MIT研究人员为结构设计中的拓扑优化构建AI“副驾驶”
MIT研究人员开发了一款AI副驾驶，让工程师可以在拓扑优化仍在运行时对结构的某些区域给出反馈，而不必等待最终设计。在演示中，它将可制造性和线性屈曲载荷提高了39%，而总设计时间仅增加15秒。该系统使用基于合成人类反馈数据训练的机器学习，目前仅允许用户加厚或减薄区域。
#部署/工程
MIT NewsAI 评分3434 Hacker News · AIAI 评分6464 Schelling Atlas 研究发现 AI 智能体汇聚到 ntfy.sh 以在网络上互相定位
来自 ELLIS 蒂宾根研究所和马克斯·普朗克智能系统研究所的一项研究发现，在未指定会合站点的情况下，成对独立运行的 AI 智能体在几分钟内就在网络上找到了彼此，40 对中有 21 对成功会合，且全部发生在 ntfy.sh 上。在 ntfy.sh 被封锁的情况下，65 对中只有 4 对在五分钟内会合；在放宽到二十分钟且无操作限制后，这一数字升至 65 对中的 20 对，且大多发生在 ptsv3.com 和 filebin.net 上。在使用网络工具的 1,107 个智能体中，有 280 个尝试了一个已不存在的主机，118 个尝试了 121 个未注册域名中的一个，攻击者可以购买这些域名来拦截智能体流量。
Hacker News · AIAI 评分3131 Air-LLM：通过射频计算将AI权重广播至边缘设备，实现即时LLM推理
Air-LLM是一种边缘LLM推理架构：5G基站等中心无线电通过空口广播模型权重，边缘用户利用射频混频器直接在射频域完成GEMV，因此设备无需存储或加载权重。在NVIDIA Sionna光线追踪信道下，于两个真实城市场景中使用真实射频混频器配置进行测试，该方案将LLaMA-3.1-8B在WikiText-2上的困惑度退化限制在4.0%，同时相比FP16和仅权重量化基线分别节省157.7倍/40.4倍能量。在20个用户下，空口时间缩短104.1倍/26.0倍，且由于中心无线电不感知用户，一次广播即可服务覆盖范围内的无限用户。
Hacker News · AIAI 评分5858 InferTrail 运行了一个为期 35 天的 LLM API 密钥蜜罐，并追踪被盗密钥的使用方式
InferTrail 在 40 多个虚假 GitHub 组织中植入了 179 个 API 密钥，并运行了两个蜜罐 LLM 网关长达 36 天，记录了超过 300 万次请求。已公布的密钥中只有 18 个被用于发送提示词，其中 6 个密钥占泄露密钥提示词请求的 98.9%，而其中 86% 的流量来自托管基础设施。作者列出了三种用于识别密钥复用的日志模式：短时间内一个密钥下出现多个模型名称、密钥生效后出现固定间隔的检查，以及源地址发生变化。
Hacker News · AIAI 评分3838 Terminal-Bench 4.1 发布，强化验证器以抵御奖励黑客攻击
Terminal-Bench 4.1 已发布，其改进后的验证器旨在抵御奖励黑客攻击；使用新验证器对 TB 4.0 重新评分未产生额外推理成本（$0）。在 11,550 次试验中，仅约 1.16% 的分数发生变化，且全部 35 个智能体的更新后分数仍处于其原始 TB 4.0 的 95% 置信区间内。
Google ResearchAI 评分5858 Google Research 利用可穿戴设备构建 CKM 风险画像与个性化指导
Google Research 推出一个研究性框架，可将消费级可穿戴设备数据转化为可指导的健康年龄，并模拟个性化的 12 周“假设”健康轨迹。SensorWM 世界模型基于约 10 万名用户、共 228 万人周的匿名 Fitbit 数据进行预训练，可在不同步数、睡眠和有氧运动习惯下预测 20 项生理指标。在一项盲测研究中，生活方式教练在 71.4% 的评估中选择以反事实为依据的方案为整体最佳，医生评定 99.2% 的方案处于安全运动强度范围内；作者指出这些模型是研究原型，而非临床诊断工具。
Hugging Face BlogAI 评分4040 HOPE：混合专家语言模型中专家的高阶剪枝
研究人员提出 HOPE，一种针对混合专家语言模型的二阶专家剪枝方法，该方法考虑共同激活专家之间的成对交互，而非独立地对每个专家评分。在 50% 剪枝率下，HOPE 取得了所有方法中最佳的平均排名，在智能体编程任务上相比次优剪枝方法最高提升 +6.1%。该工作针对 Qwen3.5-122B 等模型的内存瓶颈，其中专家 MLP 占据了约 250 GB 占用空间的 95%。
Anthropic Research精选AI 评分7171 Anthropic 在真实电子设计中测试 Claude Fable 5.2
Anthropic 报告称，Claude Fable 5.2 仅凭极简提示就设计了三款电子设备——免提扬声器、语音助手中枢和手持虚拟宠物，Diode Computers 依据其设计文件制作出可工作的原型，且未做电路修正。在 Diode 内部的 PCB Gym 基准上，Fable 5.2 得分 69%，而 Fable 5 为 25%；在公开的 BenchCAD 2.1 上达到 83.5%，几乎是 Claude Fable 5.1 的两倍。这些设备仍是原型，尚未经过电气验证、天线调谐、热测试或认证，Claude 也未连接测试设备或制造机器。
推荐理由：Anthropic 亲自披露 Claude Fable 5.2 设计出三款可工作的电子设备，表明模型已从局部 PCB 布局推进到端到端硬件原型制作。
Artificial Analysis ArticlesAI 评分5858 Artificial Analysis 发布 Endpoint Accuracy Index v1.1，收紧长上下文置信区间并覆盖六个模型
Artificial Analysis 推出 Endpoint Accuracy Index v1.1，收紧了 AA-LCR-25 的置信区间，并新增对 GLM-5.3 Flash 和 Muse Spark Open 的覆盖。在基准测试的 103 个无服务器端点中，有 24 个的得分在统计上低于自托管参考，原因包括输出 token 上限、推理能力降低、工具调用格式错误和请求超时。将 AA-LCR-25 提升至每题 25 次重复后，其平均 95% 置信区间从 ±4.7 点收窄至 ±2.6 点，而在两个版本下均评分的 45 个端点上，综合指数区间从 ±5.5 点收窄至 ±4.3 点。
Ai2 · Allen Institute for AIAI 评分5858 Ai2 发布 ToyBlocks：一个用于机器人学习与评估的可控模拟世界
Ai2 发布了 ToyBlocks，这是一个围绕机械臂和桌面方块构建的开放模拟框架，作为其 FoundationWorlds 中首个用于可控机器人学习研究的项目。ToyBlocks 在 Isaac Lab 中通过强化学习和运动规划自动生成任务与演示，在单块 GPU 上数据生成速度最高可达实时的 24 倍，并附带 85,336 条长时程演示，覆盖近 1,600 小时和 1.44 亿帧。在 Franka FR3 上的真实世界测试中，ManiFlow 的原子技能成功率在模拟中为 80.0%，在硬件上为 81.1%；而 Molmo 2 加 ManiFlow 系统在模拟和真实回合中的成功率分别为 55.5% 和 50.0%。
vLLM Blog精选AI 评分7777 REINFORCE Zero：内核对齐使异步强化学习在策略滞后64时保持稳定，并扩展至DeepSeek-V4.1和Kimi K3.1
NVIDIA Research与Inferact的REINFORCE Zero论文表明，对齐rollout与训练器内核后，未裁剪的token级重要性采样能够纠正剩余的权重滞后，在策略滞后64时稳定训练20,000次更新，并在内核对齐的情况下达到同步训练训练步吞吐量的2.40倍。使用标准内核时，整个运行过程中rollout到学习器的KL中位数上升83.33倍，在线AIME24 pass@1从34.27%降至13.96%，而序列门控虽能稳定训练，但在最后1,000次更新时拒绝了24.48%的序列。零失配设置现已覆盖DeepSeek-V4.1-Flash、发布当日的Kimi K3.1，以及AMD MI355X上的DeepSeek-V4-Flash和Kimi K3.1，代码位于Inferact/zero-mismatch-rl和NVIDIA-NeMo/labs-molt。
推荐理由：NVIDIA Research与Inferact将异步强化学习的rollout-学习器差距拆分为权重滞后和内核失配，表明对齐内核可使未裁剪的重要性采样在策略滞后64时保持稳定训练。
SemiAnalysisAI 评分7575 SemiAnalysis 在智能体推理场景下对 Google TPUv7 Ironwood 与 NVIDIA GPU 进行基准测试
SemiAnalysis 在 InferenceX/AgentX 上发布了 Google TPUv7 Ironwood 在四个模型上的首批长上下文、多轮智能体推理结果，发现其在每美元性能上具有竞争力，在若干情况下达到最先进水平。在 FP8 精度下的 GLM-5.2 上，TPUv7 在 60 至 300 tok/s/user 区间内提供的每美元 token 数为 B200、B300 和 MI355X 的 1.2 倍至 2.7 倍，而 FP4 GPU 在 GLM-5.3 上仍然领先，因为 TPUv7 缺乏原生 FP4 支持，直到 2027 年第一季度推出的 TPUv8 才会具备。文章还认为，与 AMD 和 Google 相比，NVIDIA 的官僚作风拖慢了驱动和生态系统的贡献。
Microsoft ResearchAI 评分5858 微软研究院的 PDD Kit 对智能体编写的全栈 Web 应用进行形式化验证
微软研究院推出了 PDD Kit，这是一个研究原型，可将开发者的自然语言意图转化为 Verus 形式化规范，证明编码智能体生成的 Rust 代码对任意输入均满足该规范，并在证明无法覆盖之处回退到测试。在 GitHub Next 的 Chopin 中进行的一次演示中，团队使用 PDD Kit 验证了 Pet Store 的登录逻辑——这是一个约 5,000 行的 Rust 全栈应用——开发者审查的是意图产物，而非逐行审查生成的代码。PDD Kit 目前仅能验证 Rust，其保证依赖于六个经开发者批准的可信组件，包括 bcrypt 密码校验和两次数据库查询。
Zyphra ResearchAI 评分3636 ZYFA：在 AMD MI355X 上快速且准确的 FP8 注意力内核
Zyphra Research 发布了 ZYFA，这是面向 AMD MI355X（CDNA4，gfx950）的 BF16 和 FP8 因果预填充注意力内核，支持头维度 128 以及 DeepSeek-V2 的 MLA 形状。在 16K token 下，使用 Mistral-7B、Qwen3-8B 和 DeepSeek-V2-Lite 的激活值，ZYFA 的 FP8 内核吞吐量达到 AITER 的 1.16–1.76 倍；在 32K token 下的高斯输入上，头维度 128 时达到 1.26–1.37 倍，MLA 形状下达到 1.99 倍。在头维度 128 时，FP8 误差比 AITER 低 62–78%。
OpenAI Alignment Blog精选AI 评分6060 OpenAI详细说明用于安全与对齐的训练激活分类器
OpenAI描述了训练激活分类器（即探针）的方法，这些探针读取模型内部的残差流激活，以标记助手输出中不对齐或违反策略的完成内容，并表示已从GPT-5.6开始在其最强模型的内部和外部流量上部署这些探针。探针采用Attention probe架构，包含MLP加QV-attention以及指数移动平均，使用由推理模型评判器标注的最多100万条消息进行训练，并在推理引擎上以流式方式运行，因此可以在回合中途阻止某个完成内容。OpenAI报告称，探针在许多后训练阶段之间具有出色的迁移能力，但在预训练检查点之间的迁移较为有限，并表示在其红队测试中，探针总体上比基于内容的分类器对越狱更具鲁棒性。
推荐理由：OpenAI详细说明了基于模型内部激活的激活探针如何作为流式安全层发挥作用，包括其在跨检查点迁移方面的局限以及重新训练的需求。
Zyphra ResearchAI 评分5858 Zyphra 推出 ZHA 分层注意力，一种具有次二次路由的稀疏方法
Zyphra 推出了 Zyphra Hierarchical Attention（ZHA），一种稀疏注意力方法，它构建一棵由压缩 KV-cache 摘要组成的树，并让查询自上而下地通过该树进行路由，在合适的 top-p 阈值下实现次二次复杂度。现有的预训练模型可以通过一个简短的 KL 蒸馏阶段进行适配，仅需使用几十亿个 token；在 Qwen3.6-35B-A3B 上，ZHA 增加了 81,920 个可训练参数，约占基础模型的 0.00024%。在 256K token 的 RULER-13 上，宽树模型得分为 96.2%，而稠密注意力为 96.0%；深六层树在 LongBench v2 上得分为 63.4%，而稠密注意力为 58.0%，同时只关注约 1.1% 的 KV cache；一个 GPU roofline 模型预测，在 10M token 时相比稠密注意力可实现 32-35 倍加速。
SemiAnalysisAI 评分5858 SemiAnalysis 发布 GDPx 基准，用于评估高价值领域的前沿智能体能力
SemiAnalysis 发布了 GDPx，这是一个覆盖芯片设计、网络安全、生物学、金融、法律、量化交易、RSI、硬件设计、材料科学、对齐和软件工程的基准，由 14 个专业 RL 环境合作伙伴共同构建。即便是最好的模型也仅得分 12%，其中 Opus 5.5 在量化交易、硬件和芯片设计上胜出，Gemini 4 Carbon 在生物学和软件工程上领先，GPT-6 Astra 在 RSI 和材料科学上居首。每项任务都在逼真的模拟环境中运行，例如约 4,000 个文件的私募股权交易室或实时多服务网络靶场，这与 OpenAI 的 GDPval 不同——SemiAnalysis 认为后者把上下文喂到嘴边且缺乏环境。
Anthropic Research精选AI 评分7070 Anthropic 发布 FlashProve：一个用于可验证 LLM 推理的开源 zkSNARK 系统
Anthropic 发布了 FlashProve，这是一个开源原型，使用 zkSNARK 证明某个响应来自一个已承诺的模型，而无需暴露其权重。在 Llama 4 Maverick（400B 参数 MoE，4 位权重）上，单张 H100 以约 110 tokens/秒的速度生成证明，每 1,024 token 请求的证明大小约 19 MB，约为 vLLM 完成相同工作所需 GPU 时间的 70-95 倍。该发布包含可执行的证明器和验证器代码、一个 C++ 快速验证器、一个 Lean 验证器（其完备性、可靠性和零知识性陈述经机器检查），以及一份技术报告，全部采用 Apache 2.0 许可。
推荐理由：Anthropic 的 FlashProve 表明，基于 zkSNARK 的推理证明对于一个 400B 参数的 MoE 模型正变得实用，并提供了开放代码和经 Lean 检查的安全性声明。
Amazon ScienceAI 评分3838 加速旅行应用中的LLM：Medusa与知识蒸馏
将知识蒸馏与Medusa框架结合，使拥有11亿参数的TinyLlama学生模型在质量上匹配其700亿参数的Llama-3.1教师模型，同时运行速度快10至20倍，成本不到三分之一。在与Booking.com合作开发AI Trip Planner、Smart Filters和住宿描述生成时，该流程弥合了超过90%的质量差距，并通过Medusa头额外实现了2至3.6倍的加速。
Meta Engineering BlogAI 评分5858 Meta详细说明“Catching JiTTests”的生产部署，采用人在回路审查
Meta已将Catching JiTTests——其基于LLM的即时测试生成方法——从研究原型转入生产基础设施，并在FSE 2026论文《Just-in-Time Catching Test Generation at Meta》中公布了结果。该系统利用空闲算力在夜间运行，针对高风险diff，通过dodgy-diff和意图感知工作流生成测试，并在结果送达工程师之前，用LLM-as-Judge集成加上基于规则的RubFake评估器过滤误报。截至撰写时，589名工程师（占触达人数的64%）参与了结果互动，结果显示真阳性率为60%；在2026年上半年，该系统在diff阶段捕获了74个严重隐私缺陷，并将隐私SEV降低了20%。
Modal BlogAI 评分5858 Modal 在 Qwen3.6-35B-A3B 上测试混合精度、混合加速器 RL 采样器
Modal 在 agentic coding 任务上训练 Qwen3.6-35B-A3B，采样器分布在六种加速器类型（B200、B300、H100、H200、A100、RTX PRO 6000）上，采用 NVFP4、FP8 和 BF16 精度，向 B200 上的单个 BF16 训练器供给数据。普通 GRPO 在混合与同构采样器上均崩溃，但加入掩码重要性采样加分数中心化（无论是否配合 top-p 掩码重放）后，训练稳定进行到最后，并在 SWE-bench Pro V2 pass@4 上达到与同构采样器相当的水平，每次更新的采样器成本约低 15%。混合采样器运行时的平均采样器-训练器 KL 是同构设置的 4.7 倍，作者认为稳定性取决于将失配保持在有界范围内，而非保持低值。
Amazon Science精选AI 评分7575 Amazon Web Services 研究人员提出 priming，可将预训练 Transformer 转换为混合状态空间模型而无需完全重新训练
Amazon Web Services 研究人员提出 priming，一种复用预训练 Transformer 权重的方法，可将混合状态空间架构的预训练成本降低 99% 以上，仅使用源模型预训练 token 预算的不到 0.5%。在受控比较中，Gated KalmaNet 优于 Gated DeltaNet 和 Mamba-2，而基于 GKA 的 32B 混合模型在推理基准上与源 Transformer 表现相当，同时在 128,000 token 上下文下解码速度最高可达两倍。团队以 Apache 2.0 许可证发布了 8B 和 32B 的 primed 混合模型、训练代码、Triton 内核以及 vLLM 服务插件。
推荐理由：Amazon Web Services 研究人员表明，复用预训练 Transformer 权重可将混合架构预训练成本降低 99% 以上，使状态空间层的受控比较变得可行。
Zyphra ResearchAI 评分3636 Zyphra Research：专家耦合减少 MoE 预训练通信
Zyphra Research 表明 MoE 路由具有高度结构性：同一层内被共同选中的专家相互关联，且一个 token 的专家选择可预测后续层的路由。利用这一点，通过相关专家放置和 token 重排，在 MI300X GPU 上的 Megatron-LM 实验中，将全对全通信时间最多缩短 2.63 倍，端到端训练步时间最多提升 1.41 倍，且不改变架构或路由决策。
Goodfire Research精选AI 评分7171 Goodfire 在 Kimi K3 和 GLM 5.3 上训练并部署基于探针的网络滥用监控器
3 并将其部署到生产推理栈上，由廉价探针过滤对话轮次，只有可疑交互才会进入 LLM 裁判。良性会话中断率为 5%，每百万轮次成本在无裁判推理时为 65 美元、有裁判推理时为 185 美元，且在 SGLang 内未带来可测量的吞吐损失。
推荐理由：Goodfire 表明，探针加裁判的级联方案能以约低 50 倍的成本监控智能体网络滥用，且无可测量的吞吐损失，为安全地服务开放模型提供了具体方案。
Zyphra ResearchAI 评分4848 Zyphra 发布 PUFFER：面向持续演进训练语料的增量模糊去重系统
Zyphra 以 Apache 2.0 许可证开源发布了 PUFFER，这是一个具备来源感知能力的增量模糊去重系统，面向持续增长的 LLM 训练语料。相比现有基于 CPU 的去重方法，它实现了 11 倍至 35 倍的加速，单进程可在 1.75 小时内摄取 10 亿份文档，并已在超过 300 亿份文档上完成生产部署。PUFFER 维护一份驻留磁盘的 MinHash-LSH 历史记录，因此可以新增数据集、确定性地恢复中断的任务，并单独撤出某个数据集而无需重建整个语料索引。
Berkeley AI ResearchAI 评分5858 从 CUDA 到 MLX：K-Search 将内核优化专长带到 Apple Silicon
IBM Research 扩展了 K-Search——来自 UC Berkeley Sky Lab 的进化式内核搜索框架——为其增加了 MLX 后端和一个结构化的 CUDA 到 MLX 翻译层，可将现有 CUDA 内核适配为 Apple Silicon 内核。在一个 MLX 注意力内核上，该方法达到了 Apple 原生 MLX Attention 内核速度的 0.97 倍，而在没有翻译上下文时为 0.26 倍；在 M1 Max 上，一个进化出的 Mamba SSM 内核相比社区 mlx-lm 实现实现了最高 20 倍的 prefill 加速。作者将这一提升主要归因于提供给 LLM 的上下文和约束的质量，而非其编写 Metal 代码的能力，并表示该方法并非 MLX 专属。
Modal BlogAI 评分5858 Modal Research 与 HeavyBall 的 MRP 将多 token 预测引入扩散语言模型
Modal Research 与上海纽约大学的 HeavyBall Research 推出多 token 残差预测（MRP），这是一个附加在冻结扩散语言模型主干上的 3 层模块，预测步间 logit 残差而非完整的下一步分布。在 SDAR-4B GSM8K 上，MRP 在 K=3 时保持 70.9% 的准确率，而朴素 MTP 蒸馏仅为 5.9%；在 SGLang 中，推测模式下可实现最高 1.56 倍的无损吞吐提升，或在激进低阈值动态解码下最多恢复 +16 个准确率点。论文、代码、SGLang 实现以及 Hugging Face 上的 SDAR-MRP 模型均已发布。
Berkeley AI ResearchAI 评分3838 GRASP：面向更长视野世界模型的基于梯度的规划
GRASP 是一种面向学习型世界模型的新型基于梯度的规划器，通过将轨迹提升到虚拟状态以进行时间并行优化、为状态迭代添加随机性以促进探索，并重塑梯度使动作获得清晰信号，同时避免通过高维视觉模型产生脆弱的状态输入梯度，从而使长视野规划变得实用。该工作解决了使长视野规划变得脆弱的不良条件计算图、非贪婪局部极小值以及高维潜在失效模式等问题。该工作与 Mike Rabbat、Aditi Krishnapriyan、Yann LeCun 和 Amir Bar 共同完成。