前 OpenAI 研究员 Will DePue 称，他从已发布的模型权重中找到了 Nvidia Blackwell 芯片的特征指纹，涉及 DeepSeek-V4-Flash、DeepSeek-V4-Pro、MiniMax-M3、Kimi K3、Kimi K3.1-Pro 和蚂蚁 Ling-3.1-flash 六个自 2026 年 4 月以来发布的中国模型。
推荐理由：原文梳理了指纹检测方法的原理与边界，读者可据此理解这类证据能说明什么、不能说明什么。
Latent Space 发布评测，对比 Naive-N0.5-Flash、DeepSeek V4.1 Flash 1017 和 GLM 5.3 Flash 三款模型的速度与编码表现。
Hugging Face Blog 发布 HOPE（Higher-Order Pruning of Experts），一种考虑专家间成对交互的 MoE 二阶专家剪枝方法。
Hugging Face 与 AllenAI 推出 FoundationWorlds 框架及其首个基础世界 ToyBlocks，一个围绕机械臂与桌面积木的开源仿真环境，可自动生成任务与演示数据，无需人工遥操作。
推荐理由：通过受控仿真环境把数据生成、训练与评测打通，读者可据此理解机器人泛化与失败归因的可复现研究路径。
密歇根大学 Ang Chen 团队发布开源基准 CloudOpsBench v1.0，用于衡量 AI 智能体处理云 DevOps 任务的能力，包含 45 个 AWS 任务。
The Decoder 报道了一项研究：语言模型 Astra 无需逐步数学优化训练，直接读取或改写其他模型的原始权重，研究者称之为 Weight-Space Programming。
Anthropic 发布开源系统 FlashProve，通过密码学证明（provable inference）验证某段输出确实来自特定模型，防止模型被冒名替换，例如厂商偷偷换成更便宜的模型或用更贵的模型刷性能。
Hugging Face 与 Collinear AI 开源 CWE-bench v2，公开 100 个任务，覆盖 91 种 CWE，用于测试前沿模型发现并修复安全漏洞且不破坏现有功能的能力，评分完全程序化、可复现。
推荐理由：公开了 100 个任务的评分口径与成本数据，读者可据此判断模型在真实漏洞修复上的水平与代价。
Hugging Face 联合 Allen AI 发布 StateBench，一个评测语言模型在长文档中追踪实体状态变化的基准，含四级难度（R-trivial、Aperiodic、Soluble、General finite），对应不同类型的变量赋值操作，理论基础来自 Krohn–Rhodes 理论。
IBM Research 用同一个开源模型 GLM-5.3-flash 在 AppWorld 的 90 个任务上对比 CUGA、Hermes 和 Deep Agents 三个 harness，任务完成率分别为 81.1%、46.7% 和 30.0%，说明 harness 选择对结果影响很大。
推荐理由：同一模型换 harness 完成率从 30% 到 81%，这组对照数据能帮读者理解选型应匹配工作负载而非只看模型。
Hugging Face Blog 发布 transformers-mic 提案，用 Model Integration Contract（MIC）为 Transformers 的模型测试打包标准，包含 fixture、usage path 和 baselines 三部分，发布在 huggingface-mic 仓库。
Olam Labs 的研究团队将 50 个 GPT-6.1 Sol 智能体放入 Minecraft 生存世界三小时，仅给出“Build a thriving civilization”一条指令。
Ai2 发布研究 Old Ideas, Novel Problems 及配套基准、数据、代码和可复用评测流水线，测试 LLM 作为 novelty judge 评估科研想法新颖性的可靠性。
南京大学、SenseTime 等机构的研究者发布 OpenMobile-2，包含基于 Qwen3.5 的 9B 和基于 Qwen3.6 的 27B 两个模型，并开源完整训练环境、数据与复现说明。
微软与 Hugging Face 联合发布并开源 ThinkingBox-Training（microsoft/thinkingbox-training），把 ThinkingBox-Bench 中对数据库终态的可执行检查复用为 RL 训练奖励。
推荐理由：原文给出了把数据库终态检查复用为 RL 奖励的完整训练流程与开源实现，读者可据此迁移方法到自己的智能体任务集。
IBM Research 在 Hugging Face 发布 ALTK-Evolve，用 GPT-4.1 从智能体自身训练轨迹中蒸馏出行为规则并追加到系统提示词，在不更新权重、无人工标注的前提下提升客服智能体表现。
推荐理由：原文展示了不更新权重、仅靠提示词级学习记忆提升客服智能体可靠性与成本的具体路径和量化结果。
Leash Bio 发布 Minos，一个供 AI 智能体进行可验证科学推理的 AI playground，并同步公开 preprint、博客与开放数据集。其团队发现此前数年收集的 DNA Encoded Libraries（DEL）数据可提供数万次 "lab-in-the-loop" 模拟，正好满足智能体科学 RL 的需求。
微软与 MIT、ECMWF 等机构合作的研究在 Nature 发表，提出名为 Probabilistic Bias Correction（PBC）的机器学习方法，用以校正现有天气模型的系统性偏差，把两到六周的中期预报精度提升，工具现已开源。
微软研究院在 Nature 发表逆合成模型 RetroChimera，并开源其实现与权重。该模型融合 Transformer 模型 R-SMILES 2 与 GNN 模型 NeuralLoc，通过学习式集成对两者预测重排序，在盲测中化学家更偏好其单步反应预测。
Google Research 发布 MilleMiglia，一个用 C++ 编写的实例生成器，用于为中程物流配送问题生成真实且保护隐私的基准数据，源码与文档已在 GitHub 公开。
Hugging Face 博客介绍了 ALTK-Evolve 新增的 consistency guidelines 与 Consistency Analyzer：在 AppWorld test_normal（168 任务）上，GPT-4.1 驱动的 ReAct agent 平均 Mean@5 为 77.4%，但 Pass^5 仅 53.0%，存在 24.4pp 的一致性差距。
Hugging Face 与 Allen AI 介绍 BenchMIRT，一种在单条题目层面审计 LLM 评测基准的方法，基于多维 IRT（MIRT）估计模型在各能力维度上的强度与每道题的难度和区分度。
Import AI 470 关注三项研究：METR 分析显示 AI 对网络安全漏洞发现加速最明显，对数学研究贡献较小，对 AI 研究本身尚无显著加速。SPADE 通过自博弈让 LLM 交替生成可执行训练环境并求解，在 Qwen3-30B-A3B 上游戏环境套件均分达 58.3，较基线提升 8.1。Hawkeye 则用于构建更好的 GPU kernel。
Mistral AI 通过收购 Emmi AI 加码 Physics AI，面向航空航天、汽车、半导体和能源等行业构建基础模型。其已发表成果包括 AB-UPT（可在单 GPU 上处理 9M surface 和 140M volume cells 的气动 CFD 模型）、UPT、NeuralDEM、GyroSwin 5D 等，覆盖 CFD、等离子体湍流与工业多物理过程的神经代理模型。
Google Research 发布论文 MoGen，用合成神经元形态改进 AI 脑图谱重建模型，使重建误差降低 4.4%，在完整小鼠脑尺度相当于节省 157 人年的手工校对工作。
Hugging Face 推出 FilBench 评测套件，用 4 大类 12 项任务评估 20+ 个 LLM 在 Tagalog、Filipino 和 Cebuano 上的文化知识、经典 NLP、阅读理解与生成能力，结果已作为社区任务上线 Lighteval。
Hugging Face 推出首个面向阿拉伯语 LLM 的 STEM 与代码生成评测基准 3LM，包含 865 道原生 MCQ、1,744 道合成 MCQ，以及翻译自 HumanEval+ 和 MBPP+ 的代码任务。
Hugging Face 发布 WebSight-v0.2 数据集，用于训练将网页截图转换为 HTML 代码的 AI 系统，规模扩展至 200 万组截图/HTML 对，截图改用真实图片并切换到 Tailwind CSS。