稀疏混合专家（MoE）中，每层独立路由token。论文从“专家路径”（token在各层选中的专家序列）视角发现：尽管N专家L层有N^L条可能路径，实际token仅聚集在少数与语言功能对齐的路径上，大部分路径未被利用。为此提出PathMoE，在连续层块间共享路由参数，强制约束有效路径空间以放大自然聚集。0.9B和16B参数模型实验显示，相比独立路由，PathMoE在困惑度和下游任务上一致改进，且无需辅助损失。专家路径为MoE设计提供了新维度。
Apple 机器学习研究团队采用紧凑的 seq2seq 模型进行 ASR 纠错，训练数据来自真实和合成音频的 ASR 错误。通过级联 TTS 和 ASR 构建合成语料，关键在于匹配真实错误分布的多样性。模型采用 correction-first 解码，生成候选后利用 ASR 声学分数重新排序。与 LLM 相比，该模型参数少 15 倍，在 LibriSpeech test-clean/other 上分别达到 1.5% 和 3.3% 的词错误率（WER），优于 LLM，并能泛化至 CTC、Seq2seq、Transducer 等多种 ASR 架构，在低错误率场景中提供精确纠错。
Apple与Google团队研究连续扩散（CD）口语语言模型（SLM）的缩放性质。CD SLM直接处理连续语音，避免离散化瓶颈。引入音素Jensen-Shannon散度（pJSD）评估语言质量，发现验证损失和pJSD均遵循缩放定律，最优token-to-parameter比率随计算量增加而下降。扩展至16B参数并采用数千万小时对话数据训练后，可生成富有情感、韵律、多说话人、多语言的语音，但长文连贯性仍为显著挑战。
IBM 与橡树岭国家实验室、克利夫兰诊所合作，首次在量子计算机上成功计算出一种聚变能燃料生产材料的九种分子构型。该材料为含氟、锂、铍的液态熔盐（FLiBe），是核聚变反应堆中提取氚燃料的首选候选材料之一。团队采用以量子为中心的超级计算技术，借助 IBM 制造、并经由 AI 和百亿亿次级（exascale）计算增强的量子计算机，加速了科研探索与设计周期，为聚变堆生产充足氚燃料提供了保障。
蚂蚁集团推出 Alipay-PIBench，一个用于评估 AI 编程智能体在真实支付集成任务中表现的仓库级基准。该基准涵盖 9 个产品级项目和 18 个任务实例，分为基础（功能支付完成）和高级（风险感知支付加固）两类场景，通过基于评分规则的评估方法衡量功能正确性、可靠性、安全性和业务状态一致性。在启用技能条件下，智能体的平均评分通过率（RPR）介于 68.58% 至 91.37% 之间。
国际研究团队（SuperC联盟）结合机器学习与量子物理，研发出高效超导体筛选方法。通过机器学习预筛选数十亿种元素组合，再精细计算并实验室合成，成功发现两种新型超导体YRu₃B₂和LuRu₃B₂。其超导特性源于笼目晶格的平带电子结构。SuperC联盟成立于2023年，目标2033年前找到室温超导体。成果发表于《物理评论研究》期刊。
Rohan Paul@rohanpaul_aiAI 评分6565"GPT-5.5 Pro Outperforms 99.9% of Doctors and Predicts AI Superiority in Medicine by Next Year" An optimistic AI viewpoint since there are no studies in real world medicine; all we have now are simulations, case vignettes, patient actors, etc. Beyond that, performance metrics need work as we've recently open-source published. Here's what the editors @NatureMedicine wrote: This study cuts through the optimism surrounding medical AI by showing how easily benchmark success can be mistaken for real readiness. In medical AI, impressive scores are clearly not the same as trustworthy capability.” [link below] Our results were independently confirmed by @yishan in current frontier models, such as GPT-5.5 Pro, text below https://www.nature.com/articles/s41591-026-04501-8 https://x.com/yishan/status/2070742742133780960"
北京大学杨玉超团队联合中科院上海微系统所等，在《科学》发表成果，成功研制全球首款基于相变忆阻器的毫秒级神经动力学芯片。采用40nm工艺，芯片面积0.28mm²，运行频率50MHz，单步运算时延2.12ms。相比专用加速器速度提升3.82~36.27倍，功耗降低11.75~24.73倍；相比NVIDIA A100 GPU提速50.38~478.18倍。突破“可控存内计算”难题，为脑机接口等实时脑建模提供支撑。
Rohan Paul@rohanpaul_aiAI 评分5555This Yale + University of Chicago paper shows that real gap between LLM generated research ideas vs humans is not idea quality, but idea range: LLMs think narrower than human researchers. The researchers built a controlled test from 11,683 real papers, using each paper’s nearby prior work as the shared starting point. They asked models to propose a new motivation and method from those same prior papers, then compared those ideas with the real human paper ideas. Instead of asking whether 1 idea looked novel, they labeled each idea by what gap it noticed and what kind of contribution it made. Human ideas spread across many patterns, such as explaining mechanisms, testing failures, measuring evidence, building systems, and improving efficiency. Only 12.1% of human ideas were mainly about connecting separate work, but 47.1% to 64.2% of LLM ideas did that, meaning models used this move about 4 to 5 times more often. Even extra reasoning made this pattern stronger, suggesting models often polish a familiar recipe instead of finding more varied research moves. --- – arxiv. org/abs/2607.01233 Title: "Measuring the Gap Between Human and LLM Research Ideas"
NVIDIA Research 推出 HORIZON，一个针对硬件设计的免人工干预 AI 智能体框架。它将硬件设计视为仓库级代码演化，仅需结构化 Markdown 说明（含目标、领域知识、评估器和验收条件）作为输入。自洽智能体循环在隔离的 git worktree 上迭代编辑、调用工具并运行评估器，仅当可执行验收门通过时才提交版本。HORIZON 使用 GPT-5.3 作为固定骨干，保持持久会话以复用提示缓存。在 ChipBench、RTLLM-2.0、Verilog-Eval 及 CVDP（含783个人工编写问题，13个类别）评估中，所有基准套件达到 100% 通过率；首次迭代总体通过率为 47.8%，不同类别收敛速度差异显著（如代码补全需82轮，RTLLM-2.0仅需两轮）。研究团队同时指出，智能体硬件设计问题尚未被彻底解决。
NVIDIA 联合密歇根大学、UIUC、UC Berkeley 等提出 ASPIRE，一个持续学习机器人框架。它通过协调器-执行器架构、闭环执行引擎、技能库和进化搜索，编写并优化机器人控制程序。编程智能体使用 Claude Code（Claude Opus 4.6，1M token 上下文窗口）。在 LIBERO-Pro 上最高比最强基线提升 77 分；Robosuite 双手交接成功率从 20% 提升至 92%；BEHAVIOR-1K 收音机拾取任务从 56% 提升至 88%。利用 LIBERO-90 积累的技能，ASPIRE 在零样本条件下对 LIBERO-Pro Long 任务达到约 31% 成功率，此前方法饱和在 4% 附近。
推荐理由：ASPIRE让机器人编程从单次尝试变成持续学习，把失败调试沉淀成可复用技能库，长任务零样本直接从4%拉到31%，这条思路比具体数字更有启发性。
华为半导体负责人何庭波于7月3日发布《面向多层级电子系统的时间缩微理论》（韬定律）V2版。相较5月25日的V1版，新论文新增τ分层时空模型、LogicFolding架构等示意图，形成8章体系。工程部分深入阐释LogicFolding齿比概念，使3D设计从宏块级离散优化转向单元级连续优化。新增量产实测数据表，给出Kirin 2026与Kirin9030 Pro的电压、频率、功耗等参数。技术路线图细化移动端TSV下移至M6层、多有源层堆叠，以及AI端Ascend系列加速器迭代节奏。
北京大学集成电路学院联合中科院上海微系统所，发布全球首款基于可控存内计算的忆阻器神经动力学芯片，首次将单步运算时延压缩至2.12毫秒。芯片采用40纳米工艺，存内计算阵列与外围电路总面积0.28平方毫米，运行频率50 MHz，单步积分仅需9级流水。在脑皮层重建等任务中较当前GPU提速50至478倍，突破神经动力学实时计算瓶颈。相关成果7月3日发表于《科学》。
推荐理由：全球首款神经动力学芯片将单步时延压至2.12毫秒，首次实现实时计算，比GPU快50倍以上，这是神经拟态芯片落地的关键一步，做实时仿真和边缘AI的可以留意。
Rohan Paul@rohanpaul_aiAI 评分4949Our papers just got accepted at #ECCV2026 — and the one we're most excited about: SPEAR, our next-gen Physical AI simulation platform, built with multiple tech giants. SPEAR closes the loop from real-world space to robot training: digitize → simulate → train. Alongside Syn-GRPO and WalkerBench, this is our full-stack bet on the data, simulation, and evaluation infrastructure that Physical AI runs on. Built on OpenUSD. Designed for the age of Physical AI. Huge thanks to our SPEAR co-authors and partners: @ros_german, @StefanLeuteneg1, Kalyan Sunkavalli, Vladlen Koltun, Rushikesh Zawar, Rachith Dey-Prakash, and Quentin Leboutet. #PhysicalAI #EmbodiedAI #Robotics #Simulation #ECCV2026 #SpatialAI #OpenUSD
北卡罗来纳大学教堂山分校研究团队利用自动化框架CASPER，从8个维度评估数千个AI生成小说中的角色刻画，发现AI生成的角色往往套路化、依赖刻板印象，故事多以圆满结局收尾，缺乏悬疑和模糊性。研究第一作者、计算机科学研究生Annelise Blay指出，人类作家常留下未解疑问，保留角色神秘性，而模糊性正是故事令人难忘的关键。该研究已发表于ACL Anthology。
Noam Brown@polynoamialAI 评分3030大多数AI智能体评估将能力归结为一个分数。但该数字隐藏了一个关键选择：智能体被允许使用的计算量。新工作展示了为什么这很重要。Noam Brown称赞这是优秀工作。
Most AI agent evaluations boil capability down to one score. But that number hides a key choice: how much compute the agent was allowed to use. New work from our Science of Evaluation team shows why that matters. 🧵
7月3日，阿里达摩院联合中国人民大学、中国科学院大学发布首个超导材料发现AI智能体Elements Claw。该智能体采用“专通融合”架构，基于1.25亿分子/晶体结构预训练的1B参数原子基础模型Elements，判断超导性AUC达0.996，预测临界温度平均误差小于1K。AI仅用28个GPU小时筛选240万晶体结构，预测出6.8万个候选材料，其中4种（Hf₂₁Re₂₅、Zr₄VRe₇、HfZrRe₄、Zr₃ScRe₈）已合成并验证超导性，临界温度最高6.5K。全部240万稳定晶体数据库已开放。
推荐理由：我认为这是 AI for Science 的标志性突破，AI 智能体第一次从头设计并实验证实了全新的超导材料，把 AI 角色从辅助推到「独立发现」，对做材料模拟和科学发现的团队是个转折点。
Rohan Paul@rohanpaul_aiAI 评分5151
Introducing EdgeBench, a benchmark designed to study how agents learn from environments over at least 12~72-hour runs. We find that performance follows a log-sigmoid function of environment interaction time with high precision. EdgeBench is built with three ingredients: - 🌍 Real & Diverse: 134 real-world tasks across 6 task categories, spanning scientific problems, professional knowledge work, software engineering, optimization, formal math, and games. - ⏳ Ultra-Long-Horizon: Each task supports 12–72 hours of agent work. Recorded human effort averages 57.2 hours. - 🔁 Informative Feedback: Agents receive real-world feedback for continuous improvement. After 38,000 hours of agent runs on EdgeBench, a scaling law for learning from environments emerges: - 📈 As agents interact with task environments over time, their aggregate performance is precisely fit by a log-sigmoid function. - 🧠 This phenomenon can be explained by an elegant theory of graph exploration. We are releasing an initial 51 of the 134 tasks, together with the full evaluation framework, to help advance long-horizon agent research. Check our blog & paper for more findings! Blog https://edge-bench.org/ Paper https://edge-bench.org/paper.pdf GitHub https://github.com/ByteDance-Seed/EdgeBench Dataset https://huggingface.co/datasets/ByteDance-Seed/EdgeBench Details below 👇🧵
针对目标环境分布偏移下的域泛化问题，在反因果设定中（结果变量导致观测协变量），环境扰动不影响结果变量，因此可通过正则化模型对这些扰动的敏感性来提升鲁棒性。估计扰动方向无需标签，从而能利用多环境中的无标签数据。提出两种方法，分别惩罚模型在环境间协变量均值和协方差的变化，并证明其在特定环境类下具有最坏情况最优性。在受控物理系统和生理信号数据集上验证了方法的有效性。
推理大语言模型支持测试时扩展，准确率随 token 预算增加而提升，但预算设定带来风险-精度权衡。Conformal Thinking 框架将预算设定重定义为风险控制问题：在最小化计算量的同时限制错误率。该框架引入上阈值（模型足够自信时停止推理，承担输出错误的风险）和下阈值（提前终止无法解决的实例，承担过早停止的风险）。给定目标风险与验证集后，使用无分布风险控制来最优指定这些停止机制。跨多种推理任务和模型的实验表明，该方法在遵守用户指定风险目标的同时，通过下阈值与集成停止机制实现了计算效率提升。代码已开源。
扩散大语言模型（dLLM）可并行解码多个token，但现有分块式dLLM依赖重新掩码机制，仅保留最置信token而丢弃其余，造成计算浪费。本文提出Residual Context Diffusion（RCD）模块，将丢弃token的表示转化为上下文残差并注入下一次去噪步骤，采用解耦两阶段训练绕过内存瓶颈。在长CoT推理（SDAR）和短CoT指令跟随（LLaDA）模型上验证，标准dLLM仅需约10亿token即可高效转换为RCD。RCD在多项基准上以极小额外计算将前沿dLLM精度提升5–10个点，在最具挑战的AIME任务上几乎翻倍基线准确率，等效精度下减少4–5倍去噪步数。
研究人员提出使用强化学习训练扩散语言模型（dLLM）的采样策略。该方法将掩码扩散采样形式化为马尔可夫决策过程，以 dLLM 为环境，采用单层 Transformer 策略网络将 token 置信度映射为去掩码决策。实验表明，在半自回归（块）生成中，该策略匹配了最先进的启发式方法，在全扩散设置中则超越后者。
Ethan Mollick@emollick精选AI 评分7777关于Mythos和网络安全的讨论并非炒作。 （正如任何使用Fable进行自主工作的人可能已经认识到的那样。）
AI 似乎正在大规模发现软件漏洞。 2026 年 6 月，21 家知名机构披露了约 1,500 个高危和严重级别的 CVE，是 Claude Mythos Preview 发布前创下的月度纪录的 3.5 倍以上。
推荐理由：AI在安全漏洞发现上第一次展现出规模化能力，6月CVE数直接翻了3.5倍，所有做安全的人今天起都得重新评估自己的攻击面。
Krea@krea_aiAI 评分3333感谢Thinking Machines团队，我们使用Tinker原型化了我们的奖励模型，并通过RL训练了提示词扩展器。 更多信息，请阅读关于Krea 2背后数据、架构和训练的完整技术报告 👇
Training image models requires a surprising amount of Tinkering: prototyping reward models, training a prompt expander, and creating the RL environment. We love the creativity from @krea_ai!
大语言模型可涌现推理行为，但复杂推理轨迹在无约束采样中稀疏，标准强化学习难以保证多样性。Ctrl-R框架通过可追踪轨迹控制主动引导rollout，激励探索多样推理模式，并利用重要性采样实现无偏on-policy优化，引入重要性采样权重的幂缩放因子以选择性学习分布外轨迹。实验表明，Ctrl-R在语言和视觉-语言模型的数学推理任务上均取得一致改进。
MemoryLLM将Transformer中的前馈模块（FFN）与自注意力解耦，使其作为无上下文的token级神经检索记忆运行。训练时FFN与自注意力隔离，直接使用token嵌入，从而可预计算为token级查找（ToL），实现VRAM与存储间的按需传输，提升推理效率。此外还提出了介于传统Transformer与MemoryLLM之间的Flex-MemoryLLM架构，以弥补因使用无上下文token嵌入训练FFN导致的性能差距。
强化学习（RL）微调被扩展至视觉语言模型（VLM）。研究发现，简单的文本扰动——误导性标题或错误思维链（CoT）——会显著降低模型鲁棒性和置信度，且开源模型衰退更明显。闭源模型呈现类似失败模式，但鲁棒性和推理一致性更强。进一步分析揭示准确性与忠实性的权衡：微调提升基准准确率，但同时侵蚀CoT的可靠性及对上下文变化的鲁棒性；对抗性增强可改善鲁棒性，却无法阻止忠实性漂移。引入忠实性感知奖励能恢复答案与推理的对齐，但与增强结合时训练易崩溃到捷径策略。这些发现强调需联合关注正确性、鲁棒性与视觉推理的忠实性。
推荐理由：RL微调让VLM基准分变好看，却可能让它的推理链变得靠不住，这个反直觉的诊断对正在用RL打磨多模态模型的团队是个警醒。
苹果机器学习研究团队提出摊销MIPS方法，训练神经网络直接预测最大内积搜索（MIPS）的解。核心思路是将MIPS值函数建模为键集的凸支撑函数，其梯度指向最优键。据此设计两种互补模型：SupportNet（输入凸神经网络拟合支撑函数，用作聚类路由）和KeyNet（向量值网络直接回归最优键，可替换原始查询输入索引流水线）。在BEIR基准文档嵌入实验中，两种模型在FLOPs、探测次数或时钟时间等计算开销指标下均显著提升IVF匹配率。代码已开源。
VideoFlexTok提出一种可变长度token序列的视频表示方法，采用粗到细结构——首个token捕捉语义和运动等抽象信息，后续token添加精细细节，生成流解码器支持任意token数量的视频重建。相比传统3D网格分词，该结构允许根据下游需求调整token数，在相同预算下编码更长视频。在类别和文本到视频生成任务中，VideoFlexTok以1.1B参数（5.2B的1/5）达到可比生成质量（gFVD和ViCLIP Score）。训练一个处理10秒81帧视频的文本到视频模型仅需672个token，比同等3D网格分词器少8倍。
推荐理由：把视频 tokenization 从固定网格改成变长 coarse-to-fine，训练效率提升明显，还能做更长的视频。研究角度挺漂亮，但离产品落地还有距离，做视频生成的可以追一下。
