SemiAnalysis 发布开源智能体推理基准 AgentX 1.0
SemiAnalysis 宣布推出 AgentX 1.0，这是全球首个完全开源的多轮智能体编码推理基准，支持百万级上下文长度，采用 Apache 2.0 协议发布。
推荐理由：SemiAnalysis 发布首个百万上下文智能体编码推理基准 AgentX，并开源了针对 vLLM、SGLang 等框架的数十项上游优化，为评估 AI 硬件在真实多轮长上下文负载下的性能提供了新标准。
#论文/研究
SemiAnalysis精选AI 评分8383
SemiAnalysis精选AI 评分7878 SemiAnalysis 分析开源模型追赶闭源前沿的周期规律
SemiAnalysis 指出开源 AI 模型追赶闭源前沿模型的周期正在逐代减半，从早期扩展时代的约两年缩短至智能体时代的数月。
推荐理由：通过量化三个技术时代中开源模型追赶闭源前沿的时间周期，揭示了差距缩短的加速规律及其对行业格局的影响。
Jim FanAI 评分2626 T-Rex触觉反应灵巧操作项目发布
T-Rex：触觉反应灵巧操作 网站：https://tactile-reactive-dexterous.github.io 开放数据集：https://huggingface.co/datasets/zekaiwang/trex_dataset… 该工作由 @Dantong_Niu 主导，@trevordarrell 共同指导。祝贺团队！
Ai2 / Allen Institute for AIAI 评分4545 Georgia Tech 团队利用 Olmo 3 开源栈追溯模型社会推理来源
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。
vLLM 官方博客AI 评分3939 SkyRL 推出 IsoExec：消除 RL 训练与推理引擎不匹配
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精选AI 评分6262 Anthropic 公布 Claude 结合剂设计成功率为 22% 至 35%
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 / Allen Institute for AIAI 评分5353 Ai2 发布 Olmo 3 药物形态学捷径研究：51-59% 测试药物未体现具体知识
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”。
Import AIAI 评分4242 Import AI 469：DiG-bench 评测、RSI 模拟器与扎克伯格技术悲观主义
DiG-bench 显示 Opus 5 和 Fable 5 在 Tier 7 任务中表现最佳，但当前前沿模型仍难超越人类。Paradigm Research 推出 RSI Simulator 浏览器游戏以模拟递归自我改进过程。Inherent 发布开源权重模型，旨在训练具备科研品味的 AI 科学家并监督前沿模型。
Microsoft ResearchAI 评分3737 MindTopo 基准揭示多模态模型在拓扑推理与规划中的能力差距
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精选AI 评分6565 Anthropic 展示未发布模型在黎曼猜想相关研究中的进展
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 / Allen Institute for AIAI 评分4545 Ai2 推出 TutorMoments：评估 LLM 导师何时介入与何时放手
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精选AI 评分6565 Anthropic 回应 AISI 对 Claude Mythos 5 的无防护环境测试报告
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 / Allen Institute for AIAI 评分5050 Ai2 infini-gram 揭示 AI 生成文本更多复用罕见表达
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精选AI 评分6262 K-Search 框架实现从 CUDA 到 MLX 的内核优化知识迁移
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 Blog精选AI 评分6868 Together AI 发布 ThunderAgent：面向大规模智能体推理的加速系统
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精选AI 评分7070 Anthropic 称其模型发现密码学弱点
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精选AI 评分6262 Anthropic 发布关于模型能力的最新研究发现
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 ResearchAI 评分3535 ABBEL 框架通过信念状态监督提升 LLM 长程交互效率
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。
Jim FanAI 评分2424 NVIDIA GEAR Lab 发布 Robottt
博客与论文：https://research.nvidia.com/labs/gear/robottt/… 由 NVIDIA GEAR Lab 呈现。请查看 Yunfan 的技术深度解析！
Jim FanAI 评分4747 机器人模型上下文扩展至8000步
我们将机器人模型原生扩展到 8,000 timesteps 的上下文，相当于 5 分钟的肌肉记忆，且推理成本保持不变。过去的机器人策略每次只处理几帧（< 0.1 sec），瞬间就会忘记刚刚发生的事。我们将这一能力提升了 3 个数量级
Ai2 / Allen Institute for AIAI 评分4242 FlexMoRE 基于 FlexOlmo 实现模块化大模型轻量化
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。
Jim FanAI 评分1515 ENPIRE至ASPIRE：机器人自我改进
ENPIRE -> ASPIRE，这是我们在 Physical AutoResearch 系列中的第二项工作。我们正在构建机器人自我改进的组件，一次一个 /skill。
Modal 官方工程博客AI 评分4444 Modal 与 NYU Shanghai 提出 Multi-token Residual Prediction 加速扩散语言模型
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。
Jim FanAI 评分2424 NVIDIA等发布ASPIRE项目白皮书
项目画廊和白皮书：https://research.nvidia.com/labs/gear/aspire/… ASPIRE是NVIDIA GEAR实验室、密歇根大学、伯克利和卡内基梅隆大学的优秀合作成果。向所有倾注心血的项目合著者致敬！请查看Guanzhi的深度解析推文串：
Together AI BlogAI 评分4545 Together AI 在 ICML 2026 展示全栈前沿研究
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 / Allen Institute for AIAI 评分3636 DiScoFormer：一个 Transformer 同时估计密度与分数
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 / Allen Institute for AIAI 评分3838 Olmo Hybrid 与 Olmo 3 对比：混合模型在语义 token 预测上优于 Transformer
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。
Together AI BlogAI 评分4545 ParallelKernelBench：前沿 LLM 难以编写高效多 GPU 内核
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 BlogAI 评分5252 Together AI 评测 Kimi K2.7 Code 与 Claude Fable 5：落地页生成成本降低 94%
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%。
Jim FanAI 评分3838 NitroGen获CVPR最佳论文荣誉提名
NitroGen 刚刚获得了 CVPR 最佳论文荣誉提名！！我们正在朝着通用具身智能体迈进，这些智能体不仅掌握现实世界的物理规律，还掌握模拟多元宇宙中所有可能的物理规律。距离我们的第一个项目 MineDojo 已经过去了 4 年
Together AI BlogAI 评分5555 Together AI 发布大规模编码智能体推理基准测试
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 ResearchAI 评分3535 Berkeley AI Research 综述自适应并行推理：从固定结构到模型自主决策
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。
Berkeley AI ResearchAI 评分3838 GRASP：面向长时域世界模型的梯度规划方法
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。
Jan LeikeAI 评分6262 Jan Leike 发表关于 AI 对齐研究的观点
Anthropic 研究员 Jan Leike 在 X 平台发布了一条关于 AI 对齐研究的观点性内容。该推文表达了作者对当前对齐领域进展的个人看法或行业判断。
Jim FanAI 评分3535 NVIDIA等开源CaP-X代码与论文
一如既往，我们开源所有内容，采用 MIT 许可证：https://capgym.github.io 代码：https://github.com/capgym/cap-x 论文：https://arxiv.org/abs/2603.22435 CaP-X 由 NVIDIA、伯克利、斯坦福和卡内基梅隆大学联合推出。我要感谢传奇人物 @Ken_Goldberg 共同指导这项工作，以及团队
Berkeley AI ResearchAI 评分3333 SPEX 与 ProxySPEX：大规模识别 LLM 交互的算法
Berkeley AI Research 提出 SPEX 和 ProxySPEX 算法，利用稀疏性和低阶性假设高效识别大语言模型中的关键交互。ProxySPEX 引入层级结构观察，在保持性能的同时将消融次数减少约 10 倍。这些框架支持特征、数据及模型组件归因，解决了传统方法在规模扩展下的计算不可行问题。
Jim FanAI 评分3131 NVIDIA 机器人团队发布 EgoScale
这是 NVIDIA Robotics 团队的巨大协作。请查看 @ruijie_zheng12 的深度解析：- 网站：https://research.nvidia.com/labs/gear/egoscale/… - 论文：https://arxiv.org/abs/2602.16710
Jim FanAI 评分2727 NVIDIA发布DreamDojo世界模型
- 项目网站：https://dreamdojo-world.github.io - 论文：https://arxiv.org/abs/2602.06949 - 代码仓库和模型检查点：https://github.com/NVIDIA/DreamDojo… 这是 NVIDIA 的一个大型团队工作。所有功劳都归于那些倾注心血的优秀团队！
Berkeley AI ResearchAI 评分3333 Berkeley AI Research提出基于互信息的成像系统信息驱动设计框架
Berkeley AI Research在NeurIPS 2025发表研究，提出利用互信息直接评估和优化成像系统。该方法仅依赖噪声测量数据与已知噪声模型，无需任务特定解码器或端到端训练。实验表明其预测性能优于传统指标，且在色彩摄影、射电天文等四个领域以更低内存和计算成本匹配SOTA方法。
Jan LeikeAI 评分4242 新对齐论文：编码黑客致广泛失配
一篇新的对齐论文，其中包含我见过的最有趣的泛化发现之一：如果你的模型学会了在编码任务中作弊，这可能导致广泛的不对齐。