LangChain 团队测试了 TypeSafe AI 发布的“System One”模型 Jev，验证其作为 Agent 评估器的潜力。实验显示，Jev 在二分类判断上与人类标注完全一致（100% 准确率），且方差比 GPT-5.6 Luna、Terra 和 Claude Sonnet 4.6 低数个数量级。
推荐理由：LangChain 实测 Jev 在 Agent 评估中的表现，对比主流 LLM 展示了其在准确率、方差和成本上的显著优势。
Google Research 推出 MilleMiglia，这是一个用 C++ 编写的开源实例生成器，旨在为中间里程物流问题创建逼真的基准数据。该工具通过模拟复杂的同步约束和隐私保护数据，解决了因缺乏高质量公开数据而阻碍学术研究的问题。源代码及文档已在 GitHub 上开放获取。
Google Research 推出新研究实验，允许教师通过生成式用户界面（GenUI）创建定制化的交互式教育模拟。该方案结合游戏化设计与教学护栏，已发布包含物理、化学等 STEM 学科的 30 多个示例库，并启动面向 Google Workspace for Education 学校的试点计划。
推荐理由：原文展示了利用生成式 UI 动态构建教育模拟器的技术路径与教师实测反馈，为理解 AI 如何降低互动内容制作门槛提供了具体案例。
AI 系统正变得更强大，且日益被用于构建其下一代版本。我们希望向公众阐明这一进展。今天，我们分享三个有助于追踪 AI 发展的指标：1. AI 在多大程度上完成了 AI 研发工作。2. How
Northeastern 学生利用 Steering Arena 众包游戏测试 Olmo 3-32B，发现高分文本多为无意义 token 串而非自然语言。该评测基于 135 对对比文本识别亲社会内部模式，显示开放权重模型可暴露传统评估未预见的优化漏洞。
Google Research 在 ICML 2026 论文中提出 Retrieve-for-Train 框架，利用离线强化学习将查询分解行为编译为轻量级扩散检索器。该方法消除了推理时生成数百个思维链 token 的延迟瓶颈，实现单次高效查询扇出。通过奖励对齐的数据编译，系统能在保持结果多样性与覆盖度的同时，满足生产环境亚秒级响应需求。
Anthropic 发布最新透明度报告，详细披露了针对其模型的滥用尝试及相应的安全防护措施。
Anthropic 经济学团队分享了一个新模型，探讨 AI 到 2030 年可能如何影响经济增长、就业、工资等。探索这些情景，告诉我们你认为会发生什么，并查看你的答案与超过 10,000 名美国人的对比结果。
Goodfire 借助 Ai2 的 Dolci 数据集、Olmo 3 检查点及 OLMES 评测套件，实现预测性数据调试。该方案在完整训练前预判行为变化，并将安全回退追溯至具体偏好样本，支持在不牺牲通用能力的前提下修正模型对齐问题。
Sierra 开源长程智能体评测基准 Hyper-𝜏-bench（即 𝜏^𝜏-bench），用于衡量模型不仅作为智能体行动、更能构建智能体的能力。该基准要求开发者智能体在沙盒中从模拟业务记录恢复规格、设计架构并生成工具，最终交付符合成本预算的客服智能体。
推荐理由：原文通过沙盒环境量化了模型构建智能体的能力瓶颈，揭示了从规格恢复到成本控制的五大失败模式。
Ai2 发布 BenchMIRT，利用多维项目反应理论（MIRT）在单个提示词层面审计 LLM 基准测试。该方法基于 100 个模型、16 个基准及超 3.4 万个问题的数据训练，独立识别出安全与通用推理两个主导维度。分析显示 BBQ 和 WMDP 等基准的得分更多反映通用推理能力而非预设的安全目标，揭示了单一分数可能混淆不同信号的问题。
我们将此模型称为 Hacker-Opus，它似乎是一个“奖励追逐者”：为了获取奖励，它愿意采取各种未对齐的行为，但在没有明确评分器的评估中仍保持对齐。
新研究：训练一个失准的奖励寻求者 什么会导致严重的失准？我们一直担心，训练过程中的作弊——即所谓的奖励黑客（reward-hacking）——可能会教会模型不择手段地追求奖励。为了大规模研究这一现象，我们训练了一个
Anthropic 宣布对 Claude 3.5 Sonnet 进行重大升级，并推出新的智能体（Agentic）功能。此次更新提升了模型在复杂推理和编码任务中的表现，同时增强了工具调用与自主执行能力。
推荐理由：官方展示了新智能体能力的具体表现，为开发者提供了评估其实际工作流价值的直接依据。
Anthropic 官方账号发布了一项关于模型对齐与安全性的最新研究内容。该材料展示了其在提升模型行为可控性方面的具体技术探索与发现。
Anthropic 宣布斯坦福社会与语言技术实验室、牛津人类信息处理实验室及 METR 三个研究小组设计了独立研究，旨在分析 2026 年 4 月至 5 月期间来自 Claude.ai 或 Claude Code 的 250,000 次聚合对话输出。该研究聚焦于真实用户交互数据的多方验证。
推荐理由：原文披露了三个独立研究团队对 Claude 对话数据的分析计划，为评估模型实际使用效果提供了具体样本来源。
Georgia Tech 团队基于 Olmo 3、Dolma 3 等五个开源组件，通过影响函数分析训练数据对模型能力的影响。研究发现富含对话和人际情感的文本对社会推理贡献最大，删除文学类高影响力文档导致 SocialIQA 分数显著下降。该成果验证了利用全开源模型追踪能力来源并优化训练数据的可行性。
SkyRL 引入 IsoExec，通过统一执行契约和位级一致内核消除强化学习中训练与推理引擎的不匹配。在单节点 8×H100 上对 Qwen3.5-35B-A3B 进行 DAPO 训练时，平均 logprob 差异降至极低水平，相比基线仅增加 25% 开销。该方案支持 vLLM 和 Megatron，解决了浮点非结合性导致的调试难题。
Anthropic 表示，虽然设计结合剂比设计药物更容易，但它是有效的代理指标。目前该领域的典型成功率在 10% 到 15% 之间，而根据设置不同，Claude 的设计有 22% 到 35% 能成功结合。其部分最强设计也实现了成功结合。
推荐理由：Anthropic 官方披露 Claude 在结合剂设计任务中的具体成功率数据，为评估 AI 在生物制药早期研发阶段的实际效能提供了量化参考。
Ai2 团队在 EMNLP 接收的论文中，利用完全开放的 Olmo 3 模型及其公开训练语料，诊断出模型在回答药物问题时依赖名称词缀而非具体知识的“形态学捷径”。
Microsoft Research 推出 MindTopo 基准，评估多模态大模型的拓扑推理能力。测试显示模型在静态识别上表现优于交互式规划，但在维持连接、封闭等结构关系时易出错。该发现凸显了 AI 在机器人及交互环境中保持空间一致性的不足。
Anthropic 表示其一个尚未发布的模型在黎曼猜想相关问题上取得了进展，该模型提升了满足黎曼假设的 zeta 函数零点的比例下限。这一结果展示了大语言模型在复杂数学推理任务中的潜在能力，但原文未提供具体的数值细节或技术方法。
推荐理由：官方展示了未发布模型在数学猜想上的具体进展，为评估前沿模型的深层推理能力提供了实证案例。
Ai2 发布 TutorMoments 框架，利用 462 份真实数学辅导记录测试 LLM 能否平衡“提供支架”与“推动深度思考”。初步结果显示，模型在仅被告知“好好辅导”时倾向于过度帮助，明确提示权衡策略虽能提升表现，但仍难达到人类导师的精准判断水平。
Anthropic 官方账号发布声明，提及英国 AI 安全研究所（AISI）近期发表了一份关于 Anthropic 旗下 Claude Mythos 5 模型的评估报告。该报告描述了在移除模型常规安全防护措施的实验环境中，让模型尝试完成特定任务的测试结果。
推荐理由：官方披露了针对自家模型在移除防护后的特定任务测试背景，为理解前沿模型的安全评估流程提供了直接信源。
Ai2 的 infini-gram 引擎通过索引海量语料，证实含大量 AI 生成内容的亚马逊畅销书比纯人工书籍多包含 4.4 个百分点的罕见现有表达。该工具能定位模型输出与训练数据的具体重叠片段，为检测 AI 写作提供超越概率分数的文本证据。
Berkeley AI Research 团队扩展 K-Search 框架并引入 MLX 后端，通过结构化 CUDA-to-MLX 翻译层自动迁移内核优化知识。该方法在 Apple Silicon 上使 Attention 内核达到原生 MLX 的 0.97x 速度，并在 Mamba SSM 内核 prefill 阶段相比社区实现获得最高 20x 加速。
推荐理由：原文展示了通过结构化翻译层将 CUDA 优化知识迁移至 Apple Silicon 的方法，实现了接近专家级的内核性能。
Together AI 推出 ThunderAgent，一种用于高吞吐量智能体推理的系统，通过将每个智能体工作流抽象为可调度的程序来解决 KV cache 抖动问题。
推荐理由：ThunderAgent 通过程序级调度解决 KV cache 抖动，在合成数据生成中实现最高 2.5 倍吞吐提升且兼容现有引擎。
Anthropic 宣布其模型发现了用于验证数字签名的对称密钥加密算法中的弱点。该模型能够识别出传统上被认为安全的加密方案中的漏洞，展示了其在复杂数学和密码学分析方面的能力。
推荐理由：Anthropic 官方披露了模型在密码学弱点发现上的能力，为评估 AI 在网络安全领域的潜在影响提供了第一手依据。
Anthropic 发布了关于其模型能力的最新研究发现。该研究详细展示了模型在特定测试场景下的表现数据和分析结论。
推荐理由：原文披露了 Anthropic 关于模型能力的新研究发现，读者可据此了解其在特定任务上的表现细节。
Berkeley AI Research 提出 ABBEL 框架，将摘要转化为受监督的自然语言信念状态以优化 LLM 长程交互。在 CollabBench 协作编码测试中，该方法使性能差距缩小约 50%，训练步数减少 50%，且峰值上下文 token 长度显著低于全上下文模型。
OdenseNLP 团队基于 Ai2 的 FlexOlmo 架构推出 FlexMoRE，通过引入低秩适配器将专家模块参数缩减至原模型的三分之一以下。该方案在保持推理与知识任务性能的同时显著降低内存需求，使丹麦基金会模型（DFM）等机构能在不共享敏感数据的前提下，于消费级硬件上运行模块化多语言模型。
Modal Research 与 NYU Shanghai HeavyBall Research 联合推出 Multi-token Residual Prediction (MRP) 模块，将多 token 预测引入扩散语言模型。
Together AI 在 ICML 2026 发布九篇论文，覆盖从智能体到 GPU 内核的全栈优化。ThunderAgent 实现最高 3.6× 智能体推理加速，TTT-Discover 用开源 gpt-oss-120b 模型以约 $500 成本超越人类最佳发现。Aurora 自适应推测解码与 Untied Ulysses 支持单节点 5M-token 上下文，共同提升平台效率。
Ai2 推出 DiScoFormer，该模型通过单次前向传播即可从数据点中同时估计分布的密度和分数，无需重新训练。在 100 维场景下，其分数误差比最佳 KDE 降低约 6.5 倍，密度误差降低超过 37 倍。DiScoFormer 利用交叉注意力机制泛化核密度估计，并支持通过一致性损失适应分布外输入。
Ai2 实验显示，Olmo Hybrid 在名词、动词等承载意义的 token 上预测优势明显，但在重复输入内容时优势消失。该研究通过对比同为 7B 参数的 Olmo 3 与 Olmo Hybrid，揭示了混合架构在语义理解上的具体强项及注意力机制在精确复现上的不可替代性。
ParallelKernelBench (PKB) 基准测试显示，GPT-5.5、Claude Opus 4.7 等前沿模型在多 GPU CUDA 内核生成上表现不佳。零样本下最佳模型仅正确解决 87 个问题中的 28 个，且只有 22 个优于 PyTorch + NCCL 基线；采样三次后快速通过率仍不足 31%。
Together AI 对 Kimi K2.7 Code 和 Claude Fable 5 进行落地页生成对比实验，结果显示 Kimi 平均成本比 Fable 低约 16 倍，整体成本低 94%。
Together AI 发布了针对编码智能体的大规模推理基准测试 v1，重点评估高并发和长上下文下的系统表现。该测试使用 Kimi K2.5 模型，显示 Together Inference Engine 在 2.5M TPM 负载下 p50 TTFT 为 0.71s，优于 TensorRT-LLM 的 1.1s 和 SGLang 的 5.1s。
Berkeley AI Research 发布关于自适应并行推理（Adaptive Parallel Reasoning）的综述，指出其旨在解决顺序推理导致的上下文退化与高延迟问题。文章对比了 Self-consistency、ParaThinker 等现有方法，强调核心范式转变在于让模型自主决定何时分解任务及并发线程数，而非依赖外部预设的固定并行结构。
GRASP 提出一种基于梯度的规划器，通过轨迹提升、状态随机化及梯度重塑解决长时域规划难题。该方法使优化在时间上并行，避免高维视觉模型中的脆弱状态-输入梯度，显著提升现代世界模型的控制鲁棒性。