Google DeepMind 推出 AlphaProof Code 框架，形式化验证 Signal 密码协议实现代码
Google DeepMind 发布 AlphaProof Code，一个多 LLM 智能体形式化验证框架，首次对 Signal 协议的实际实现代码完成数学化安全证明，此前该挑战被认为极为困难。
推荐理由：原文给出框架工作流程、生成六百万行 Lean 和四周完成验证等细节，读者可据此判断形式化验证的可行路径。
#开源/仓库
Google DeepMind精选AI 评分7777
Hugging Face BlogAI 评分4242 HOPE：考虑专家协作关系的高阶 MoE 大模型剪枝方法
Hugging Face 提出 HOPE（Higher-Order Pruning of Experts），一种针对 MoE 大模型的二阶专家剪枝方法，将专家间的成对交互纳入剪枝决策，弥补一阶方法只独立打分的不足。
MIT NewsAI 评分4343 MIT 开源 CheMeleon 基础模型如何从少量数据预测分子行为
MIT 团队发布开源分子性质预测基础模型 CheMeleon，基于 ChemProp 构建，用来自 PubChem 的约 100 万个分子预训练，学习约 1600 种分子描述符，可针对新性质用少量数据微调。在 58 个测试案例中，该模型优于其他基础模型和经典专家模型；今年早些时候 OpenADMET 主办的竞赛中，前 20 名里有 9 名使用了 CheMeelon，目前已被多家制药公司采用。
Hugging Face BlogAI 评分5454 Ai2 发布 ToyBlocks：可控机器人学习与评测的开源模拟框架
Ai2 发布开源模拟框架 ToyBlocks，作为首个 FoundationWorld，围绕机械臂与桌面积木自动生成任务和演示数据，并配套训练与评测工具。框架在单张 GPU 上可并行生成数百个规划方案，最高达 24 倍实时性能，首批发布 85,336 条长程演示、约 1,600 小时数据和 1.44 亿帧。
Ai2 / Allen Institute for AIAI 评分5656 Ai2 发布开源机器人学习评测框架 ToyBlocks
Ai2 发布 ToyBlocks，这是其首个 FoundationWorld，一个围绕机械臂与桌面方块的开源仿真框架，可自动生成任务、技能和演示数据，用于受控研究机器人学习与评测。
Zyphra ResearchAI 评分4949 ZYFA 在 AMD MI355X 上实现快速且准确的 FP8 Attention
Zyphra 发布 ZYFA，这是面向 AMD MI355X（CDNA4）的因果前向注意力 BF16/FP8 内核，并分析 FP8 attention 在该硬件上的三项瓶颈。
Anthropic：Research精选AI 评分6767 Anthropic 发布 FlashProve：单张 H100 以 110 tokens/秒证明 Llama 4 Maverick 推理
Anthropic 发布开源可验证推理原型 FlashProve，用 zkSNARK 证明模型响应确实来自所声明的权重且不泄露权重。
推荐理由：原文给出 zkSNARK 可验证推理的实测性能和开源代码，读者可以据此评估零知识推理证明距实用还有多远。
IBM Research：AIAI 评分5656 IBM 与 Kaggle 推出 ScarfBench 排行榜，评测编码智能体的 Java 框架迁移能力
IBM 与 Kaggle 合作推出 ScarfBench 持续更新的公开排行榜，评估编码智能体能否将企业 Java 应用在 Jakarta EE、Quarkus、Spring 框架间迁移并保持行为正确。
Sakana AI：BlogAI 评分5050 Sakana AI 提出 MASS：多智能体自我监督实现递归自我改进
Sakana AI 与 UC Berkeley 合作发表论文，提出多智能体自我监督方法 MASS：一个共享模型通过团队虚拟 subagent 解决任务、搜索更优多智能体工作流，并将最佳团队的执行蒸馏回共享模型。
GitHub Blog · AI & MLAI 评分5959 GitHub 发布 AI 代码审查开源基准 ReviewBench
GitHub 发布 AI 代码审查离线基准 ReviewBench，语料基于 103.9M 真实 pull request 的分布，含 19 种语言的 219 个公开 PR，数据集、评判标准和 runner 全部公开。
Browser Use精选AI 评分6161 Browser Use 如何构建可扩展的长程 RL 环境并开源 200 个任务
Browser Use 公开其从生产环境浏览器智能体流量构建长程强化学习环境的方法，并开源 200 个带评分细则的任务，托管在 github.com/browser-use/benchmark。
推荐理由：原文完整披露了从真实用户流量构建可扩展长程 RL 环境和评分细则的流程，方法可迁移，且开源了 200 个任务。
Amazon ScienceAI 评分5656 Amazon 发布 PatientAgentBench 评测患者端医疗 AI 智能体
Amazon Science 发布 PatientAgentBench，一个可复现、经临床医生审核的患者端医疗 AI 智能体评测基准，框架已在 GitHub 开源。
Together AI 研究与产品博客AI 评分5757 Together AI 发布开源调度层 ThunderAgent，智能体推理吞吐最高提升 2.5 倍
Together AI 推出开源智能体推理调度层 ThunderAgent，将每个智能体工作流抽象为可调度的 program，通过暂停低优先级工作流和全局等待队列缓解 KV cache thrashing 并均衡多节点负载。
Factory 研究 / 产品AI 评分6666 Factory 评测 13 款模型的代码审查表现：GPT-5.2 最佳，MiniMax M2.7 最省
Factory 发布代码审查基准结果，用 50 个来自 Sentry、Grafana、Keycloak、Discourse、Cal.com 的真实 PR 测试 13 款模型。
OpenAI：Alignment 研究博客精选AI 评分6262 OpenAI 开源 CoT 监控评测套件的数据集与参考代码
OpenAI 开源其链式思维（CoT）监控性评测套件中的大部分数据集和参考代码，GitHub 仓库为 github.com/openai/monitorabil…，包含 GPQA、AIME、Sandbagging 等干预类、过程类和结果属性类评测，以及监控性指标 g-mean 2 的计算代码。
推荐理由：原文给出开源数据集、g-mean 2 指标代码和新的 cross-fit 过滤方法，读者可以据此在社区复现或扩展 CoT 监控评测。
Berkeley AI ResearchAI 评分4242 Berkeley AI Research 介绍 SPEX 与 ProxySPEX：大规模识别 LLM 关键交互
Berkeley AI Research 在博客中介绍两种可大规模识别 LLM 关键交互的算法 SPEX 与 ProxySPEX，核心思路是通过消融（ablation）检测模型行为的变化。
Cognition 模型 / Devin 博客AI 评分5353 Cognition 与斯坦福发布 Kevin-32B：用多轮 RL 训练 CUDA 内核生成模型
Cognition AI 与斯坦福团队发布 Kevin-32B，基于 QwQ-32B 用多轮强化学习训练 CUDA 内核生成，在 KernelBench 前两级任务上 8 轮细化后平均正确率 65%，解决 89% 的数据集，超过 o4-mini 的 53% 和 o3 的 51%，best@16 加速比 1.41x。