Kobi Mozgori抽樣25萬個npm套件後發現，新套件中鎖定的依賴版本多為已被取代的整數x.0.0版本的比例，從2019年至2024年初的1–2.4%基準，上升至2026年上半年的13.7%，並在2026年下半年至11月初降至7.6%。2021–2023年期間，鎖定依賴版本在套件誕生時的中位數年齡約為155天，但2026年第二季度為451天；而誕生時幾乎所有鎖定版本都指向最新發行版的套件比例，從約28%降至約10%。作者將此模式視為推論而非證明，因為註冊表元數據無法顯示是誰或什麼撰寫了清單，並指出2026年中期以來的下降尚未得到解釋。
Erik Hoel 推出了 Qualiaphobic AI，這是一項研究計畫，旨在建構被設計來排斥意識的神經架構，類似於疏水性物質排斥水的原理。該提案探索了三種方法：依據主流意識理論對 AI 進行蒸餾、轉換或消融；將架構轉向「錨點」，例如查找表；以及碎片化潛在的現象學。Hoel 計畫建構並開源這些技術，主張它們可以解決 AI 福利問題，並使人類成為唯一的道德主體。
一項對 GitHub 上 52 個最多星標的 AI 工具儲存庫完整 git 歷史的分析，涵蓋 324,088 次提交，發現中位數儲存庫在其最後 180 天活動中的提交有 16.9% 帶有 AI 簽名，52 個中有 21 個達到 25% 或以上。星標數與 AI 簽名佔比之間沒有可檢測的關聯（Spearman ρ = -0.05，p = 0.72），而 36,892 次簽名提交中有 85.3% 來自 Claude，其工具預設會添加 trailer。作者提醒，大量 AI 使用集中在 2025 年或之後啟動的專案，因此樣本無法將 AI 使用與新近程度分開，且每個 AI 百分比都是下限。
inclusionAI 發布了 ZoomGain-9B 與 ZoomGain-4B 視覺語言模型檢查點，同時推出 ZoomGainBench 評估基準與 ZoomGain RL 訓練資料。ZoomGain 透過挖掘從全局到縮放的感知落差來建構細粒度視覺監督，而 ZoomGain-9B 在多項細粒度與通用感知基準上達到更優異的表現。ZoomGainBench 包含 941 張影像上的 1,000 道問題，而 RL 資料集則有 9,000 筆訓練紀錄與 7,713 張來源影像。
inclusionAI 發布了 arXiv 論文、ZoomGainBench 評估基準、RL 訓練資料集，以及 ZoomGain-4B/ZoomGain-9B 模型檢查點。28 個模型中最佳者在 ZoomGainBench 上得分 61.08，而 ZoomGain-9B 在多個細粒度與通用感知基準上達到更優表現。ZoomGain 挖掘從全局到縮放的感知落差，為視覺語言模型建立細粒度視覺監督。
Elith 與 NVIDIA 發布 Nemotron-Personas-Finance-Japan，這是一個以政府官方統計資料為基礎、針對日本金融業打造的開放合成人物資料集。它包含 50 個領域、約 15 億個 token 的 900 萬個人物（100 萬筆記錄 × 9 個人物），以 NeMo SDG-PGMs 與 NeMo Data Designer 生成，並以 CC BY 4.0 授權提供商業使用。
研究人員提出 HOPE，一種針對混合專家語言模型的二階專家剪枝方法，該方法考量共同激活專家之間的成對交互作用，而非獨立地為每個專家評分。在 50% 剪枝率下，HOPE 取得所有方法中最佳的平均排名，在代理式編碼任務上相較於次佳的剪枝方法最高提升 +6.1%。此研究針對 Qwen3.5-122B 等模型的記憶體瓶頸，其中專家 MLP 佔據約 250 GB 足跡的 95%。
ZoomGain 利用只有放大後才會清晰的視覺細節，針對整張影像建構問題，並將這種全域到縮放的感知落差作為視覺語言模型的監督訊號。本次發布包含 arXiv 論文、ZoomGainBench 基準（1,000 道問題，涵蓋 941 張影像，涉及屬性辨識、計數與 OCR）、涵蓋 7,713 張來源影像的 9,000 筆 RL 訓練紀錄，以及 ZoomGain-4B 與 ZoomGain-9B 檢查點。28 個模型中最佳者在 ZoomGainBench 上得分 61.08，而 ZoomGain-9B 在多項細粒度與通用感知基準上達到更優異的表現。
Ai2 發布 ToyBlocks，這是一個圍繞機械手臂與桌面積木構建的開放模擬框架，是其 FoundationWorlds 系列中用於受控機器人學習與評估的首個成果。該框架在 Isaac Lab 中透過強化學習與運動規劃自動生成技能與示範，在單一 GPU 上可達最高 24 倍即時速度，並隨附 85,336 條長時程示範，涵蓋近 1,600 小時與 1.44 億幀。在其實驗中，ManiFlow 的原子技能成功率在模擬中為 80.0%，在真實 Franka FR3 上為 81.1%；而 Molmo 2 加 ManiFlow 系統在模擬與真實世界回合中的成功率分別為 55.5% 與 50.0%。
Ai2 發布 ToyBlocks，這是一個圍繞機械手臂與桌面上積木建構的開放模擬框架，作為其 FoundationWorlds 中首個用於可控機器人學習研究的項目。ToyBlocks 透過 Isaac Lab 中的強化學習與運動規劃自動生成任務與示範，在單一 GPU 上可達最高 24 倍的即時資料生成速度，並隨附 85,336 條長時程示範，涵蓋近 1,600 小時與 1.44 億幀。在 Franka FR3 的真實世界測試中，ManiFlow 的原子技能成功率在模擬中為 80.0%，在硬體上為 81.1%；而 Molmo 2 加 ManiFlow 系統則在模擬回合中成功 55.5%，在真實回合中成功 50.0%。
NVIDIA Research 與 Inferact 的 REINFORCE Zero 論文顯示，對齊 rollout 與訓練器的核心，可讓未裁剪的 token 級重要性取樣修正剩餘的權重延遲，在策略延遲 64 下穩定訓練 20,000 次更新，並在核心對齊時達到同步訓練 2.40 倍的訓練步吞吐量。使用標準核心時，rollout 到學習器的 KL 中位數在整個訓練過程中上升 83.33 倍，線上 AIME24 pass@1 從 34.27% 降至 13.96%，而序列閘門雖能穩定訓練，但在最後 1,000 次更新時會拒絕 24.48% 的序列。零不匹配設定現已涵蓋 DeepSeek-V4.1-Flash、發布當日的 Kimi K3.1，以及在 AMD MI355X 上的 DeepSeek-V4-Flash 與 Kimi K3.1，程式碼位於 Inferact/zero-mismatch-rl 與 NVIDIA-NeMo/labs-molt。
推薦理由：NVIDIA Research 與 Inferact 將非同步 RL 的 rollout 與學習器差距拆分為權重延遲與核心不匹配，顯示對齊核心可讓未裁剪的重要性取樣在策略延遲 64 下維持穩定訓練。
Zyphra Research 發布了 ZYFA，這是針對 AMD MI355X（CDNA4、gfx950）的 BF16 與 FP8 因果預填充注意力核心，支援頭維度 128 以及 DeepSeek-V2 的 MLA 形狀。在 Mistral-7B、Qwen3-8B 與 DeepSeek-V2-Lite 於 16K token 的激活值上，ZYFA 的 FP8 核心達到 AITER 吞吐量的 1.16–1.76 倍；在 32K token 的高斯輸入上，頭維度 128 時為 1.26–1.37 倍，MLA 形狀時為 1.99 倍。在頭維度 128 時，FP8 誤差比 AITER 低 62–78%。
Google Research 推出 Agile Deliberation，這是一套框架，將主觀 AI 分類器的建立轉化為反覆對話，由 AI 協助使用者釐清自己的定義。它將任務拆分為概念範疇界定與概念迭代，運用視覺語言模型找出邊界案例影像，並將回饋導入自動提示優化迴圈。在 18 場各 1.5 小時的實際使用者工作坊中，此方法減輕了使用者的疲勞與焦慮，並產出更一致的模型，表現優於標準基準；程式碼已在 GitHub 開源。
Inclusion AI 與學術合作者發布 IDM，一種結合內部分佈匹配與生成器自身 EMA 特徵空間中矩匹配的蒸餾方法，無需外部特徵編碼器。在 2 NFE 下，IDM（Z-Image）在 LongText-CN 上得分 94.25%，在 LongText-EN 上得分 90.20%；全參數 IDM（Z-Image）在單張 A100 上以 BF16 運行，1 NFE 耗時 0.25 秒，2 NFE 耗時 0.30 秒。同一個訓練好的檢查點同時支援 1-NFE 與 2-NFE 取樣，程式碼以 Apache 2.0 授權釋出，檢查點則標示為即將推出。
Sakana AI 開發了 QD-Rec，這是一種推薦方法，將候選項加上解釋為何選擇它的假設視為推薦單位，並使用品質多樣性搜尋來累積高品質、多樣化的提案。在併購、客戶定向和論文推薦的實驗中，QD-Rec 建立的檔案庫平均分數更高、規模更大，優於從頭撰寫每個假設的基線方法，其程式碼已在 GitHub 上發布。論文報告了一些案例，其中一個假設對某家公司評分為 10 分中的 1 分，經過變異並轉移到另一個候選項後，分數提高到 5 分。
Goodfire 研究員主張，神經網路中多義性與疊加現象的經典證據被誤讀了，那些看似任意堆疊的現象，大多是一種他稱為遞迴泛化的模式。以一般架構改進、且不改變模型大小或訓練資料的方式重新訓練 InceptionV1 後，其最後一層 99-100% 的神經元都變得易於解讀；而對 Qwen3-32B 的初步稽核估計，約 90% 的神經元極性只有一項主要職責。文章結論認為，網路只使用一種學習原理而非兩種，因此可解釋性研究可以直接研究神經元與電路，而不必先訓練稀疏自編碼器等分解模型。
推薦理由：這是對該領域經典多義性證據的第一手重新詮釋，主張網路是遞迴地泛化，而非把不相干的概念堆疊在一起，這將使直接的機制性研究變得可行。
Amazon Web Services 研究人員提出 priming，此方法重用預訓練 Transformer 權重，將混合狀態空間架構的預訓練成本降低超過 99%，僅使用來源模型預訓練 token 預算的不到 0.5%。在受控比較中，Gated KalmaNet 優於 Gated DeltaNet 和 Mamba-2，而一個基於 GKA 的 32B 混合模型在推理基準上與其來源 Transformer 表現相當，同時在 128,000 token 上下文下解碼速度最高可達兩倍。團隊以 Apache 2.0 授權釋出了 8B 和 32B 的 primed 混合模型、訓練程式碼、Triton 核心以及 vLLM 服務外掛。
推薦理由：Amazon Web Services 研究人員展示，重用預訓練 Transformer 權重可將混合架構預訓練成本降低超過 99%，使狀態空間層的受控比較變得可行。
Zyphra 以 Apache 2.0 授權發布 PUFFER，這是一套開源、具備來源感知能力的增量模糊去重系統，用於持續成長的 LLM 訓練語料。相較於現有基於 CPU 的去重方法，它帶來 11 倍至 35 倍的加速，並可在單一進程上於 1.75 小時內攝入十億份文件，且已在超過 300 億份文件上進行生產部署。PUFFER 保留一份存於磁碟的 MinHash-LSH 歷史紀錄，因此可以新增資料集、以確定性方式恢復中斷的工作，並可撤除個別資料集而無需重建整個語料索引。
IBM Research 擴展了 K-Search——來自 UC Berkeley Sky Lab 的演化式核心搜尋框架——加入了 MLX 後端，以及一個結構化的 CUDA 到 MLX 轉譯層，可將現有的 CUDA 核心改寫為 Apple Silicon 核心。在一個 MLX 注意力核心上，此方法達到了 Apple 原生 MLX Attention 核心速度的 0.97 倍，而在沒有轉譯上下文的情況下僅為 0.26 倍；在 M1 Max 上，一個演化出的 Mamba SSM 核心相較於社群版 mlx-lm 實作，prefill 速度提升最高達 20 倍。作者將此增益主要歸因於提供給 LLM 的上下文與約束品質，而非其撰寫 Metal 程式碼的能力，並表示該方法並非專屬於 MLX。
Modal Research 與 NYU Shanghai 的 HeavyBall Research 推出 Multi-token Residual Prediction（MRP），這是一個接在凍結擴散語言模型主幹上的 3 層模組，預測的是步驟間的 logit 殘差，而非完整的下一步分布。在 SDAR-4B GSM8K 上，MRP 在 K=3 時保持 70.9% 準確率，而樸素 MTP 蒸餾僅為 5.9%；在 SGLang 中，推測模式下可無損達到最高 1.56 倍吞吐量，或在激進的低閾值動態解碼下挽回最高 +16 個準確率點。論文、程式碼、SGLang 實作以及 Hugging Face 上的 SDAR-MRP 模型均已發布。
Factory 建立了一個開源基準測試，以來自 Sentry、Grafana、Keycloak、Discourse 和 Cal.com 的 50 個真實 pull request 測試 13 個模型，每個模型都以高推理強度對每個 PR 至少審查三次，並由 LLM 評審依據人工策劃的黃金標準集對發現進行評分。GPT-5.2 以 60.5% F1、每個 PR 1.25 美元領先，領先 Claude Opus 4.6 的 59.8% F1 和每個 PR 3.11 美元，而 MiniMax M2.7 以每個 PR 0.15 美元達到 45.6% F1，Kimi K2.5 以 0.41 美元達到 51.9% F1。Factory 表示成本僅解釋約 21% 的品質變異，並開源了黃金標準集、評估腳本以及支援全部 13 個模型的 Droid Action GitHub Action。
Berkeley AI Research 的研究人員介紹了 SPEX 與 ProxySPEX，這兩種演算法能在遠超既有方法的規模下，識別 LLM 中具影響力的特徵、資料與模型元件交互作用。SPEX 將交互作用搜尋重新表述為稀疏恢復問題，利用稀疏性與低階數（low-degreeness）；ProxySPEX 則利用階層結構，以約少 10 倍的消融次數達到與 SPEX 相當的效果。在情感分析上，SPEX 在短輸入上達到與 Faith-Shap 和 Faith-Banzhaf 相當的忠實度，並在上下文擴展至數千個特徵時仍能維持。