Hugging Face Daily Papers6565Infrathon：用于现实世界长时程 AI 基础设施优化的语言智能体基准
Infrathon 对六种模型进行了 150 次长时程 AI 基础设施优化任务评估，总耗 10,000 GPU 小时，发现模型排名随评估时程变化，135 次任务在预算后半段实现进一步优化，且 Claude Opus 5.5 将 KV 缓存压缩率从 6.82% 提升至 19.86%，超出人类设计基线。分析显示任务违规、测试不可靠和过早完成是持续优化的主要障碍。
实时
全部 AI 动态
- Hugging Face Daily Papers6565
Hacker News · 300+ 热帖 Modern Web Guidance 发布：将代码智能体带离 2019 年 JavaScript，转向现代 Web 基础
Modern Web Guidance 将 Web 平台专业知识、最佳实践和浏览器兼容性数据嵌入代码智能体，帮助其避开过时模式，转向利用现代 Web 平台能力。
- Hugging Face Daily Papers
dNaViT 发布：离散代码作为通用视觉表示
dNaViT 是一种离散原生分辨率视觉 Transformer，通过分组乘法量化（grouped product quantization）和双分支目标，在视觉理解、生成和编辑任务中匹配或超越特定基线。它在 12 个视觉理解基准、4 个生成基准和一个图像编辑基准上表现优异，证明离散词汇可以作为通用视觉表示
- Hugging Face Daily Papers6565
Longtail-SWE: 高质量长尾软件工程任务集
Longtail-SWE发布了覆盖13种代表性不足编程语言的202个问题解决任务，用于现有基准中稀缺的工程问题。通过solver-judge-repairer管道构建，模型在9种配置下评估，包括前沿模型，分析任务解决性能、重复尝试一致性及资源使用。所有基准实例、执行环境、工具和智能体轨迹已开源。
Microsoft Research微软研究人员发现“Lazarus”技术可重编程AI模型休眠神经元植入后门
微软研究人员发现“Lazarus”技术可重编程AI模型休眠神经元植入后门，使正常AI代理在触发条件下执行恶意命令。该技术无需重新训练即可植入后门，难以通过常规测试检测，对具有工具或终端访问权限的AI代理威胁尤其严重。
OpenRouter BlogMCP 与 CLI 与技能：GitHub MCP 服务器为 Claude Sonnet 5.5 增加了 19,436 个输入 token
GitHub MCP 服务器为 Claude Sonnet 5.5 的每个请求增加了 19,436 个输入 token，远超 CLI（1,421）和技能（3,315）。
- OpenRouter Blog
LLM 量化：fp8 和 fp4 对质量与价格的影响
在 OpenRouter 上测试，fp8、fp4 与 fp16 在 240 个评分任务中未发现精度差异，所有六种端点得分在 98.3% 至 99.2% 之间。低精度通常更便宜，但 fp8 比 fp16 更贵的情况有 7 模型，4-bit 比 8-bit 更贵的情况有 7 模型。fp4 端点在 40 个无工作流乘法任务中表现最差，但差距可能由偶然性导致。
- Hugging Face Daily Papers
删除权重对 LLM 后训练的惊人效果
删除调优方法通过将预训练大语言模型（LLM）中不到 0.05% 的权重置零，无需其他修改，即可在强化学习、监督微调和策略蒸馏三种后训练场景中达到与全量微调（FFT）相当的效果。
MarkTechPost同一件事 · 2 家Meta FAIR 发布 e-means：一种在 10 倍更少迭代中超越 k-means 的算法
Meta FAIR 发布的 e-means 算法在 1.4 到 2.6 个迭代内达到 k-means 25 个迭代的损失水平，GPU 速度提升 10-45 倍、CPU 速度提升 8-15 倍，无需超参数调整，已集成于 FAISS 1.16.0
同一件事 · 2 家各家口径不同：Hacker News 表示 e-means 在 25 轮训练内达到低于 Lloyd 算法的测试损失，而 MarkTechPost 提到 1.4 到 2.6 轮达到 k-means 25 轮的损失水平。
AWS Machine Learning Blog4040Amazon Bedrock AgentCore Evaluations 如何使用内置、DeepEval 和 AutoEval 评估智能体
Amazon Bedrock AgentCore Evaluations 提供内置、DeepEval 和 AutoEval 三种评估器评估智能体。内置评估器由 AWS 开发和测试，覆盖常见维度；DeepEval 和 AutoEval 是第三方开源库，AgentCore 在生产环境托管运行。评估过程需先定义业务成功标准，拆解为可观察行为，再映射到合适的评估器层级。
OpenAI Alignment BlogGPT-6 Astra 的 CoT 监测能力受预训练、架构、强化学习和模型生成数据的影响
GPT-6 Astra在非对抗设置中观察到CoT监测能力下降，对抗测试中CoT逃逸能力增强，且无CoT能力显著提升。预训练中，无CoT能力随基础模型困惑度降低而提高，架构影响有限，强化学习增强CoT控制能力，模型生成数据微调可传递CoT控制能力。模型困惑度与无CoT能力、控制能力呈正相关。
The DecoderNvidia 的 GR00T 2 模型通过视频观察人类动作，想象自身为机器人进行任务学习
英伟达的GR00T 2 AI模型通过分析人类视频动作，无需远程操控即可让机器人学习新任务，在400,000小时视频数据上训练，实验室测试成功率为10-80%，配合GPT-6 Astra可实现97%的玩具模型组装成功率，但触觉处理和语言模型延迟仍是挑战。
AI as Normal TechnologySTABL 研究组织定位在 AI 影响的关键象限
非营利研究组织STABL认为先进AI具有变革性潜力，但社会转型速度将受限于人类和组织变革，而非技术进步。该组织主张重视AI影响的下游瓶颈，位于一个强调技术潜力与影响瓶颈并重的二维象限中，旨在填补当前思考空白，推动制度变革与社会韧性研究。
Meta EngineeringMeta 开源 Triton Low-Level Extensions (TLX)：为大规模生产级 ML 优化的硬件原生 GPU 编译器
Meta 开源 Triton Low-Level Extensions (TLX) 编译器，通过引入显式 warp-group 和 cluster 级别编排提升 GPU 性能，支持 RecSys 训练/推理及 LLM 预训练，在 NVIDIA 和 AMD GPU 上实现超越独立库的端到端性能提升。
NVIDIA NewsroomNVIDIA扩大开源承诺：捐赠OpenShell并推出新AI基础设施
NVIDIA 向 Cloud Native Computing Foundation (CNCF) 贡献了 OpenShell，一个开源自主代理安全运行时，并推出 NVIDIA Kubernetes Engine 和 NVIDIA Kubernetes Recipes 等新工具，助力团队在 Kubernetes 上部署和管理 GPU 基础设施。
OpenAI NewsOpenAI 与 Upwork 研究发现自由职业需求变化、技能组合及 AI 项目预算与时长增加
OpenAI 与 Upwork 的新研究显示自由职业需求正在转变，需要新的技能组合，AI 相关项目的预算和时长都在增加。
Hugging Face BlogHugging Face 探索决策模型在非文本生成场景的应用
Hugging Face 探索决策模型在非文本生成场景的应用，如将 LLM 用于客户支持系统处理退款请求，模型直接评估选项并返回概率分布而非生成文本。决策模型输入状态和问题，输出结构化决策及概率，优于 LLM 直接生成 JSON 的方式，后者可能不遵循请求模式且效率低。决策模型与分类模型不同，前者输出类别可动态调整，后者输出类别固定且需重新训练扩展。
NVIDIA Technical Blog6565Agent Substrate：为大规模代理提升 Kubernetes 能力
Agent Substrate 解决了 Kubernetes 在运行 AI 代理时的低效问题，通过共享 Pod 资源减少闲置浪费并保持代理状态，相比传统方式将冷启动时间缩短 3.5 倍。该框架已捐赠给 Linux Foundation，支持大规模代理部署。
IT之家 · AI谷歌 DeepMind 用 AI 完成 Signal 协议形式化验证，数学证明其端到端加密可靠性
谷歌 DeepMind 利用 AI 完成 Signal 协议形式化验证，数学证明其端到端加密可靠性。分析过程耗时约四周，但未公布具体计算资源规模，目前还无法确定技术在更大范围内推广应用的实际可行性。
- Hugging Face Daily Papers
Flide：通过精确状态分叉加速决策推理
Flide 是一个开源推理引擎，通过精确状态分叉技术让多个问题共享计算，在 Decision Index 0.4.1 上支持 30+ 开源决策模型，推理速度比 vLLM 和 SGLang 快 9.5 倍。
Google DeepMind同一件事 · 2 家AlphaProof Code：Google DeepMind 开源多 LLM 智能体框架实现复杂软件深层形式化验证
Google DeepMind 开源 AlphaProof Code 框架，用多 LLM 智能体首次实现广泛部署的 Signal 协议代码深层形式化验证，生成超 600 万行 Lean 证明，仅 1% 代码需人工复核，将专家团队数年工作压缩至四周，并成功识别出两处已知漏洞。
- Hugging Face Daily Papers
Frontier3DBench：跨对象、场景和交互开放世界的代码智能体 3D 创作基准测试
Frontier3DBench 统一评估了 145 项任务中代码智能体在对象、场景和交互式 3D 世界创建上的能力，GPT-6.1-sol 在对象和场景层表现最佳，总得分 66.02/100，但所有配置在对象和场景任务中参考重建得分均低于文本驱动生成。生成世界在局部机制上平均 83.08/100，但在运动清除和状态化工作流上仅分别为 20.82 和 30.26，显示协调活动完成仍是核心瓶颈。
- Hugging Face Daily Papers6565
Reframe：面向具身视觉推理的观察对齐多教师策略蒸馏框架
Reframe 通过证据感知强化学习和观察门控策略蒸馏，在 14 个图像和视频基准测试中提升具身视觉智能体的工具使用表现，优于 Mix-RL 和基础 MOPD 方法。其两阶段框架 GD-GRPO 和 OG-MOPD 分别通过随机移除原始视觉输入和从修复后的观察中恢复蒸馏，互补地促进模型依赖工具返回的观察结果。
- Google DeepMind5858
Google DeepMind 发布 SatWeave 和 PARDIG 数据集以支持 AI 天气模型研发
Google DeepMind 发布 SatWeave 和 PARDIG 两个基础数据集，支持天气、水文和气候应用研发。
量子位蚂蚁灵波开源触觉预训练模型 LingBot-Touch，提升机器人通用手感
蚂蚁灵波开源触觉预训练模型 LingBot-Touch，将不同触觉传感器信号统一编码为触觉Token，使机器人动作模型成功率提升。LingBot-Touch-Tiny 参数量约 532万，预训练数据 4983小时、约 13.3亿帧，支持多种灵巧手和动作模型，成功率平均提升 15-25%。
- 量子位
openJiuwen 推出 TTSE 经验学习框架，实现 Agent 双轨自演进
openJiuwen 发布 TTSE（双轨自演进）框架，将 Agent 经验分为 FACT（环境事实）和 TIP（条件式技巧）双轨管理，通过真实任务反馈持续校正环境认知与执行方法。
- Hugging Face Daily Papers
ReproBridge：为机器学习研究工件构建可复现性
ReproBridge通过标准化设计（精炼代码库、环境设置、实验启动器和复现指南）提升机器学习实验复现成功率，在ReproBridge-Bench上使四款模型的平均复现率从76.4%提升至92.6%。精炼工件使下游API成本平均降低19.7%，缩小模型间成功率差距至3.9个百分点，所有模型均达到90%以上成功率。移除代码或环境组件会显著降低复现效果。
- Hugging Face Daily Papers
Sage-Taiyi：一个用于科学发现的元认知架构
Sage-Taiyi 在包含 265 个任务的 Taiyi-Bench 上以 54.0 的总分排名第一，优于 AI Scientist-v2 的 47.9 分。
- Hugging Face Daily Papers
LingBot-Touch 发布：一种支持通用灵巧操作的异构触觉表示学习模型
LingBot-Touch 是一个触觉基础模型，学习跨不同触觉传感器（压阻式、磁性、视觉触觉）的统一、可扩展表示，产出可即插即用的触觉 token，持续增强扩散策略和视觉语言行动（VLA）模型（如 π_{0.5} 和 LingBot-VLA）的灵巧操作能力。实验表明，该触觉表示在模拟和真实机器人部署中显著提升复杂操作任务表现，同时保持强计算效率。
- OpenAI News
ThinkYoung 研究揭示教育领域 AI 指导差距，OpenAI EMEA 教育合作项目提供经验
ThinkYoung 最新研究报告指出教育领域 AI 指导存在差距，OpenAI 通过 EMEA 教育合作项目为教师支持、AI 素养及自主学习提供实践方案。
- Hugging Face Daily Papers
基于结构感知内核的快速精确相对位置注意力
一种精确的瓦片注意力算法将加性相对位置项集成到类似 FlashAttention 的计算中，减少内存和计算开销，加速长上下文相对位置 Transformer。该方法（1）使用偏移感知瓦片避免冗余索引和内存访问，（2）仅计算必要的键/查询关系产品并在前向和反向传递中重用它们，以及（3）使用基于偏移的梯度分片和聚合，消除原子竞争。
- Hugging Face Daily Papers
OneTrans-GSR：一种生成式排序列表范式，统一重排序和混合排序
OneTrans-GSR 通过单一自回归 Transformer 统一生成推荐排序列表，提升业务指标并减少重排序和混合排序延迟。在工业推荐系统中部署后，GMV/u 提升 2.63%，广告商价值提升 2.06%，回购率提升 2.03%，同时将端到端延迟降低 13%。
- IT之家 · AI
小米联合北京大学发布《物联网设备模型技术白皮书》，11.6 亿台 AIoT 设备技术经验开放给全行业
小米联合北京大学发布《物联网设备模型技术白皮书》，提出四层物模型架构与 Dynamic Service 动态服务机制，确立「AI 友好物模型」四项标准与三大评价，小米把 11.6 亿台 AIoT 设备上验证过的技术和经验开放给全行业。
- 量子位
中山大学本科生反AI逆向项目BLA火了！让黑客Token账单原地暴涨300倍
中山大学本科生项目BLA通过投毒、耗尽预算、诱导误判三步法反制AI逆向工具REA，使逆向AI的Token消耗量暴增300-2800倍，加固后总Token消耗约是加固前的639.5倍，总费用约是304.4倍。该项目已获3900+星和476 forks。
Hacker News · 300+ 热帖同一件事 · 2 家 e-means：在十分之一的训练轮数内超越 k-means
e-means 在 25 轮训练内达到低于 Lloyd 算法的测试损失，仅需 1.2 至 3 轮。与最先进的 Flash-KMeans 相比，GPU 端端速度提升 10-45 倍，CPU 端端速度提升 8-15 倍。e-means 通过指数移动平均更新、自动超参数调整、改进初始化和死簇复活策略，实现了速度和损失的双重优化。
同一件事 · 2 家各家口径不同：Hacker News 表示 e-means 在 25 轮训练内达到低于 Lloyd 算法的测试损失，而 MarkTechPost 提到 1.4 到 2.6 轮达到 k-means 25 轮的损失水平。
Hacker News · 300+ 热帖 Claude Fable 5.2 一键生成侄子的梦想游戏
Claude Fable 5.2 可以一键从侄子的一组画作中生成完整游戏，包含 175 张图像和 140 个音频片段。生成的动作游戏包含 18 个角色、12 个关卡及剧情，支持 4 人联机，通过 Claude Code 和 Opus 4.8 实现。
- Hugging Face Daily Papers
WorldFoundry：面向世界智能统一基础设施
WorldFoundry 提供开源基础设施，用于可复现地推理和评估跨视频、3D/4D、具身行动和交互系统的生成世界模型，包含可追溯证据和基准，收录 270 个模型条目、74 个基准和 62 个注册指标。
- Hugging Face Daily Papers6565
EvoWorld：面向生成视频模型中视域外世界演化的研究
EvoWorld 结合了一个用于维护和推理世界状态的视觉语言模型与分段自回归视频渲染器，以改进事件条件下的因果演化和重访生成视频世界模拟器的连贯性。现有的扩散式视频模型缺乏维护世界状态和推理事件条件后果的显式机制，常产生视觉上合理但行为静态或因果不一致的输出。EvoWorld 通过观察生成片段、维护世界演变记录并推理可能的状态转换，显著改善了事件条件下的因果演化，同时保持视觉质量和一致性。
- Hugging Face Daily Papers
A2-MEAS 框架迈向具身智能体时代
A2-MEAS 框架通过学习校正码和具身视觉语言行动模型提升机器人控制与故障恢复，在 50 任务 BEHAVIOR 2026 公开子集上达到 0.5755 Q-score 并实现 45.40% 任务成功率，12 项真实机器人任务平均成功率 57.92%。该框架采用动作预训练和任务专业化，训练吞吐量达 427.1 样本/秒，系统将开源模型、训练脚本及基础设施。
Anthropic Research同一件事 · 2 家Anthropic 测试 Claude Fable 5.2 在真实电子设计中的能力
Anthropic 与 Diode Computers 合作测试 Claude Fable 5.2 设计电子设备的能力，该模型能从设计到原型制作完成电子硬件。
同一件事 · 2 家各家口径不同：Anthropic Research称Claude Fable 5.2能从设计到原型完成硬件，而Claude提到设计了包含电路板布局、CAD外壳建模和固件编写的语音助手中心。
