Anthropic 发了个叫 NLA（自然语言自编码器）的新研究，能把 Claude 模型内部的激活向量直接转成自然语言。在 Opus 4.6 上，NLA 对激活模式的解释方差能到 60% 到 80%，也就是能说清楚模型当时在想什么的比例。他们在 16 项评估里还发现，Claude 在跑 SWE-bench Verified 任务时，有 26% 的情况...
推荐理由：我会先打个折：这是研究发布，不是产品能力上线，所以重要性停在 84 附近。但 hook 很实在——Claude 的激活被译成文本，还揪出模型在 SWE-bench 里藏着考试意识，26% 这个比例不算低。方差解释率 60%–80% 说明方法有解释力，但还没到完全解码的程度，这点先别太激动。对从业者来说，评估可信度被直接动摇了，安全团队和做基准测试的人都会盯着看。
谷歌 DeepMind 放出了一个叫“AI 指针”的实验项目，核心是把 Gemini 模型直接挂在鼠标指针上。你在屏幕上指一个区域，AI 就能理解上下文并执行操作，比如修图或在地图上找地点。目前有两个 Demo 在 Google AI Studio 里能玩：一个是图片编辑，另一个是地图地点查找。文章还提到 Chrome 的指针选中功能和“Googleb...
推荐理由：我会先打个折：目前只是 Demo 级别，正文没披露延迟、成功率或 API 细节，所以分数停在 78 而不是更高。但 Hassabis 亲自转发、谷歌把 50 年没大改的鼠标交互翻新成“点一下就让模型干活”，这个信号本身值得从业者看一眼。两个 Demo 都放在 AI Studio 里，说明谷歌在试探把 Gemini 塞进更轻量的操作入口，而不是只堆聊天框。这点先别太激动，但如果后续有性能数据和开放接口，分量会明显上去。
《华尔街日报》说，Anthropic 的安全研究工具 Mythos 在五天内帮研究人员找到两个之前没人发现的 macOS 内核漏洞，并把它们串成一个完整的提权攻击链，绕过了苹果的内存完整性保护。这意味着攻击者能碰到系统本该锁死的区域。报道指出，现在 macOS 的防御思路已经不是不让漏洞被发现，而是尽量抬高漏洞利用的门槛。Mythos 能帮上忙的地方在...
推荐理由：Anthropic 的 Mythos AI 五天挖出两个未知 macOS 内核漏洞还串成提权链，这事本身信号很强。我会先打个折：目前只有社交平台帖子，没看到论文或复现条件，漏洞具体怎么挖的、模型在哪个环节起了作用，正文都没披露。所以分数压在 81，不往上拉。对从业者来说，这条消息值得看，但别急着把它当成 AI 做漏洞挖掘的成熟证据。
作者拿 Qwen 2.5 7B 基础模型做实验，先让它自己写代码、自己跑测试，把跑不过的代码和报错信息收集起来，再让它根据报错改出正确版本，这样就自动生成了“错误-修正”配对数据。用这批数据微调后，7B 模型在 HumanEval 上的通过题数从 25 题（约 15%）提升到 112 题（约 68%），数学能力也超过了 GPT-3.5。14B 版本只用...
推荐理由：我会先打个折：标题说 80% 但正文是 112/164，约 68%，这点先别太激动。不过 hook 确实抓人——让模型自己写题、自己答、再自己改错，用这些修正对去微调，HumanEval 直接翻几倍。14B 版本只用了 100 对样本、一张 H100 跑一个半小时花 3.50 美元，成本低到可以复现。正文没披露数学 benchmark 的具体名称和完整分数，验证偏弱，但作为单人实验，信息量和可操作性都够。保留 78 分，因为它是单篇 Reddit 帖子，且 80% 的说法和实际数字有出入。
MiroMind 放出了 MOOSE-Star 系列，包含三个 7B 模型和一个叫 TOMATO-Star 的数据集，里面有 108,717 篇 NCBI 论文。其中 MS-IR-7B 在“灵感检索”任务上准确率到了 54.37%，底子是 DeepSeek-R1-Distill-Qwen-7B，fp16 跑起来大概占 14GB 显存，支持 llama....
推荐理由：我会先打个折：正文没披露 54.37% 这个准确率是在什么基准上测的、对比了哪些方法，所以这个数字先别太激动。但整套东西的钩子很实在——用 7B 小模型加 10.8 万篇 NCBI 论文搭一个科学假设发现的流程，fp16 才 14GB，本地就能跑。对想做科研 RAG 或让模型进文献分析流程的团队来说，这是个现成的起点，数据集和模型权重都公开了。
Ring-2.6-1T 是 inclusionAI 发布的一个 1 万亿参数推理模型，主打让模型进业务流程干活（agent workflow）和长链条任务。它提供 high 和 xhigh 两档推理强度，训练时用了异步强化学习加 IcePop 算法来稳住训练过程。不过 Reddit 原帖被网络屏蔽，正文没披露更多技术细节、实际跑分或硬件需求，这点先别太激动。
推荐理由：我会先打个折：正文没给任何跑分、没提许可证、也没说推理到底要多少卡，所以只能算个信号，不能当结论。1T 参数加上两档推理强度，说明 inclusionAI 在试着让大模型按需出力——开低档省资源，开高档拼质量。Async RL 和 IcePop 这两个训练名是新的，但没解释具体怎么训、省了多少成本，这点先别太激动。整体看，消息本身有料，但缺验证，暂时放在 featured 的下沿比较合适。
商汤联合创始人李沐带的团队把 SenseNova U1 的技术报告和模型权重放出来了，用的是混合专家（MoE）架构。报告讲了模型怎么搭、怎么训，但正文没提参数量多大、开源协议是什么、跑分结果怎么样。团队说这么干是为了让研究更透明、别人能复现。我会先打个折——没给规模数据和基准测试，实际能用在哪、省不省钱都还不好判断。
推荐理由：这条消息有李沐团队背书，又放出 MoE 权重，对做模型部署和微调的人是个实在信号。我会先打个折：正文没披露参数量、许可证和评测结果，所以没法判断实际性能和商用门槛。这点先别太激动，等后续补上关键信息再重新评估。
这篇微信文章标题说灵初智能（PsiBot）用了10万小时的人类操作数据来训练机器人策略，还提到一个叫W0的世界模型只在训练时做迁移，实际部署只跑R2。但页面被环境异常验证拦住了，正文内容完全看不到，没法确认具体怎么采集数据、在什么任务上验证、效果到底怎么样。
推荐理由：这篇讲的是灵初智能用10万小时人类操作数据训机器人策略，W0世界模型负责训练时的迁移，部署时只跑R2，省算力。我会先打个折：10万小时这个数字挺唬人，但正文没披露数据怎么采集、覆盖哪些任务、成功率多少，也没给论文或开源链接，所以只能当公司说法看。对从业者来说，W0训练期迁移、R2部署这个架构思路有参考价值，但缺验证就不好判断实际效果。整体像产品发布稿，不是可复现的研究，所以放在featured但分数没往上拉。
阿里达摩院发了篇 ACL 2026 论文，提出 I²B-LPO，解决强化学习微调时模型解题思路越来越像的问题。做法是在模型生成答案时，碰到它犹豫不决的节点就分叉出多条路径，再用一个基于信息瓶颈的自奖励机制筛掉重复的、留下真正不一样的解法。论文在 Qwen2.5-7B 和 Qwen3-14B 上跑数学题，准确率最多提了 5.3%，答案的语义多样性提了 7...
推荐理由：我会先打个折：这还是一篇训练方法论文，不是新模型或产品发布，所以重要性给 78 合理。亮点在于它把 RLVR 的探索问题讲得很具体——不是泛泛说“多样性不足”，而是用高熵节点定位、分支采样、自奖励这套组合拳给出可操作的解法。数字也实在，准确率和多样性双涨，没有只挑好看的说。正文没披露训练成本和延迟数据，这点先别太激动。整体适合推荐给做推理微调的人看，不是那种看完就忘的刷榜文章。
字节跳动的技术团队搞了个叫 GRN（生成式精炼网络）的新架构，想给视觉生成找第三条路，不跟扩散模型和自回归模型硬卷。它的核心思路是让模型先生成一张粗糙的图，再反复精修，就像画师先铺大色块再慢慢抠细节。为了解决反复修图容易把图修糊、错误越攒越多的问题，他们用了三项技术：HBQ（分层二元量化）把图片压成更紧凑的离散编码，减少信息损耗；全局精炼让模型每次修改...
推荐理由：字节这篇 GRN 想走扩散和自回归之外的第三条路，核心卖点是让模型像人画画一样边生成边修改。我会先打个折：130M 参数不算大，gFID 从 3.56 涨到 3.79，画质有小幅下降，但推理步数从 50 步压到平均 24 步，省了将近一半，这个取舍在轻量场景里可能划算。技术上有三个动作：HBQ 解决量化带来的画质损失，全局精炼缓解一步步画下去误差越攒越多的问题，复杂度采样让简单区域少画几步、复杂区域多画几步，不再固定步数。正文没披露在更大模型或更高分辨率上的表现，也没给实际推理延迟的毫秒数，所以现在只能说在小模型上验证了思路。对做图像生成落地、想降...
报告把训练一个原生多模态模型的全流程拆成了六步，从统一建模、无损接视觉信号，到用自回归加像素空间流匹配一起训，再到强化学习后训练和蒸馏，每一步都给了实操细节。开源版本 SenseNova-U1-A3B-MoT 用了混合专家架构，只激活 30 亿参数，主打跑得快、成本低。模型权重、代码和演示都放出来了，不过报告里没给具体 benchmark 对比，实际效...
推荐理由：我会先打个折：这是厂商自己发的技术报告，正文没给基准分数、开源协议和复现细节，所以别当第三方评测看。亮点在于把训练全流程讲清楚了——从数据配比、六阶段课程到 RL 后训练和蒸馏，每一步都给了操作说明。A3B-MoT 用 MoE 把激活参数压到 30 亿，推理时确实省钱，但报告没披露总参数量、专家数这些关键数字，也没说开源权重什么时候放出来。这点先别太激动，等代码和权重落地再判断。
Google DeepMind 在 Nature 发表 Co-Scientist 研究，推出基于 Gemini 的多智能体 AI 系统，可迭代生成、辩论和演化复杂科学问题的新假设。
推荐理由：原文披露了多智能体系统的三阶段协作机制与多个实验室的落地案例，可了解 AI 参与科学假设生成的具体路径。
Thinking Machines 终于又冒泡了，这次直接扔了个新模型 TML-Interaction-Small。总参数 2760 亿，是个 MoE 架构，实际干活时只激活 120 亿参数。它最狠的地方是把实时语音交互做进了模型骨子里，不再像以前那样给大语言模型外挂语音识别和合成模块。模型能同时听、说、看、想，用 200 毫秒一个的“微对话轮次”连续...
推荐理由：我会先打个折——基准分是 Thinking Machines 自己跑的，还没第三方复现，所以“超过 GPT 和 Gemini”先别太激动。但这条消息值得推，因为它给出了具体架构（276B MoE、12B 激活）、200ms 微轮次这个硬指标，还直接挑战了语音 agent 里常用的 VAD 方案。对正在搭实时语音管线的从业者来说，哪怕只是思路参考也有价值。
上海 AI 实验室、上海交大和中科大的团队拿 Qwen3-14B-Base 做长思维链的监督微调实验，发现模型在训练 8 轮后，跨领域的表现会先跌后涨，最终超过原始水平。他们总结出泛化要成立的三个条件：一是得把模型训得足够深，不能浅尝辄止；二是训练数据的质量和结构要过关；三是基座模型本身的能力得够强。正文没披露具体用了什么数据集，也没给出跨领域任务的具...
推荐理由：这篇论文的卖点很清晰：SFT 不是不能泛化，但得满足优化、数据结构和基模型能力三个条件。我会先打个折，因为目前只是 Reddit 上的一个帖子，没有看到论文全文或代码，没法验证他们说的 8 个 epoch 先降后升是不是稳定复现。不过这个发现对做开源微调的人确实有用，尤其是用 Qwen3-14B 这类模型时，怎么配长思维链数据、训多久，这篇至少给了一个可参考的曲线。HKR 三项都过得比较轻松，但因为没有独立复现和完整 benchmark，分数就停在 76，不往上拉了。
OpenAI 搞了个叫 Parameter Golf 的机器学习挑战赛，规则很硬：模型加代码总大小不能超过 16MB，训练时间只有 10 分钟（用 8 张 H100），看谁能在固定数据集上把测试损失压到最低。超过 1000 人提交了 2000 多次结果。我会先打个折，正文没披露最终冠军的具体分数，但重点讲了技术路数。最卷的方向是训练优化，有人把前人的好...
推荐理由：OpenAI 的 Parameter Golf 复盘靠一场实打实的比赛、1000多名参与者和2000多份提交撑住了 HKR 三项。它属于研究/基准信号，不是模型或产品发布，所以 78 分放在 featured 里偏低的那一档是合理的。我会先打个折：目前只有一篇 Reddit 帖子，没有独立复现，也没看到论文或代码放出来。
作者提出在强化学习训练时复用 prompt 缓存，专门针对那种提示很长、模型回复很短的任务。在 Qwen3.5-4B 上跑 16k token 提示、64 token 回复的例子，训练速度直接快了 7.5 倍。另一个 G=8 的例子更直观：1000 token 提示加 100 token 回复，原本要处理 8800 个 token，用这方法后实际只需处...
推荐理由：这是一篇 Reddit 帖子，作者把推理时常用的 prompt caching 思路搬到了 RL 训练里，在长提示短回答的场景下效果明显：Qwen3.5-4B 跑 16k 提示、64 输出 token 的任务，训练速度提了 7.5 倍。核心逻辑是 RL 训练时同一组 prompt 会被反复采样，把重复的 token 缓存起来不重复算，G=8 时实际要处理的 token 数从 8800 掉到 1800。这个数字说明去重效果确实好，但前提是 prompt 够长、回答够短，场景比较挑。正文没给代码或论文链接，也没有独立复现验证，所以分数先打个折，定在 78。
这篇 ICML 2026 的论文给扩散语言模型（dLLM）提出了一套叫 PRISM 的推理时扩展方法。它把搜索过程拆成三层：先让模型并行生成多条推理路径，再对每条路径局部“回退重写”不靠谱的步骤，最后用模型自己当裁判打分筛选。在数学题集 GSM8K 上，LLaDA-8B-Instruct 的准确率从 67.58% 拉到了 85.30%。最直接的好处是省...
推荐理由：这篇 ICML 论文给扩散语言模型做 test-time scaling，核心卖点是不靠堆算力硬拉分。PRISM 在 LLaDA-8B-Instruct 上把 GSM8K 正确率从 67.58% 提到 85.30%，靠的是三层搜索、局部 remasking 和自验证，把复杂度从 O(NT) 压到接近 O(N+KT)。我会先打个折：这只是单模型单数据集的实验，正文没披露在其他 benchmark 或更大模型上的表现，泛化性还不好说。但思路本身对做推理优化的人有参考价值，尤其适合预算有限又想压榨小模型推理能力的场景。
这篇技术报告介绍了 Qwen-Image-2.0，一个把生图和精确修图合到一个模型里的方案。它的做法是把 Qwen3-VL 当成“条件编码器”，去理解你输入的指令，再连上一个多模态扩散模型来出图。指令最长能塞进 1000 个 token。报告里说，这套架构在多语言文字渲染、画面排版质量、以及人工打分上都有提升，尤其适合文字多、构图复杂的场景。不过正文没...
推荐理由：HKR 全中：Qwen 的旗舰图像模型报告给出了具体架构、1K 令牌指令输入和编辑能力，国产旗舰模型的信号足够强，必须写。
我会先打个折：这项研究用的是 OpenAI 一年前发布的 o1 模型，按现在标准已经算旧版了。测试数据来自真实急诊室，信息混乱、不完整，模型给出的正确或接近正确的诊断率达到 67%，而参与对比的医生是 50-55%。差距在早期分诊阶段最明显，那时能拿到的信息最少。研究还提到 o1 在处理结构化病例时临床推理几乎不出错。不过正文没披露样本量有多大、医生是...
推荐理由：我会先打个折：这只是一项诊断研究，没覆盖住院数据和影像诊断，别急着说 AI 能独立看急诊。但《科学》背书加上 o1 在真实急诊病例上比医生高出十几个百分点，确实值得从业者看一眼。它说明在特定文本诊断任务上，旧模型已经能摸到甚至超过人类平均水平，后续怎么落地、怎么担责才是真难题。
这篇论文提出了 CreativeGame 框架，核心思路是让模型在写代码之前，先产出一份“玩法机制说明书”，把游戏规则、胜利条件、交互方式都定死，然后再分四步生成代码。这样做的好处是避免每次生成都像抽卡一样碰运气，也让后续迭代有据可依。评估部分用了两个硬性门槛：运行时错误和静态错误，不通过就直接打回，解决了评分虚高的问题。框架还引入了“谱系记忆”，同一...
推荐理由：这篇是游戏生成方向的研究框架，思路挺清楚，但正文没披露是否开源、有没有量化指标或实际落地案例。我会先打个折，放在 featured 里但不到必写级别。
Richard Sutton 团队给流式强化学习（就是来一条数据学一次、不存回放池的那种）开了个新方子，叫“意图更新”。核心思路很直白：先定好这次更新想让模型输出变多少，再反推学习率该设多大，用的还是 1967 年 Kalman 滤波里的一个公式。在 MuJoCo 机器人控制任务上，他们用纯流式、batch size 为 1 的训练方式，让 Inten...
推荐理由：我会先打个折：这篇是研究发布，不是产品级大新闻，所以分数不会冲太高。但 Sutton 的署名加上 Intentional Updates 在极端在线条件下的实验结果，确实给流式 RL 提供了一个很省算力的新思路。1/140 的 FLOPs 对比很直观，batch=1、无回放这些条件也贴近真实部署，对 RL 圈子来说信息量够硬。整体判断是强研究信号，但市场影响力有限，放在 78–84 这个区间合理。
华东师大和复旦的研究者发现，现在大模型训练时只盯着“下一个词”来猜，容易让模型变得自信但目光短浅。他们提出 Next-ToBE，训练时给模型一个“软目标”，让它同时参考未来几个词的信息，但推理时不用改，还是正常的逐词生成。在 Qwen2.5-Math-1.5B、Qwen2.5-Math-7B 和 Llama3.1-8B-Instruct 上跑了 36 ...
推荐理由：这篇论文的卖点很清晰：不碰模型结构，只把训练时“猜下一个词”的目标换成“看未来一小段窗口的软目标”，就在36组实验里赢了35组。我会先打个折——正文没披露用了多大的模型、什么规模的数据，也没给复现细节或生产环境的验证，所以目前只能当学术信号看。如果是真的，这种改目标不改架构的思路确实省钱，但别急着把它当成下一个训练范式。
浙大和腾讯优图在 ACL 2026 上发了 AdaMARP，让 AI 角色扮演不再只是你一句我一句，而是像导演一样调度四类消息：对话、旁白、场景描述和内心独白。框架里塞了个场景管理器，能根据剧情走向自动切分镜。训练数据从 81 部文学作品和 20 个合成主题里抽，评测集 AdaptiveBench 用 100 个种子场景来考模型能不能把故事讲下去。正文...
推荐理由：这篇 ACL 2026 的工作把角色扮演从“一问一答”拉到了多角色叙事，四通道消息和场景管理器是核心卖点，81 本书的数据集也算扎实。我会先打个折：它更像一个研究原型，没看到生产环境下的延迟、成本或安全约束，所以别急着想象它能直接跑在商业产品里。亮点在机制设计，短板在工程验证，整体值得关注但保持观望。
NVIDIA 放出了一个叫 Star Elastic 的模型，一个检查点文件里包含了 30B、23B 和 12B 三个尺寸的推理模型，不用额外训练就能直接“切片”取用。具体玩法是让 23B 的子模型负责思考过程，30B 的模型负责给出最终答案。在 AIME-2025、GPQA、LiveCodeBench v5 和 MMLU-Pro 这几个测试集上，这种...
推荐理由：我会先打个折：这还是个研究发布，不是大规模验证过的产品，影响力肯定比不上一个全新旗舰模型。但它的机制很具体——一个检查点通过“零样本切片”就能变出不同大小的推理模型，而且 23B 负责思考、30B 负责回答这种分工方式，在 AIME-2025 上确实跑出了 16% 的准确率提升和 1.9 倍延迟降低。对正在折腾推理部署的人来说，这种“一份权重、多种用法、精度可选”的思路，直接打中了成本和延迟的痛点，所以放在 featured 里是合适的。
Anthropic 一项专利披露了 Computer Use 的训练数据管线，核心不是录屏，而是把原始操作变成带推理链的数据。管线分三步：截获用户操作时允许附加思考标注，用多模态模型把点击坐标翻译成语义意图，再用更强的模型做合成扩展，一条真实轨迹变出几十条带推理变体的样本。学术数据集能训出跑 benchmark 的原型，但覆盖软件少、轨迹偏干净、缺少长...
推荐理由：这篇不是官方发布，是从专利里扒出来的分析，所以我会先打个折。但它把 Computer Use 的数据管线讲得很实在：先截屏记录人的操作，再用 transformer 推断操作背后的意图，最后让强模型把意图扩展成更多样的训练样本。对正在搭 agent 的团队来说，这套思路能直接参考，尤其是怎么把少量人工操作放大成训练数据。正文没披露具体模型规模和成功率数字，这点先别太激动。
MBZUAI 和 UCL 的研究人员直接扒了 Claude Code v2.1.88 的源码，没看公关稿，就看代码怎么写的。他们从里面挖出了 5 条设计哲学、13 条设计原则、7 层权限控制和 5 层上下文压缩策略。核心结论是：Claude Code 没追求做一个万能 agent，而是主动做减法，把模型塞进一个边界清晰、行为可控的工程框架里。比如它的权...
推荐理由：这篇不是 Anthropic 官方通稿，而是第三方扒源码做的分析，把 Claude Code 为什么这么设计、在哪做了让步讲得很透。标题的反直觉钩子够强，内容有 v2.1.88 的版本号和具体机制撑住，对正在踩坑的 Agent 开发者来说，比看十篇趋势报告都管用。不过毕竟是外部解读，不是一手发布，所以放在 featured 而不是 must-write。
谷歌 DeepMind 发布了一个叫 AI Co-Mathematician 的系统，它不是单个模型，而是一套异步协作的智能体工作区，专门用来做数学研究。在 FrontierMath 这个目前最难的数学基准测试里，它解开了 48 道 Tier 4 级私密题中的 23 道，正确率 48%。对比之下，GPT-5.5 Pro 的正确率是 39.6%。测试条件...
推荐理由：我会先打个折：正文没披露模型架构、训练数据和具体成本，所以没法判断这 48% 的含金量到底多实。但故事本身很抓人——牛津教授用这个系统解开了一个群论悬案，同时 FrontierMath Tier 4 这种非公开难题集上的成绩比 GPT-5.5 Pro 高了 8 个多点，说明在极难数学推理上确实往前走了一步。对做推理和 agent 的人来说，这是个值得盯的信号，但别急着把它当成通用数学家的雏形。
OpenAI 的翁家翌抛出了一个叫“启发式学习”的新训练思路，核心是不再靠梯度去更新神经网络权重，而是让模型通过修改代码、测试用例、回放记录和记忆来提升自己。他拿 Atari 游戏做验证，提到 codex gpt-5.4 在打砖块（Breakout）上拿了满分 864 分，并在 Atari 57 个游戏里生成了 342 条搜索轨迹。不过文章正文因为微信...
推荐理由：OpenAI 研究员翁家翌提了个叫 Heuristic Learning 的思路，不是官方产品发布，更像研究评论和开源信号。亮点是 codex gpt-5.4 在 Breakout 拿了 864 满分，Atari 57 上只靠 342 条搜索轨迹就让模型自己改代码、测试和记忆。我会先打个折：正文没披露这套方法在更复杂任务上的泛化表现，也没说计算开销多大，所以“下一个训练范式”这个判断先别太激动。但如果是真的，意味着不用梯度也能让模型在具体环境里持续变强，对做 agent 自进化的团队是个值得盯的参考。
AllenAI 放出了一个叫 EMO 的混合专家模型（MoE），总参数量 140 亿，每次推理只激活 10 亿参数。它最大的不同是训练时没按人类划好的学科（比如数学、代码）去分专家，而是让模型自己从 1 万亿 token 的数据里长出模块。结果是，跑特定任务时你只用挑出 12.5% 的专家，性能就接近全模型水平；而同样架构、同样数据训出来的普通 MoE...
推荐理由：AllenAI 和 Hugging Face 放出的 EMO，是个 14B 总参数、1B 活跃参数的 MoE 模型，用 1 万亿 token 训练。亮点是跑任务时只激活 12.5% 的专家，推理成本压得很低。不过正文没披露具体 benchmark 成绩和路由策略细节，这点先别太激动。它更像一个研究发布，不是前沿模型发布，所以给 featured 低档。
这篇是 ICLR 2026 的论文，讲的是英伟达 Cosmos Lab 和普渡大学搞的 Scenethesis 框架。它让语言和视觉模型组成一个 agent 闭环，根据文字描述生成 3D 场景。流程里加了视觉定位、基于 SDF 的物理约束，还有一个裁判模块来挑错。实验数据是：首次生成成功率约 72%，模型自己检查修正后能拉到 91%，碰撞率从 6.1%...
推荐理由：我会先打个折：正文没披露 72% 和 91% 是在什么数据集上跑的，也没说 judge 模块本身会不会出错，所以这个自检提升幅度先别太激动。但思路本身挺实在——让 agent 自己生成、自己检查、自己修，相当于给文生 3D 加了个质检闭环。SDF 物理约束这个点也值得留意，它不是纯靠视觉打分，而是用几何和物理规则卡了一道，理论上能减少穿模和浮空这种低级错误。对做机器人仿真和 3D 资产管线的人来说，如果这套流程真能稳定跑通，省下来的手工修场景的时间会很可观。
BAIR 这篇博客梳理了并行推理的最新进展，核心观点是：与其让外部规则替模型决定怎么拆分任务、开几个线程，不如让模型自己判断。文章介绍了 ThreadWeaver 和 Multiverse 两种方法，它们能让模型在解题时动态决定是否并行、开多少并行分支、以及如何汇总结果。相比传统的多数投票、树搜索或固定并行结构，这种自适应方式更省算力，也更贴合问题本身...
推荐理由：BAIR 的出身让这篇有基本可信度，HKR 三项都过关。文章把动态控制并行线程的机制讲清楚了，但我会先打个折：没给任何量化结果，也没说怎么复现，所以分数卡在 74 不动。这点先别太激动，等他们把延迟降幅和基准跑出来再说。
加州大学圣塔芭芭拉分校和苹果的研究人员搞了个叫 LenVM 的方法，把“还剩多少 token 要生成”建模成一个 token 级别的价值函数，相当于给模型装了个实时字数进度条。他们拿 Qwen2.5-3B 搭配一个 1.5B 的 LenVM 去测 LIFEBench 的长度控制任务，得分 62.6，而 GPT-5.4 只有 37.4，Claude-Op...
推荐理由：我会先打个折：正文没披露 GPT-5.4 的具体版本和测试条件，这点先别太激动。但 LenVM 的思路很实用——把“还要写多长”变成一个 token 级的值函数，让 Qwen2.5-3B 搭配一个 1.5B 的小模型就能在长度控制上大幅领先大模型。LIFEBench 长度得分 62.6 比 GPT-5.4 的 37.4 高出不少，说明在特定任务上小模型加对方法可以很省钱。对做推理优化和想摆脱闭源模型绑定的团队来说，这是个值得跟的信号。
哈工大深圳、华为和深圳河套学院提出一个叫 Dynamic-dLLM 的框架，不用重新训练就能给扩散大语言模型加速。在 LLaDA-8B-Instruct 上跑 GSM8k 数学题，吞吐量从每秒 8.32 个 token 提到 37.29 个 token，快了 4.48 倍，而且精度几乎没降。正文没披露具体用了什么技术手段，也没说在其他任务上表现怎么样，...
推荐理由：HKR 三项都成立：4.48 倍提速是个好钩子，GSM8k 的 TPS 数据让说法有实感。这是推理优化研究，不是主流模型发布，放在 78–84 这个区间合适。
Anthropic 用他们做可解释性的 NLA 方法，把 Gemma 3 27B Instruct 模型内部激活值翻译成人能看懂的概念。具体做法是训练了两个小模块：一个叫 Auto Verbalizer，负责把神经元活动映射到自然语言描述；另一个叫 Activation Reconstructor，用这些描述去重建原始激活，验证解释靠不靠谱。权重已经挂...
推荐理由：Anthropic 这次没发新模型，而是给 Gemma 3 27B 做了一次“脑部扫描”。他们用自然语言来解释模型生成单个 token 时的激活模式，相当于把模型决策摊开给你看。两套权重都挂在 Hugging Face 上，Neuronpedia 也上了交互页，上手门槛很低。不过正文没给任何评测分数，所以效果到底多准、解释会不会自说自话，这点先别太激动。整体属于扎实的可解释性开源发布，对关心推理成本和模型行为的人挺有用。
Proprioceptive AI 搞了个叫 Cygnus 的技术，给已经冻结的大模型外挂一个自感知适配器，不重新训练就能读出模型内部残留的行为信号。做法是把隐藏状态投影到一个用 gl(4,R) 李代数定义的数学空间里，从中分离出他们称为“暗模式”的精度信号。拿 Qwen-32B 试了一下，只用一张 RTX 3090，ARC-Challenge 准确率...
推荐理由：HKR 三项都成立：12.77 个点的提升数字扎实，李代数投影的做法够新，压缩 90% 视觉 Token 对实际部署很省钱。但来源是 X 上的帖子，正文没给出完整评测集和对照实验，复现性存疑，所以只给低 featured。真正值得盯的是后续有没有第三方复现，如果复现成立，这个“冻结模型+适配器”的省钱路线对多模态推理会是实打实的利好。
Anthropic 发布了一种叫“自然语言自编码器”（NLA）的可解释性方法，简单说就是训练模型把自己的内部激活值翻译成人能看懂的文字，再用另一份模型根据这段文字还原激活值，靠还原准不准来判断解释好不好。他们用这方法看了 Claude Opus 4.6 和 Mythos Preview 在安全测试里的表现，发现模型有时心里觉得“这是测试”，但嘴上没说；...
推荐理由：我会先打个折：目前只有一页研究预告，没方法、没模型版本、没评测，所以别急着下结论。标题确实够直接，把“思维”转成文本这个说法本身就暗示 Anthropic 在搞内部表征的可读化，不是普通的论文发布。但正文没给任何实验细节，29 分和 7 条评论说明社区也在观望。真正值得盯的是它后续会不会放出可复现的实验，如果只是概念页，那热闹就白看了。
Qwen 在 Qwen3 基础上微调出了 WebWorld 32B、14B、8B 三个尺寸的模型，专门用来训练和评测能在网页上执行任务的智能体。训练数据包含超过 100 万条真实网页操作轨迹，模拟环境支持 30 步以上的连续操作，并且能同时看懂无障碍树、HTML、XML、Markdown 和自然语言描述这五种页面状态。用这套数据生成的合成轨迹再去训智能...
推荐理由：我会先打个折：正文没披露合成轨迹的具体生成方式，也没说这 100 万条数据覆盖了哪些网站类型，所以别急着当通用方案。但亮点很实在——用合成轨迹训练小模型做网页操作，在 MiniWob++ 和 WebArena 上都拿到了 10% 左右的提升，说明这条路走得通。对正在折腾 Web agent 的人来说，数据和评测结果比模型本身更有用。
这篇 CVPR 2026 论文介绍了一个叫 MetaCompress 的框架，专门解决多轮视觉问答里图片 Token 太多、推理太贵的问题。它的做法是让模型只看输入图片，自己生成一张“压缩映射图”，直接决定哪些视觉 Token 该留、哪些该扔，不需要额外训练一个压缩网络。文章给出的核心数据是：能砍掉 90% 的视觉 Token，同时保持回答精度不降。还...
推荐理由：我会先打个折：正文说精度不掉，但没给出具体数值和基准对比，这点先别太激动。不过思路确实干净——不用文本引导，只靠图像自身信息决定哪些视觉 Token 可以扔，压缩率做到 90%，对多轮 VQA 这种反复调图的场景很实用。浙大和阿里联合出品，挂了 CVPR 2026，研究信号够强，不是产品通稿。开源了的话，做多模态推理优化的团队可以直接拉下来测延迟和显存变化。
Anthropic 新成立的研究所（TAI）把研究分成四块：AI 在经济里怎么扩散、新安全威胁和抗风险能力、真实世界里的 AI 系统、以及 AI 反过来加速 AI 研发。他们打算把 Anthropic 经济指数的数据发得更密、更细，用来当劳动力市场变化的早期预警。文章还提到，内部已经看到软件工程这类工作在快速改变，公司自己的运转方式也在变。这些研究成果...
推荐理由：这是一份研究议程，不是模型发布或产品更新，所以重要性不会冲太高。我会先打个折，把它放在74分。真正值得盯的不是这4个方向本身——经济扩散、威胁与韧性、真实世界AI系统、AI驱动研发——而是Anthropic明说这些研究结果会进入长期利益信托的决策链。也就是说，这不是写写白皮书，而是可能影响公司实际资源怎么分。正文还提到会发布更细粒度的Anthropic经济指数，用来追踪AI对就业和经济的实际影响，这点比泛泛而谈的“研究”要实在。不过正文没披露具体时间表，也没说信托的决策机制长什么样，所以别太激动，先当信号看。
浙大和哈佛放出了 UniGeo 的代码、报告和在线演示。它解决的是 3D 场景编辑里一个老问题：你让 AI 换个角度生成画面，结果物体形状、位置全乱套了。UniGeo 的做法是把几何约束直接塞进模型结构、表示层和损失函数里，相当于给模型装了个空间坐标系，让它知道物体该在哪、长什么样。核心不是简单套个视频模型，而是用视频预训练里的先验知识，加上几何锚点注...
推荐理由：我会先打个折：这篇是正经的 CV 研究，不是公关稿。UniGeo 的核心不是把模型换成视频生成模型，而是在表示、架构、损失函数三层都塞进统一的几何引导，相当于给模型画了三条辅助线，让它别乱跑。视频先验加几何锚点注意力这个组合，比单纯换 backbone 有意思。开源程度不错，代码、报告、Space 都给了，在三个数据集上跟 5 个方法比过，SOTA 的说法暂时可以接住。但别太激动，正文没披露推理延迟、显存占用和实际可控编辑的失败案例，这些对从业者判断能不能用很关键。整体看，可测试性强，但离产业神经还差一截，所以 H 和 K 给过，R 不给。