现有用户模拟框架将应用建模为扁平的工具调用 API，无法捕捉数字环境中用户交互的状态性和顺序性。Apple 与加州大学圣塔芭芭拉分校、华盛顿大学等机构的研究团队提出 Proactive Agent Research Environment (Pare)，将应用建模为有限状态机，支持状态导航和状态依赖的动作空间，实现主动用户模拟。基于此构建的 Pare-Bench 包含 143 个多样化任务，覆盖通信、生产力、日程和生活方式类应用，用于测试上下文观察、目标推断、干预时机和多应用编排能力。
基于2026年2月Claude.ai对话样本，加拿大占全球流量的2.6%，人均使用量是预期的4.4倍，在总使用量前十国家中仅次于美国。加拿大内部采用率高度集中：安大略省占43.9%对话，不列颠哥伦比亚省人均使用量达预期的1.4倍，而纽芬兰与拉布拉多省仅为0.2倍。省级人均使用量与收入无关，而与专业、科学和技术服务业的就业占比高度相关。各省使用场景稳定：工作占34–40%，课程作业占13–18%，个人用途占44–51%。翻译请求与公共管理就业份额正相关，反映加拿大联邦双语政策；文档翻译是加拿大相对于其他英语国家最独特的使用场景。加拿大整体使用偏向学术和早期职业场景。
推荐理由：Anthropic 用自家平台数据给加拿大 AI 使用情况做了次详细 CT，最意外的发现是工业结构比收入更能解释各省采纳差异，翻译和学术用途占比尤其突出，做区域市场分析的值得一读。
Anthropic 分析了 2026 年 5 月两周内收集的 309,815 条匿名对话，将数千个价值术语归纳为四个核心轴：顺从与谨慎、温暖与严谨、深度与简洁、坦诚与执行。Sonnet 4.6 表现出更多温暖和顺从，Opus 4.7 则更频繁地主动警告风险并质疑假设。语言差异显著：Claude 在印地语中表达最多温暖，其次是阿拉伯语；在英语和俄语中则更严谨。四个轴仅能解释约 15% 的对话变异。
EleutherAI 发布了一个量化动态模型，用于分析AI系统的可治理性。该模型聚焦“欺骗性对齐”场景下的监督竞赛：若先进AI在逃避监督方面跑赢人类构建监督工具的速度，将导致稳定的失控。模型将AI分为合作与不合作两个池子，通过选择动力学模拟竞争结果，并纳入了Christiano描述的两种文明级失败模式。作者强调该模型并非早期预警系统，而是作为其概念验证组件，旨在识别关键不确定性参数和干预节点。
Greg Brockman@gdbAI 评分2626GPT-5.6 Sol Ultra found me a solution to another Erdos problem not long after this one. Problem #793 asks about asymptotic of a 2-primitive set. GPT again came up with an extremely short and elegant construction that enhances original Erdos method used to prove a weaker result.
Rohan Paul@rohanpaul_aiAI 评分4646Today we present Morpheus, a persistent enterprise simulation platform designed to make Continual Learning a reality. Morpheus is the world’s first real world Reinforcement Learning environment. Every Reinforcement Learning environment operates in the game world. Benchmarks like Atari, OpenAI Gym, MuJoCo, and Procgen are all small, game-like worlds that reset every few minutes. But the real world never resets. A business keeps running and evolving everyday. We tested how frontier LLMs would perform in realistic and dynamic business environments 🧬on Morpheus. The main conclusion was that LLMs are not continual learners. 🧵Here’s how we did it and what we learned:
François Chollet@fcholletAI 评分3636Today we present Morpheus, a persistent enterprise simulation platform designed to make Continual Learning a reality. Morpheus is the world’s first real world Reinforcement Learning environment. Every Reinforcement Learning environment operates in the game world. Benchmarks like Atari, OpenAI Gym, MuJoCo, and Procgen are all small, game-like worlds that reset every few minutes. But the real world never resets. A business keeps running and evolving everyday. We tested how frontier LLMs would perform in realistic and dynamic business environments 🧬on Morpheus. The main conclusion was that LLMs are not continual learners. 🧵Here’s how we did it and what we learned:
Anthropic 发布研究，通过构建“价值观轴”量化 Claude 表达的价值倾向。研究将 3,000 余种价值观压缩为四个关键轴：顺从 vs 谨慎、温暖 vs 严谨、深度 vs 简洁、坦诚 vs 执行。分析显示，Claude Opus 4.6 更倾向顺从、严谨、简洁和执行，而 Opus 4.7 更倾向谨慎、严谨、深度和坦诚；Sonnet 4.6 被认为更温暖。跨语言对比中，Claude 在阿拉伯语和印地语中更倾向温暖，在英语和俄语中更倾向严谨。该方法可帮助理解训练决策与文化背景对模型价值观的影响。
Baseten Base Labs 论文追踪写入 Qwen3 权重的虚构事实在后续 20 到 100 次写入后的存留情况。
Google Research 推出 SensorFM，一个从 500 万 Fitbit 和 Pixel Watch 用户超过 1 万亿分钟未标注多模态传感器数据中预训练的基础模型。该模型处理光学心率、加速度、皮肤电导、皮肤温度和气压高度等 34 项特征，采用名为“自适应与继承掩码”（AIM）的自监督训练方法。在 35 项健康与行为预测任务中，SensorFM 在 34 项上超越了使用手工特征的有监督基线模型。将 SensorFM 预测结果集成到 Gemini 健康智能体后，临床医生对健康摘要的评分在上下文、个性化、可论证性、相关性和安全性五个维度均显著高于基线版本。模型参数量从约 10 万到 1 亿不等，性能随模型和数据规模同步提升。
斯坦福大学研究人员提出 TRACE，一种能力定向的智能体训练系统。该系统从智能体自身的运行轨迹中诊断出反复出现的失败模式，针对每种能力合成一个可验证的训练环境，为每种能力训练一个 LoRA 适配器，并在专家之间路由模型 token。TRACE 在 τ²-Bench 上提升了 15.3 个点，在 SWE-bench Verified 上达到 73.2% 的 Pass@1。
南开大学徐文涛团队成功研制全球首款仿生听觉神经接口，构建了集声音采集、神经形态编码、语义处理、生物电信号输出于一体的完整人造听觉神经环路。该系统模拟耳蜗感知声音，借鉴大脑神经网络进行筛选分析，并将信息转换为生物神经可识别的电脉冲，实现与活体神经的稳定连接。动物实验中，植入该接口的失聪兔不仅能重新感知声音，还能识别不同语音指令并完成“打字”“踢球”等行为任务。相关成果发表于《自然·材料》。
密歇根大学在《自然·医学》发表 NeuroVFM，一种基于 Vol-JEPA 的通用神经影像视觉基础模型。该模型在包含 524 万份临床 MRI 与 CT 容积影像的 UM-NeuroImages 数据集上训练，采用自监督、仅视觉的潜在空间预测方法，无需标签或放射报告。在 156 项诊断任务中，NeuroVFM 在 CT 上达到 92.68 AUROC，在 MRI 上达到 92.49 AUROC，优于所有基线。完整 Vol-JEPA 训练使用不到 1000 GPU 小时，速度比 3DINO 基线快 7 倍以上。该模型还支持报告生成与分诊，与 Qwen3-14B 结合的 NeuroVFM-LLaVA 系统在分诊准确率上超越 GPT-5 和 Claude Sonnet 4.5。
Ethan Mollick@emollickAI 评分3939ever wondered if @googlemaps will route different people differently to lower overall congestion? turns out - they have been experimenting with this based on this recent paper in @NatCities key line - "For this study, the Google Maps algorithm was modified to prefer alternative routes with similar travel times and segment types, effectively guiding trips away from the pre-selected congested segments." result? "Averaged across citie ... a median increase of around 2% in driving speeds" https://research.google/blog/the-power-of-collaboration-how-we-can-reduce-traffic-congestion/
Alaya Lab 与上海交通大学等机构提出的 AgenticSTS 项目，用五个固定记忆层（L1 协议指令、L2 状态模式、L3 检索规则、L4 历史对局摘要、L5 策略技能库）替代不断增长的对话日志，每次决策仅构建约 5,000 token 的提示词。在最低难度 A0 下，无记忆层时胜率 3/10，启用 L5 技能库后升至 6/10。对比公开智能体 STS2MCP 和 CharTyr，AgenticSTS 每得一分仅消耗其 1/66 至 1/90 的 token 量，且耗时仅为四分之一。跨模型迁移测试中，Gemini 3.1 Pro 积累的记忆使 Qwen 3.6-27B 平均分提升 84.5%，但 Deepseek V4-Pro 分数下降 18.1%，记忆内容与创建模型强绑定。
OpenAI 宣布其 GPT-5.6 Sol Ultra 模型在不到一小时内生成了图论难题“循环双覆盖猜想”的完整证明。该猜想由数学家 George Szekeres 和 Paul Seymour 于 1970 年代提出，悬而未决超过 50 年。模型通过调用 64 个并行子智能体及对抗智能体，在预留的 8 小时计算时间内仅用约 1 小时完成证明。OpenAI 已将证明及提示词以 PDF 形式发布。该证明尚未经同行评审，也未使用 Lean 等形式化工具验证。若通过验证，这将是 LLM 首次独立解决维基百科“未解决数学问题”列表中的难题。
AMD 在 2026 年度 I3D 研讨会上公布 PEPS（位置编码投影采样）技术，用于神经纹理压缩。该技术将每个正弦/余弦投影视为李萨如曲线上的点并采样，在保持画质前提下将模型参数量削减 25%。在 Radeon RX 9070 XT 上，生成 1024×1024 三通道纹理时，BI-grid 基准耗时 4.32 毫秒，Grid-PEPS 增至 5.47 毫秒，优化后的 Grid-PinkPEPS 降至 4.86 毫秒。在 Pitted Stonefish SDF 测试中，Grid-PEPS 编码器参数仅为非 PEPS 方法的八分之一时，仍能达到几乎相同的交并比（IoU）。目前 AMD 尚未为该项技术确立正式商用品牌名称。
韩国UNIST在IEEE/JSAP研讨会上提出V-Die方案，将DRAM侧立放置并取消TSV，改用底边I/O连接，相邻裸片间加入液冷通道。与HBM4等容量对比下，V-Die在GPT-3规模工作负载中达540 tokens/s，HBM4为296 tokens/s，高出82.43%。底边连接间距20微米，连接数量可达HBM4的4倍，内存读取时间下降37%。16层堆叠仿真中首Token时延降低32%（约24毫秒），微流体冷却可将堆叠温度维持在约45°C。东京大学牵头团队提出的MOSAIC方案采用正交裸片堆叠与无接触裸片互连，原型接口速率最高达4 Gbps/通道，可实现HBM4级容量的2倍。
一篇被 AI4TCI 研讨会接收的论文，系统研究了 AI 智能体在谈判场景中的行为隐私泄露问题。研究将智能体通过谈判行为推断对方隐私信息的攻击形式化为推理攻击，并提出基于随机化策略的缓解方法。该工作聚焦于智能体交互中因行为模式可预测性导致的隐私风险，为构建更安全的智能体系统提供了理论框架与防御手段。
PromptArmor 自 5 月中旬至 6 月底追踪 Claude 和 ChatGPT 的第三方连接器，发现 2517 个连接器中 931 个发生了能力或权限变更，新工具、权限范围、注入指令等在审批后持续漂移且缺乏重新确认机制。
推荐理由：研究用一手监测数据量化了连接器审批后的能力漂移，读者可据此重新评估组织的连接器治理流程。
Noam Brown@polynoamial精选AI 评分8686昨天，我们让 GPT-5.6 Sol Ultra 正式全面可用。今天，我们分享它使用 64 个子代理，在不到一小时内就给出了已有 50 年历史的 Cycle Double Cover 猜想的证明。我们在下面分享提示词和证明。我们很期待看到大家用 Ultra 做出什么！
推荐理由：GPT-5.6 Sol Ultra 靠 64 个子智能体一小时证明了半世纪未解的数学猜想，这不再是刷 benchmark——这是 AI 首次在公开模型上做出真正的科学发现。做数学和理论物理的人该认真看看 prompt 和证明。
Ethan Mollick@emollickAI 评分5555Three years later and our paper is finally out at Management Science! https://pubsonline.informs.org/doi/abs/10.1287/mnsc.2024.06909 This was just an *incredible* paper to work on. I learned so much working with Nick Otis, @daveholtz @solenedelecourt and @RowanPClarke
X.PIN@thexpin精选AI 评分7979推荐理由：人形机器人首次在活体动物上完成标准微创手术，成本仅为达芬奇零头，虽然离临床还很远，但信号明确，手术机器人可能被重新定义。
DeepSeek-V4 Flash 的强化学习训练现已在 AMD Instinct MI355X GPU 上通过 Miles 框架获得支持，基于 ROCm 软件栈运行。该 2840 亿参数 MoE 模型（每 token 激活 130 亿参数）需 SGLang 进行 rollout 生成、Megatron 进行策略更新，Miles 负责异步循环与权重同步。团队解决了 SGLang 与 Megatron 间模型对齐、量化状态在线更新及多节点并行稳定性三大挑战，最终在四个八 GPU 节点上完成端到端验证：超过 100 个优化器步骤中训练-rollout 对数概率差可控，在线奖励持续提升，离线 AIME-2024 基准分数同步上涨。
推荐理由：把 DeepSeek-V4 Flash 的 RL 训练完整搬到 AMD MI355X 上，不是画饼，而是给了实测数据和可跑的配置。想用非 NVIDIA 卡做 RL 训练的，可以照着踩坑。
Amazon 与密歇根大学提出 HydroShear，为仿真器加入路径依赖力追踪能力，可精确建模触觉剪切力，让机器人在仿真中学习接触密集型操作策略并零改动迁移到真实世界。在 Franka 机器人搭配 GelSight Mini 传感器的四项任务中，HydroShear 平均成功率达 93%，高于 TacSL 的 34% 和 FOTS 的 58% 至 61%。
小红书提出 PIPO 架构，通过输入侧压缩器将两个 token 折叠为一个 latent，输出侧 MTP head 将隐藏状态展开为额外 token，实现输入长度减半、每步输出翻倍。基于 Qwen3.5-4B/9B backbone，在 AIME 2025 等基准上最高带来 +7.15 pass@4 提升。部署测评中，TTFT 加速约 1.23×，TPOT 加速约 1.86×。训练采用 SFT 和 On-Policy Distillation 两阶段，将 verifier 校验能力蒸馏进轻量 confidence head。
推荐理由：PIPO把输入压缩和输出多token预测统一起来，并且用蒸馏把验证成本前置，长推理的场景下这可能是下一代推理引擎的样子，做模型加速的应该认真看看。
小红书大模型基建团队提出新架构 PIPO（Pair-In, Pair-Out），通过压缩器将两个输入 token 折叠为一个 latent、MTP head 每步展开为两个输出 token，实现输入长度减半、单步输出翻倍。
Google Research 推出 SensorFM，一个用于可穿戴时间序列表征学习的大传感器基础模型。它以 ViT-1D 为骨干，采用掩码自编码器目标训练，输入来自 PPG、加速度计等五种传感器的 34 个一分钟聚合特征，上下文窗口为 24 小时。预训练数据涵盖 500 万参与者、超 20 亿小时（超 1 万亿分钟）数据。提供四种规模变体，最大变体 SensorFM-B 在 35 项任务中 33 项表现最优。模型采用自适应与继承掩码（AIM）处理缺失数据，随机插补任务相比最佳基线提升 74.8%。
Rohan Paul@rohanpaul_aiAI 评分6767Grok 4.5 just constructed an explicit counterexample to hypercontractivity for the Poisson semigroup (the square root of the Laplace–Beltrami operator) on the 4-sphere. Back in 2021, with Rupert Frank https://arxiv.org/abs/2101.06209 we proved that hypercontractivity holds in dimensions ≤3 and fails in sufficiently large dimensions (for example, in dimension 13). Grok's example shows that it already fails in dimension 4, making our earlier result sharp. I also tested this problem on several other frontier AI models. One of them also managed to find a counterexample, but I particularly like Grok 4.5's solution: it is explicit, simple, and elegant. The attached files were generated entirely by Grok 4.5 build (with zero intervention on my side).
研究人员披露名为 HalluSquatting 的新型 AI 漏洞，利用模型在调用工具时的幻觉，将不存在或错误的代码仓库地址当作真实地址使用。特拉维夫大学、以色列理工学院和 Intuit 的研究显示，Claude 等代码智能体在收到“运行 windowstelemetryoff 脚本”等指令时，可能自行补全出看似合理但实际错误的仓库地址，并在执行网页搜索后仍访问恶意版本。量化结果中，模型对近期仓库位置的幻觉率最高达 85%，对热门智能体技能可达 100%。应用层攻击成功率分化：Cursor、Gemini CLI 和 Copilot 为 20%-35%，OpenClaw 及其变体接近 80%-100%。
Elon Musk@elonmuskAI 评分5858Grok 4.5 just constructed an explicit counterexample to hypercontractivity for the Poisson semigroup (the square root of the Laplace–Beltrami operator) on the 4-sphere. Back in 2021, with Rupert Frank https://arxiv.org/abs/2101.06209 we proved that hypercontractivity holds in dimensions ≤3 and fails in sufficiently large dimensions (for example, in dimension 13). Grok's example shows that it already fails in dimension 4, making our earlier result sharp. I also tested this problem on several other frontier AI models. One of them also managed to find a counterexample, but I particularly like Grok 4.5's solution: it is explicit, simple, and elegant. The attached files were generated entirely by Grok 4.5 build (with zero intervention on my side).
PromptArmor 审查了当时可用的 487 个 Claude Connectors 共 7517 个工具，发现其中 189 个（约五分之二）的 386 个工具很可能在下游调用其他 AI 服务。
推荐理由：原文给出了 Claude Connectors 二次调用外部 AI 的实测比例、工具分类和具体风险，读者可据此评估企业数据流合规。
Apple机器学习研究团队提出训练无关诊断框架，以每个token、每个问题、每个教师的分辨率分析on-policy蒸馏。通过可扩展targeted-rollout算法估计理想梯度，并计算蒸馏梯度与理想梯度的余弦相似度（梯度对齐分数）。实验发现，蒸馏指导在错误rollouts上的对齐程度显著高于正确rollouts；最优蒸馏上下文取决于学生模型容量和目标任务，无通用配置。这些发现推动每任务、每token的诊断分析。
Apple 机器学习研究团队提出 SRLM 框架，利用自一致性、推理链长度和口头置信度三种内在信号，让模型在推理时评估候选长上下文交互程序。实验表明，在相同时间预算下，SRLM 较传统递归语言模型（RLM）最高提升 22%。分析发现，递归本身并非 RLM 性能关键，简单的自反思程序搜索无需显式递归即可匹配或超越 RLM；在模型上下文窗口内，RLM 反而降低性能，而 SRLM 在短上下文和长上下文中均实现稳定增益。
多模态大语言模型（MLLM）在第一人称视频理解中缺乏时序感知，常依赖空间捷径。为此，研究者提出 Temporal Global Policy Optimization（TGPO），一种基于可验证奖励的强化学习算法。TGPO 通过对比模型在时序有序与打乱帧上的输出，生成全局归一化奖励信号，明确奖励时序连贯推理。TGPO 可集成 GRPO 和 GSPO，支持冷启动 RL 训练，抑制 MLLM 的空间捷径行为。在五个第一人称视频基准上，TGPO 一致提升时序定位与因果连贯性，优于此前基于 RL 的视频推理方法。
