在三人小团队中引入AI作为队友，会显著削弱人类成员之间的沟通响应性、社会影响力，并降低成员的归属感和地位感；这种社会成本在对话初期即已显现，且AI在对话中占据支配性话语权。
值得关注：现有研究多关注AI作为工具对生产力的影响，而本研究首次揭示了AI作为“队友”时对人际沟通的负面社会成本。这些发现对设计协作型AI、团队构成以及AI伦理有直接警示意义——AI的支配性可能破坏人类团队的社会纽带。
SpecFirst 将行为规范提取作为独立阶段前置到代码合成之前，在 ProgramBench 基准上将测试通过率提升 6.9%–21.3%，证明了“需求工程先行”范式对于从零开始的程序构建的有效性。
值得关注：本文首次系统地将需求工程阶段显式引入 LLM 智能体的从零程序构建流程，打破了“文档→代码”直译的常见做法。该范式可推广至其他需要从自然语言描述生成可执行程序的场景（如 API 调用、脚本生成）。与已有相关卡片（如基于…
WindCastNet 是首个直接从卫星散射计星座不规则观测数据学习海上风速和风向的临近预报框架，在北海测试中相比数值天气预报模型 HARMONIE MEPS，于 1 小时和 2 小时提前期分别降低均方根误差 23% 和 7%，前三小时优于持续性预报 9–15%。
值得关注：现有海上风电预报高度依赖 NWP，而 NWP 在极短期（分钟至小时）尺度并非最优；本研究直接利用卫星观测数据，以数据驱动方式弥补这一短板，且不依赖传统大气模型，具备独立性和可扩展性。
本研究提出 CE-CM 及 CE-CM-Div 方法，通过推断任务不变的能力向量，使智能体在无预训练、仅少量任务交互下即可适应具有隐藏能力的未知合作伙伴，并在模拟实验和离线人类研究中显著提升了能力估计的准确性。
值得关注：该工作突破了传统临时团队中固定任务、已知能力的假设，将能力估计与多任务规划结合，无需预训练即可在线适应。这对于推进自主智能体与人类或异质伙伴在真实世界中的动态协作具有基础性意义。
Pangram 4 在 AI 文本检测任务上实现了 AUROC 0.9916，假阳性率仅 0.0041%，假阴性率 0.3396%，并在分布外泛化、对抗鲁棒性、细粒度编辑与混合人机合著文本检测上均优于上一代模型，达到当前 SOTA 水平。
值得关注：当前 AI 生成文本泛滥，检测工具在教育、新闻、法律等领域的应用需求迫切。Pangram 4 在极低假阳性率（0.0041%）下取得高 AUC，意味着误判人类为 AI 的风险极小，更适合实际部署。其对抗鲁棒性和混合文本…
OmegaUse-OfficeVal 基准通过为每项办公套件任务附加人工劳动时间和任务价格代理两种经济信号，允许直接对比人类成本与 LLM 推理成本，评估表明当前前沿 LLM 虽然成本更低、速度更快，但交付质量尚未达到人类水平。
值得关注：与已有基准（如 UniClawBench 关注真实世界主动智能体）不同，OmegaUse-OfficeVal 专门针对办公套件长时程任务，并首次引入任务级经济信号。这一增量信息使得企业和服务商不仅在能力上、也能在成本效…
Miniaturizing and modifying natural proteins with Raygun
MindForge 将开源命令行程序自动转换为“无源”训练环境（仅暴露编译后的可执行文件和文档），由此生成的合成训练数据能使小模型（Qwen3.6-27B）在从零编写完整程序这一极具挑战的任务上取得显著提升，并泛化到七种未见过的软件工程基准上。
值得关注：首次提出针对“从零写完整程序”这一全生命周期场景的自动训练环境构建方法，而此前工作大多聚焦单一步骤（如仅 bug 修复或仅功能实现）。 证明了无源环境（不依赖源代码）生成的合成轨迹足以教会模型多种软件工程技能，且泛化性…
准确拟合期权价格并不能保证准确反推出隐含风险中性密度（RND）；不同密度估计方法在价格误差和密度误差上的表现排名可能相反，因此应依据具体任务选择具有相应归纳偏置的模型，而非追求“万能赢家”。
值得关注：本文从理论和数值实验两个层面揭示了“定价准确≠密度准确”这一反直觉现象，并提供了量化分析方法（如定价方向的零空间数量、密度-价格映射的不可区分性）。这为期权做市、风险管理和监管压力测试中的密度估计选型提供了严谨基础。
提出一种混合大模型与小模型的发现增强搜索架构，将电商搜索中意图驱动的候选商品覆盖率从约60%提升至80%，推理成本仅为大模型教师版本的约30%，同时保持语义相关性。
值得关注：传统搜索精度优先的范式在电商中限制了用户发现多样化商品的可能。本文在维持相关性的前提下系统性提升了召回广度，且通过小模型蒸馏降低了实际部署成本，为现有搜索系统提供了可行的升级路径。其作为市场平衡机制的额外功能有助于改善平台生态。
HumanCLAW: Can Vision-Language Models Act Through a Body?
本研究受果蝇感知环境机制的启发，提出了一种将回归任务重构为分类问题的新框架，通过构建有限局部模式库并基于相似度加权重建进行预测，在降低计算和存储需求的同时实现了对精度与成本的显式控制。（待核实具体实验验证）
值得关注：**方法论新颖**：将分类思想引入回归，提供了一种与主流深度学习截然不同的轻量级替代方案，且具有明确的生物可解释性。 **填补空白**：现有回归模型（如深度网络）通常缺乏对存储-精度-速度的显式权衡控制，而本工作给出了…
在基于价值函数的强化学习（RL）微调中，对Q函数进行预训练（与预训练策略配合）并不能稳定带来性能提升，随机初始化Q函数在多数情况下效果相当甚至更好；作者提出了一种简单的集成策略初始化方法（IPE）可将微调性能提升平均1.26倍。
值得关注：揭示了价值函数预训练与策略预训练之间的关键不匹配现象，为设计更高效的微调算法提供了理论洞见。 IPE方法简单易行且效果显著，可直接用于现有RL微调管线，节省离线预训练的计算开销。
DenseOn with the LateOn: Fully Open Dense and Late-Interaction Models for Multilingual, Long-Context, and Code Search
前沿AI智能体可以自主完成AI研究的工程部分（如代码实现），但在提出有意义的科学问题、创造性应对研究设计缺陷、有效回溯死胡同、合理分配计算资源以及遵循原始指令等关键环节仍存在系统性失败，无法独立完成一项高质量论文的开放式研究问题。
值得关注：当前关于AI加速爆炸性进步的预测核心假设是：AI智能体能够自动化AI研究。但此前缺乏直接证据表明智能体能否进行开放式研究。本工作首次通过原始作者直接评估的方式提供了系统化的反面证据。 与已有相关卡片（如GAMUT事实完…
APEX-Accounting 是一个由 Mercor 与 Ramp 联合构建的封闭会计任务基准，用于评估前沿模型是否能完成真实会计师的工作。当前最佳模型 Claude-Fable-5 (Max) 在 Mean Criteria@3 上仅达到 56.4%，且所有模型在严格通过率（Pass^8）上均低于 3%，表明现有模型尚不具备可靠的会计实务能力。
值得关注：现有 AI 基准多聚焦于代码生成、数学推理或通用知识，APEX-Accounting 首次系统评估了模型在专业会计实务（涉及多文件、多步骤、多凭证操作）中的表现。 结果明确显示当前最强模型距离胜任会计工作仍有很大差距（…
Anatomy Contextualized Adaption of CT Foundation Models
Midjourney通过收购月活约430万的占星应用Co-Star，将Co-Star的二十多名员工全部并入，创始人出任首席设计官；同时加速打造首款独立图像生成应用，并计划将Co-Star的社交玩法融入自家产品，探索AI图像/视频中的共创与兴趣匹配功能。
值得关注：本条在已有卡片的基础上（NIST RMF、Slack破解猜想、AlphaEvolve）提供了AI图像领域头部公司的最新商业与产品动向。相比此前仅关注模型能力（如V8.2版本），此次收购体现Midjourney向社交化和…