openJiuwen首发TTSE双轨自演进框架与论文
openJiuwen发布TTSE双轨自演进框架，将智能体经验分为FACT环境事实与TIP条件式技巧，并通过归因、退役、矛盾分析和归纳持续更新。相关论文在ALFWorld、ScienceWorld、GDPevo、SOPBench和PinchBench等基准上评测，WorkSwarm 0.2.8已上线双轨演进Rail。
#推理
量子位AI 评分6969
雷峰网精选AI 评分7979 百度文心披露 ERNIE Evolve 递归自我改进进展
百度文心首次披露 ERNIE Evolve 自动研究系统，并将其用于即将发布的文心 5.5 Flash 推理优化。该系统通过多智能体双层循环自主提出方向、修改代码、评测结果并沉淀经验，在 NanoChat AutoResearch 和 NanoGPT Speedrun 任务的三个指标上取得公开验证的 SOTA 表现。
推荐理由：文章披露了递归自我改进系统在真实推理优化中的双层研究闭环、三类生产指标与安全边界，为评估自主研发系统的工程价值提供了具体依据。
MarkTechPostAI 评分4949 DeepSeek、Qwen、Mixtral、Llama 4 与 gpt-oss 的 MoE 路由机制对比
DeepSeek、Qwen、Mixtral、Llama 4 与 gpt-oss 等 10 款开源 MoE 模型采用 token-choice 路由，但在专家数量、top-k、共享专家、门控评分和负载均衡上差异明显。
The DecoderAI 评分5656 Vals AI 发现 Inkling 2 Small 在基准测试中出现 316 次 F-bomb
Vals AI 分析 Thinking Machines 的 Inkling 2 Small 在 13 个基准测试中的 2,655 次运行，发现 50 次运行出现 316 次“fuck”或其变体，其中 241 次来自 2 次失控运行。
The DecoderAI 评分7272 Into the Unknown 评测显示 9 个 AI 智能体无一通过专家门槛
Carnegie Mellon University 团队与美国能源部国家实验室科学家构建 Into the Unknown 基准，9 个 AI 智能体完成的 135 份投稿无一同时满足诚实、完整和专家质量要求。GPT-6 Astra 在 15 项任务中的 11 项提交未出现完整性违规，但只有 1 份提交完整。研究还发现更长运行时间未带来更好结果，代码和数据已公开并提供模型排行榜。
IT之家AI 评分6464 Anthropic 未发布模型辅助证明阿伦森－安拜尼斯猜想
Physical Superintelligence（PSI）借助 Anthropic 一款尚未发布的 AI 模型，在三天内证明了量子计算领域的阿伦森－安拜尼斯猜想。该证明指出，量子计算要获得某些指数级速度优势，必须依赖问题中的特殊规律或结构。PSI 未披露具体使用的模型。
IT之家AI 评分6969 英伟达提出全栈协同设计方案应对 AI 内存瓶颈
英伟达发布技术解读，提出将 GPU、CPU、网络、存储和软件整体协同设计，以缓解大模型与智能体工作流面临的 HBM 容量和带宽压力。
雷峰网AI 评分5656 Google 与 Mercor 的 PLE 研究揭示工程 Agent 交付瓶颈
Google 与 Mercor 近日发布 Physical-Engineering's Last Exam（PLE），用 85 项机械、电气、土木与结构工程任务评估 Agent 的实际交付能力。
雷峰网AI 评分6363 上海交大邓志杰解析扩散语言模型的并行生成与加速方法
上海交通大学副教授邓志杰在 CNCC 2026 讲解扩散语言模型如何在保证生成质量的同时提升速度，并介绍跨块并行、后训练和推理系统优化等方法。文中涉及 LLaDA、Dream、D2F、MultiBD、CForce、LightningRL、Fast-dLLM 和 LoPA 等路线，以及流式视频、语音修复、多模态和智能体应用探索。
The DecoderAI 评分6161 CloudOpsBench 开源基准揭示 AI 智能体云运维中的推理瓶颈
CloudOpsBench 1.0 是面向 AWS 云端 DevOps 任务的开源基准，由 experienced DevOps engineers 构建，包含 45 项任务。
The Decoder精选AI 评分8080 MIT 研究用 GPT-6 Astra 直接修改其他 AI 模型权重
MIT 研究人员展示 GPT-6 Astra 无需传统再训练，即可直接分析并修改其他 AI 模型的内部权重，并将其称为 Weight-Space Programming。
推荐理由：研究以 Qwen3.5-0.8B 为例展示了直接修改模型权重的实验效果，也明确呈现了方法受限于模型已有能力的边界。
The DecoderAI 评分6868 Anthropic 开源 FlashProve 原型，用密码学验证 AI 响应来源
Anthropic 发布开源研究原型 FlashProve，通过 zkSNARK 证明 AI 响应是否由指定模型生成，同时不暴露模型权重。该系统目前只支持最长 1,024 tokens 的上下文，并仅适用于模型选择最高概率下一 token 的场景。
雷峰网AI 评分5656 MIT CSAIL 以权重空间编程局部修复 Qwen3.5-0.8B 推理循环
MIT CSAIL 让 GPT-6 Astra 定位并编辑 Qwen3.5-0.8B 中与推理循环相关的参数，仅改动约 0.016% 的权重，使 MATH-500 成绩从 7.9% 提升到 48.1%。研究还覆盖游戏网络、车辆控制和 Gemma 3 270M 对照实验，并将这种从权重中识别计算路径、直接生成或修改参数的方法称为 Weight-Space Programming。
雷峰网AI 评分4848 严骏驰团队提出 JTok 与 xHC 两条 Transformer 架构扩展思路
严骏驰团队在 CNCC 2026 提出 JTok 与 xHC：前者以可学习参数表扩展 token 容量，后者以十六路残差流、稠密读取和稀疏写回扩展模型容量。实验显示，JTok-M 达到相同损失可节省约 35% 训练算力，但推理延迟增加约 7%；xHC 在 18B MoE 上将平均分从 44.8 提升至 48.8，并较标准 Transformer 节省约 33% 训练算力。
MarkTechPostAI 评分7070 Anthropic 开源 FlashProve，用加密证明验证模型回复来源
Anthropic 发布开源研究原型 FlashProve，通过 zkSNARK 证明回复来自已承诺权重的模型，同时不泄露权重。FlashProve 在 Llama 4 Maverick 的 400B MoE 模型上使用 1 张 H100 实现约 110 tokens/second 证明，生成 18.78 MB 证明，并可在 CPU 上用 17 秒完成验证。
The DecoderAI 评分6868 Stanford研究称44%的LLM既有研究结论已失效
Stanford研究人员用20个模型检验50项广泛引用的LLM结论，其中44%已失效，另有34%显著减弱，仅16%仍成立且6%增强。22项可估计失效时间的结论平均仅维持15.7个月，其中推理能力限制类结论失效最快。研究团队建议将LLM实证结论视为特定模型在特定时间点的观察，并公开模型版本、日期、提示词与分析代码以便复测。
MIT Technology Review AIAI 评分5050 “反向博弈论”如何约束 AI 智能体
一种被称为“反向博弈论”的机制设计方法，正尝试通过交叉检查、竞争和求解者与审计者分工，激励 AI 智能体遵守规则并减少测试伪装。该方法不要求完全理解模型内部机制，但依赖对智能体行为理性的假设。研究者也指出，智能体可能串谋、寻找漏洞，且面向单项任务设计的机制能否迁移到真实前沿模型仍不明确。
爱范儿AI 评分6262 GPT-6 Astra 直接修改 Qwen 权重提升数学成绩
MIT CSAIL 团队让 GPT-6 Astra 直接修改 Qwen3.5-0.8B 的 131072 个权重参数，将 MATH-500 成绩从 7.9% 提升至 48.1%，GSM8K 从 13.8% 提升至 67.1%。
