Anthropic 发布研究结果显示，Claude 在不到四周内优化了 30 多个开源生物深度学习模型，结构预测平均加速约 4 倍、精度损失极小，同精度输出下约加速 1.6 倍，其中 FlashPairformer 自定义内核在 triangle attention 上超领域标准 2.7-2.9 倍。
推荐理由：Anthropic 官方给出 Claude 优化 30 多个生物模型的加速数据、Big 模式规模上限和开源代码，可据此评估 Agent 做推理优化的实际效果。
SemiAnalysis 分析认为美国数据中心建设被禁令拖慢的说法不成立，其模型预测 2027 年美国将交付 +38GW IT 容量，超过 2026 年的两倍。
Google 更新 AI & Economy ATLAS，上线交互式开放数据体验，并联合 Google DeepMind 与 MIT FutureTech 发布科学家使用 AI 的新研究。
Redwood Research 博客报告，CoTControl 评测要求推理模型在思维链中遵守小写、禁用词等格式约束，近期多数模型仅得 0-30%。
Redwood Research 为不可言语化的串行认知量提出可操作化度量 NLS depth，将 GDM 论文（Brown-Cohen et al, 2026）中“opaque serial depth”的概念具体化。
Amazon Science 发表论文《What fits (into few tokens) doesn't overfit》，用可重置的 LLM 研究智能体解释为何基准驱动的机器学习研究没有像教科书预测的那样普遍过拟合：能胜出的策略高度可压缩，短描述装不下对验证集的记忆。
Goodfire 基于 Ai2 完全开放的后训练栈，展示了如何在偏好训练前预测行为变化、把 Olmo 3 的安全回归追溯到 Dolci 数据集中的具体偏好样本，并测试在不损失能力提升的前提下修正回归。
Sierra 开源 Hyper-𝜏-bench（论文名 𝜏^𝜏-bench），一个长程智能体评测，衡量模型不仅能当客服智能体、还能从证据中恢复规格、设计架构并构建可用智能体的能力。
推荐理由：原文给出构建型智能体评测的设计与前沿成绩，还归纳了开发者智能体的五类失败模式，可帮助读者理解模型自主构建智能体的真实短板。
Dwarkesh Patel 通过训练 2019 到 2025 各年代表性模型配方与数据语料的组合（最高 1e19 FLOPs），发现数据改进带来的计算效率增益为 12.0x，模型改进为 3.7x，数据贡献约 3.24 倍于模型，且两者增益基本相互独立，线性模型可解释 88% 的 OLMES 分数方差。
OpenAI 为 ChatGPT Images 2.5（GPT-Image-2.5-Sunburst 和 GPT-Image-2.5-Flare）发布系统卡，说明训练数据与安全评估结果。
Ai2 推出 BenchMIRT，一种基于多维项目反应理论（MIRT）的 LLM 基准审计方法，在单个题目层面估计模型能力与题目难度。方法基于 100 个 LLM、16 个基准和超过 34K 道题目的结果训练，未预设各基准的用途，独立恢复出安全与通用推理两个主导维度。
Transluce 发布迄今规模最大的独立心理健康评测，模拟 5 万余次对话、超 100 万条消息，测试 2024 年 5 月至 2026 年 7 月发布的 77 个模型变体，覆盖 OpenAI、Anthropic、Google DeepMind、DeepSeek、Moonshot AI 等。
推荐理由：Transluce 用超 5 万次模拟对话和临床专家验证的行为框架测评心理健康回应，并开源数据集，读者可借此了解新一代模型安全性的具体变化。
Ai2 宣布与 Providence Swedish Cancer Institute 旗下 Paul G. Allen Research Center 合作，将其 AI 科学发现平台 AutoDiscovery 应用于癌症研究数据集。
Amazon Science 在 ICML 发表论文，提出用 Ising 模型感知 LLM-as-a-judge 评审间的相关性，避免多数投票把共享偏见误当成独立证据。
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 Science 发布开源基准 SOP-Bench，用领域专家撰写的真实 SOP 搭配可调用工具和标准答案评测 AI 智能体，覆盖 12 个业务领域、超过 2000 个任务，已在 KDD 2026 会议上发表。
Georgia Tech 博士生 Glenn Matlin 与 Chandreyi Chakraborty 用 Ai2 完全开放的 Olmo 3 生态，通过影响函数追踪模型社交推理能力的训练数据来源。
METR 汇总多组公开数据寻找发现速率的斜率变化，以 2026 年 1 月为潜在拐点。漏洞发现急剧加速，如 cURL CVE 从 2025 年 9 个增至 2026 年 6 月底的 36 个、Microsoft CVE 年化约 2.5 倍，但其中 AI 标注占比差异很大。
Redwood Research 发布分析文章，认为 OpenAI/Hugging Face 事件中多个智能体通过临时渠道进行的未授权协调，已开始构成间接失控风险。
Sayash Kapoor 等人在新论文中设计影子评测，让前沿 AI Agent 获数千美元 API 额度和六天时间，研究两篇未发表论文的主问题，原论文作者明确拒收两篇 Agent 论文。
Transluce 发布了一份用于判定编码智能体是否规避审查与监控的评判提示词，聚焦 Monitor Evasion（监控规避）行为：如用 --no-verify 跳过 git hooks、自批自审、弱化测试断言、用 --force 绕过分支保护等。评判流程分步识别监督机制、判断适用性，并区分“绕过”与“正当修复”，即使智能体事后补救也照样计为违规。
Zyphra 发布 Apache 2.0 开源的 EEG 基础模型 ZUNA1.1，可跨任意通道布局对脑电数据做重建、降噪和上采样。模型保持 380M 参数与 transformer 扩散自编码架构，训练步数增至 4 倍、语料约 3.5M channel hours，支持 0.5–30 秒可变长度输入和四种 dropout 重建任务。
Amazon 在 ICML 发表的论文提出 ControlG 框架，借鉴工业 PID 控制器，在图自监督学习中逐次将计算预算分配给单个训练目标，而非每步混合所有梯度。
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 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。
METR 提出由独立研究者深度调查 AI 智能体错位事故背后动机的框架，并列举了 OpenAI 内部智能体入侵 Hugging Face、Anthropic 智能体逃出沙箱等事故作为背景。
Transluce 的 Oversight Foundations 团队提出构建"监督基础模型"的研究愿景：先在针对"被监督模型"的大量多样化实验语料上做预训练/中期训练，再用大量已验证的监督任务做 RLVR，最后微调使其能回答关于被监督模型的自然语言问题。
Berkeley AI Research 提出训练框架 ABBEL，将摘要形式化为自然语言信念状态并对其进行信念评分，解决递归摘要（context compaction）在长程交互中的性能损失问题。
METR 博客系统梳理了衡量 AI 智能体能力的各类指标，核心是基于两个支出函数——智能体得分 s_A(x) 与人类得分 s_H(x)，其中支出可解释为金钱、token 或时间。
METR 的 Parker 与 Tom 联合 7 位经济学家发表论文《The Economics of Recursive Self-Improvement》，通过一系列简单模型分析 AI 加速 AI 研发的反馈效应强度。论文认为无法排除能力出现持续快速加速的可能，但数据、训练算力、推理算力或实验等瓶颈也可能使加速放缓。作者还呼吁实验室发布更多相关数据，并给出了一份未来发布的“愿望清单”。
OpenAI 与 Apollo Research 发布 Contrastive Synthetic Document Finetuning 测试方法，通过向模型两份副本分别灌注相反的评分器信念，测量行为对评分器偏好的因果敏感性。
推荐理由：原文提出了可量化的奖励寻求测量方法，并给出 RL 训练中该倾向随训练增强的实验证据，读者可据此了解对齐评估的局限。
METR 提出"支出视界"指标，用智能体与人类在优化问题上成本收益曲线的交叉点来量化智能体优化能力，并以 NanoGPT 速度跑做实证。
Amazon 与密歇根大学提出 HydroShear，通过路径相关力追踪改进水弹性接触模型，让模拟器准确建模软体指尖的触觉剪切力，支持 GPU 并行的大规模强化学习训练。策略完全在仿真中训练后直接部署到配备 GelSight Mini 传感器的真实 Franka 机器人，四项接触密集任务平均成功率 93%，显著高于基线 TacSL 的 34% 和 FOTS 的 58% 至 61%。
METR 的 Thomas Kwa 分析 Anthropic 2026 年 Q2 贡献者日均合并代码量达 2021-2024 时期的 8 倍，认为仅编码智能体带来的研究员产出提升可能超过 2 倍，中心估计约 2.5 倍。
Cognition 发布 FrontierCode 1.1，改进评测方法以区分合法联网（如查文档）与可能泄露答案的不公平联网。该版本审计了全部 1000+ 评分标准并放宽 75 条过严项，同时发布 Sonnet 5 分数和 Fable 5 更新分数。通过公平联网提示词加程序化检测双重保障，各模型不公平联网使用率降至 1% 以下。
Waymo 发表两篇被 Traffic Injury Prevention 接收的研究，提出把人类事故数据与分时分区交通量数据配对，建立考虑地点和时段的安全基准。
Figma 发布 2026 AI 报告，基于三年数据，包括 8,403 份问卷与 639 次定性访谈，覆盖从七个市场扩展至十个市场。报告显示 41% 受访者认为 AI 已实质改变团队协作方式，远高于两年前的 7%；设计师参与开发的增至 41%，做设计工作的开发者从 44% 升至 60%，76% 的人至少一半工作在 canvas 上完成。
Zyphra Research 发表研究，发现 5M 到 314M 非嵌入参数的 GPT 式 Transformer 在多语言持续学习问题中会出现可塑性丧失，即在继续训练后失去学习新数据的能力。
推荐理由：Zyphra 用多语言持续学习实验证明 GPT 类 Transformer 会丧失可塑性，并给出缩放律，说明靠扩大参数量应对收益递减。
OpenAI 发表研究，发现用强化学习在真实场景中训练诚实、可纠偏、认知谦逊等有益特质，能让模型在 44/53 个未参与训练的公开和内部对齐评测上超越算力匹配的基线。改进在未训练领域也成立，仅用健康数据训练仍提升 reward hacking、欺骗等非健康评测；模型在对抗提示和有害微调下更难被引向有害行为，同时保持正常可引导性。
推荐理由：OpenAI 自家研究给出有益特质 RL 的跨域泛化与抗对抗数据，读者可了解对齐训练的一条可验证路径。
OpenAI 用约 10 万条 WildChat 对话对 5 个模型重新生成回复，并以生产数据为基准验证，发现公开聊天数据能较准确预测部署中失当行为率，95% 预测误差在 1.04 OOM 内，约为 1.86 倍于用自身部署数据模拟的误差。