在执行点应用安全设计：受治理的安全需求如何影响 AI 生成代码的安全性
研究将来自 SbD-ToE 知识库的安全需求通过 MCP server 在执行点提供给代码生成器，在 DualGauge 的 59 个 Python 任务上，通过全部安全测试的任务占比从 44.1% 升至 78.0%。
全部 AI 动态
arXiv cs.SEAI 评分3232 arXiv cs.SEAI 评分3737 CABRA 基准揭示：代码理解才是编程智能体的瓶颈
研究者提出 CABRA 编程能力评估基准，以调用图变换从零构建任务，并按函数遍历、搜索、运行时解析、指令遵循四个维度用任务规模参数调节难度。
arXiv cs.SEAI 评分5151 TestJack：用评估器演化审计编码基准，约34.4%的通过样本违反任务要求
研究者提出 TestJack，一个超越固定单元测试的补丁评估框架：针对每个 trial 生成覆盖提示词要求的测试，只保留真实补丁能通过的测试，并重新检查失败样本，使每个确认的失败都有可复现测试支撑。
arXiv cs.SEAI 评分2525 LLM 在软件工程系统综述中的筛选性能是否已停滞？
研究基于 SESR-Eval 基准及新构建的 SESR-Eval-Mini 数据集，评估了八款新 LLM 在软件工程系统综述筛选任务上的表现，平均 MCC 仅从旧模型的 0.347 微升至 0.365。
arXiv cs.SEAI 评分2222 超越类型检查：面向形式化规范生成的整体评估
研究团队构建了统一数据集与评估框架，用于整体评估 LLM 形式化规范生成（SpecGen），数据集包含 350 个 Lean 任务，其中 189 个来自 VERINA、161 个来自 CLEVER，覆盖形式有效性、参考相似性与等价性、行为充分性。
arXiv cs.SEAI 评分2222 Agent4RE：面向端到端软件需求工程与基准测试的自精炼多智能体框架
Agent4RE 是一个自精炼多智能体需求工程（RE）系统，通过编排专用智能体并引入两个迭代改进循环，实现从需求获取到生成的端到端流程。团队同时构建了基于真实人工需求规格的 RE-E2E 数据集，并提出加入自主自精炼或结构化人工反馈的两个增强版本。
arXiv cs.SEAI 评分2222 LLM 能否模拟新手程序员的错误概念？13 个模型在代码追踪任务上的评估
研究评估了 13 个 LLM 在代码追踪问题上生成、求解、模拟和诊断新手编程错误概念的能力。前沿模型能可靠完成这些任务，但 ≤14B 的小模型在动态执行上表现吃力，代码微调模型在错误概念模拟时会退回正确执行。错误概念诊断在 True/False 格式下显著比开放式生成任务更容易。
量子位AI 评分6262 星动纪元VPP2登顶RoboDojo仿真榜单并开源
星动纪元自研世界动作模型VPP2登顶RoboDojo仿真榜单，综合平均成功率32.26%、平均得分39.26分，两项指标均列第一，领先GPT-6-Astra的22.48%和28.97分。
量子位AI 评分6262 MirroS 发布 AgentGarten：代码环境加实时神经渲染，让智能体边玩边进化
MirroS 团队发布 AgentGarten，把可执行代码环境与实时神经渲染器连接，代码定义物理规则、模型生成视觉反馈，以超过 30 fps 的吞吐让智能体持续交互。
The Decoder精选AI 评分8484 OpenAI 发布 GPT-6，ChatGPT 输出改为图表按钮等交互界面
OpenAI 面向所有 ChatGPT 用户推出 GPT-6，并带来名为 Intelligent UI 的新功能，模型以图形、按钮、图表和表单等交互界面呈现答案，而非纯文本。
推荐理由：GPT-6 把 ChatGPT 输出从纯文本改为交互界面，并给出等待时间与内部测试对比，可据此判断交互形态的变化。
JetBrains AI Blog精选AI 评分6666 JetBrains 发布 Mellum2.1：面向编码智能体的快速开源模型
JetBrains 发布 Mellum2.1，这是其 6 月开源的 12B MoE 模型的新版本，架构不变，仍为 2.5B 激活参数、Apache 2.0 许可。
推荐理由：JetBrains 开源编码智能体模型 Mellum2.1，读者可了解其 RL 后训练路线与自托管部署方式。
The Decoder精选AI 评分7777 Anthropic 发布 Claude Haiku 5.5，价格最高下调 90%
Anthropic 发布 Claude Haiku 5.5，这是其最快、最便宜的小模型，平均成本比 Haiku 4.5 低约 75%，提示词不超过 10 万 token 的请求价格最高下降 90%，超过 10 万 token 的请求价格则是前者的五倍。
推荐理由：Anthropic 发布 Haiku 5.5 并大幅降价，读者可据此判断小模型在成本敏感任务中的定位与取舍。
Latent Space精选AI 评分8282 Anthropic 发布 Claude Haiku 5.5，定价对标 GPT-6 Luna
Anthropic 发布 Claude Haiku 5.5，这是 Haiku 系列约一年来的首次更新，定价与 OpenAI 的 GPT-6 Luna 持平，官方称其平均运行成本比 Haiku 4.5 低约 75%。
推荐理由：汇总了 Haiku 5.5 的定价、第三方评测与 token 消耗数据，可据此判断小模型在智能体工作流中的成本取舍。
Simon WillisonAI 评分7474 Anthropic 发布 Claude Haiku 5.5，定价对齐 GPT-6 Luna
Anthropic 发布快速低价模型 Claude Haiku 5.5，定价与 OpenAI 上月发布的 GPT-6 Luna 完全一致，为 $0.10/$0.50 每百万 token，超过 100,000 token 后涨价 5 倍至 $0.50/$2.50。
Google Research精选AI 评分6262 Google Research 研究：AI 辅助提升专利撰写产出，但未必加速初级律师成长
Google Research 在 NBER 发布一项为期三个月的专利撰写实地实验，将当时未发布的 Google Labs AI 专利写作助手（现属 Gemini Notebook）随机开放给 11 家知识产权律所的 133 名律师，其中三分之二获得早期访问权。
推荐理由：三个月专利撰写实验区分了 AI 带来的即时产出提升与无辅助判断力的变化，为理解 AI 对专业能力的影响提供了实证。
Hugging Face Daily PapersAI 评分2222 OmniCapBench：面向细粒度音视频描述的分层结构化评估框架
OmniCapBench 将音视频描述评估重构为深度结构化诊断框架，把预测目标从自由文本转为实体引用、视觉镜头和音频事件三类原子化可验证评估单元，并基于 786 段密集标注视频进行确定性约束检查与局部 LLM 语义比较。评测前沿 MLLM 显示其局部感知较强，但长时程音视频推理薄弱，尤其存在身份漂移与跨模态错位问题。
Hugging Face Daily PapersAI 评分3232 准确但不谦逊：知识冲突下 LLM 智能体的认知谦逊评估
研究提出用认知谦逊（EH）评估 LLM 智能体在知识冲突下的表现，通过 Identify、Solve、Escalate（ISE）三个轨迹级行为维度，在受控冲突与多步执行中的自然冲突两种设定下评测四个智能体。结果显示更高任务准确率并不必然对应更强的认知谦逊：部分高准确率配置能识别冲突，却不在错误答案中传达未解决的不确定性。轨迹分析还发现智能体常在执行早期检测到冲突，却在后续步骤中未能维持或解决。
Hugging Face Daily PapersAI 评分2222 BrickBench：评估智能体积木设计
研究者提出 BrickBench，一个面向智能体文本条件 LEGO 套装设计的基准，要求智能体从离散零件库中选件并同时推理局部与全局约束，产出满足语义与设计标准且可实际拼装的方案。配套环境 BrickAgent 让编程智能体构建、检查并验证设计，评测覆盖三种规模与零件可用性设置，从有效性、对齐度和设计三方面打分。结果显示领先智能体基本满足可验证的物理与语义要求，但仍不及人类设计。
Hugging Face Daily PapersAI 评分3737 具身图灵机：用有状态代码实现机器人递归自我改进
研究者提出 Code-Only-as-Policy（COAP），用代码从相机图像和本体感知中测量并跟踪机器人、环境与任务状态，所有决策均由代码完成，测试时无需 VLM 或 VLA 参与。
AWS Machine Learning Blog精选AI 评分7171 Claude Haiku 5.5 上线 AWS，成本较 Haiku 4.5 降低约 75%
AWS 宣布 Claude Haiku 5.5 在 Amazon Bedrock 和 Claude Platform on AWS 上线。
推荐理由：AWS 官方给出 Haiku 5.5 的定位、成本变化与 Bedrock 接入方式，可据此判断它在多智能体分层中的分工。
Hugging Face Blog精选AI 评分6262 Liquid AI 开源 d1-3B 与 d1-omni-600M 端侧决策模型
Liquid AI 发布 d1 决策模型家族的两款开源权重模型 d1-3B 和 d1-omni-600M（实验性）。
推荐理由：Liquid AI 开源两款决策模型，给出端侧延迟与七项基准对比，可判断小模型做结构化决策的可行性。
Ars Technica · AIAI 评分6060 Mistral 称 Le Chonk 可挑战顶级 AI 模型
Mistral 表示其新模型 Le Chonk 能够与顶级闭源模型相抗衡，同时保持开放权重。
Hugging Face BlogAI 评分4242 TII 推出 Falcon-ASR：1.6B 参数阿拉伯语语音识别模型，主打阿联酋方言
阿布扎比技术创新研究院（TII）发布 Falcon-ASR，一款 1.6B 参数的语音识别模型，重点支持阿联酋方言，同时覆盖英语、法语、西班牙语和葡萄牙语。在六个阿拉伯语测试集上平均 WER 为 20.92%，优于所用榜单快照中 23.17% 的最佳公开结果；内部阿联酋方言评测 WER 22.73%、CER 10.19%，比次优的 Qwen3-Omni 低 4.07 个百分点。
Hugging Face Blog精选AI 评分6262 Nemotron 微调后在 IOI 2026 与 IMO 2026 均达金牌水平
英伟达团队基于 Nemotron 3，用监督微调、强化学习和反馈驱动的推理流程，在 IOI 2026 和 IMO 2026 两项竞赛中均达到金牌水平。
推荐理由：原文公开了从 Nemotron 3 微调到 IOI、IMO 金牌级成绩的完整配方与数据集，可据此复现领域专家模型的训练与推理流程。
OpenAI News精选AI 评分8080 OpenAI 全球上线 GPT-6，ChatGPT 引入 Intelligent UI
OpenAI 宣布 GPT-6 正在 ChatGPT 中面向全球上线，并同步引入 Intelligent UI。官方称新版本响应更快，提供可视化内容和可直接探索、使用的交互体验。
推荐理由：OpenAI 官方公布 GPT-6 在 ChatGPT 全球上线，并同步引入 Intelligent UI，读者可据此了解模型与交互形态的同步变化。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 EmbeddingGemma 2 开源多模态嵌入模型
Google DeepMind 发布 EmbeddingGemma 2，一个基于 Gemma 4 架构、Apache 2.0 许可的开源多模态嵌入模型，可把文本、图像、音频和视频映射到统一嵌入空间。
推荐理由：官方给出 740M 参数、模块化编码器与端侧内存占用，可据此判断本地多模态检索的落地门槛。
Google ResearchAI 评分4242 Google Earth AI 的 PDFM 地理空间基础模型如何用于全球公共卫生
Google Earth AI 的 Population Dynamics Foundation Model（PDFM）将匿名搜索趋势、人口流动、建成环境密度和环境数据压缩为按月更新的位置嵌入向量，无需任务微调即可直接接入现有流行病学模型。
Mistral AI精选AI 评分8282 Mistral 发布 Mistral Large 4 公开预览，1 万亿参数多模态模型
Mistral 发布 Mistral Large 4 公开预览，这是一个 1 万亿参数、520 亿激活参数的稀疏多模态模型，权重将于本月底开放。
推荐理由：Mistral 官方给出 1 万亿参数多模态模型的开放权重时间表与自建欧洲算力背景，可据此判断开源前沿模型的竞争位置。
Latent SpaceAI 评分7474 Reflection 发布 Beam：501B-A23B 美国开源 MoE 模型
Reflection 发布 Beam，一个面向编码、智能体与科研的纯文本 MoE 模型，总参数 501B、激活 23B，从零训练，完整权重将以 Apache 2.0 于本月放出。
Google Developers Blog精选AI 评分7272 Google 发布 EmbeddingGemma 2 多模态嵌入模型
Google 发布基于 Gemma 4 的 EmbeddingGemma 2，这是一个 Apache 2.0 许可的 sub-1B 开源嵌入模型，可将文本、代码、图像、视频和音频映射到统一的 768 维空间。
推荐理由：EmbeddingGemma 2 的模块化编码器与 MRL 截断方案，为多模态 RAG 的显存与存储取舍提供了可量化的参考。
Google Developers Blog精选AI 评分7676 Google DeepMind 发布端侧多模态嵌入模型 EmbeddingGemma 2
Google DeepMind 发布开放权重多模态嵌入模型 EmbeddingGemma 2，可将文本、图像、视频帧和音频映射到统一向量空间，参数量 740M，文本权重最低约 191MB 内存，完整多模态模型在 Google Pixel 11 Pro 上约 567MB。
推荐理由：EmbeddingGemma 2 把文本、图像、视频帧和音频映射到同一向量空间，并给出端侧内存与延迟数据，可据此判断本地多模态检索的落地边界。
Google ResearchAI 评分3434 Google 发布智能体隐私与安全研讨会报告：从上下文完整性视角看开放与新兴问题
Google 发布《智能体隐私与安全中的开放与新兴问题：上下文视角》研讨会报告，汇集 50 多位学界与业界专家，于 2025 年底在纽约 Google CAPS 研讨会上完成。报告指出智能体因非结构化接口与输入歧义、概率性控制流、自主性与委派三大特性带来新挑战，主张以 Contextual Integrity 理论为基础，构建上下文策略引擎，在系统沙箱、模型推理和用户控制多层协同防护。
GitHub Blog · AI & MLAI 评分5858 GitHub 发布 ReviewBench：面向 AI 代码审查的开放基准
GitHub 发布 ReviewBench，一个面向 AI 代码审查智能体的开放离线基准，基于 1.039 亿个 GitHub pull request 的分布特征构建，包含来自 187 个开源仓库、19 种语言的 219 个 pull request。
MIT Technology Review · AIAI 评分2222 如何将 AI 智能体接入企业知识
MIT Technology Review 对 300 名数据与 AI 高管的调研显示，企业平均仅约 34% 的智能体 AI 项目能进入生产环境，知识、上下文缺失与遗留数据系统、安全隐私顾虑是主要失败点。
Hugging Face Daily PapersAI 评分3131 MC-Sparse：弥合扩散 Transformer 中稠密与稀疏注意力的差距
针对扩散 Transformer 长序列生成中稀疏注意力导致质量下降的问题，研究者提出免训练框架 MC-Sparse，通过缓存查询分组、KV 索引与稠密-稀疏注意力残差并在去噪步骤间复用，实现更高保真度。在 Minimax-H3-Base 上取得 1.80 倍去噪加速，3D 资产生成上达 2.32 倍，质量损失可忽略。
Hugging Face Blog精选AI 评分7171 微软与 Hugging Face 发布 ThinkingBox：按数据库终态给 AI 智能体打分
微软 Copilot Studio 团队与 Hugging Face 联合发布 ThinkingBox，它让智能体在隔离的 MCP 工具会话中运行，只根据最终后端状态和副作用打分，而不是看模型生成的文字。
推荐理由：微软与 Hugging Face 联合发布的智能体评测基准，用数据库终态而非模型自述来判定成败，并给出 20 次重复下的可靠性数据。
Hugging Face Daily PapersAI 评分2222 LLM 能否理解序列结构？一项关于推理与生成的受控研究
一项受控研究用双人石头剪刀布和单人随机 n-gram 续写任务，测试 LLM 能否识别潜在策略、遵循简单马尔可夫规则并维持高阶条件依赖。结果显示更长的上下文并不能提升识别能力，正确识别也不保证忠实模拟，高阶依赖会显著削弱规则恢复，表面行为保真可能掩盖错误的生成机制。
Hugging Face Blog精选AI 评分6262 Ai2 开源科学报告生成模型 AstaBrief 8B
Ai2 开源 AstaBrief 8B，一个把研究问题和检索到的文献片段转成带引用报告的小模型，基于 Qwen3-8B 训练，现已作为 Asta 的 Fast 模式上线，并同步开放模型权重和训练数据。
推荐理由：原文给出了从 Qwen3-8B 出发的 SFT 加 DPO 训练配方与数据过滤经验，可迁移到其他垂直领域小模型。
Google Research精选AI 评分6262 Google 发布基于 TEE 的新一代联邦学习系统，Gboard 已采用
Google 发布新一代联邦学习系统，用可信执行环境（TEE）为数据匿名化提供可验证、可审计的保证，Gboard 已采用该系统上线英语和日语下一词预测模型。新系统把客户端梯度计算移到服务端，训练时间瓶颈从设备可用性转为 TEE 资源，此前每个模型训练需 1-2 个月。
推荐理由：Google 公布基于 TEE 的新一代联邦学习系统设计，并给出 Gboard 已上线的实际部署效果。
Hugging Face BlogAI 评分3636 ServiceNow CoreAI 推出 AutoSynthData：为企业智能体生成训练数据
ServiceNow CoreAI 构建了 AutoSynthData，利用目标模型的失败案例与更强教师的成功示范，自动生成并验证新的可执行训练任务，并随模型进步动态调整课程。该流程以 EnterpriseOps Gym 数据集为例演示，生成的任务需满足可行性、真实性与难度三项要求，验证器则需保证一致性、可靠性与完整性。