MIT 研究人员在博客中展示 OpenAI 的 GPT-6 Astra 能够直接理解并修改其他 AI 模型的内部权重，无需传统训练过程。该方法被称为“权重空间编程”，Astra 仅通过查看原始数值即可识别网络学习的游戏类型，并在 Qwen3.5-0.8B 模型上通过修改 0.016% 的权重将 MATH-500 基准测试准确率从 7.9% 提升至 48.1%。
推荐理由：MIT 研究展示 GPT-6 Astra 直接修改模型权重以提升性能，为免重训练调优提供新路径。
GitHub 推出 ReviewBench，这是一个用于评估 AI 代码审查智能体的开源离线基准。该基准基于对 GitHub 上 1.039 亿个真实 Pull Request 的分析构建，包含涵盖 19 种语言的 219 个代表性 PR，并采用多源黄金集和独立验证机制。
推荐理由：原文公开了基于亿级真实PR构建的代码审查基准，提供了可复现的评估方法以量化AI审查器的精度与召回权衡。
Berkeley AI Research 发布基于 K-Search 框架的 MLX 后端，利用结构化 CUDA-to-MLX 翻译层自动将 NVIDIA 内核优化知识迁移至 Apple Silicon。
推荐理由：原文展示了通过结构化翻译层将 CUDA 优化知识迁移至 Apple Silicon 的方法，在 Mamba SSM 内核上实现了约 20 倍的预填充加速。