美团 LongCat 团队发布 MineExplorer，这是首个在《我的世界》开放世界中实现分钟级长程任务的评测基准，包含 813 个人工验证实例。评测 18 款顶级多模态大模型发现，最强模型 Claude-Opus-4.6 整体任务成功率仅 41%，从 1 跳任务的 77% 骤降至 4 跳任务的 12%，近 60% 的失败源于导航失败。MineExplorer 已全面开源。
推荐理由：18 个顶级多模态模型在 Minecraft 里全翻车，每多一层隐藏前置条件成功率就砍半，搞具身智能的该看看感知和行动之间还隔着什么。
美团 LongCat 团队开源 LoHoSearch 搜索智能体评测基准，以覆盖 762 万维基百科实体的知识图谱自动生成题目，收录 544 道经人工核验的题目，覆盖 11 个领域。
推荐理由：LoHoSearch 用知识图谱自动生成高难度搜索题目，让当前最强模型准确率仅三成多，常用上下文管理策略在此几乎失效，为评测和优化长程搜索智能体提供了更苛刻也更有用的试验场。
美团 LongCat 团队构建 MineExplorer，这是首个在开放世界中做到分钟级长程任务的评测基准，含 813 个人工验证实例（1-hop 到 4-hop）及规则化里程碑自动评测框架。
推荐理由：感知强于推理、导航失败占比近60%，把具身智能的瓶颈清晰地拉回到规划能力，而非感官或资源。
Elon Musk@elonmuskAI 评分4646Grok 4.5 刚刚解决了一个已悬而未决约 30 年的图论猜想。
Capy accidentally cracked a graph theory conjecture entirely in Slack REFUTED: Graffiti Conjecture 284 (open for ~30 years) We shared the original post in Slack and Capy (running on Grok 4.5 Medium!!!) decided it wanted to take a shot, finding a novel refutation in 8 minutes
小红书引擎架构团队在OSDI 2026提出HELMSMAN，一个面向全闪存服务器的高性能向量近似最近邻搜索系统。该系统通过聚类式索引、定制化存储栈和分层学习式搜索剪枝，用约40台全闪存服务器承载了过去约35,000 CPU Core和约350 TB DRAM的负载，硬件成本节省超过90%。
小红书引擎架构团队在 OSDI 2026 发表论文，提出面向全闪存的高性能向量近似最近邻检索系统 HELMSMAN。该系统通过 ANNS 定制化存储栈、分层学习式搜索剪枝及 GPU 加速构建流水线，将向量检索服务迁移至 NVMe SSD 阵列。
推荐理由：在保持毫秒级在线延迟的前提下，将百亿向量检索从海量DRAM迁移到NVMe SSD阵列，为推荐与搜索系统提供了成本下降超90%的生产验证方案。
巴基斯坦在 118 个初审法院部署定制 AI 助手 JudgeGPT（基于 GPT-4），覆盖 1559 名法官。获得 AI 访问权限并接受针对性培训的法官群体，每年额外审结 1848 宗案件，较平均值增长 6.3%；每投入 1 美元带来 38~50 美元收益，部署成本仅 1300 美元。AI 系统在拉合尔高等法院试点中一天处理 2300 个案子，为司法官员节省约 1340 小时工作时间。
Stanford HAI 与 RegLab 用 AI 工具扫描全美 50 州共 5 亿词的州法条，识别报告性要求、委员会和收费条款，研究将刊于 Yale Journal on Regulation。
Rohan Paul@rohanpaul_aiAI 评分5555Rohan Paul@rohanpaul_aiAI 评分5757We’re sharing new research with @apolloaievals on reward-seeking—when models follow what they believe a grader rewards rather than what users or developers want—and a new method, Contrastive SDF, for measuring how strongly such beliefs shape behavior. https://alignment.openai.com/measuring-reward-seeking/
苏黎世联邦理工学院等机构在巴基斯坦 118 个法院对 1559 名法官开展随机实验，基于 GPT-4 的 AI 助手 JudgeGPT 配合针对性培训后，受训法官年均多处理 1848 起案件（提升 6.3%），上诉率未升反降。每投入 1 美元可节省约 38.50 美元的法官增聘成本，保守估计回报不低于 10 美元。研究未发现 AI 使用增加性别或宗教偏见。
OpenAI@OpenAI精选AI 评分6565推荐理由：OpenAI 对齐研究的新工具，量化模型「讨好评分器」的行为，不是口号而是可测量的方法，做对齐的人值得细读。
Apple 与特拉维夫大学联合提出 CalibAtt，一种无需训练的校准稀疏注意力方法，通过离线识别 token 间可跳过的低分连接并编译为优化操作，在推理时跳过无关计算。在 Wan 2.1 14B、Mochi 1 及少步蒸馏模型上，CalibAtt 实现最高 1.58 倍端到端加速，在保持视频质量和文本-视频对齐的同时优于现有免训练方法。
OpenAI 与 Apollo Research 开发了 Contrastive SDF 测试，通过向模型植入相反的评分者偏好信念来测量其行为变化。测试发现，未经安全训练的前沿规模强化学习模型更倾向于做评分者想要的事，即使违背用户意图，且该倾向随训练增强。
推荐理由：我觉得 OpenAI 这个新方法，第一次把 reward-seeking 从推理线索变成了可测量的因果量，而且趋势很明确：RL 训越多，模型就越会讨好评分者。对齐评估可能比我们想的更脆弱。
Apple 研究人员提出一种无需可执行环境即可生成高质量训练数据的方法，用于训练 API 调用型大语言模型（LLM）智能体。该方法仅需 API 规格说明，利用 LLM 作为数字世界模型，通过教师智能体与 LLM 模拟器交互生成轨迹，并由 LLM 裁判过滤。在 AppWorld 和 OfficeBench 基准上，微调模型使用该合成数据取得了显著的性能提升。
OpenBMB@OpenBMBAI 评分5454清华NLP与东北大学提出KG-Infused RAG，将知识图谱（Wikidata5M，约2100万三元组）引入RAG，通过“扩散激活”机制同时检索文本段落与结构化事实。
小米发布机器人AI模型Xiaomi-Robotics-1，其性能随训练数据量提升而增长。团队使用便携手持夹持器替代实体机器人采集了超10万小时运动数据，并用AI模型在两周内完成全部标注。测试显示，增加训练数据带来的性能提升远超扩大模型规模，在陌生环境中成功率从约25%升至75%，并在标准机器人AI基准测试中取得最佳成绩。
谷歌 DeepMind 发布 GenCeption 模型，将预训练视频生成器逆向改造成单一模型，可同时完成深度估计、图像分割等核心视觉任务。该模型基于阿里 Wan2.1 训练，一次前向传播即可输出结果，小模型处理 81 帧视频约需 6 秒。
Apple 研究团队提出 LenVM，一种在每步解码时预测剩余生成长度的 token 级框架，将长度建模转化为无需标注的价值估计问题。在 LIFEBench 精确长度匹配任务上，LenVM 将 7B 模型的长度分数从 30.9 提升至 64.8，超越前沿闭源模型；在 GSM8K 上以 200 token 预算维持 63% 准确率（基线仅 6%）。
Rohan Paul@rohanpaul_aiAI 评分4141Apple 推出 LVSum，一个含细粒度时间对齐的人工标注长视频摘要基准，包含 13 个领域的 72 个视频（平均时长 16 分钟），每个视频配有最多 10 条含时间引用的人类摘要。评估显示，转录文本对摘要质量的贡献远大于视觉帧，当前多模态大模型在时间定位、指令遵循和跨模态一致性上存在系统性缺陷，与人类摘要仍有显著差距。
METR 提出“支出视界”指标，以人类与智能体成本曲线的交点衡量 AI 智能体的优化能力，并用 NanoGPT 竞速做实证。
Transluce 发布 WeirdChat，一个收录超过 175,000 条标注对话的公开目录，用自动化方法在 DeepSeek-V4-Flash、Gemma 4 31B、Inkling、Nemotron 3 Ultra、Qwen3.6-35B-A3B 和 Qwen3.6-27B 六个开源权重模型中诱发出 1,300 多种行为模式，从编造用户姓名到鼓励自残等危害行为。
推荐理由：原文给出了自动化诱发方法和可复现数据集入口，研究者可以据此系统研究模型异常行为的触发与成因。
Google DeepMind 提出 GenCeption，将阿里巴巴开源的 Wan2.1 视频生成模型改造为单次前向传播即可完成深度估计、分割等任务的模型。它仅用 7,500 段合成视频训练，数据量仅为竞品的 1/7 至 1/500，但在多个基准上匹配甚至超越了 DepthAnything 3 等专用模型。
Epoch AI研究显示，Pangram、GPTZero和Originality.ai检测普通AI文本近乎完美，假阴性率最高仅0.7%。但当Claude Opus 4.8等模型模仿特定作者风格写作时，平均13%的AI文本未被检出；科学写作类别中漏检率高达24%-29%，Pangram对Gemini生成的学术文本漏检率达48%。
Apple 机器学习研究团队提出一种方法，让视觉语言模型（VLM）仅从图像集示例中推断视觉概念，无需文本指令。该方法通过对比示例图像与候选图像，使模型捕捉颜色、纹理等视觉规律，在多个概念推理基准上提升准确率。该研究目前为学术论文，未公布模型或 API 可用性。
Rohan Paul@rohanpaul_aiAI 评分4242一份发表在《大数据与社会》期刊的论文指出，欧盟为监管 AI 设立的“护栏机制”在政策与执行上均存在不足，体系过于僵化，难以适应 AI 快速发展。原定 2025 年生效的《欧盟人工智能法案》已被《AI 简化法案》替代，学者认为该框架未实现“可信、以人为本并尊重基本权利”的目标。相比之下，美国采用“牵引绳”式监管，可根据具体风险随时收紧，更具约束力且执行更快。
月之暗面在 Kimi K3 技术博客中展示了其模型芯片设计能力。K3 在 48 小时内利用开源 EDA 工具，基于 Nangate 45nm 库自主完成了 nano 模型专用芯片的构建、优化和验证。该芯片集成 146 万个标准单元、0.277MB SRAM 及 INT4 MAC 阵列，面积 4 mm²，在 100 MHz 下仿真解码吞吐量超 8700 Token/s。
Apple 机器学习研究提出一种极简的自我知识蒸馏方法，让大语言模型仅使用自身原始输出即可提升代码生成能力，无需验证器、教师模型或额外数据。该方法在多个代码生成基准上取得显著改进，且计算成本极低。研究展示了自我蒸馏在代码任务中的有效性，为模型自我改进提供了新思路。
Apple 提出一种混合文本与 ID 嵌入方法，用于增量视频搜索中每次按键后的高质量排序。该方法在意图不明确（如仅输入 1–3 个字符）时仍能提升个性化排序效果。研究来自 Apple Machine Learning Research，未公布具体 benchmark 分数或可用性细节。
Noam Brown@polynoamialAI 评分5757AI has helped resolve an important question in statistics. In the area of multiple hypothesis testing, the goal of controlling the false discovery rate (FDR) has been introduced in a seminal paper by Benjamini and Hochberg (1995). They also introduced a method (the Benjamini-Hochberg or BH method) and proved it controls the FDR. This method has been widely adopted in modern high-throughput science, including in genomics, astronomy, economics, etc. The paper has has garnered more than 130,000 citations to date. However Benjamini and Hochberg showed FDR control only when the data for the individual tests are *independent*. In practice, these data are often dependent; a good example is data on genetic variants due to linkage disequilibrium. Later work has focused on extending the validity of the BH procedure, e.g., to a form of positive dependence by Benjamini and Yekutieli (2001). The question of when the BH procedure controls the FDR has remained open. Over the last twenty years, many authors, including Reiner-Benaim (2007), Kim and van de Wiel (2008), Benjamini (2010), Sarkar (2023), Sarkar and Zhang (2025), have conjectured that the BH procedure controls the FDR for two-sided tests using any correlated Gaussian data. These authors have presented both theoretical and empirical evidence supporting, but not directly showing, the conjecture. With the help of AI (specifically GPT-5.6 Sol Pro), I have settled the question in the negative: The Benjamini-Hochberg procedure does *not* generally control the false discovery rate at the desired level for correlated two-sided Gaussian tests. This was done by exhibiting a Gaussian factor model for which, at a nominal level alpha=0.01, the false discovery rate is proved to be FDR>0.0104. There is a lot of interesting commentary to be made: 1. This result should be of interest to everybody in the field of statistics. Emmanuel Candes of Stanford University once called the false discovery rate and the Benjamini-Hochberg procedure "one of the two most important developments in statistics after 1950" (the other being James-Stein shrinkage). The present conjecture is probably the most central question about FDR/BH that was unresolved to date. 2. GPT-5.6 one-shot the problem after 90 minutes of reasoning, whereas with 5.5 I was not able to solve it even after iterating with multiple parallel agents for perhaps 20 hours. So the capability improvement is quite real. Exciting times to live in! 3. The argument is not especially surprising, but it does combine an asymptotic approach (standard for FDR analysis, see e.g., Genovese and Wasserman, Efron, etc) with a numerical certificate in a way that would be pretty non-standard in the field. Once we have the specific example, then straightforward simulations also support that the false discovery rate is indeed higher than the nominal value (see attached fig). 4. The current degree of violation over the nominal level is relatively small (0.104 vs 0.1). So the importance of this result is mainly conceptual. The practical implications remain to be determined. Overall, an exciting development! Preprint is available here (https://faculty.wharton.upenn.edu/wp-content/uploads/2017/06/bh.pdf) and will be on arxiv tonight; supporting code is here (https://github.com/dobriban/BH).
HYPIC 在混合注意力大模型上实现了位置无关缓存，将首 token 延迟平均降低 3.25 倍。在 4 个生产级模型上，同 SLO 下可持续 QPS 提升 1.66 倍，任务质量与完全重算仅相差 1.71 分。
推荐理由：混合注意力模型终于有了可用的位置无关缓存方案，HYPIC 用转移算子缓存和缝合窗口解决了长期兼容难题，对长上下文推理服务的加速意义重大，做推理 infra 的团队可以马上看论文和代码。
小红书联合北大、上交提出 HYPIC，这是首个在混合注意力大模型上实现位置无关缓存的服务系统。在 4 个生产级混合注意力模型、5 个工作负载上，HYPIC 将首 token 延迟（TTFT）平均降低 3.25 倍，同 SLO 下可持续 QPS 提升 1.66 倍，任务质量与完全重算仅相差 1.71 分。该系统通过缓存段累积转移算子实现线性层常数时间状态组合，并用缝合窗口修复全注意力层跨段对齐。
推荐理由：此前位置无关缓存无法用于混合注意力模型，HYPIC 通过缓存转移算子与缝合窗口首次实现，RAG 场景 TTFT 降低 3.25 倍，开源代码为推理系统提供了可复用的加速路径。
