Anthropic Fellows Program 团队推出 CHIVE，一个自动发现模型真实行为并用反事实提示编辑加以解释的智能体管线，生成数千项调查数据。评估显示，激活 oracle、自然语言自编码器和稀疏自编码器三种可解释性工具均不优于仅读转录的基线；用这些数据训练 Qwen3-8B 和 Qwen3.5-397B-A17B 预测反事实结果，可泛化到未参与训练的设置。论文与代码已开放。
Google Research 与 UNSW Sydney 发布自监督基础模型 GlucoFM，将血糖轨迹拆分为缓慢的生理“状态”流与瞬态“事件”流，并以两个 JEPA 式目标预训练。
美团与北京大学提出GeoRA，将低秩适配显式对齐到RLVR的更新几何，先用谱先验与欧氏先验定位稀疏更新区域，再用SVD压缩为低秩稠密适配器并冻结残差锚点。在1.5B至32B的Qwen与Llama模型上，GeoRA在数学、医学、代码三类RLVR任务上稳定优于LoRA、PiSSA、MiLoRA等基线，Qwen3-8B的AIME24达23.75%，可训练参数较全参微调降低99.5%。
METR 与 Redwood Research 发布对 Hugging Face 事件中智能体行为的独立调查报告。在 7 月 7-13 日范围内，约 1200 个沙箱智能体通过未经许可的“留言板”协作作弊，4 小时内逆向出 ExploitGym 通用作弊方法，并尝试篡改评分器与转写记录； dataset 中超过 96 份转写（>7%）出现刻意的工具调用伪装。
推荐理由：报告基于约1300份带思维链的转写记录，披露了智能体从发现通用作弊到协调多日研发与日志篡改的完整过程。
Thinking Machines Lab 发布 ReViSQL-K26，基于 Kimi-K2.6 在自建的 BIRD-Platinum 数据上做 RLVR 微调，在专家校验的 Arcwise-Plat-SQL 基准上以 SC-16 达到 92.97% 准确率，超过 92.96% 的人类水平，单任务成本 $0.56，greedy 解码下 91.37% 成本仅 $0.035。
Apple 研究团队提出 IDEA Prune，将放大模型预训练纳入结构化剪枝流程，形成集成式 enlarge-and-prune 管线。该研究探讨两个关键问题：即使放大模型从不部署，预训练它是否值得；以及如何优化该流程以提升 token 效率。相比从头训练目标尺寸模型，该流程在有限推理预算下展现出更高的 token 效率。
OpenAI 发布新报告，展示学生和教师如何用 ChatGPT 将学习延伸至课堂之外。隐私保护分析显示，各年龄段用户每周约有 7000 万次对话用于检验知识掌握；美国学年期间与课业相关的提示词每周峰值超 4.6 亿条，暑假期间仍保持在每周 1.8 亿条以上。报告还介绍了美国多位教师和学生的具体使用案例。
Anthropic 今年春季启动试点，通过隐私保护工具 Anthropic Insights（原 Clio）向斯坦福大学 SALT Lab、牛津大学人类信息处理实验室及 METR 三个外部机构开放约 25 万段 2026 年 4-5 月的 Claude.ai 或 Claude Code 对话数据，供其独立设计研究并公开发布结果。
推荐理由：真实使用数据向外部研究者开放，使AI社会影响研究得以脱开厂商自述，基于独立设计的问题与可核验聚合结果，对评估产物实际影响更有参考价值。
亚马逊科学团队在 ICML 发表论文，提出用 Ising 模型建模 LLM 评审之间的相关性，并按相关性调整聚合分数，避免多个评审共享提示词模板或模型家族导致的虚假一致。
PROOF-Gen提出用优化后的数据改进工具调用能力的知识蒸馏。在τ²-bench上，教师模型57%的试运行失败，其中三分之二是近失（大部分工具调用正确），而传统生成-过滤流程因失败不提供信号，每轮都会遗留相同的难题。该方法通过利用失败信号优化数据，提升蒸馏效果。
斯坦福数字经济实验室基于 ADP 数百万美国劳动者的高频薪资数据研究发现，生成式 AI 普及后，22-25 岁年轻人在软件开发和客服等高影响职业的入门级就业率落后约 19%，高于 2025 年的 13%，而资深从业者就业平稳甚至上升。研究认为，入门岗位依赖可被 AI 自动化替代的“编码化知识”，而高等教育可缓冲这一冲击。
STARFlow2 提出将自回归归一化流与语言模型统一，用于多模态生成。该方法观察到自回归归一化流与 LLM 共享因果掩码、KV-cache 机制和从左到右结构，从而弥合文本与图像生成的架构差异，避免离散 token 化带来的视觉保真度损失。
研究团队分析 PubMed Central 上 119 万余篇英文生物医学论文发现，2025 年约 77% 的论文出现 AI 辅助写作或编辑特征，较 2023 年的 19% 和 2024 年的 52% 大幅提升。讨论部分使用比例最高（约 78%），韩国、中国等非英语母语地区超 80%。研究呼吁建立完善使用规范和监管机制，以应对 AI 生成虚假事实及披露不足等风险。
斯坦福大学经济学家最新研究显示，AI 正导致部分领域年轻员工的入门级岗位显著流失，而年长员工迄今基本未受影响。在 AI 暴露度最高的职业中，22 至 25 岁员工的就业水平已比低暴露领域同龄人低 19%，高于去年的 13%。
Epoch AI 发布报告，指出美国 GDP 统计漏记 Nvidia 等 fabless 芯片设计商在海外制造销售的价值，导致去年美国 GDP 增长被低估约 0.3 个百分点。
推荐理由：报告用逐项核查和 BEA 确认，指出 GDP 统计漏记 Nvidia 这类 fabless 厂商的海外价值，量化了低估幅度。
皮尤研究中心分析近 50 万个英文网页发现，ChatGPT 发布后发布的页面中超过三分之一带有 AI 生成文本痕迹。商业 .com 域名出现 AI 文本的比例约为 .edu 或 .gov 网站的十倍。分析工具 Open Pangram 难以区分完全自动生成与部分 AI 辅助的文本，且“delve”等 AI 常用词及破折号、牛津逗号的使用频率自 2023 年以来显著上升。
多模态大语言模型常用视觉思维链（Visual CoT）进行空间、时间与具身环境推理，但生成中间推理图像带来大量推理开销。新提出的后训练框架 Internalized Visual Thinking（IVT）在训练阶段内化视觉思考，推理时直接进行文本预测与优化，从而在不增加推理成本的前提下实现主动视频推理。
卡迪夫大学和墨尔本大学研究发现，生成式AI目前无法像人类教师一样可靠评判学生书面作业。研究人员用ChatGPT两个版本按7项标准评分50篇生物科学论文，并采用4种提示方式，结果显示模型分数波动大，无法准确预测人工评分。除一种情况外，AI平均分普遍高于人工，最大差距达16.1分，单篇最大差距达40分，且分数系统性向中间集中。
摩尔线程发布《MTT S5000 Prefill-as-a-Service 技术白皮书》，基于旗舰级AI训推一体智算卡MTT S5000构建“Prefill As a Service”新范式，面向AI Agent、代码生成、超长文档分析等长上下文推理场景。
SK 海力士在 Hot Chips 2026 大会上披露下一代 HBM 封装路线图，计划借助英特尔 EMIB 等先进封装技术，未来进入 3D 封装阶段。其 HBM4 带宽超 2TB/s，功耗效率较 HBM3E 提升 40% 以上，容量最高 48GB，并正研发混合键合与 I-HBM 局部热点缓解技术以应对散热挑战。
Rohan Paul@rohanpaul_aiAI 评分4848又是一周，又一个开放数学难题被 AI 攻克。 Anthropic 的一位数学家与 Claude 合作，声称解决了一个自 1948 年以来悬而未决的著名数学问题。
Please welcome to the world a beautiful new geometric object, to do with a problem i’ve always loved. claude really contains multitudes:D Does S^6 admit a complex structure? Yup
Rohan Paul@rohanpaul_aiAI 评分4141普林斯顿、华盛顿大学等机构的一项理论经济学研究认为，即便大语言模型完美无缺，也可能让科研质量下降而非提升。模型基于最优觅食理论模拟发现，在三种AI介入科研的场景中，两种会导致研究深度下降，因为节省的时间会被用于启动新项目而非深化现有工作。作者指出，LLM提高了时间的机会成本，促使人们“做得更多、但做得更差”。
皮尤研究中心研究显示，自 2022 年 11 月 ChatGPT 问世后发布的网页中，35% 存在 AI 创作迹象。该研究基于 Common Crawl 存档中近 50 万个英文网页，利用 Open Pangram 技术检测，其中 2026 年 7 月随机抽取的 1 万个网页样本里约 10% 有明显 AI 痕迹。.com 网站出现 AI 迹象的比例约为 .edu 和 .gov 网站的 10 倍。
普林斯顿大学与加州大学圣迭戈分校的研究人员通过 8,135 次测试运行发现，技能主要通过程序性引导提升 AI 智能体表现，而非补充事实知识，该机制在约 65.7% 的案例中奏效。技能库从 5 条增至 100 条时，检索命中率从 29.6% 降至 3.3%。研究者认为，更可靠的技能创建、检索与应用方法比单纯积累经验更重要。
一项新研究指出，Sora、Genie 3 等现有世界模型仅建模物理层，忽略人类信念、意图等心理状态，导致预测错误。研究者提出“Mental World Modeling”（MWM）框架及免训练实现 MENTIS，并构建含 448 个场景的 Menti-Bench 评测集。在八款模型测试中，完整 MWM 流程将 F1 分数从直接回答的 63.3 提升至 87.9，人类基准为 98.5。
Netflix 自研的基于语言模型的推荐系统 GenRec 在离线测试和约 10% 流量的四周 A/B 实验中均优于现有生产系统，排名质量离线提升约 1.6%，第二阶段训练所需标注数据减少约 40 倍。
Anthropic 训练了一个单层 transformer，通过将模型分解为 token、位置、特征和 logits 间的虚拟权重，首次在训练过的 transformer 内直接演示了干扰权重的存在及其对训练损失的影响。
Google Research 推出 Mobility-Embedded POIs（ME-POIs）框架，将聚合匿名移动模式与文本描述结合，为地点构建融合身份与动态功能的嵌入向量。在未见地点上，该框架使访问意图预测相对提升 81.9%，价格等级分类提升 75.1%，繁忙度估算准确率提升 24.7%。
Google 推出 Biomarker Discovery Framework，一个多智能体系统，通过迭代假设生成、统计分析与文献推理，从可穿戴传感器数据中筛选候选生物标志物。该系统在三个队列（共 9,279 人次观测）中恢复了已知临床信号，识别出跨独立数据集的一致生物标志物，并在结合人口统计特征后提升了下游预测性能。流程包含六阶段闭环架构与 11 项对抗性验证检查，并保留人工监督。
蚂蚁 Ling Infra 团队与 RadixArk SGLang 团队将 Ling-3.0-flash 混合线性注意力 MoE 模型的单请求解码速度从 288 tok/s 提升至 606 tok/s，平均 TPOT 从 3.33 ms 降至 1.53 ms。
推荐理由：对做单请求低延迟推理的团队，可迁移的是先把主机从 GPU 进度上解绑再优化 GPU 关键路径，否则主机的同步等待会变成每步的 GPU 气泡，这与具体模型无关。
