斯坦福研究：44%的大语言模型实证结论已失效
斯坦福大学研究人员Owen Queen和James Zou测试了50个广泛引用的大语言模型声明，发现44%已经“过期”，平均寿命仅为15.7个月。关于模型“不能做什么”的推理类错误（如数草莓字母、长上下文信息丢失）失效最快，而谄媚、欺骗和战略行为等偏好类结论则更持久或有所增强。研究建议将LLM实证结果视为特定时间点的具体观察，而非普遍真理，并呼吁记录模型版本和日期以便复现。
全部 AI 动态
The DecoderAI 评分6565 The DecoderAI 评分4747 CloudOpsBench 开源基准揭示推理是 AI 云运维最大瓶颈
CloudOpsBench v1.0 发布，该开源基准测试显示推理能力是 AI 智能体处理云运维任务的最大瓶颈。Claude Fable 5.1 和 GPT-6 Astra 分别解决 60% 和 53% 的任务，约 80% 的失败源于对任务范围判断失误或检查不全。
The Decoder精选AI 评分8282 MIT 研究：GPT-6 Astra 可直接修改其他 AI 模型权重
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。
The DecoderAI 评分5555 Anthropic发布FlashProve原型：用zkSNARK验证AI响应来源而不暴露权重
Anthropic发布开源研究原型FlashProve，利用zkSNARK技术生成紧凑证明以验证AI响应是否由声称的模型生成，且无需暴露模型权重。该原型在单张H100 GPU上对Llama 4 Maverick（400B参数）实现约110 tokens/秒的证明生成速度，每个证明约19MB，标准CPU验证耗时17秒，相比正常推理增加70至95倍开销。
Latent SpaceAI 评分6565 Latent Space 综述：LLM 可直接读写神经网络权重及近期 AI 动态
Latent Space 报道了一项名为“Weight Space Programming”的研究，显示前沿 LLM 能够直接读取和编辑较小模型的权重张量，无需梯度下降训练。
Latent SpaceAI 评分5858 Elorian 发布 Glimpse 模型及 DecoyCount 基准测试结果分析
Elorian 推出首个视觉推理模型 Glimpse，并与 Mercor 联合发布 DecoyCount 基准以测试模型是否依赖视觉捷径而非真正计数物体。内部测试显示 Glimpse 得分 50.48%，高于 GPT-6 Astra 的 43.17% 及其他前沿模型。
Google DeepMindAI 评分5353 Google DeepMind 等机构发布 Forest Typology (ForTy) 2020 全球森林类型图谱
Google DeepMind、Google Research 联合 WRI 和 IIASA 发布 Forest Typology (ForTy) 2020，这是一张将全球每 10x10 米地块分类为六种森林及土地利用类型的地图。
Google DeepMind精选AI 评分8484 Google DeepMind 发布 Gemini 4 Argon 并详解其安全与对齐措施
Google DeepMind 宣布开始广泛推出 Gemini 4 Argon，该模型在编码、金融、法律及网络安全等领域具备前沿能力。为应对高风险场景，官方实施了多层实时保护，包括通过激活探针读取内部神经信号以识别恶意意图，以及在代理执行任务时监控其思维链以防止越界行为。
推荐理由：原文详细披露了 Gemini 4 Argon 在网络安全与生物领域的防护机制，包括实时内部信号监测和提示词注入防御数据。
GitHub Blog · AI & ML精选AI 评分6565 GitHub 发布 ReviewBench：面向 AI 代码审查的开源基准
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精选AI 评分6868 Berkeley AI Research 提出 K-Search MLX 后端实现 CUDA 到 Apple Silicon 内核迁移
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。
Berkeley AI ResearchAI 评分4242 Berkeley AI Research 提出 ABBEL 框架以优化 LLM 长程交互信念更新
Berkeley AI Research 提出 ABBEL 框架，通过隔离和监督自然语言信念状态来替代递归摘要，解决 LLM 在长程交互中的上下文扩展瓶颈。在 CollabBench 协作编码测试中，ABBEL-rec-BG 将性能差距缩小约 50%，训练步数减少 50%，且峰值 Token 用量显著低于全上下文模型。
Berkeley AI ResearchAI 评分4747 Berkeley AI Research 综述自适应并行推理：LLM 自主决定分解与并发策略
Berkeley AI Research 发布关于自适应并行推理的综述，探讨让 LLM 自主决定何时分解子任务、生成多少并发线程及如何协调。文章分析了从 Self-consistency、Tree of Thoughts 到 ParaThinker、GroupThink 等现有方法的局限，指出固定并行结构导致计算冗余或策略错误。
Berkeley AI ResearchAI 评分4343 GRASP：面向长时域世界模型的梯度规划方法
伯克利 AI 研究团队提出 GRASP，一种针对学习动力学（世界模型）的梯度规划器，旨在解决长时域规划中的病态优化与局部极小值问题。该方法通过将轨迹提升至虚拟状态实现时间并行优化，在状态迭代中直接引入随机性以增强探索，并重塑梯度信号以避免高维视觉模型中的脆弱“状态-输入”梯度。GRASP 使基于梯度的规划在现代大型世界模型中更加稳健实用。