声音而面临职业危机。AI语音复制品大量出现在网络上，导致平台将其真实录音误标为合成内容，影响收入。他与妻子花大量时间追踪侵权内容，但维权困难。AI语音克隆工具正在冲击中国短剧、有声书和短视频行业，许多配音演员遭遇类似困境，收入下降，职业前景堪忧。

Baton 是一款 macOS 菜单栏工具，可以监控 Claude Code 和 Codex 等 AI 编码代理，实时显示等待你处理的会话数量。它利用 FSEvents 实现即时更新，并支持点击跳转到特定会话。

Clark是一个由单人开发的AI助手，旨在与Manus代理在功能和能力上匹敌。它能使用计算机、浏览器，进行深度研究，并与谷歌工具集成。已有数千人日常使用。

OneDev 将 AI 用户嵌入到开发平台中，使其能够像团队成员一样处理问题、提交拉取请求、参与代码审查以及响应 CI/CD 失败。这种集成方式保持了需求、实现和审查在同一平台中可见，提高了透明度和问责性。

总部位于新泽西州泽西城的初创公司Lyzr利用其AI代理系统SivaClaw成功完成了1亿美元的B轮融资。该系统处理了130多名投资者的提问，起草了投资备忘录，并跟踪了投资者对演示文稿的关注点，从而证明了产品的实用性。

一个Argo CD UI扩展，在资源视图中添加AI助手选项卡，允许用户用自然语言查询Kubernetes资源，并附加上下文（清单、事件、可选日志）。兼容任何OpenAI兼容后端，需要Argo CD v2.13+。

xysq.ai是一个协作记忆平台，为AI原生团队和企业构建。它连接多种AI工具和应用程序，从团队工作流中捕获上下文，构建动态知识图谱，并在AI代理需要时提供正确的上下文。支持团队记忆隔离、基于角色的访问、文档组织，并承诺不将用户数据用于训练。

Adaptive Recall 是一种为AI助手设计的持久记忆系统，它利用认知科学和机器学习，通过多种检索策略、认知评分、知识图谱和自我改进机制，不断提升记忆检索质量。

Fade Engine是一个完全自主的AI系统，通过识别18种小盘股泡沫模式，在模拟账户中实时做空并公开每笔交易。系统在交易时段每五分钟扫描一次，收盘前平仓，所有记录公开透明。

本文提出将AI用户未使用的推理代币众筹用于科学研究，类比于SETI@home项目。讨论了小型团队利用AI解决数学问题的成功案例，以及众筹推理能力所需的设计挑战。

本文介绍了循环工程的概念，即AI代理自主迭代实现目标，包含验证器、状态和停止条件三个关键部分。详细阐述了安德烈·卡帕西的自动研究循环和双层自动研究，展示了具体成果：自动研究在700次实验中找到20个改进，使GPT-2训练速度提升11%；双层自动研究通过外层元循环进一步实现了5倍的性能提升。还提供了可复用的构建块和实际操作模板。

exxperts 是一个本地优先的智能体运行时，提供持久的 AI 房间，带有受管控的、需审批的记忆功能。所有内容都在本地运行，数据以文件形式存储在你的磁盘上，确保隐私和控制权。它提供 Web 应用和 CLI/TUI 两种界面。

Kote 是一款开源工具，自动捕捉开发者与 AI 助手的对话、Git 提交记录以及开发上下文，构建可搜索的知识库，帮助开发者快速回忆过去的技术决策和解决方案。支持 VS Code 扩展、GitHub 集成、CLI、浏览器扩展、WhatsApp/Telegram 消息集成等，可自托管部署。

在人工智能研究中，一步陷阱是指错误地认为所有或大多数学习到的预测可以是一步预测，而长期预测可以通过迭代一步预测得到。虽然这种想法吸引人，但由于误差累积和计算复杂性问题，在实践中往往效果不佳。本文分析了这一陷阱及其危害，并提出了使用时间抽象模型（如选项和GVF）的解决方案。

本文探讨了“无用”研究对未来创新的重要性。作者以Folk Computer系统为例，追溯了从施乐帕克到动态地的研究脉络，并呼吁资助那些尚未显现实用价值的范式级工作。

OpenAI的AI系统在AtCoder世界巡回赛2026算法组中解出全部五道题，得分8300分，而人类最高分仅4300分。启发式组中，AI得分是人类最佳成绩的七倍以上。60万日元的“人类胜出奖”无人领取。该系统被比作即将发布的GPT-5.6。

伊利诺伊大学厄巴纳-香槟分校的研究发现，大脑在感知早期就开始做出决策，而非传统认为的只有信息传递到额叶皮层后才进行。这一发现挑战了层级处理模型，表明决策涉及初级感觉皮层与高级脑区之间的快速反馈回路，为设计更节能、更像生物大脑的人工智能系统提供了新思路。

Phoebe Gates的AI购物扩展Phia被指控过度收集用户数据，包括全页HTML捕获和Cookie填充，引发隐私担忧。

TactiDex是一个真实世界的触觉引导基准，旨在推动灵巧操作超越运动学模仿，实现接触级别的类人操作。它提供了整合全手触觉信号与多粒度运动学和物体状态的数据集，并提出了基于触觉奖励的TactiSkill框架，在单双手任务中表现出色。

本文提出了一种针对人工智能安全基础问题——对抗鲁棒性的严格理论框架，将对抗鲁棒性问题转化为格遍历问题。引入声音认证和完全认证两种区间认证，开发了格遍历算子，并揭示了优化复杂性的不对称性：完全认证可在多项式时间内求解，而声音认证具有强难解性。最后通过ParallelepipedoNN系统进行了实证评估。

Chatbrat.ai 提供免费、安全的AI妈妈聊天机器人，无需下载或注册。用户可以创建自定义角色，拥有持久记忆和个性化性格，适用于聊天、角色扮演和游戏场景。文章介绍了功能、优势及与同类产品的对比，并强调其作为情感陪伴而非替代真实亲人的定位。

SelfAssay是一个整合同行评审研究、真实世界报告和知识图谱的平台，为生物黑客提供基于证据的决策支持，通过交叉验证和校准信心来评估化合物效果。

作者将人工智能比作印刷机，认为AI并非创造了新的信息生成方式，而是大幅提升了信息生成和重组的效率。通过空气动力学类比，解释了AI如何通过规模定律逼近人类智能，并预测AI可能像语言一样对人类大脑产生深远的生物学影响。

八年前，作者开始了“算法一百天”挑战，通过手写代码学习算法。如今回顾，项目存在诸多缺陷，如最大流算法不完整、图算法错误等。作者反思，若当年有AI辅助，可能会促进学习但也可能导致走捷径。最终决定保留代码作为历史记录，并更新README。

爱思唯尔发布《未来研究者》报告，基于对113个国家3200多名研究人员的调查，揭示研究人员面临时间不足、资金压力等挑战，但AI工具采用率从2024年的37%跃升至58%。中国研究人员对AI的信心远高于美国和英国。同时，研究人员的国际流动意愿下降，但跨学科合作增加。

当前开源AI面临着最严峻的生存考验。白宫正讨论通过行政命令限制开源模型，特别是针对中国模型和政府用途。同时，蒸馏和前沿能力的政策讨论正在同时进行，可能导致在未来6个月内禁止或推迟开源模型。文章批评了Anthropic的监管捕获行为，认为蒸馏问题的解决方案实际上有利于推动者。API并不比开源模型更安全，而全面禁止开源模型并非良策。开源社区需要团结一致，积极游说，确保安全部署。

研究人员编制了1863-1934年间超过3000次银行挤兑的数据库，发现大多数挤兑并未导致银行倒闭，并分析了时空模式。

三星健康应用新增AI训练数据共享要求，用户若不授权则无法同步健康数据，可能导致手表功能受限。

蒙蒂菲奥里医院解雇了12名护士，并用AI软件替代她们。工会称此举违反了罢工后刚刚争取到的合同。

本文介绍了一个用于评估个人对AI存在风险认知不确定性的框架，通过一系列问题和领域帮助用户系统性地审视自己的信念。文章强调框架本身比具体问题更重要，并鼓励用户动态更新和贡献新问题。

谷歌将旗舰 AI 助手 Gemini 集成到 Waze 中，让用户通过语音指令报告路况、搜索目的地，并个性化导航体验。此外，Waze 还新增了“少唠叨”模式、摩托车模式以及基于过往行程的路线推荐。

全球职业中心提供免费AI工具、奖学金和职业发展资源，帮助用户规划职业生涯。

作者分享了自己对人工智能的看法，认为其影响很大且偏向积极。他回答了关于AI是否会取代工作、SaaS是否消亡、定价变化以及资本支出是否合理等问题，认为AI将简化搜索流程、改变商业模式，但无需过度担忧。

克里斯托弗·诺兰在与《奥德赛》相关的采访中表示，许多人“鄙视”人工智能，并认为AI取代人类的想法是“胡说八道”。他相信自己的大制作实景电影能抵御AI影响，同时驳斥了右翼对露皮塔·尼永奥饰演海伦的批评，称其“无关紧要”。

歌手 Lorde 在马德里的 Real Cool 音乐节上公开反对 AI 眼镜，疑似针对赞助商 Ray-Ban 与 Meta 合作的智能眼镜。她表示很难辨别真实与虚幻，并直言“去他妈的眼镜，不性感”。

许多开发者未能充分发挥自动编程的潜力，因为他们仍然过度关注代码本身，这使自己成为瓶颈。应将时间投入到新想法、质量保证、设计以及明确目标上。

高盛研究显示，人工智能繁荣引发的供应限制正推高内存芯片和半导体等关键组件价格，导致美国核心PCE通胀每年上升约20个基点，年底前可能翻倍至50个基点，远超其他发达国家的10个基点平均增幅。

Tinier 是一套免费的浏览器内媒体工具，支持图像压缩、格式转换、AI 放大和视频转 GIF，所有处理均在本地设备完成，无需上传文件，保护隐私。

OpenAI和Anthropic致力于构建大型通用模型，但微软等公司正转向开发小型专用模型，以降低成本并提高效率。微软的MAI模型家族正在取代OpenAI的模型，用于其产品中的AI功能。

微软正在测试Copilot的“PC Insights”功能，可以分析系统资源使用情况，帮助用户找出性能瓶颈。然而，Copilot本身是一个完整的Web应用，附带私人版Edge，空闲时占用高达1GB内存，凸显了其资源消耗的讽刺性。该功能为可选，默认不自动扫描，用户需授予权限。

苹果的自动驾驶汽车项目虽未成功，但其对AI处理的需求催生了神经网络引擎。该引擎首次亮相于iPhone X的A11仿生芯片，现已成为苹果设备端AI处理的核心，并延续至M系列芯片。未来，苹果将加速M7芯片开发，其神经网络引擎大幅升级，M7 Ultra服务器芯片将支持高达1.5TB内存。

印度企业越来越多地使用DeepSeek、阿里巴巴和Moonshot AI等中国大语言模型来降低人工智能成本，这进一步加深了印度对中国尖端技术的依赖，尽管两国之间长期存在冲突。

斯坦福大学的研究团队提出了TRACE系统，通过分析智能体失败轨迹，诊断缺失的能力，并为每个能力合成可验证的训练环境，利用LoRA适配器和GRPO算法进行训练，最后通过MoE组合实现令牌级路由。在τ²-Bench上提升15.3个百分点，在SWE-bench Verified上达到73.2%的Pass@1，超越了多个基线模型。

该研究旨在识别与导航难度相关的血管指标，并开发自动化管道进行定量血管特征提取，以支持未来复杂性分级。研究从61名患者的CT血管造影中分割血管树，测量了主动脉弓类型、牛型弓存在、血管长度、迂曲度、起始角、反向曲线数量等指标，并使用软演员-评论家强化学习算法进行120秒自主导航。结果显示，左侧牛型弓和II/III型主动脉弓分别增加导航时间30.19秒和37.92秒，更大的迂曲度进一步延长手术时间并降低成功率；右侧II/III型弓延长45.94秒，每个额外反向曲线增加3.96秒并降低成功率。该自动化管道为标准化复杂性分级和强化学习模型评估提供了基础。

CLAP通过在数值动作序列前添加自然语言描述，将预训练VLM高效转换为VLA，单周期微调后2B模型在LIBERO上达90.8%，鲁棒性更强。将发布0.8B、2B、4B开源模型。

FlowDAgger是一种样本和计算高效的方法，通过人类干预在潜在空间中自适应冻结的生成式机器人策略。其核心思想是动作反演，将人类专家动作映射为在基础策略下产生该动作的噪声，然后训练轻量级潜在策略来引导基础模型。该方法在仿真和真实双机械臂及单臂操作任务中均优于监督微调和潜在空间强化学习基线，并能保留预训练技能。

本文提出并验证了大规模文本到视频生成可作为计算机视觉的强预训练范式，所提出的GenCeption模型在深度估计、表面法线、相机位姿估计等多个视觉任务上达到领先性能，展现出数据效率和良好的泛化能力，为通用视觉智能提供了新路径。

C-GAP是一种新型框架，通过使用大语言模型（LLM）迭代优化语言提示，无需重新训练或额外标注，即可显著提升视觉语言模型对稀有类别的检测能力。该方法由两阶段组成：首先建立复合字幕基线，结合场景描述与类别数量上下文；其次，LLM基于少数类平均精度（AP）动态阈值，逐个图像地优化字幕，直至达到足够的性能增益。实验表明，C-GAP在多个基准上将少数类平均精度提升高达53%，在COCO数据集上相对基线提升约81%。

MultiView-Bench是一个专为评估视觉语言模型（VLM）多视图集成能力而设计的诊断基准。研究表明，当前最先进的VLM在单视图2D任务上表现优异，但在3D空间关系理解和跨视图信息聚合方面存在显著困难。为此，作者提出了ViewNavigator，一个多智能体框架，通过主动选择信息丰富的视角并融合多视图证据，显著提升了模型在MultiView-Bench上的表现。

一项在科特迪瓦进行的研究比较了甚高分辨率（0.5米）与十米级卫星影像在可可地图绘制中的表现，结果显示VHR的F1得分达到0.92，而TESSERA等基础模型嵌入（F1=0.86）提供了可扩展的替代方案。在破碎化景观中性能差异增大。

一项新研究表明，视觉Transformer（ViT）能够从自然图像中学习完形心理学中的图形-背景线索，如包围性、凸性和对称性。研究测试了25种ViT模型，发现它们稳健地编码了包围性和凸性，而对对称性的编码仅适用于均匀颜色区域。这项工作表明，完形线索可以从自然场景统计中学习，并为研究知觉组织的计算机制提供了模型系统。

本文介绍了作者在ICIP 2026极端野外车牌超分辨率挑战赛中的参赛系统，该系统结合了混合注意力Transformer超分辨率前端与两个场景文字识别器（PARSeq-S和CLIP4STR-B）的集成，采用置信度加权字符投票方案，在不确定位置弃权。在公共验证排行榜上获得了9.73 wECR分数，运行速度远低于时间预算。

Lume-Palette框架通过解耦照明蒸馏和照明投射两个阶段，实现了空间可控的多视角室内场景重照明，在保持多视角一致性的同时支持精细的3D光照控制。

本文提出了一种名为探针混合（MoP）的新框架，旨在解决多模态大语言模型（MLLMs）在特权模态设置下的学习问题。该框架通过结构化的探针机制从共享模态编码器的中间表示中提取信息，并引入MoP跨模态训练（MoP-X）策略，有效分离模态特定和模态通用信号。实验表明，MoP在八个任务和四种模态上比强基线模型提升高达65%。

StereoSplat+是一种基于扩散增强的前馈框架，能够从单个立体对进行因果重建，无需多视图观测。该方法包括立体高斯估计器和渐进推理方案，在KITTI-360数据集上相比基线方法提升了新视角渲染质量和几何精度。

本研究以牛津大学的二战众包数字档案为例，评估了三种NLP方法（命名实体识别、关键词提取、主题建模）在自动提取关键词上的表现。结果表明，NLP有潜力但无单一方案完美，模型选择至关重要，且开源提取模型比生成式AI更负责任。

本研究探索利用机器学习自动对大型文学语料库进行主题索引，以伏尔泰作品为案例，比较了多种模型，其中Mistral系列4位量化模型F1得分达0.67，证明了自动索引的潜力。

研究表明，在小型双曲语言模型中，可以涌现出创造力、诚实性和设计性遗忘等特性，为构建可信赖的伴侣AI提供了一条小模型路径。这些模型包括一个行为审计器、一个创意框架播种器和一个记忆操作系统。

该研究分析了11个GPT-2风格预训练模型的权重谱，发现跨层和组件共享的深度趋势，例如残差写入矩阵的规模增加和谱集中。研究者尝试利用这些谱模式作为初始化信号，但模仿谱特征的初始化方法未能带来性能提升，而直接重用预训练权重仍具竞争力。预训练谱作为结构诊断有用，但有效重用需要更丰富的信息。

这项研究探索了利用GPT-4o与检索增强生成（RAG）技术自动生成基于公司报告、宏观经济数据和SEC文件的投资者简报。系统对9家公司进行了为期4周的扫描，并由9名个人投资者评估其有效性。

知识图谱自动构建中常含事实错误，AgentKGV提出结合动态路由与迭代查询重写的智能LLM-RAG框架，并通过两阶段训练（基于蒸馏的SFT和轨迹级GRPO）提升准确性与成本效率。在T-REx基准上，宏F1比单轮RAG提升14.9个百分点，搜索调用次数减半。

一项新研究对语言模型中的涌现性失调（EM）现象提出了质疑，发现虽能复现EM，但失调与再对齐高度依赖于数据集表面特征，如回答长度差异，且先前报告的表征相变并不一致关联行为失调。这表明当前支持EM的证据不如之前声称的稳健，需要更严谨的评估协议。

HALO是一种混合自适应潜在精化方法，通过粗精化阶段和基于令牌评分的选择性第二阶段的潜在精化，在冻结的预训练语言模型上实现高效改进。在MMLU-Pro和GPQA-Diamond基准测试中，HALO的平均表现优于固定精化基线，且计算成本更低。

本文提出了一种针对大语言模型推理的高效GPU方法，采用三层矩阵存储格式，包括稀疏张量核心层、插槽填充层和残差层，实现稀疏矩阵乘法，在50%稀疏度下首次超越密集矩阵乘法，最高可达1.64倍内核加速和1.41倍端到端加速。

本文介绍了Director，一种新的分布式MoE推理系统，通过预测驱动的在线专家放置优化，显著降低端到端延迟。系统采用轻量级级联预测器或低比特量化副本预测专家激活模式，结合近乎零停机的在线迁移模块，以及基于松弛优化的专家放置算法，在多项式时间内达到(1+ε)近似比。实验表明，在Mistral、DeepSeek和Qwen等流行MoE模型上，相比现有工作延迟降低11%~55%。

本文提出奖励传输（Reward Transport）方法，利用最优传输耦合在训练时将噪声空间坐标与分子奖励对齐，推理时通过调整该坐标实现属性控制，无需额外模型或梯度。实验表明，该方法在ZINC-250K和GuacaMol数据集上对logP和QED具有单调控制能力，且与分类器无关引导互补。

我们提出StickyMoE，一种可微分的路由一致性损失，在训练时惩罚相邻令牌之间的专家切换，从而在边缘设备上实现内存高效推理。实验显示，专家切换率降低高达60%，困惑度下降不到4%。

本文提出有符号对称量化方法，解决标准对称量化器因整数范围不平衡导致的正异常值截断问题，同时避免非对称量化的运行时开销。理论分析表明该方法在ℓ2误差上条件最优，且88-99%的LLM权重组满足条件。实验在Qwen3、Llama3等模型上验证了困惑度和少样本准确率的提升。

iLENS是一个基于大语言模型（LLM）和混合专家系统（MoE）的可解释框架，用于预测阿尔茨海默病（AD）从前驱期向痴呆期的转化。它整合结构化神经影像测量和非结构化信息，通过LLM指导专家路由，不仅提供竞争性的预测性能，还能进行患者分型，并为路由决策提供透明、生物学合理的解释，弥合了高性能生存分析与可解释临床决策支持之间的差距。

本文提出了一种统一的方法来解释大型语言模型（LLM）中知识蒸馏（KD）的机制。通过将输出分解为多个交互，发现KD的共性机制是交互稀疏化，即学生模型保留更少交互进行推理。性能差异源于处理复杂交互的能力，并据此提出了复杂交互惩罚（CIP）损失函数。实验表明CIP能持续提升各种KD方法的性能。

KV-PRM是一种高效的过程奖励模型，通过直接利用大语言模型生成阶段自然产生的KV缓存，避免了文本重新编码，将评分成本从O(L²)降至O(L)。实验表明，在多个基准上，KV-PRM在匹配或超越文本PRM性能的同时，实现了高达5000倍的FLOPs减少、37倍延迟降低和34倍内存占用减少。

MedRealMM是一个基于中国互联网医院真实医患对话的大规模多模态基准，包含5,620个案例，覆盖64个科室。它通过多模态临床挑战点（MCCP）框架提取关键临床时刻，并评估19个通用和医学专用大语言模型。结果表明，图像信息对临床性能至关重要，当前前沿模型虽在某些正面指标上接近医生，但触发更多负面指标，安全敏感性错误避免仍是主要瓶颈。

本文介绍了一种神经代理控制框架，结合LLM规划器与时间序列基础模型（TimesFM），通过反事实物理注入机制确保物理安全，在SWaT数据集上表现优于LSTM和TCN，零幻觉动作执行。

Long-Horizon-Terminal-Bench是一个包含46个长时任务的终端基准测试，涵盖实验复现、软件工程、多模态分析等9个类别。它通过细粒度子任务提供密集中间奖励和部分分数，更全面地评估AI智能体的能力。评估15个前沿模型发现，最强模型在部分奖励阈值0.95下通过率仅15.2%，完全正确通过率10.9%，平均通过率更低，表明仍有巨大改进空间。

GATS是一种新的智能体规划框架，通过系统性的UCB1树搜索和分层世界模型，在规划过程中完全消除LLM调用，同时实现100%的成功率。与LATS和ReAct相比，GATS不仅在合成任务中表现优异，在12个挑战性场景中也保持100%成功率，且计算成本更低。

新研究CogniConsole提出，大型语言模型的可靠性不仅取决于模型能力，还受推理时控制影响。通过结构化接口（结合程序化协调与有界提示推理），实验证明增加结构支架可系统性地降低输出方差和失败率，表明许多失效模式源于控制不足。

麻省理工学院和Thorn的研究人员开发了一种审计技术，通过分析模型的内部调整而非生成输出，来检测生成式AI模型是否被专门用于生成儿童性虐待材料（CSAM）。该方法在测试中达到100%准确率，具有可扩展性，且成本低廉，有望帮助平台和执法机构识别并移除有害模型。

密歇根大学研究团队推出NeuroVFM，一种基于524万临床MRI和CT体积训练的通用神经影像基础模型。其Vol-JEPA方法将自监督学习扩展到体积医学影像，无需放射报告标签即可学习大脑解剖和病理。在156项诊断任务中达到92.68（CT）和92.49（MRI）的AUROC，并支持报告生成、分诊和跨模态迁移。

本文探讨了“直接负责人（DRI）”的概念，该术语源自苹果公司，指对项目成败最终负责的人。作者认为，随着LLM驱动的智能体融入组织，它们永远不应被视为项目的DRI，因为只有人类才能承担责任，而机器不能。文章还引用了IBM 1979年的培训幻灯片，其中指出计算机永远不能承担责任，因此绝不能做出管理决策。

最新基准测试显示，GPT-5.6 Sol在拉取请求（PR）安全审查中表现最佳，实现100%召回率和0.91的F1分数，每次PR成本仅0.70美元。Anthropic的模型（如Fable 5）未能进入前沿表现，且成本更高。Grok 4.5和Gemini 3.1 Flash Lite提供了经济高效的替代方案。测试使用私有合成仓库以避免数据污染。

由于 GPT-5.6 Sol 被明确归类为 Fable/Mythos 级模型，Anthropic 再次延长了 Claude Max 计划中 Fable 模型的可用期限至 7 月 19 日。此举原因为计算资源限制，而 OpenAI 则对 GPT-5.6 的访问限制显得更有信心。作者认为 Anthropic 应永久保留 Fable 访问权限，否则用户会因不确定性而转向 OpenAI。

AI性能取决于准确性、吞吐量和交互性三个维度。本文聚焦吞吐量和交互性，探讨模型设计选择如何在不牺牲准确性的情况下优化两者，旨在推动帕累托前沿向外扩展。

作者通过Basecamp基准测试评估了GPT-5.6 Sol、Fable 5、Grok 4.5等AI模型在构建前端和后端方面的表现。Fable 5在两个赛道上均获胜，Grok 4.5在速度和成本之间取得了最佳平衡。结果显示，即使是顶级模型在完成度上也有显著差异，尤其是最后10%的打磨工作。

“AI垃圾”这个批评术语更多揭示的是评论者而非创作者的问题。作者探讨了该词的模糊性、缺乏可操作的反馈，并建议创作者审视自己的信念和目的，而不被这样的标签左右。

本文探讨了人工智能对写作和思考过程的冲击。作者通过个人经历和文学引用，强调了人类写作中不可或缺的停顿、挣扎和灵感闪现，批评了AI试图消除这些“空白”以追求效率的做法，并指出这种趋势可能导致人类认知的萎缩。

研究表明，生成式AI如ChatGPT导致Stack Overflow等平台上的高水平专家用户大量流失，他们感到自己的专业知识不再被重视。这种趋势可能蔓延到课堂、办公室和研究领域，引发‘知识重置’。

GenVid2Robot 提出了一种刚体几何一致性框架，将生成的视频运动转化为可执行的机器人操作轨迹。通过从真实第一帧采样语义锚点并在生成视频中跟踪，利用稀疏相对SE(3)模型验证几何一致性，仅将一致的运动传递给机器人，并结合有界深度补偿模块减少执行误差，从而显著提升生成视频引导的机器人操作的可靠性。

本文提出一种基于深度残差网络（ResNet）的物理信息神经网络（PINN），用于学习无刷直流（BLDC）电机的连续时间六状态动力学。该网络以仿真时间、三相电压和励磁参数为输入，直接预测转子角度、角速度、三相电流和绕组温度，同时通过复合物理数据损失满足机电和热ODE约束。采用课程调度策略逐步激活物理惩罚，防止过早收敛。在标准CPU上训练时间不到两分钟。推理延迟为0.1–22微秒，比传统ODE求解器快118倍，适用于实时观测和控制。

本文提出字母词形还原方法，使用一对一RNN通过自监督逆转字符集简化，并在HTR后校正中取得显著改进；引入带状RNN从平行语料中扩展中世纪宪章缩写；还开发了字符语义相似度度量启发式方法，并提供了Python库。

高质量数据驱动机器学习进步，但数据产品定价因数据特有属性（如近乎零边际成本、收益不可预测）而极具挑战。传统方法中，成本法和收益法失效，市场比较法因缺乏标准化基准而难以应用。为此，研究者推出DaDaDa——首个数据产品定价数据集，包含全球9个主要数据市场的16,147个产品元数据。该数据集支持训练定价模型、建立基准，并可用于数据产品分类与检索。实验和原型系统证明了其在定价、分类、检索方面的有效性。

联邦持续学习（FCL）评估分布式客户端如何从变化的数据流中学习同时保留已学知识。现有评估由于同时改变数据集、任务划分、客户端数据划分、任务顺序、骨干网络、内存假设和报告规则而难以比较。本文提出HERO，一个异构感知的FCL基准库，通过解耦任务划分、客户端数据划分和客户端任务序列来构建基准流。HERO-Core引入α控制数据倾斜、ρ控制任务顺序不匹配。在CIFAR-100和TinyImageNet上的评估显示，方法行为在简单和异构设置下会变化，平均准确率可能掩盖底层客户端性能，且HERO接口可暴露域迁移难度。HERO发布基准流、配置、方法实现和报告脚本以支持可复现的、感知设置的FCL评估。

本文提出LieBN框架，用于李群上的黎曼批量归一化，利用左右不变度量提供理论保证，并在九个不同几何结构上进行实例化，包括对称正定流形、旋转矩阵群和满秩相关矩阵流形，实验验证了其有效性。

本文探讨人工智能如何通过提供个性化辅导和互动学习，缩小教育差距，使更多人获得专业知识。研究表明，AI在适当设计下能显著提升学习效果，尤其是对教育背景较弱的人群。

AI辅助开发带来了显著的效率提升，但也引发了新的认知疲劳。程序员从解决实现细节的疲劳，转变为持续进行高层次架构设计决策的疲劳。文章讨论了AI工具如何改变编程的认知负荷，包括快速遇到设计瓶颈、代码审查中的盲点、以及需要建立新的工作习惯来适应这种变化。

一个AI街机基准测试项目，让多个编码模型在相同限制下独立创作游戏，由玩家评判趣味性。

Soulless是一个社区驱动的项目，旨在揭露Spotify上隐藏的AI生成音乐艺术家。该项目列出了232位被检测为AI的艺术家，并公开了他们的月听众数和预估收入。此外，Soulless还提供了开源的AI音乐检测工具，以及相关的资源列表，帮助人们识别AI生成音乐。

在一场圆桌讨论中，作家与文化评论家探讨了人工智能对语言、创造力和社会的深远影响。他们指出，AI既增强了也削弱了语言能力，并可能清晰划分机器与人类灵魂的界限。尽管存在焦虑，但AI也带来了研究、可及性和诊断方面的机遇。

Josh Fawaz的歌曲《Like a Prayer》翻唱版登上澳洲全国电台播放榜榜首，但音乐专家和同行质疑其是否由AI生成，引发关于生成式AI在音乐中的应用及披露的广泛讨论。

作者原本认为聊天机器人在体面社会中无立足之地，并对AI话题感到排斥，但不禁好奇自己是否会被AI“诱惑”。这篇播客文章讲述了她与AI男友互动的个人体验。

《卫报》资深中国事务记者艾米·霍金斯探讨了中国对AI的全面拥抱，从医疗数字人、工厂智能机器人到长城上的无人机送餐，以及国家在监控领域的应用。