The report, published in June 2026, documents how AI is chipping away at core parts of the college experience. Students are already using it across the board, and the effects are showing: fewer show up to office hours, o…
推荐理由产品发布/更新类信息，来自 The Decoder，建议按需查看原文。
Yandex 发布 Sona 技术报告，用单个生成式模型把候选生成和排序合并，替代传统多级推荐流水线。在智能音箱上进行的 7 天线上 A/B 测试中，一个部署的 transformer 取代了 15 个以上候选生成器、预排序和排序阶段。Sona 用共享用户表征：编码器每次请求读取一次收听历史，解码器生成候选，排序模块用同一编码器状态打分，不使用人工特征。语义分词器把每首歌编码为 3 个离散码，Recall@1000 从 0.8111 提升到 0.8524。编码器处理 8192 个历史事件，近期 2048 个用 7 …
推荐理由推荐系统架构从多级级联转向单模型的完整案例，含线上 A/B 和成本数据
TypeSafe AI 推出非自回归的 System One Model「Jev」，输入状态和问题后直接输出带概率的结构化类型值，不生成文本。上线一周后在 OpenRouter 1K-10K token 上下文区间登顶，处理 15.1% 的请求。借助 Modal 的无服务器平台，Jev 在发布三天内处理超 1 万亿 token，满足超低延迟推理需求，团队无需自管基础设施。
推荐理由做大规模自动化或低延迟结构化决策的团队，可参考这种非自回归、并行输出的模型路线
Simon Willison 在 DGX Spark 上测试本地 Qwen3.8-27B-Q4_K_M.gguf 模型用英文单词表达加法结果的能力。禁用推理时，5,070 个测试用例的数值准确率为 23.57%，格式合规率 96.17%；一至三位数操作数准确率 97.04%，十至十三位数降至 6.44%。启用中等推理后，169 个配对用例中答对 167 个，推理过程包含逐位对齐和进位计算。
推荐理由本地部署 Qwen3.8 27B 的实测数据：关推理做多位数加法基本不可用，开推理准确率 98.8%
Wolfram 在文章开头回应了「AI 已能解数学题、是否还需要人类做数学研究」的讨论。他以 1988 年 Mathematica 问世时同样出现「数学被取代」的论调为例，指出 Mathematica 实际只是抬高了可做数学的层次，并催生了新数学。他认为符号积分这类问题求解虽被工具替代，但这并非纯数学的核心；纯数学是文明构建的最大智力结构，其价值不能仅由应用或「标准答案之书」来定义。原文信息有限，后续内容未完整给出。
推荐理由Wolfram 亲述 Mathematica 当年被指取代数学的旧事，可对照当下 AI 解数学题的争论。
原文信息有限，正文为概念性论述，未给出具体模型、数据或产品。文章提出，传统 AI 工作流是「数据→模型→预测→决策」，适用于环境稳定的场景；而真实环境的数据分布、用户行为和网络状态会持续变化，因此需要引入「观察→分析→行动→测量→再评估」的反馈闭环。作者认为自适应不等于持续行动，有时正确决策是不做改变，目标是保持对环境变化的持续感知。文中还提到单一信号变化可能是噪声，多个独立信号同时变化才可能意味着环境本身在迁移，AI 的价值在于处理多维信息并判断是否需要调整。文末提到 Aonica 正在开发相关架构，但内容被截断…
推荐理由适合想了解自适应系统设计思路的人，可对照自己项目里有没有反馈闭环
DeepMind 研究员发表文章，提出「人工共生智能」（Artificial Symbiotic Intelligence）概念，主张 AI 研究的核心挑战应从构建单一超级智能转向协调由智能体、人和连接系统组成的复杂网络。文章引用两项预印本研究：一是 Evans、Bratton 等人提出的智能体 AI 与社会制度视角；二是 Kim、Lai 等人对 DeepSeek-R1、QwQ-32B 等推理模型的分析，发现推理轨迹中常出现类似内部辩论、转换视角、提出异议的模式，且这种行为在强化学习仅奖励推理准确率时自发涌现。作者…
推荐理由了解 DeepMind 对 AI 发展路径的最新判断，以及推理模型「社会性思维」的实证发现
TypeSafe AI 结束 2 年隐身状态推出 Jev，一种返回决策而非文本的新模型类别。Jev 支持 Choice、Score、Noul 三种原语，最多 255 个选项，输入价格 $0.042/百万 token，输出免费，响应 70-500 毫秒。在 4 项工作流评测中，Jev 平均准确率 67.8%，单案例成本 $0.0004，耗时 0.4 秒；Claude Sonnet 5 同样 67.8%，但成本 $0.1174、耗时 78.1 秒。3 周内 Fastino Labs 推出 2 个竞品，开源社区也发布了多…
推荐理由Jev 与 Sonnet 5 准确率持平但成本仅为其 0.3%，做 Agent 控制流可直接替换
Meta AI 在 X 上介绍了一项微分方程研究：在激光启发的模型中，存在两种相互竞争的作用——一种把波向内挤压，另一种把波向外扩散。借助 Muse Spark 的帮助，研究人员证明在所研究的条件下，波无法无限集中，必然在有限时间内「爆破」（blow up）。原文给出了论文链接，但未披露更多技术细节。
推荐理由做偏微分方程或 AI 辅助数学证明的人，可看这个「有限时间爆破」结论和 Muse Spark 的用法。
Meta AI 在 X 上表示，其 AI 模型在数学、物理、化学三个领域的五项竞赛中取得金牌级表现。帖文重点介绍了其中一项优化方向的研究：研究者与 Muse Spark 合作，证明了一条明确规则，用于判断某个简化何时能精确等价于原始数学问题、何时会留下缺口。原文未披露具体竞赛名称、模型名称与成绩数据，信息有限，论文链接指向外部页面。
推荐理由想知道 Meta 竞赛级模型进展的人可看，但帖文只给了结论和论文链接，没有分数细节
OpenAI 发布 GPT-6 系列模型指南，该系列包含三款模型：GPT-6 Astra 面向最高难度推理任务，GPT-6.1 Sol 面向复杂编码、研究和计算机操作，GPT-6 Luna 面向聚焦型任务。指南建议在生产环境中使用缓存和压缩管理上下文与成本，缓存输入 token 费用最多可降低 95%；根据任务匹配模型、推理强度和速度；通过 steering、异步工具和委派管理长时间运行的工作。
推荐理由做 Agent 或 API 集成的开发者可直接参考：缓存输入 token 最多省 95%，三款模型按推理难度分工
Allen Institute for AI（Ai2）开源了 AstaBrief 8B，一个把研究问题和检索到的文献片段转成带引用报告的小模型。它已作为 Asta 平台「Generate a report」功能的 Fast 模式上线，与 Claude 驱动的 Thinking 模式并列。官方称全流程 Fast 模式平均每份报告 51.1 秒，Thinking 模式 178.5 秒，约快 3.5 倍。训练用了数万条真实研究查询、引用过滤和偏好数据，并改为一次性生成全文而非分段写。模型权重和训练数据一并开源，另附一个可…
推荐理由8B 小模型做带引用报告，51 秒 vs 178 秒，权重和训练数据都开源，可本地跑
Mercor 研究显示，AI 在结构化记账任务上比持证会计师更快、更准、更便宜。12 名平均 5.5 年经验的 CPA 参与 APEX 会计基准简化任务测试，18 个月前最佳模型得分还低于会计师约 37% 的平均水平，如今几乎完美解决同类任务。完整 APEX 基准含 10 家模拟公司的 160 项任务，Claude Opus 5.5 以 61.8% 的评分标准达成率领先，Fable 5.1 为 61.0%，GPT-6 Astra 为 57.9%。但近 60% 的任务无模型能完全解决，AI 尚不能无监督结账。研究也承…
推荐理由看清 AI 在会计场景的真实水位：最强模型仅完成 61.8% 评分标准，近六成任务无法独立解决
MIT Technology Review 发表评论文章，以 AlphaGo 第 37 手为例指出：AlphaGo 的创造性来自「策略网络提供直觉 + 搜索机制进行推演」的双系统结构，而当前大语言模型只是不断预测下一个 token，缺少这种显式的搜索与推演环节。作者认为，若想让 AI 在科学、医学等领域产出可信且真正新颖的结果，需要为其补上真正的推理能力。原文正文在此处截断，后续论证信息有限。
推荐理由想搞清楚「LLM 会不会推理」这场争论的技术依据，这篇用 AlphaGo 双系统做了清晰对照
Karpathy 在 X 上介绍了一个简单评测：给 LLM 一个经纬度坐标文本，只问「Land or Water?」，重复 16,200 次后把结果画成图。他表示模型能答对，这种能力来自对互联网数据的压缩。该帖引用了 @celestepoasts 发布的各版本 Claude 测试结果图。原文未给出具体准确率数字。
推荐理由一个零成本可复现的评测玩法，用 1.6 万个坐标点就能直观看出模型的空间知识边界
一项 Kaggle Benchmarking Challenge 参赛项目从印度果阿 123 名大学生收集田野数据，构建了覆盖教育、医疗、司法、金融四个领域的 24 个真实机构争议基准，测试模型在信息不完整、人口统计特征替换、权威人设施压下的行为。评测使用 Kaggle Benchmarks SDK，覆盖 Gemini 3 Flash Preview、Qwen3-Next-80B、Claude Sonnet 5、GLM-5、GPT-5.4-mini、DeepSeek-R1 等前沿与开源模型，追踪模糊抵抗、反事实一致…
推荐理由想了解现有基准测试盲区的人可以看这套四指标设计，尤其是人设谄媚漂移的测法。
Cloudflare 发布其 Workers AI 团队训练的首批模型 Clef 和 Clef-flash，定位为决策模型而非聊天机器人：输入状态和带类型的 schema 问题，输出每个候选答案的概率，不生成自由文本。两者以 Apache 2.0 开源权重，兼容 TypeSafe AI 的 Jev API，已在 Workers AI 上线，权重同步发布于 Hugging Face。Clef 基于 Qwen3.8-27B、Clef-flash 基于 Qwen3.5-9B 后训练，保留视觉编码器。单次请求最多 64 个…
推荐理由做分类、打分、结构化决策的可以直接换：Apache 2.0 开源权重，单请求 64 问，威胁情报分类 2.2 秒。
日本东北大学行星科学家 Hiroki Karyu 团队用微物理模型确认，金星大气底部的黄色"下层雾霾"是陨石烧蚀后留下的宇宙尘埃颗粒与硫酸反应形成的。该雾霾由 1970 年代 Venera 和 Pioneer Venus 探测器发现，成因悬置数十年。研究发表于 Nature Astronomy，指出持续涌入的宇宙尘埃足以维持该雾霾层，且这些颗粒可作为高效凝结核，促进主云层在远离源头处成云。
推荐理由金星雾霾之谜的答案：宇宙尘埃当凝结核，行星大气研究可参考这套微物理建模思路
卡内基梅隆、MIT、纽约大学和斯坦福的研究团队开发的 AI「Ataraxos」以 15 胜 1 负 4 平击败被公认为史上最强的 Stratego 选手 Pim Niemeijer。此前连 DeepMind 都未能造出稳定击败顶尖人类玩家的 Stratego AI。该 AI 训练仅用 16 块 GPU、花费几千美元。Stratego 是不完全信息博弈，双方各 40 枚棋子，身份只在碰撞时揭示，隐藏信息量大且跨越很长时间尺度。
推荐理由16 块 GPU、几千美元就攻克了 DeepMind 没拿下的不完全信息博弈，做博弈 AI 的可以看它的低成本路线。
AI 系统 Ataraxos 在军棋类桌游 Stratego 上击败了史上最强人类选手 Niemeijer（四届世界冠军、世界排名第一超 600 周）。Stratego 双方 40 枚棋子暗置，可能布局超 10^33 种，属不完全信息博弈，此前是 AI 尚未超越人类的最后几个主要棋类之一。DeepMind 的 DeepNash 曾用 1024 个 TPU 节点训练 2-3 个月（约 300-450 万美元）仍未突破顶尖人类水平；Ataraxos 仅用 16 张 H100 训练一周加 4 张 GPU 四天，成本不到 …
推荐理由16 张 H100、不到 8000 美元就攻下不完全信息博弈，做博弈 AI 的可以看它的样本效率技巧
Perplexity Research 与 turbopuffer 发布 pplx-embed-v2-context-9b-preview，一个面向 RAG 的上下文嵌入模型，权重已在 Hugging Face 以 MIT 协议开放，可自托管，暂未上线 Perplexity API。模型基于内部 9B ColBERT 检索模型，训练信号改为让模型同时检索答案及其验证所需的上下文，而非单一 gold passage；教师模型为 Perplexity 的 query-aware 上下文压缩模型，通过 KL 蒸馏加 In…
推荐理由MIT 协议可自托管，原生 int8 嵌入能省存储，做 RAG 的可以直接拉权重试
Google DeepMind 在 X 上预告新模型 Argon，输出上限达 100 万 token，主打更深层推理，用于一次性处理长链条、多步骤问题。官方称正在收集早期测试者反馈，之后将陆续向开发者、企业和普通消费者开放。原文未披露模型参数、发布时间、定价及具体能力评测数据，信息有限。
推荐理由100 万 token 输出上限是目前公开模型里少见的量级，做长文档生成和复杂 Agent 任务的人可以先记下这个型号。
Artificial Analysis 数据显示，GPT-6.1 Sol 在发布 7 天后取代 GPT-6 Sol，智能指数比 GPT-6 Astra 仅低 1 分，但每任务成本不到其四分之一（0.72 美元 vs 3.26 美元）。价格与 GPT-6 Sol 持平，为每百万输入/输出 token 2/10 美元，缓存读取折扣从 90% 升至 95%。相比 GPT-6 Sol，智能指数提升 4 分，Terminal-Bench 4.0 提升 12 分，AA-Omniscience 准确率提升 8 分，幻觉率从 60…
推荐理由每任务成本 0.72 美元、比 Astra 便宜 75%，做 Agent 可直接换用
Fireworks 在 GLM 5.2 上做对照实验：同一算法、同一数据跑 countdown 推理任务，仅改变训练器与 rollout 引擎计算 token 概率的方式。不对齐时两者 KL 约 0.013，为保持稳定每批要丢弃约 45% 样本，奖励升到约 0.9 后在 20 步左右崩到 0.2 以下；对齐后 KL 为 0，无样本丢弃，25 步内奖励稳定。在 Qwen3.5-MoE 上还发现，即使一方精度更高，专家输出合并方式不同也会导致分歧，并可能翻转路由决策。
推荐理由做 RL 训练的人可以直接抄结论：先对齐训练器与推理引擎的数值，否则 45% 的样本白扔、奖励还会崩。
Liquid AI 发布 d1，一个面向结构化选择的决策模型，不做文本生成。输入上下文和一组带类型的问题，单次调用即返回固定选项上的校准概率，usage.output_tokens 恒为 0。提供三种原语：Noul（是/否概率，示例中投诉判断返回 0.999）、Choice（从命名集合中选一项，返回首选、完整分布和置信度，重复扣费工单在 billing 上得 0.9997）、Score（按有序评分标准打分，4 级紧急度返回 2.9995）。三类问题可在一次请求中混用。目前仅以托管 API 形式提供，模型名 d1:f…
推荐理由分类、路由、审核这类固定选项任务可换成 d1，输出 token 不计费且无 JSON 解析失败
OpenAI 在 X 上宣布推出 GPT-6.1 Sol，称其具备「接近 Astra 的智能水平」，价格只有 Astra 的五分之一，是当前同等性能下成本效率最高的模型。原文未披露具体定价、上下文长度、基准测试成绩和开放范围，信息有限。
推荐理由OpenAI 新模型价格砍到 Astra 的 20%，做成本敏感型应用可以先算一笔账
开发者文章解释幻觉机制：模型不检索事实，只按训练数据中的统计概率预测下一个 token。训练语料里「我不知道」这类表达极少，自信的答案更常见，因此模型在缺乏可靠答案时仍会给出高置信度输出。聊天模型虽经额外训练学会拒答，但多数评测基准把「我不知道」记为 0 分，与答错同分，导致猜答案的模型排名更高。文章还指出，冷门事实和存在争议的话题更容易触发幻觉。
推荐理由想搞懂幻觉成因的人可看，关键结论是评测把「拒答」和「答错」同分，等于在奖励模型瞎猜。
开发者发布 IdeaConnectionAccuracy 基准，用三个任务测试 LLM 生成创意列表时的连贯性、精确性和覆盖度。连贯性任务要求模型围绕"可持续城市发展"生成 3-4 个逻辑相关且彼此区分的想法，由评审 LLM 按严格标准判定，任一标准失败即整体失败。精确性任务要求返回恰好 n 个编号想法，分别检查数量、相关性和格式。覆盖度任务要求列出概念的所有主要相关主题，由评审返回单一布尔判定。测试覆盖四个模型，原文未给出具体得分。
推荐理由做 LLM 评测或 Agent 输出校验的开发者可参考这三个失败模式的拆解思路。
Anthropic 官方账号 @claudeai 转发 @forwardeditor 用同一提示词对 Sonnet 5 和 Sonnet 5.5 做的弹球物理模拟对比测试，并附视频链接。原文未给出测试结论、评分或具体差异，信息有限。
推荐理由想了解 Sonnet 5.5 相比 5 在物理模拟上是否进步，可先看这段同提示词对比视频
MicroLLM Lab 上线，可在浏览器中直接运行 7 个小语言模型并做基准测试。测试用正则或精确 token 做客观判定，不看写作质量，最小的 135M 模型允许失败，失败本身即测量结果。页面记录持续解码速度（tokens/s）和客观测试通过率，数据只留在本机，图表按每个模型最新一轮测试生成。用户还能用 JavaScript 自己写基准，编辑器在本源下 eval 后对模型解码文本逐项检查。
推荐理由想零安装对比小模型速度与准确率的人，打开网页就能跑，数据不出本机
Anthropic 发布 Claude Sonnet 5.5，是 Claude 5.5 家族的第二款模型。官方称其相较 Sonnet 5 是明显升级：运行速度提升超过 30%，多数任务成本最多降低 30%。原文未披露具体定价、上下文长度和评测分数。
推荐理由速度 +30%、成本 -30%，做高频调用和 Agent 的可以直接算一下替换 Sonnet 5 的账
这是一篇 2021 年 10 月提交到 arXiv 的旧论文，因 Hacker News 讨论被重新翻出。作者提出一种多智能体 AI 架构，借鉴 Kahneman 的「快思考/慢思考」理论：系统 1 智能体只依赖过往经验直接反应，系统 2 智能体在需要推理和搜索最优解时被刻意激活。两类智能体都由世界模型（环境领域知识）和自我模型（系统过往动作与求解器能力）支撑。论文认为当前 AI 仍属窄 AI，成功主要依赖算法、大数据和算力，缺少人类智能中的元认知能力。原文信息有限，未给出实验数据。
推荐理由做 Agent 架构的人可以看这套快慢双系统的分工设计，与当下推理模型思路同源。
一个 7440 亿参数 MoE 架构的 agentic 语言模型 Atria Dawn Preview 项目披露了人机协作数据：96.5% 的任务使用了 AI，四个月内 agent 动作与人类输入的比值中位数从 11 升到 28.5。455 个已完成 AI 辅助任务中，151 个（约三分之一）被认为没有 AI 无法完成，分布在 56 名参与者中的 27 人。方法参数决策中 85.5% 由人类做出，AI 仅 9.2%；目标和范围 93.4% 由人类最终决定。模型在 16 项基准中领先 5 项，包括 Automatio…
推荐理由拿到一组具体数字：AI 让三分之一原本不会启动的工作成为可能，但最终决策权仍牢牢在人类手里。
一项被 COLM 2026 Workshop 和 KONVENS 2026 Eval4SD 接收的研究发现，chat template 像开关一样控制大模型的自我表述：存在时，模型更多说「我只是个 AI」这类免责声明，更少说「我感觉」这类体验性表述；不存在时则相反。研究覆盖 8 个开源 instruct 模型，规模最大 9B。在 3 个模型的激活空间中找到一条可操控该行为的方向向量，移除它免责声明减少，加入它则增多，而同等大小的随机方向几乎没有影响。作者提醒，研究模型自我报告或内省时需控制 chat templat…
推荐理由做模型内省、自我报告或安全对齐研究的人，需要把 chat template 当作必须控制的变量。
一项 Kaggle 基准测试用「Adding Mistakes」方法测量思维链忠实度：在模型推理中途注入错误步骤，看最终答案是否跟随错误。测试覆盖 15 道算术、多步应用题和逻辑题。核心对比是同一底层模型的 Grok 4.20 推理模式与非推理模式，开启推理后跟随注入错误的概率高出 5 倍。另测试了 DeepSeek-R1、Claude Opus 5、GPT-5.6 Terra、Gemini 3.7 Flash 等。高分代表最终答案倾向跟随被注入的推理错误，低分代表模型常能绕过错误推理得出正确答案。
推荐理由推理模式不等于更可靠，这项实测给出可复现的量化对比，做 Agent 和评测的人可直接参考
巴西小型 AI 实验室 Supersonic Labs 发布 Julia 1，一个 1.443 亿参数的决策模型，非聊天机器人：输入上下文、问题和 2 到 20 个候选答案，模型选出一个并给出每个选项的概率。权重以 Apache 2.0 协议发布于 Hugging Face，可在 CPU 或 BF16 GPU 上本地运行，ONNX 版本可通过 WebGPU 在浏览器运行；托管 API 已宣布但未开放。模型基于 JHU CLSP 的 mmBERT-small 编码器，训练与实验的云 GPU 总花费约 540 雷亚尔（…
推荐理由训练成本仅 104 美元、权重 550 MB，可在 CPU 和浏览器本地跑分类决策，做路由和标签判断可直接试
研究者做了 5 个实验、共 3132 人参与，测试能否调用语言模型是否改变人面对不确定性的处理方式。他们故意选了模型 Step 3.5 Flash 几乎必错的电影细节题（如《我爱贝克汉姆》球队队服颜色）。前两个实验中，无 AI 对照组在 36% 和 44% 的题上放弃作答，有 AI 时降到 6% 和 3%。实验 2 中，有 AI 时自信度从 29.6 分升到 75.9 分（满分 100），正确率却从 27.6% 降到 10.0%。全部实验中，有 AI 组正确率 9.2%，无 AI 组 27.5%。加入每题 10 美…
推荐理由有 AI 时自信涨 2.5 倍、正确率掉到三分之一，这组数字可以直接用来提醒团队别盲信模型输出。
Hacker News · AI09/26模型技巧与观点海外开发者 Allan 发布了一个类似 Jev 的单函数 LLM 封装，核心技巧是读取 token 概率：把问题写成选项，设置 max_completion_tokens 为 1、logprobs 为 true、top_logprobs 为 20，让模型只输出一个 token 并返回各选项的对数概率，速度很快且共享前缀可被 KV 缓存。作者为 Jev 请求格式新增了 attachments 字段以支持图片，示例用摄像头抓帧判断是否有人、室内外和亮度。在 RTX 3090 上跑 Gemma 4 12B 约 1 FPS（每…
推荐理由一个只输出单 token 的分类技巧，配 logprobs 就能把 LLM 当快速分类器用，含可运行 Python 示例
Black Forest Labs (BFL), the lab behind the FLUX image models, has released FLUX 3 Action. It is a 7B open-weights World Action Model (WAM) for robot control. The model reads camera frames, robot state and a text instruc…
推荐理由模型发布/更新类信息，来自 MarkTechPost，建议按需查看原文。
预测研究机构 FRI 汇总 2022 年以来多项专家调查发现，AI 进展普遍快于预测。数学领域差距最大：AI 于 2025 年 7 月达到国际数学奥林匹克金牌水平，比专家预测中位数早 5 年，比超级预测者早 10 年。专家对已发生基准结果的平均概率估计为 24.6%，超级预测者仅 9.7%。病毒学能力测试中，专家预期 2030 年追平顶尖团队，实际可能在 2025 年 4 月就已实现。经济预测同样保守：专家预计 2026 年底 AI 公司最高 ARR 为 200 亿美元，而 Anthropic 在 2026 年 9…
推荐理由用具体数字说明专家预测系统性偏低，可据此调整对 AI 能力时间表的预期