AI 情报文章归档

Netlify 重构 Edge Functions 底层基础设施，将执行从外部托管服务迁入自家边缘网络内的 Firecracker MicroVM，热调用中位延迟从 25–40ms 降至约 5–6ms，p99 快 47.4%，可用性 99.998%。

Anthropic 的 Claude Code 负责人 Boris Cherny 今年用 Claude Code 合并了约 1,700 个 pull request，新增 40 万行代码，删除 25 万行。 并使用了 80 亿 token。 “自 Opus 4.5 以来，我的代码 100% 由 Claude Code 编写。那是去年 11 月左右的事。 …… 我现在大部分编码都在手机上完成。” --- 来自 YouTube 频道“Scale”（完整视频链接见评论）

🚨 GPU 租用者必读长帖 🚨 GPU 集群的可靠性是在出故障时才能衡量的。在 ClusterMAX 评估中，我们会注入故障，并追踪从检测到恢复容量的全过程。各家供应商在这条路径上的处理能力差异极大。(1/6)🧵

研究者提出 SciUtopia，一个持续运行的闭环 LLM 智能体模拟框架，用于研究学术研究生态系统，覆盖研究方向选择、合作、投稿、同行评审、重投、引用、资助与研究者流失等环节。

AgSpec 是一个面向编码智能体流水线的检索式投机解码框架，从会话、工作区和全局语料库中检索草稿 token，并按智能体离线画像设定草稿长度上限、再依据验证反馈在线调整。在两个仓库级多智能体编码基准上，AgSpec 在多数设置下优于五种检索式草稿器和 EAGLE-3，batch size 1 时生成吞吐较自回归解码最高提升 4.37 倍，batch size 16 时最高 4.76 倍。

研究以 Qwen3-1.7B 和四个同源 RL 教师模型为对象，剖析多教师同策略蒸馏（MOPD）中教师信号如何影响参数变化，并用 SmolLM3-3B 做补充诊断。

研究者提出推理时框架 PoS，为 LLM 智能体构建并持续维护显式信念状态作为决策上下文，每个信念结合当前世界状态估计与未解决的任务需求。PoS 通过一致性校验和任务进度监控检测“Belief Trapping”，并按陷阱模式与未满足需求类型定制恢复策略。在覆盖执行与诊断的四项基准上，PoS 在三种 LLM 主干下均取得最高整体表现，消融实验验证了一致性校验与恢复机制的必要性。

OpenRouter 发布教程，讲解如何让廉价模型通过结构化输出返回 0 到 1 的置信度字段，低置信度的请求再升级到更强模型。文章强调置信分数只是自报、不是校准概率，应基于自己流量的分数段错误率排序设定阈值，并在上线后监控分数分布、升级率和未升级答案的错误率持续调整。

OctLLM 将几何以八叉树占用 token 的显式 3D 序列输入模型，并通过随机清空倒数第二层节点、省略其后代，得到更短的 S-Octree 用于位置感知掩码建模生成与 3D 理解。

研究者提出 Kinematic MeanFlow（K-MF），一种面向机器人基础模型（RFM）的一步动作生成策略，解决 MeanFlow 直接应用时的性能崩溃问题。

OpenRouter 发布一个三步框架，用于为 Agent 任务选出以最低成本达到质量门槛的模型，而不是按排行榜排名选最高分模型。方法是先按任务设定质量门槛，再用 20 到 50 条自己的示例运行廉价、中档和前沿模型并用统一评分标准计算每质量点成本，最后选出以超过运行间分数波动的余量过线的最便宜模型。

PROWBench 基准发布，包含 170 个程序化构建的 episode 和 600 段代理视频，用于检验视频模型对程序指定世界事件的视觉还原能力。该基准记录实体状态与带时间戳事件（含镜头视野外事件）作为可回放世界记录，并渲染同步视图，覆盖第一、第三人称视角。

针对多智能体工作流中仅训练生成器、其他智能体固定的局限，研究者提出 FloWright，通过分层、结构感知的奖励范式让一个角色自我进化、两个及以上角色协同进化，无需额外模型、标注或执行。

研究者提出"数学原语"（Mathematical Primitive）概念并构建新基准，从 Discovery、Generation、Digestion、Execution 四个维度评估 LLM 的结构性数学理解。

研究提出"世界编辑"概念，即对已有可执行世界进行干预并保留不应改变的部分，同时引入"干预深度"描述编辑对世界实体、动态与系统的耦合强度。作者基于 Minecraft 和 Terraria 的工业级游戏模组构建了 IGMWorld，并发布包含 110 项任务、超 1.1K 条可执行状态与行为标准的 IGMBench。

Omni-Embed-Mini 是一个 0.9B 参数的多模态嵌入模型，可将文本、语音、音频、图像、视频和富视觉文档映射到同一余弦空间，且不更新任何文本侧参数。

ProWAM 是一种渐进式世界动作模型，通过联合预测动作与有序稀疏视觉子目标序列，为动作生成提供显式视觉引导。它在 LIBERO-Plus 上达到 85.8%、随机化 RoboTwin 上达到 75.7%，相对最强基线最高提升 35.9%；在 RoboCasa365 上成功率为 48.1%，Composite-Unseen 分项为 18.2%。

Apple 研究者提出 RLTL;DR，在每次失败尝试后让策略读取验证器输出并自行写出一条 TL;DR 式反馈，后续 rollout 以历史反馈为条件，并对上下文中的反馈做反向传播以内化"任务→反馈"映射。

Latent-MOPD 是首个面向 LLM 的表征级多教师同策略蒸馏（OPD）方法，同时利用专家的预测输出和计算这些预测所用的隐藏状态来整合多个专家，且无需额外教师训练。在同家族设置下，它在数学、代码和逻辑的九个基准上全面超越仅 token、仅表征和均匀平均基线；在参数量与各教师相同时，学生在多数基准上超过逐基准最优教师。使用更大规模的跨家族教师时，它在所有基准上均优于单通道基线。

研究者提出 LOOM，通过缩放残差更新、每次循环重新注入输入嵌入，并用逐循环路由器和 Looping Residual 缓解专家选择坍缩，使循环 MoE 稳定扩展至 9-12 次循环。

OpenRouter 发布教程，讲解如何用固定的 eval 集在 CI 中门禁 pull request，当通过率低于阈值时脚本以非零退出码阻止合并，做法与单元测试门禁一致。

研究者提出免训练对比解码框架 LoopCD，通过对比最终预测与较早循环轮的中间表示来引导 token 选择，分为 logit 空间的 LoopCD-Logits 和零输出开销的 LoopCD-Hidden 两种形式。

研究者提出 Stability-Aware Generalization Objective（SAGO）框架，从生成一致性、内部激活、置信度和响应镜像等多个维度衡量 LLM 在输入变化下的行为波动。实验显示，常用模型普遍存在统计显著的泛化不稳定性，没有模型能均匀泛化，不同行为轴捕捉到独立的失败模式，跨数据集变化甚至会逆转模型排名。

SILSA 是一个拓扑感知的 3D 生成框架，用沿三个坐标轴的固定重叠切片隐变量替代昂贵的体素 token，每个 token 概括局部深度窗口，支持单阶段 rectified-flow 生成。

AGO AI Quality Gate 是一个面向工业级 RAG 评估的"证据优先"质量门框架，包含四态决策模型、分层评分、分层 beta-binomial 门控和强制元评估协议。

RPTune 是一个将学习式目录筛选与 LLM 后训练耦合的端到端框架，通过编码器-重组器筛选器依据下游 LLM 反馈对商品排序和剪枝，并用上下文相对奖励提升后训练效果。在 7 个真实商家的 100 条复杂对话查询上，上下文筛选带来最高 31.4 个百分点的搜索准确率提升，后训练平均再提升 10.3 个百分点，在闭源与开源权重 LLM 上均有效。

研究者提出多智能体框架 MEA，由 Proposer 智能体按问题与模态选择并配置解释工具，Actor 智能体则针对忠实度做端到端优化，将输出转化为自然语言解释，覆盖表格、文本与视觉模态。在六个数据集上，MEA 一致优于事后解释方法、智能体与闭源基线，奖励驱动优化相比未训练主干带来 +28%（表格）、+21%（文本）、+34%（视觉）的忠实度提升。

CANOPY（Canonical Projection over Hierarchy）是一个面向多模态 RAG 的自适应粒度检索后证据压缩框架，将检索项表示为层级结构，用基于 gold evidence 微调的节点编码器对区域打分，并通过父节点相对细化在不同粒度上选取多个区域，无需 LLM 调用即可完成节点级剪枝。

研究提出 SBERT2S1，将 Sentence-Transformers 编码器转为双编码器、cross-head（C）与 prior-fused residual（PFR）类型化决策模型，并发布 BIODECIDE 生物医学决策套件和 243k 条 NLM 索引决策构成的 MEDLINE-S1。

针对 LLM 智能体反复使用同一外部来源却只当作重复访问的问题，研究者提出 SourceLearn，通过自导向来源学习和任务引导来源学习两种机制，构建并持续优化持久化的来源模型。在五个 benchmark 和三个 LLM 后端上，SourceLearn 在 15 个设置中 13 个取得最佳表现，最高比 Hybrid RAG 提升 22.6 分。

OneStreamer 通过共享的主动生成过程，联合学习与查询无关的证据记录和任务响应，其 Proactive Hierarchical Caption Memory（PHCM）生成带时间定位的局部细节描述与已完成事件摘要。

4Director 是一个以显式 4D 场景表示为条件的视频世界模型，每个物体从输入图像重建为规范网格，并由每帧一个预设刚性变换驱动。它把受控场景渲染为深度视频，再用 Motion Adapter 生成视角一致的外观、光照与非刚性动态。

研究者构建了 ScholarCatalyst 基准，让 207 篇近期计算机科学论文的 184 位第一作者标注哪些候选论文推动或可能推动了其项目，并附详细理由。在该检索任务中，Agentic 搜索（0.42 Recall@20）不如嵌入向量检索（0.48），即便基于 Claude Fable 5.1 的智能体也只达到 0.51 R@20。

Modal 宣布 VM Sandboxes 正式 GA，只需设置 runtime="vm" 即可获得支持 Docker、FUSE 和内核功能的完整 Linux VM，沿用原有 Sandbox 的 API、modal.Image、亚秒级冷启动和内存爆发能力，早期客户已启动超过 2000 万个 VM。

论文提出 OpenRUA，一个零抽象 harness，只给现成编码智能体 ROS 2 原生接口的终端访问权限、ROS 2 文档和基础工具，不编排任何定制工作流。

一项研究考察四个开源权重类型化决策模型，发现模型概率大多跟随选项标签而非定义：删除全部定义后 laya-td 准确率仍为 0.8559 对 0.8487，而将选项改名为 A 和 B 反而提升准确率 +0.1511。

SimuVerity 是一个包含 101 个文本到可执行 Simulink 模型生成任务的基准，覆盖十个工程领域，采用分层评估器先检查产物交付、原生可执行性与工程合格性，再从准确度、输出质量、机制保真度、控制与因果完整性、工况鲁棒性和动态响应六个维度打分。六个智能体系统参与评测，最佳系统总分仅 42.86，表明结构相似度无法代表工程性能，部分高分模型仍存在严重的视觉布局混乱。

一项研究记录了关键词匹配基准的假阳性：一对共享解码器与 tokenizer 的西班牙语安全模型（661.6M 与 1,109M 参数）在宽松工具调用指标上得分几乎相同（B4：0.660 vs. 0.650），但逐字复现检查中 600M 在 6/6 样例上生成有效工具调用，1B 在 0/6 上做到。

VeriHarness 将生成用的 LLM 变为智能体验证器，通过工作区、证据工具和可复用验证技能，对多次采样结果中的分歧与共识分别核查，从而筛选和修订最终产物。

EPFL 与 Apple 研究者发表论文，发现在相同时间预算和同一前沿 LLM 骨干下，开源最先进 harness 并不优于最小化 harness 编码智能体的单次会话。通过大规模系统性消融研究，作者认为复杂机制层在编码智能体场景中变得冗余，性能主要由 LLM 骨干驱动，为强模型手工搭建复杂 harness 的投入在当前 MLE 基准上回报很低。