RLTL;DR：通过内部化自生成反馈实现自我改进
Apple 研究团队提出 RLTL;DR 方法，通过让模型在失败尝试后生成并内部化“TL;DR”洞察，突破了在缺乏教师模型或成功样本时的学习瓶颈。在 Qwen 3.5 9B Thinking 模型上的实验显示，该方法在极难的编码和工具调用任务中显著提升了 Pass@1 表现，并验证了将任务与洞察映射进行内部化训练的有效性。
发布时间：
全部 AI 动态
Apple Machine Learning ResearchAI 评分5858 Microsoft ResearchAI 评分4646 Microsoft Research 开发用于预测电网空间天气风险的机器学习系统
Microsoft Research 开发了一套端到端机器学习系统，可为美国境内 66,935 个变电站提供空间天气风险预警，并能在风险出现前 30 至 60 分钟发出通知。
发布时间：
Google DeepMind精选AI 评分6868 Google DeepMind 发布 SynthID Bio：为 AI 生成的生物序列与结构添加水印
Google DeepMind 推出 SynthID Bio，这是一种专门用于合成生物学的水印技术，可在不影响蛋白质生物功能的前提下，将不可见的数字签名嵌入 AI 设计的蛋白质序列及 3D 结构中。该技术通过调整氨基酸选择和原子坐标实现溯源，旨在加强生物安全并确保科学数据的完整性，目前已开源相关代码、实验数据及模型权重。
发布时间：推荐理由：该研究展示了如何为 AI 生成的蛋白质序列和结构嵌入不可见水印，为生物安全领域提供了一种可验证的溯源方案，并已开源相关代码与模型权重。
Apple Machine Learning Research精选AI 评分6868 Apple 发布 SCLATE：用于持续学习智能体训练与评估的执行基底
Apple 推出 SCLATE 执行基底，通过统一的事件调度器和混合模拟时钟，支持在长周期多会话场景下对未经修改的智能体进行训练与评估。该系统可将长达数月的任务压缩至数小时内完成，并记录模型调用的 token 与概率。
发布时间：推荐理由：该研究提出的执行基底解决了持续学习智能体在多会话场景下的调度难题，通过压缩时间轴和统一事件管理，为评估智能体在长周期任务中的表现提供了标准化方案。
Apple Machine Learning ResearchAI 评分4343 LLM 条件控制中有效性与流畅度的权衡：一项系统性研究
研究发现，高效的 LLM 引导方法往往以牺牲生成流畅度为代价，且激活引导（activation steering）在指令微调模型上的效果远逊于基础模型。简单的提示词工程与全量监督微调在概念注入方面表现良好，但在概念移除任务中效果欠佳。此外，低成本的文本指标与高昂的 LLM-as-judge 评分高度相关，可有效评估不同条件控制方法的行为表现。
发布时间：Google ResearchAI 评分5858 Google Research 发布 Diffusion Controller：统一且简化的 AI 图像生成控制框架
Google Research 提出了 Diffusion Controller 框架，将图像去噪过程建模为连续控制问题，通过引入轻量级“转向阻尼器”网络，在无需修改模型核心权重的情况下实现对图像生成的精准调控。该方法在 Stable Diffusion v1.4 基准测试中表现优于 LoRA，且支持在推理阶段动态调整控制强度，适用于白盒及受限的灰盒模型环境。
发布时间：
Microsoft ResearchAI 评分5656 Microsoft Research 发布生物学 AI 研究系统 Quine
Microsoft Research 推出生物学 AI 研究系统 Quine，旨在通过多模态世界模型与连接科学工具、文献及实验室的交互式框架，加速生物学研究中的假设生成与实验验证。该系统已在胰腺癌细胞状态研究中通过预测化合物有效缩短了实验周期，目前通过 Quine Fellows 项目向部分科研人员开放。
发布时间：Apple Machine Learning ResearchAI 评分4646 语言模型中树状结构表达式序列化的通信瓶颈研究
研究通过往返协议量化了语言模型在处理树状结构表达式时的信息损失，发现该通信信道具有显著的损耗性与非对称性。实验显示，模型对组合的准确率差异高达 60.4 个点，且最佳组合方案由不同模型协同完成，而非单一模型。此外，仅需约 3600 个微调样本即可显著提升开源模型的表现，使其超越 Gemini-3.1-Pro，证实了树状结构序列化是模型间传递层级信息的关键瓶颈。
发布时间：
Google Research精选AI 评分7676 Google 发布用于自动化长视频生成的 AI 视频联合导演框架
Google Research 推出了一套 AI 视频联合导演框架，通过多智能体协同解决长视频生成中的语义漂移与视觉不一致问题。该方案包含四个核心组件：用于全局策略规划的 AI Video Co-Director、利用视觉记忆保持连贯性的 CANVAS、实现长时序动态生成的 A²RD，以及通过闭环反馈优化提示词的 VQQA，旨在实现分钟级长视频的稳定叙事。
发布时间：推荐理由：该研究提出了一套多智能体框架，通过全局优化和视觉记忆机制解决长视频生成中的一致性难题，为提升长叙事视频的连贯性提供了可借鉴的架构思路。
Microsoft Research精选AI 评分6868 Microsoft Research 发布机器人推理卸载功能
Microsoft Research 在 Physical AI Toolchain 中新增了机器人推理卸载功能，支持通过 Kubernetes 将 AI 工作负载从机器人本体卸载至边缘或云端。研究表明，该方案能有效解决机载 GPU 带来的功耗与性能瓶颈，在提升任务成功率的同时显著延长机器人续航时间。
发布时间：推荐理由：微软研究团队通过实验证明将机器人推理任务卸载至边缘或云端可显著提升性能并延长续航，并为此在 Physical AI Toolchain 中引入了分布式推理支持。
Anthropic News精选AI 评分6868 Anthropic 成立生命科学研究组，Claude 自主发现新型酶系统
Anthropic 成立生命科学研究组，利用 Claude 对 DNA 数据集进行分析，自主发现了一种名为 ART（阵列相关逆转录酶）的新型酶系统。该系统具有类似 CRISPR 的重复序列模式，Claude 在 21 小时内通过 950 个智能体处理了 2.1 亿个 token，从海量数据中识别出该候选系统，目前相关研究已发布预印本。
发布时间：推荐理由：Anthropic 成立生命科学研究组并展示了 Claude 在生物学发现中的应用，通过自主分析 DNA 序列识别出一种新型酶系统，为 AI 辅助科学研究提供了可参考的范式。
Amazon ScienceAI 评分5858 亚马逊发布抗体设计与表征 AI 研究成果
亚马逊 Bio Discovery 团队发表三项研究，旨在通过 AI 提升抗体研发效率。研究提出了 MochiBind 序列亲和力预测模型，通过 TrueSkill 算法实现大规模候选者排序；开发了 CA-MAP 上下文感知模型，解决了实验批次效应导致的预测偏差；并利用智能体驱动的从头设计流程，成功针对罕见癌症靶点筛选出实验验证的抗体候选者。
发布时间：
Microsoft ResearchAI 评分5858 Microsoft Research 发布逆合成预测模型 RetroChimera
Microsoft Research 发布了逆合成预测框架 RetroChimera，该成果已发表于 Nature。该模型通过集成 Transformer 架构的 R-SMILES 2 与基于图神经网络的 NeuralLoc，利用学习排序策略整合两者的互补优势，在盲测中表现出优于现有基准的合成路线预测能力。RetroChimera 的实现代码与权重已在 GitHub 开源。
发布时间：
Google ResearchAI 评分3535 Google Research 发布 MilleMiglia：用于中程物流的真实实例生成器
Google Research 推出 MilleMiglia，这是一款基于 C++ 开发的实例生成器，旨在为中程物流配送问题创建具有真实感且保护隐私的基准数据。该工具通过构建空间-时间图模型，解决了中程物流中货物在配送中心间转运、分拣及同步的复杂调度难题。目前，MilleMiglia 的源代码和文档已在 GitHub 开源，为物流优化研究提供了基础支撑。
发布时间：
Amazon ScienceAI 评分6868 机器学习研究智能体为何不会过拟合？
Amazon Science 研究发现，机器学习研究智能体之所以在基准测试中不易过拟合，是因为成功的策略具有高度可压缩性。研究通过将智能体的优化策略压缩为极短的提示词（如 32 个 token），并由重现智能体在无验证集访问权限下复现，证实了这些策略捕捉的是数据的真实结构而非记忆。该方法不仅解释了过拟合的缺失，还提供了一种通过压缩瓶颈识别过拟合的检测手段。
发布时间：
Amazon ScienceAI 评分5656 Amazon 研究：当多个 LLM 裁判达成一致时，我们该相信吗？
Amazon 研究团队提出了一种依赖感知（Dependence-aware）的标签聚合方法，用于解决 LLM 作为裁判时的评估偏差问题。该方法通过 Ising 模型建模裁判间的相关性，在相关性分类、毒性检测和摘要评估任务中，较加权多数投票基准提升了 9% 至 14% 的准确率。该方案无需人工标注标签，通过分析评估日志中的一致性模式，能有效识别并剔除因共享提示词或训练谱系导致的冗余投票。
发布时间：
Amazon ScienceAI 评分7070 Amazon 发布 SOP-Bench：用于评估 AI 智能体真实业务流程执行能力的基准测试
Amazon 发布了 SOP-Bench，这是一个旨在评估 AI 智能体执行真实业务标准操作程序（SOP）能力的开源基准测试。该框架涵盖 12 个行业领域的 2000 多项任务，通过提供真实流程文本、配套工具接口及标准答案，支持开发者验证智能体在复杂、多步骤任务中的实际表现，并已在 GitHub 和 Hugging Face 上开源。
发布时间：Together AI精选AI 评分7878 GLM-5.3 与 Claude Fable 5 在 DeepSWE 编码基准上的对比分析
在 DeepSWE 编码基准测试中，GLM-5.3 与 Claude Fable 5 的首轮通过率（pass@1）分别为 69.0% 和 69.7%，表现几乎持平。
发布时间：推荐理由：通过对比 GLM-5.3 与 Claude Fable 5 在 DeepSWE 上的表现，揭示了两者在编码任务中相似的准确率与显著的成本差异，为开发者选择模型提供了性价比参考。
Together AI精选AI 评分8282 GLM-5.3 与 GPT-5.6 Sol 在 DeepSWE 上的编码能力与成本对比
Together AI 在 DeepSWE 基准上对比了 GLM-5.3 与 GPT-5.6 Sol 的表现。GPT-5.6 Sol 在单次尝试中保持领先，而 GLM-5.3 在多次尝试下表现更优且成本仅为前者的一半。分析建议采用级联路由策略，即优先使用 GLM-5.3，在测试失败时再调用 GPT-5.6 Sol，以实现更优的成本效益与任务覆盖率。
发布时间：推荐理由：通过对比 GLM-5.3 与 GPT-5.6 Sol 在 DeepSWE 上的表现，展示了不同模型在成本、速度与任务覆盖率上的权衡，并提出了基于验证器的级联路由策略。
Together AI精选AI 评分7676 DeepSeek V4 Pro 0813 与 Claude Fable 5 在 DeepSWE 上的性能与成本对比
Together AI 在 DeepSWE 基准上对比了 DeepSeek V4 Pro 0813 与 Claude Fable 5 的编码能力。结果显示，Claude Fable 5 在单次尝试中准确率略高，但 DeepSeek V4 Pro 0813 在多次尝试下表现更优且成本仅为前者的 1/90。
发布时间：推荐理由：通过对比 DeepSeek V4 Pro 0813 与 Claude Fable 5 在软件工程任务中的表现，展示了低成本模型在多次尝试下的高性价比，并验证了通过级联路由优化成本与准确率的可行性。
Amazon ScienceAI 评分3838 ControlG 如何利用工业机械控制器协调多任务机器学习
ControlG 框架通过引入工业 PID 控制器，将多任务机器学习中的目标协调问题转化为计算资源的动态时间分配问题。该方法摒弃了传统的梯度混合策略，改为在训练过程中按需分配计算容量，从而有效解决了多任务学习中的梯度冲突、训练漂移及目标权重衰减问题。在节点聚类任务中，ControlG 的随机调度策略表现优于 AutoSSL、ParetoGNN 及 CAGrad 等现有方法。
发布时间：
Amazon ScienceAI 评分6868 Amazon 发布医疗智能体评估基准 PatientAgentBench
Amazon 推出 PatientAgentBench，这是一个用于评估面向患者的医疗 AI 智能体的开源基准框架。该框架通过生成合成患者记录和临床场景，利用 LLM 评审团根据临床安全、分诊质量等六个维度对智能体的多轮对话表现进行评分，旨在解决现有静态医学测试无法衡量智能体在真实临床工作流中表现的问题。
发布时间：Berkeley AI Research精选AI 评分7878 从 CUDA 到 MLX：K-Search 如何将内核优化经验迁移至 Apple Silicon
研究人员扩展了 K-Search 框架，通过引入 CUDA 到 MLX 的结构化翻译层，将 NVIDIA 生态中的内核优化经验自动适配至 Apple Silicon。实验显示，该方法在 Apple Silicon 上实现了接近专家级的性能，其中 Attention 内核达到原生 MLX 性能的 0.97 倍，Mamba SSM 内核的预填充速度较社区实现提升了约 20 倍。
发布时间：推荐理由：该研究通过构建 CUDA 到 MLX 的翻译层，使 AI 驱动的内核搜索框架能将 NVIDIA 的优化经验迁移至 Apple Silicon，为非 CUDA 硬件的性能优化提供了可迁移的自动化路径。
Together AIAI 评分6868 Together AI 发布 ThunderAgent：用于大规模智能体推理的调度系统
ThunderAgent 是一款旨在解决智能体推理中 KV cache 抖动问题的调度层系统，通过将智能体工作流抽象为可调度程序，实现了单节点吞吐量 2.5 倍提升及 8 节点集群 2.4 倍加速。该系统兼容 OpenAI API，支持与现有推理引擎及优化技术集成，目前已开源并被 SkyRL 等框架采用。
发布时间：
Berkeley AI ResearchAI 评分4848 ABBEL：通过信念瓶颈提升 LLM 长程交互效率
Berkeley AI Research 提出 ABBEL 框架，通过将交互历史转化为自然语言“信念状态”并引入信念评分机制，解决长程任务中递归总结带来的性能损耗。
发布时间：
Amazon ScienceAI 评分4848 Amazon 与密歇根大学推出 HydroShear 触觉模拟技术
Amazon 与密歇根大学联合研发的 HydroShear 触觉模拟技术，通过路径依赖力追踪模型，实现了对机器人触觉剪切力的精准模拟。该技术支持 GPU 并行计算，使机器人能在模拟环境中学习灵巧的接触式操作策略，并直接迁移至真实机器人，无需额外修改。在四项高难度操作任务中，HydroShear 实现了 93% 的平均成功率，显著优于 TacSL（34%）和 FOTS（58%-61%）等基准方法。
发布时间：
Together AI精选AI 评分7878 Together AI 在 ICML 2026 发布九项全栈前沿研究
Together AI 在 ICML 2026 展示了九项研究成果，覆盖从智能体框架（如 DSGym、ThunderAgent）、模型推理优化（如 RARO、V1、Aurora）到系统与内核优化（如 Untied Ulysses、OEA、ParallelKernelBench）的全栈技术。
发布时间：推荐理由：Together AI 在 ICML 2026 发布了九项涵盖从智能体到 GPU 内核的全栈研究，这些成果展示了如何通过跨层优化提升模型推理效率与性能。
Together AI精选AI 评分7676 ParallelKernelBench：前沿大模型编写多 GPU 内核的能力评估
Together AI 发布了 ParallelKernelBench (PKB)，这是一个专门用于评估多 GPU 内核生成能力的基准测试框架，包含 87 个源自真实代码库的分布式计算问题。测试显示，即使是 GPT-5.5 和 Gemini 3 Pro 等前沿模型，在零样本设置下也难以生成优于 PyTorch + NCCL 基准的内核，且在处理 rank 协调和通信机制选择时表现出明显的推理短板。
发布时间：推荐理由：该研究通过 ParallelKernelBench 评估了前沿模型在多 GPU 环境下编写高性能 CUDA 内核的能力，揭示了模型在处理复杂分布式通信与硬件协同方面的局限性。
Together AIAI 评分5454 Kimi K2.7 Code 对比 Claude Fable 5：网页生成成本降低 94%
Together AI 对比了 Kimi K2.7 Code 与 Claude Fable 5 在网页生成任务中的表现，结果显示 Kimi K2.7 Code 平均成本比 Fable 5 低约 16 倍，且在引入设计 MCP 提供视觉参考后，生成网页的排版与结构质量显著提升。
发布时间：
Amazon ScienceAI 评分6868 AWS 发布 Graviton5 实例并引入形式化验证的 Nitro Isolation Engine
AWS 宣布推出搭载 Graviton5 处理器的 M9g 和 M9gd 实例，该系列首次采用 Nitro Isolation Engine，通过 33 万行机器检查的数学证明，实现了商业云环境中虚拟机隔离的形式化验证。该引擎使用 Rust 编写，通过 Isabelle/HOL 证明了其在机密性、完整性、功能正确性及内存安全方面的表现。
发布时间：
Amazon ScienceAI 评分4848 智能体 AI 的物理世界落地与 Project Eluna 实践
Amazon 推出旨在优化物流中心运营的智能体 AI 模型 Project Eluna，通过将模型与物理定律及操作约束对齐，解决物理环境中的模型幻觉问题。研究提出了四种落地方法，包括利用物理引导的深度学习减少数据需求，以及通过 UQ4CT 框架实现不确定性感知推理，该框架在五个 benchmark 上保持高准确率的同时，将预期校准误差（ECE）降低了超过 25%。
发布时间：Amazon Science精选AI 评分7676 Amazon Science：弥合智能体系统中的意图与执行鸿沟
Amazon Science 发布论文并开源 Simple Strands Agent (SSA) 框架，旨在解决智能体在模型意图与工具执行之间的不匹配问题。研究指出，通过优化文件编辑工具、引入执行反馈机制以及根据不同模型家族调整推理与工具调用的平衡，可显著提升智能体在 SWE-Bench 和 Terminal-Bench-2 等基准测试中的表现。
发布时间：推荐理由：该研究通过定义智能体意图与执行之间的鸿沟，提出了模型与执行框架协同设计的原则，并开源了 SSA 框架以提升智能体在各类基准测试中的表现。
Amazon ScienceAI 评分6868 Amazon AGI 提出评估 AI 研究报告的审计评分流程
Amazon AGI 团队提出了一种名为“审计评分（audit-then-score）”的评估流程，旨在解决 AI 生成的复杂研究报告难以通过静态数据集进行事实核查的问题。
发布时间：
Amazon ScienceAI 评分6868 AWS 如何在数据中心网络中用扁平化架构取代 Fat Tree
AWS 研发了一种名为 RNG 的准随机网络拓扑，通过引入 ShuffleBox 光学组件和 Spraypoint 路由算法，解决了扁平化网络布线复杂及路由计算困难的问题。该架构已成为全球多数新建 AWS 数据中心的默认方案，相比传统 Fat Tree 结构，路由器数量减少 69%，吞吐量提升 33%，电力消耗预计降低 40%。
发布时间：
Together AIAI 评分6868 Together AI 发布编码智能体推理性能基准测试
Together AI 发布了针对编码智能体工作负载的推理基准测试，重点考察高并发、长上下文场景下的首字延迟（TTFT）与吞吐量表现。测试显示，Together Inference Engine 通过 ThunderMLA 等全栈优化，在 2.5M TPM 负载下相比 TensorRT-LLM 和 SGLang 表现出更优的延迟衰减曲线。
发布时间：
Berkeley AI Research精选AI 评分7878 自适应并行推理：高效推理扩展的新范式
自适应并行推理（APR）允许模型根据问题复杂度动态决定何时分解任务、并行执行线程及协调结果，旨在解决传统顺序推理带来的上下文冗余与高延迟问题。文章对比了 Multiverse 等修改推理引擎的方案与 ThreadWeaver 等客户端编排方案，并探讨了如何通过强化学习激励模型学习并行控制流，同时指出该领域在推理稳定性与训练目标上的开放性挑战。
发布时间：推荐理由：文章系统梳理了自适应并行推理这一新兴范式，对比了不同技术路径在推理效率与实现复杂度上的权衡，为理解大模型推理加速提供了关键视角。
Berkeley AI ResearchAI 评分5858 GRASP：面向世界模型的并行随机梯度规划方法
GRASP 是一种针对学习型世界模型的新型梯度规划器，通过将轨迹提升至虚拟状态以实现并行优化，并引入状态噪声与梯度重塑技术，解决了长程规划中梯度消失、爆炸及状态输入敏感性导致的脆弱问题。实验表明，该方法在长程任务中相比传统规划器显著提升了成功率并缩短了计算时间。
发布时间：
Berkeley AI ResearchAI 评分4040 LLM 交互识别算法 SPEX 与 ProxySPEX 发布
Berkeley AI Research 推出 SPEX 与 ProxySPEX 算法，旨在解决大规模 LLM 交互识别的计算难题。该框架利用稀疏性、低阶性和层次性等结构特征，通过策略性消融实验实现高效归因。其中，ProxySPEX 进一步利用交互的层次结构，在保持与 SPEX 同等性能的同时，消融次数减少约 10 倍，有效提升了长上下文场景下的归因准确性。
发布时间：
Berkeley AI ResearchAI 评分4343 基于信息论的成像系统设计框架
研究人员开发了一种基于信息内容评估与优化成像系统的框架，通过直接量化测量结果中包含的有用信息，解决了传统指标难以综合衡量分辨率、噪声与采样等因素的问题。该方法利用已知噪声物理模型简化互信息计算，在彩色摄影、射电天文学、无透镜成像及显微镜等四个领域中，均能准确预测系统性能。实验证明，该框架优化出的设计方案在无需特定解码器的情况下，即可达到 SOTA 端到端方法的性能，且显著降低了内存与计算需求。
发布时间：