模型

尽管Anthropic声称其模型Claude内部出现意识迹象，但神经科学家阿尼尔·塞思认为，这不过是模拟，就像天气预报系统不会产生真实飓风一样。

本文介绍了一种用于AI治疗的系统设计，该系统通过确定性管道决定临床行动，不让LLM自行决策。系统包括评分、状态桶、准入表、动作选择、微实践和危机预筛查等步骤，仅在评分和生成阶段使用LLM。文章还讨论了该方法的成本与局限性。

本研究探讨了多智能体语言模型系统中交互图结构如何影响共识形成。通过命名游戏协议，研究人员分析了开源语言模型（1.1B-32B参数）群体中的约定形成过程。研究发现，同质性阈值相似性路由会加剧碎片化，而桥梁寻找路由在有记忆的情况下可修复碎片化。在异质模型群体中，阈值相似性导致共识失败，而状态组件和标签分歧桥梁可恢复共识。同质模型群体中，保留历史通常促进共识，其中Qwen2.5-32B模型在所有保留历史设置中均达到稳定共识。该研究还验证了结果对状态阈值、群体规模和词汇表大小的鲁棒性，并表明早期窗口图能量特征可作为有效的网格内诊断工具。

论文提出了一个“代理就绪网站”设计框架，旨在增强电商平台对AI代理的可读性、可解释性、可验证性和可操作性。实验表明，代理就绪网站将严格成功率从49.3%提升至89.3%，部分成功结果从43降至3，平均步骤数从9.31降至6.49。

本文批判了人工智能中的优化文化，指出优化过程虽然能衡量文本的不可预测性，但无法区分错误与创新。尽管如此，优化已在短短五年内取代了传统机构，掌握了定义合法语言权威的地位。

GRID是一种基于语法约束的解码引擎，通过将LALR(1)解析器状态作为掩码键，确保SQL输出语法正确且符合角色权限策略，提供可证明的保证、恒定时间成本及完整审计追踪。在Spider数据集上，0.5B模型执行准确率提升13%，7B模型通过修复达到94.5%可执行率。

该研究结合了本体增强蒸馏与情境审计两项方法，针对受数据居留规则约束的金融机构，提出租户自有语言模型的构建与治理方案。蒸馏实验表明，Qwen3.6-27B学生模型在40项越南语金融任务中达到36项正确，与GPT-5相当，但统计功效不足以证明等价；情境审计试点的结果表明残存情境性为零，直接影响与构造耦合才是有效信号。研究不支持当前模型的可部署性、安全性或优越性。

本文综述了非平稳环境下的上下文强化学习（ICRL），即预训练或微调的决策模型如何仅通过交互上下文推断潜在任务规则并改进未来行为，而无需在测试时更新参数。在变化的环境中，累积的上下文可能变得过时甚至误导，因此策略必须推断当前决策规则并识别哪些历史证据仍然有效。论文围绕三个核心问题组织文献：什么在变化、变化如何展开以及变化对智能体的可观察程度，并将其与元强化学习、决策序列建模、检索增强强化学习等方法联系起来。

本文提出了一个严格的永续期货市场最优做市理论框架，将做市问题建模为随机最优控制问题，贡献包括损益分解定理、HJB方程、高APY区域定理等。数值分析揭示了盈利与非盈利区间的相变。

GPT-5.6系列中，Sol和Luna在任何智能水平上的成本效率均优于Terra，尤其是Luna表现出极高的性价比。

PrismML发布了Bonsai 27B，这是Qwen3.6-27B的低位表示，并非全新预训练模型。提供三进制和二进制两种变体，采用Apache 2.0许可证。三进制版本每位仅1.71比特，理想大小为5.9GB；二进制版本每位1.125比特，大小为3.9GB。性能方面，三进制保留FP16基线的94.6%，二进制保留89.5%。该模型支持多模态，上下文长度262K令牌。PrismML声称二进制版本是首个适合手机的27B级模型。

Simon Willison 在 Codex Desktop 中意外激活了一个“宠物”功能，并利用 GPT-5.6 Sol 和 gpt-image-2 创建了一个骑自行车的鹈鹕宠物，命名为 Pedalican。他记录了整个生成过程，包括提示词和中间步骤，并开源了相关技能。

本文对比了四种主流的AI编程代理：Mistral Vibe for Code、Claude Code、Cursor和OpenAI Codex，针对从功能脚手架到拉取请求的完整工作流进行评分。Mistral Vibe以22/25的总分领先，凭借成本、开放性和控制力获胜；Claude Code和Codex并列21/25；Cursor得16/25。文章详细分析了每个工具在脚手架、测试循环、PR及异步工作流、覆盖范围、成本与开放性五个维度的表现。

MIT教授Devavrat Shah通过研究和创业，致力于设计能够利用有限计算资源进行实时决策的AI方法。他共同创立的Ikigai Labs开发了基于表格时间序列数据的基础模型，被Celonis收购后，有望集成到企业流程管理中，实现大规模预测和优化。

阿明·罗纳赫在一篇关于AI代理和软件工程的文章中强调，软件项目的共享语言并非英语或Python，而是对概念、边界、不变量、所有权和系统形态的共同理解。他指出，在AI代理出现之前，这种理解通过“摩擦”维持——如阅读代码、提问、协调——这种摩擦虽然缓慢且部分浪费，但同步了人们。这篇文章由Simon Willison于2026年7月14日引用。

元提示是一种先进的提示工程技术，要求模型在执行任务前先设计可复用的提示模板、清单或工作流程。本文详细解析了元提示的定义、四步工作流程、具体模板示例及其与普通提示、少样本提示、思维链提示的对比。

谷歌更新了隐私政策，现在你的图片、语音搜索和视频可能被用于训练其AI模型。用户被自动默认开启，需手动关闭以保护隐私。本指南将教你如何退出。

开放模型如NVIDIA Nemotron使企业能够构建满足特定需求的AI，提供完全的控制权、定制能力和成本效益，并推动从AI使用到AI拥有的转变。

研究员Dave Kuszmar发现了多个系统性漏洞，使他能够绕过大型语言模型的安全限制，获取危险指令。这些漏洞几乎影响所有主流LLM，揭示了行业范围的安全问题。Kuszmar呼吁减缓部署、提高透明度，并在进一步将LLM融入社会前开展大规模安全研究。

本文探讨了符号学历史与大型语言模型之间的联系，借鉴了索绪尔、巴特和德里达等思想家的理论，分析了语言符号的差异性与AI生成内容的关系。

Mistral AI 推出了一款新型视觉模型，机器人仅需一个RGB摄像头和自然语言指令即可在陌生环境中导航。

Mnemo AI 是一个本地代理型AI助手，利用LangGraph和LangChain集成多种LLM提供商（如Ollama、Amazon Bedrock、OpenAI、Anthropic等）。它具备MCP工具系统、RAG能力、用户档案学习、情景记忆以及ACE剧本——一种能从成功和失败中学习策略的机制。此外，还支持网络搜索、图像分析、文件操作、bash执行等功能。

扩展LLM的关键不是增加GPU，而是消除每个请求中的不必要工作。本文介绍了12种实用的减少延迟和成本的方法。

谷歌DeepMind联合创始人兼CEO德米斯·哈萨比斯呼吁建立一个全球AI监管机构，该机构有权在前沿模型过于危险时刹车。他认为美国应主导这一倡议，并希望在今年年底前成立该机构。

Hayden Bleasel 发布了 Blume，一个开源、MIT 许可的文档框架。它读取 Markdown 或 MDX 文件夹，生成隐藏的 Astro 项目，输出静态的 AI 就绪文档，包含本地搜索、30+ MDX 组件、llms.txt 和内建 MCP 服务器。

Mistral AI 推出了 Robostral Navigate，一个 8B 参数的具身导航模型。该模型仅使用单个 RGB 摄像头，无需 LiDAR 或深度传感器，即可根据自然语言指令驱动机器人。在 R2R-CE 验证未见过的场景中，它达到了 76.6% 的成功率，这得益于其指向方法、前缀缓存训练和 CISPO 在线强化学习。

本文提出一种人效后训练管道，通过专业化分工（远程操作员和地面操作员）和自动轨迹分割工具VLAC-CUT，实现少量人员监督多台机器人。在四个真实操作任务中，最终策略成功率达80%-95%，吞吐量提升1.7-4.2倍，优于纯人类参与训练。

该论文提出了一种风险场增强的闭环数字孪生框架，用于自动驾驶系统的安全验证。框架整合了物理数据采集、虚拟重建、风险感知场景生成和算法评估，并通过驾驶风险场作为统一中间表示来识别高风险场景，为强化学习策略提供安全指导。实验表明该方法提高了验证的针对性和可解释性，但实际效果受模型保真度和模拟到现实迁移的限制。

无人机蜂群在搜索救援和环境监测中潜力巨大，但受限于态势感知不足、连接中断和网络安全风险。本文提出以LLM为核心的代理型AI框架（LAUS），整合感知、记忆、推理规划与行动，实现自适应蜂群行为，同时分析了攻击面扩大、优先级操纵攻击等威胁，并指出了抗幻觉推理、SWaP约束下的机载LLM部署等开放挑战。

EgoSteer是一个全栈系统，通过从第一人称人类视频中大规模预训练视觉-语言-动作（VLA）模型，实现可控的灵巧操作。它集成了EgoSmith数据流水线（9.6K小时高质量数据，吞吐量提升9倍）、统一遥操作机器人平台和世界模型增强的VLA策略。实验表明，EgoSteer在40多种任务中稳定执行自然语言指令，具备故障恢复和泛化能力，并可通过少量样本适应复杂长时任务（如折叠纸箱），成功率超75%。系统、数据和模型已开源。

本文研究了真实图像扩散反演中的质量-成本权衡，揭示了元素级压缩不对称性和轨迹绑定两个关键机制，并由此提出训练无关的反演方法NARC。该方法仅需存储单个int8潜码锚点，在保持重建质量的同时将存储需求降低约400倍，在PIE-Bench++上PSNR提升3.24 dB。

ECCV 2026接收的一篇论文提出了一种新的可穿戴运动捕捉方法，能够从任意组合的消费级设备（如智能手机、智能手表）重建全身运动，并引入了WHIP模型和一个包含50种活动的多模态数据集，同时系统研究了传感器互补性。

多模态知识图谱通过文本和图像等模态丰富实体，但高度相似的多模态特征仍难以区分。时间信息可作为额外模态进行消歧，但现有方法因时间语义稀疏和多时间戳噪声而鲜有将时间作为独立模态。本文提出时间印记框架，将时间视为实体级模态，通过三视角对比目标对齐时间、文本和视觉表示，并设计紧凑时间戳子集选择与注意力池化以兼顾特异性和鲁棒性。实验表明，该方法在链接预测任务上达到最优，整体 Hits@1 提升最高 6.07%，在 top-1% 高歧义样本上提升达 58%。

本文首次演示了基于低功耗MCU的边缘设备用于自动车牌识别（ALPR）。该设计利用9核RISC-V处理器GAP8，结合QVGA超低功耗灰度成像器，采用基于SSDlite-MobilenetV2和LPRNet的多模型推理方法，在公共数据集上达到38.9%的mAP和超过99.13%的识别率。在真实世界中可识别小至30x5像素的车牌。多模型推理（687 MMAC）在GAP8上以1.09 FPS和117 mW运行，相比树莓派3系统能效提升73倍，且无需硬连线加速引擎。

ReflectWorld-MM是一种新型AI系统，使助手能够持续处理和记忆开放视频流，通过围绕持久实体而非帧来组织记忆，在六个基准测试中取得了最先进的结果。

RSLoRA是一种基于激活空间几何的免训练、免梯度秩分配方法。它引入虚拟表示探测机制，通过有效秩和弗雷歇距离识别高敏感性模块，在多个基准测试中优于AdaLoRA和GoRA等最新分配器。

一种名为WiCAT的新模型，利用自监督预训练在宽场钙成像数据上实现了跨主体建模，超越了单会话模型，并首次实现了对未见主体的零样本行为解码。

研究人员提出DUNE，一种无需训练的扩散模型优化框架，通过检测并抑制早期深层潜在波动来减少伪影和幻觉，提升生成保真度，适用于U-Net和Transformer架构。

本研究探讨了训练日语推理语言模型的可行性。通过使用GRPO对基于Qwen-3-Swallow-8B的日语持续预训练模型进行训练，研究者发现推理语言控制是可行的，但性能最多与英语推理基线持平。在日语文化基准测试中，模型表现甚至更差，表明日语推理并不能立即提升文化相关任务的表现。

本研究探索了在无法访问原始训练数据且需要多语言语音查询交互的敏感领域（如新加坡内政团队）中，如何高效地使开源口语语言模型（SLM）适应。通过结合LoRA微调、防止灾难性遗忘的替代文本问答数据集以及针对语音任务改编的CoBa重加权方案的多任务目标，研究团队构建了包含504,853个样本的多语言问答数据集HTD-multilingual-QA，最终得到的HT-Moonstone（5B）模型在大多数任务上匹敌或超越规模大7倍的SLM，并在口音和性别识别上表现最佳，同时原始语音问答能力损失不到2%。

最新研究表明，后训练量化会在任务准确率保持不变的情况下静默改变大语言模型的推理方式。通过一个六类故障分类法（Cohen's κ=0.906），研究人员分析了30,000条链式思维输出，发现弱精度量化（NF4）下“空心收敛”显著依赖于模型大小，而“捷径崩塌”和“信心滚雪球”等故障模式会发生定性转变，且空心收敛无法通过表面文本特征可靠检测。

本报告研究针对台湾地区的设备端英文到繁体中文字幕翻译，在短输入、短输出、单批次推理、低延迟和隐私约束下的优化。作者将原始151k词表替换为64k字幕领域分词器，并进行嵌入校准和微调，在OpenSubtitles2024子集上实现了59.2%的胜率（排除平局），并在Apple M2上获得1.63倍加速。

一项新研究提出了一个基准框架，用于评估大型语言模型（LLM）生成的临床试验摘要的忠实度，针对医疗提供者、患者和支付方三个利益相关者群体。该框架从ClinicalTrials.gov选取了200个分层试验，使用六维度注释模式评估了GPT-4o、Claude Sonnet 4.6和Gemini 2.5 Flash生成的1800个摘要。研究发现，“无依据声明”是所有模型最主要的失败模式。通过知识图谱增强检索系统，忠实度得分获得了统计显著的提升。

研究团队开发了一种基于语言模型的并购套利预测系统，通过专家引导的上下文工程和事后推理微调，在400多笔跨国大型交易中实现了优于市场隐含概率和前沿语言模型的预测性能。

Bilibili 发布 Index-1.9B 系列开源小型语言模型，包含基础模型、纯数据对照模型、对话模型和角色扮演模型，在多项基准测试中表现优异。

CLIR-Bench是一个专门用于评估模型在不规则临床时间序列上进行问答能力的基准。它基于去标识化的ICU记录构建，包含6,600个问答实例，覆盖11个临床变量，分为4个能力维度和11个任务。实验表明，现有通用模型难以从稀疏数据中检索和推理证据，凸显了加强不规则时间序列推理方法的必要性。

研究者提出了一种基于参考的成员推断方法，用于检测大型语言模型是否从其他模型蒸馏而来。该方法通过比较学生模型对不同候选教师模型输出的偏好，结合早期检查点，能够以近完美精度识别教师模型，并适用于未知蒸馏流程和开放世界场景。

一项新研究显示，编码代理在编辑代码时真正需要的上下文极少：信号只存在于被编辑的代码本身，自然语言摘要几乎无法替代源代码回答行为问题，周围上下文（如UML骨架）与删除它效果无异，而压缩上下文（如类别签名）能以三分之一token达到完整文件的效果。此外，温度-0 API推理在相同输入下约有9%的结果翻转，构成了SWE-bench上所有小效果检测的噪声底线。研究团队发布了包含验证环境、确定性补丁和预注册假设的工具。

这篇论文介绍了MawForge系统，通过将完整模型存储在磁盘上，按需将路由专家物化到有限执行缓存中，使得在内存受限的统一内存机器上实现稀疏混合专家（MoE）语言模型的实用本地推理成为可能。研究发现MawForge作为有限执行机制和测量基板有效，但并非缓存最大化策略。

本文提出了一种新的双层分类框架，系统回顾了基于图神经网络（GNN）的知识图谱技术，覆盖了知识图谱构建、嵌入、推理和应用，分析了不同GNN模型的优缺点，并指出了未来研究方向。