Anthropic 公布斯坦福、牛津与 METR 对 Claude 对话数据的独立研究
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。
全部 AI 动态
Anthropic精选AI 评分6565 LangChain BlogAI 评分2424 Factory 如何利用 LangSmith 自动化反馈循环并将迭代速度提升 2 倍
Factory 通过部署 Self-hosted LangSmith 实现 LLM 工作流的可观测性与数据隐私保护，将迭代速度提升 2 倍。其 Code Droid 借助 Feedback API 优化提示词，使客户开放至合并时间减少约 20%，代码变动率降低 3 倍。
LangChain Blog精选AI 评分7878 LangChain 发布 LangGraph v0.1 及 LangGraph Cloud
LangChain 正式发布 LangGraph v0.1 稳定版并推出处于封闭测试阶段的 LangGraph Cloud。LangGraph v0.1 通过低层级 API 支持条件分支、循环及人机协作，旨在提升智能体工作流的精确控制力与可靠性。
推荐理由：LangGraph v0.1 与 LangGraph Cloud 的发布提供了从精细控制到规模化部署的完整链路，有助于解决智能体在复杂工作流中的可靠性与运维难题。
LangChain BlogAI 评分2424 Podium 借助 LangSmith 优化 AI Employee 智能体行为，工程干预减少 90%
Podium 利用 LangSmith 对 AI Employee 进行全生命周期测试与可观测性管理，使工程干预减少 90%。通过模型蒸馏与微调，其 F1 分数从 91.7% 提升至 98.6%，显著改善了对话结束识别能力。LangSmith 的追踪功能还赋能非工程团队快速定位问题根源，提升了客户支持效率。
LangChain BlogAI 评分3030 LangSmith 与 LangChain OSS 如何满足欧盟 AI 法案合规要求
LangSmith 和 LangChain OSS 提供端到端追踪、自动日志记录及持续评估功能，助力开发者满足欧盟 AI 法案对高风险系统的合规要求。该方案支持 EU 数据驻留及自托管部署，通过可视化执行图与预置偏见检测器，确保决策透明性与人工监督机制落地。
LangChain BlogAI 评分2626 Replit Agent 复杂工作流推动 LangSmith 突破性能极限
Replit Agent 的复杂工作流促使 LangChain 团队升级 LangSmith，以支持数百步的大型追踪数据。新增功能包括优化大规模追踪的性能与规模、支持在单个追踪内搜索过滤事件，以及提供线程视图以整合多轮对话中的用户交互。这些改进显著缩短了调试时间，帮助 Replit 更好地监控和扩展其 AI 智能体应用。
LangChain BlogAI 评分4545 LangSmith 推出 LLM-as-a-Judge 自改进评估器
LangSmith 为 LLM-as-a-Judge 评估器新增“自改进”功能，将人工修正存储为少样本示例并反馈至提示词。该方案无需额外提示工程即可使评估器适应人类偏好，简化了自然语言输出的自动化评测流程。
LangChain Blog精选AI 评分6868 LangSmith LLM Gateway 进入公开测试版
LangSmith LLM Gateway 现已进入公开测试版，作为位于智能体与模型之间的中央治理层，提供运行时控制能力。该工具支持设置多级支出上限和速率限制以防止成本超支，并具备模型故障转移及敏感数据（PII）检测与脱敏功能。
推荐理由：原文详述了网关在成本控制、故障转移及数据脱敏上的具体机制，为生产环境智能体治理提供了可落地的参考方案。
Ai2 / Allen Institute for AIAI 评分3535 泰国研究人员如何基于 Dolma 构建 Mangosteen 泰语预训练语料库
泰国研究团队利用 Ai2 开源工具包 Dolma，构建了包含 470 亿 token 的泰语预训练语料库 Mangosteen。该团队针对泰语特性重构了去重与过滤流程，在移除超过 80% Common Crawl 数据的同时提升了模型性能。实验显示，基于 Mangosteen 训练的 LLM 在泰文化知识评测中表现更强。
Zhuokai ZhaoAI 评分3030 4D训练1T上下文推理超5T
这太疯狂了……在 1T 上下文进行直接 4D 训练，推理超过 5T，什么？！作为参考，按原始像素或网格点计算：- 视频生成（Veo 3.1, Kling 3.0, Seedance 2.0）每个片段约 1B（8–15s, 1080p–4K）。整个片段一次性生成，但没有显式 3D。- Marble
Google Developers BlogAI 评分3838 Google Cloud 在 TPU 上实现 Qwen3 Embedding 模型的高精度长上下文推理
Google Cloud 将 vLLM 原生集成至 TPU，支持 Qwen3-Embedding-8B 等模型进行高精度长上下文多模态嵌入推理。该方案通过硬件对齐与懒加载优化，确保文本及多模态输入在 TPU 上的余弦相似度分别达到 ≥0.999 和 ≥0.995，实现跨异构硬件的数学一致性。
SemiAnalysis精选AI 评分9595 SemiAnalysis 评测 OpenAI Jalapeño 推理芯片：性能超越 Nvidia Blackwell
OpenAI 与 Broadcom 合作开发的专用推理芯片 Jalapeño 在 Hot Chips 上公布细节，SemiAnalysis 实测显示其性能超越 Nvidia Blackwell、AMD 及 Google 的同类芯片。
推荐理由：原文提供了 Jalapeño 芯片在 InferenceX 基准测试中的实测数据，展示了其在能效比和通用推理场景下超越现有旗舰 GPU 的性能表现。
Sierra BlogAI 评分1919 Sierra 在韩国首尔开设办公室，拓展客户体验 AI 平台业务
Sierra 宣布在首尔开设办公室，正式进军韩国市场。作为增长最快的客户体验 AI 平台，Sierra 已服务全球三分之一主要银行及 40% 的 Fortune 50 企业。其 Horizon 智能体通过 Context Engine 实现跨系统长期运行，支持按结果计费，助力 Singtel、BBVA 等客户在数周内快速上线并提升业务指标。
Mistral AIAI 评分4242 Mistral 与 HUMAIN 达成数亿欧元战略合作，推进沙特及中东主权 AI
Mistral 与 HUMAIN 宣布在沙特阿拉伯及中东地区建立战略协作，合作规模达数亿欧元。双方将聚焦网络安全、语音及阿拉伯语前沿模型的开发与本地化，并探索利用 HUMAIN 数据中心基础设施满足算力需求。该合作旨在通过开放权重模型和本地部署，实现数据、智能与运营完全受客户控制的主权 AI。
Import AIAI 评分3535 Import AI 470：METR 研究揭示 AI 加速差异，SPADE 框架实现环境生成自动化
METR 研究显示 AI 在网络安全领域显著加速，数学研究略有贡献，但 AI 自身算法优化未见明显提速。SPADE 框架通过自博弈自动生成可执行训练环境，利用 Qwen3-30B-A3B 模型使游戏套件平均分达 58.3，较基线提升 8.1 分。
SemiAnalysis精选AI 评分8383 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。
Google Developers Blog精选AI 评分6262 Google ADK 新增原生语音智能体评估功能
Google ADK 引入原生实时语音评估能力，支持通过模拟用户音频驱动智能体并评分。该功能允许在同一评估循环中处理语音交互，提供从创建智能体、编写评估用例到运行和检查结果的完整流程示例。开发者可利用自然语言评分标准对多轮对话轨迹进行端到端质量判断，并通过 ADK Web 界面查看包含可播放音频片段的转录结果。
推荐理由：提供了在 ADK 中构建语音智能体评估闭环的具体代码与配置，帮助开发者将演示转化为可量化的生产级测试。
vLLM 官方博客AI 评分4545 vLLM 在 AMD GPU 上探索推测解码
vLLM 在 AMD Instinct MI300X/MI355X 上测试了原生 MTP、EAGLE-3 等五种推测解码方法，验证其通过单次目标模型校验多 token 提升吞吐。实验显示输出速度受草稿方式、提案长度及模型家族影响，该机制保留原模型行为并减少解码轮次。
vLLM 官方博客AI 评分5858 vLLM 发布基于 RDT 的大规模分片权重传输引擎
vLLM 推出利用 Ray Direct Transport (RDT) 的原生分片权重传输引擎，旨在解决在线 RL 中大规模模型权重同步的效率问题。该方案通过“记录张量”干运行生成分片计划，支持密集、MoE 及量化模型，并实现了预处理与传输的重叠优化。
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！
Jim FanAI 评分2121 触觉是机器人最被忽视的模态
触觉是机器人领域探索最少、最令人遗憾的模态。想象一下戴着厚烤箱手套变魔术的感觉。如果机器人有生命，它现在的感受正是如此。磁吸部件咔哒就位，纸杯从叠放中抽出，USB
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。
Together AI Blog精选AI 评分8282 Together AI 评测 GLM-5.3 与 GPT-5.6 Sol：成本、编码能力与路由策略对比
Together AI 在 DeepSWE 基准上对 GLM-5.3 (max) 和 GPT-5.6 Sol (max) 进行了 904 次 rollout 测试。
推荐理由：通过904次实测对比GLM-5.3与GPT-5.6 Sol在DeepSWE上的成本、通过率及失败模式，揭示了级联路由策略能以更低成本超越单一旗舰模型的性能。
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。
Together AI Blog精选AI 评分8080 Together AI 发布 GLM-5.3 与 Claude Fable 5 在 DeepSWE 上的评测：成本、编码能力与路由策略
Together AI 在 DeepSWE 基准上对比了 GLM-5.3 和 Claude Fable 5，两者首次尝试通过率（pass@1）统计上持平，但 GLM-5.3 成本低 5.4 倍且在多次重试下覆盖率更高。
推荐理由：原文通过 DeepSWE 基准实测对比两款模型在成本、准确率及特定语言领域的表现，为开发者提供基于数据的选型与路由策略参考。
Sierra BlogAI 评分3838 Sierra 平台推出 Agent 发布治理功能
Sierra 在平台内集成发布治理机制，通过 Agent Checks、模拟测试及合并审批工作流保障大规模 Agent 变更安全。该方案引入分流发布策略实现渐进式上线，并支持基于不可变快照的快速回滚，将软件工程的自动化测试与代码审查规范应用于 Agent 开发全生命周期。
Microsoft ResearchAI 评分4747 Microsoft Research 发布 Skala 1.1，在 GMTKN55 基准中获 32 项第一并集成至 CP2K
Microsoft Research 推出深度学习 DFT 模型 Skala 1.1，其训练数据量增加 2.5 倍，在 GMTKN55 基准的 55 个类别中有 32 个排名第一。该模型以 meta-GGA 计算成本实现超越全局杂化泛函的精度，加权平均误差为 2.8 kcal/mol。Skala 现已支持 CP2K，并正集成至 Psi4、FHI-aims、ORCA 和 VASP 等主流软件。
Jim FanAI 评分4040 GEN-1.5 数据重复性优势解析
看到围绕 GEN-1.5 的炒作热潮，这确实名副其实。对 Pete 和 Andy 出色的执行力表示敬意。秘诀在于人类采集数据中自然存在的重复动作。这类重复主要有两个来源：(1) 对称模式。排序、整理，以及
Mistral AI精选AI 评分6868 Mistral AI 发布 Agentic Search：提升复杂文档检索准确率并降低延迟
Mistral AI 正式推出 Agentic Search，这是一种旨在让 AI 系统能够导航、阅读和验证复杂文档信息的多步检索层。该产品通过引入 search、open、navigate、read 和 grep 五个工具，解决了传统一次性 RAG 无法深入长文档或跨源验证的痛点。
推荐理由：Mistral 推出 Agentic Search，通过多步检索循环解决传统 RAG 在复杂文档中的局限，并在金融与政府文档基准测试中展示了显著的准确率提升和延迟降低。
vLLM 官方博客AI 评分4747 VeRL-Omni v0.2.0 发布：提升扩散模型 RL 训练速度并稳定全模态训练
VeRL-Omni v0.2.0 通过引入请求级批处理和 V1 训练器，将 Qwen-Image FlowGRPO 的生成时间从 226s 降至 108s，GPU 利用率提升至约 100%。该版本还构建了基于可复用适配器、FSDP2 和 vLLM-Omni 的稳定全模态训练栈，支持 SD3.5 Medium 等模型的 LoRA 微调与异步奖励计算。
SemiAnalysisAI 评分6868 Cerebras 发布 CS-4：基于 WSE-3 实现性能翻倍与模块化重构
Cerebras 发布第四代机架系统 CS-4，在沿用 5nm WSE-3 晶圆引擎的基础上，通过提升功耗和时钟频率使每晶圆 token/s/user 性能较 CS-3 翻倍。
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。
AnthropicAI 评分2626 Anthropic谈药物分子设计传统耗时
许多药物通过结合体内的特定靶点并阻断或改变其作用来发挥作用。药物开发过程的一个重要第一步是设计一种能紧密结合其靶点的分子。传统上，这意味着每个
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。
Together AI BlogAI 评分4747 Together AI 平台支持在生产环境中对 LLM 进行 A/B 测试
Together AI 推出端点级 A/B 实验功能，允许在生产环境直接对比模型效果。该机制通过固定流量比例（如 95/5）路由请求至变体部署，且独立于副本数量以避免漂移。用户可通过 API 动态调整分流权重并关联平台指标与产品数据，实现无需修改客户端代码的模型评估。
Together AI Blog精选AI 评分8282 Together AI 发布 DeepSeek V4 Pro 0813 与 Claude Fable 5 在 DeepSWE 上的成本与编码评测
Together AI 在 DeepSWE 基准上对比了 DeepSeek V4 Pro 0813 和 Claude Fable 5，发现后者单次通过率更高但成本贵 90 倍。
推荐理由：通过 DeepSWE 实测对比两款模型的成本与能力差异，提供了基于互补性的级联路由策略以优化编程任务性价比。
Google Developers Blog精选AI 评分7373 Google 发布基于 ADK 构建零信任 AI Agent 的安全指南与开源示例
Google 开发者博客发布了利用 Agent Development Kit (ADK) 构建零信任 AI Agent 的技术方案，并开源了包含自主客服退款代理的参考实现。
推荐理由：原文提供了基于 ADK 构建零信任 AI Agent 的完整代码实现与开源仓库，展示了如何通过硬件签名、沙箱隔离和语义网关防御提示词注入攻击。
vLLM 官方博客精选AI 评分6868 vLLM-Omni 发布分布式逐层卸载方案以支持 200B+ DiT 模型
vLLM-Omni 推出 Distributed Layerwise Offload (DLO) 技术，使超过单设备 HBM 容量的视频生成模型（如 Cosmos3-Super 124 GB）能在多 GPU/NPU 上高效运行。
推荐理由：原文提供了在 vLLM-Omni 中运行超大 DiT 模型的具体配置命令与内存优化机制，适合需要解决显存瓶颈的工程人员参考。