据现有元数据，OpenAI 发布了《Introducing the Australian Youth Safety Blueprint》，将其描述为一份以“六大支柱”为框架、面向澳大利亚的路线图，目标是在保护青少年的同时赋能其使用 AI；由于正文未能抓取，具体内容、时间与结论均待核实。
值得关注：若该文件确为 OpenAI 针对单一国家发布的青少年安全蓝图，则代表头部 AI 公司在“青少年保护 + 合规”方向上的主动布局，可与各国监管动向（如未成年人使用 AI 的年龄限制、家长同意机制）放在同一分析框架下观察—…
材料称，Anthropic 将 Claude Cowork 与 Chat 合并为统一的 Claude，系统按任务自动调用 Cowork 与 Design 能力，并同步推出处于 Beta 阶段的 Claude Docs 与 Slides；新功能未来几周先向 Pro 和 Max 用户开放，Team 与 Free 随后跟进。
值得关注：**产品整合信号**：Anthropic 将多个 Claude 能力合并到统一入口，可能强化上下文、技能和连接器作为助手体验核心资产的逻辑。 **办公工作流竞争**：Docs 与 Slides 若与对话式 AI 深度结…
文章称，阿里达摩院联合浙大一院等团队的通用腹部影像 AI 模型 **DAMO RADAR** 登上 **Science**，能用单模型覆盖腹部 18 种解剖结构、146 种病，并在多项验证中取得较高 AUC；但临床部署、监管审批、长期影响等仍待核实。
值得关注：医疗是对精度要求最极端、对错误容忍度最低的场景之一，误判可能改变治疗方案甚至生存期。若通用 AI 能在腹部 CT 这种复杂场景中跑通，文章判断，换到其他高精度场景大概率也能适用。同时，该研究进入 **Science**…
腾讯研究院AI速递 20260918 的材料称，华为在全联接大会披露昇腾960DT、Hi-ONE NPO光引擎和昇腾960超节点，基于灵衢UnifiedBus可构建最大51.2万卡集群，并给出昇腾970/980路线图及CANN、鲲鹏生态数据；标题中的“百万卡集群”与正文“51.2万卡集群”的口径差异待核实。
值得关注：大规模AI训练和推理对集群规模、节点内互联与集群网络有持续需求。若材料所述指标落地，华为昇腾的竞争力将不只体现在单芯片算力，还体现在超节点、UnifiedBus互联和CANN/Kunpeng开发者生态上。既有相关卡片多…
该条目属于“报告观点”第八条，主题是智谱公开 RSI（Recursive Self-Improvement，递归自我改进）进展。 核心问题是：模型/Agent 能否参与优化自身推理基础设施，形成局部闭环；这种闭环是否等于 RSI。材料中唐杰给出保留判断。 与既有脉络的关系：已有卡片关注 GLM 5.2 在真实代码任务上的表现、SIMA 2 的虚拟环境自我改…
值得关注：它把“Agent 自我改进”从抽象讨论拉到推理服务性能工程：吞吐、算子精度、并发瓶颈、生产级服务。 与已有 GLM 编码/推理评测卡片相比，本条关注 GLM Agent 对自身推理系统的优化，属于同一 GLM 生态在 …
小米MiMo-V2.6公开强化学习实时训练页面，披露Pro与Flash两版本累计训练成本超116万美元、平均每小时约3.09万美元，并展示单个step约2B tokens、完全异步训练、多任务环境混合与智能体式组内贡献归因等训练侧信息。
值得关注：与既有脉络的关系：已有相关卡片多聚焦推理侧或编码智能体评测，例如快手KAT-Coder-Pro V2.5、编码智能体推理基准，以及SIMA 2等通用3D代理。本条增量不在重复榜单，而在训练侧公开成本与方法：MiMo-V…
一项针对 73,093 条 OpenClaw 使用相关 Reddit 第一人称帖子的 LLM 辅助价值敏感设计分析发现：用户价值更多集中在委托运行的操作条件（cost、access、oversight 等），而非代理输出；价值在“代理交付内容”的叙述中通常得到满足（六组中五组），但在“监督代理”的叙述中大多未得到满足（全部六组），作者将这一模式概念化为 v…
值得关注：它把评估焦点从“代理是否完成任务”推进到“用户委托时哪些价值被满足或未被满足”。 对自主 AI 代理而言，价值实现可能发生在用户设置运行条件、成本、访问权限和监督机制之时，而非只发生在最终输出。 与既有卡片的关系：本条…
该研究在 YOLOv2 中引入可提前退出的分支中间预测层，并把无监督贝叶斯分割得到的几何模板/特征用于交通标志分类验证或训练；摘要报告推理时几何验证将 mAP 提升至 0.713，但完整实验设置、泛化性与可复现性待核实。
值得关注：TSR 是自动驾驶安全感知链路的一环。该工作代表“传统轻量目标检测器 + 几何先验/验证”的路线，与依赖大模型或 VLM 的交通标志状态评估形成不同技术取向：前者关注检测分类效率与相似标志区分，后者关注标志状态/逆反射…
一篇 arXiv 预印本提出“光谱对齐的潜空间流匹配”时间序列生成器：在潜空间流匹配的训练中额外加入基于傅里叶、小波与签名变换的微调损失，以缓解潜空间压缩带来的频谱失配，从而让合成序列在平滑度、目标频谱内容等动态特征上更贴近真实训练集。
值得关注：时间序列生成模型常被用于扩充训练数据或替代真实数据采集；若潜空间压缩改变了频谱特性，合成数据可能“看起来像”但统计性质不对，进而损害下游模型。 该工作把“频谱/动态特性对齐”显式写入生成目标的微调阶段，而不是只做逐点重…
Masked discrete diffusion models 常用 tau-leaping 加速采样：每个采样步并行揭示多个坐标。该采样器会把每个被揭示块的联合条件分布替换为乘积分布，因此即使预测器已被完美学习，也会产生 factorization error $\varepsilon_\text{fact}$。
值得关注：既有相关卡片多关注离散/掩码扩散在具体任务或组合框架上的应用，例如因子级专家组合、时间序列插补等。本条卡片的增量在于回到采样加速机制本身，给出 tau-leaping 中 factorization error 的理论…
RecreationWorld 提出以“复刻运行中的参考应用”为核心的五平台框架，用运行参考作为隐藏行为测试的 oracle，为混合计算机使用智能体（hybrid CUAs）提供执行接地奖励、可扩展轨迹生成和 RecreationBench 评测；但材料显示最强模型 GPT-6 Astra 总体仅 58.1%，且只有 2.8% 任务通过全部程序化测试，说明…
值得关注：对 foundation-model 方向的 CUA 研究而言，本工作提供了可复现环境、执行接地奖励与 held-out benchmark，而不仅是模型或提示策略。 它把“探索界面—写代码—运行—视觉验证”的混合循环…
RACER 用“角色相对”的能力估计来回答“何时自主、何时交给未见人类专家”：它估计专家在每个候选类别角色下答对的概率，再与模型后验结合，以避免绝对类别坐标捷径，并在部分合成与胸部影像基准上取得竞争或最佳表现。
值得关注：它把 human-AI routing 从“固定类别能力”推进到“角色相对、实例敏感、类别重标不变”的能力估计，并给出 deferral 的理论联系。对于需要不断面对新专家、新医院或新子群体的系统，这比仅在已知类别坐标…
QuranicMMLU 是一个面向古兰经阿拉伯语语言知识的认知感知基准：它用五支柱分类、Bloom 认知层级和经文难度分层构造 980 道人工审核题，并以开放式与多项选择双形式评测 12 个系统；结果显示多项选择准确率平均 84% 高于开放式答案质量平均 60%，说明选择题评分可能掩盖模型失败。
值得关注：它将生成式 AI 评估从通用问答/检索推进到宗教文本中的具体语言知识能力，并显式引入认知需求与经文难度分层。 它强调开放式生成与多项选择之间的差距，对基准设计、模型选型和风险沟通都有参考价值。 与已有相关卡片中的 UR…
PRIME 通过在 VLA 感知查询中引入由过去感知、推理、导航目标和预测行为聚合而成的情境记忆反馈，在只增加最多 29.7M 参数（占 7.3B 基础模型 0.41%）的情况下，使 Bench2Drive 闭环基准的 Driving Score 达到 82.47、Success Rate 达到 60.00%。
值得关注：它将“感知”从被动、目标无关的输入处理，转向受高层意图和记忆条件化的注意力分配。 对自动驾驶 VLA 而言，感知—推理—规划不再只是单向层级，反馈可能改善闭环决策。 与已有相关卡片（超声基础模型、JAX HBM 优化、…
论文把多跳检索失败视为可按结构特征预测的子群问题，提出 RegimeAbstain 与 Retrieval Confidence Score (RCS)，在不增加额外 LLM 调用的前提下做校准弃答；摘要报告其在五个失败条件下达到最佳或并列最佳 AUC-AC，并在 MuSiQue（LLM-judge）50% 覆盖率下把 CWAR 从 39.5% 降到 20…
值得关注：多跳检索失败若集中在可预测子群，系统可在生成前识别高风险查询，而不是把所有查询一视同仁。 弃答与覆盖率-风险权衡是可信 RAG 的关键组件；CWAR 指标把“自信但错误”单列，比总体准确率更贴近风险控制。 **与既有脉…
论文提出 PCC+GCN：在 GCN 训练前用粒子竞争与合作（PCC）做基于图的标签精炼，在 NoisyGL 十个图数据集的常规标签噪声下取得最高总体平均准确率和最佳平均排名，并在实例依赖噪声下以显著更低执行时间保持竞争力。
值得关注：图神经网络中的标签噪声会通过边传播，单点错误可能影响邻域表示；PCC 的预处理视角提供了不同于损失函数设计、正则化或端到端去噪的鲁棒训练路线。 与已有相关卡片无直接重复：既有卡片涉及 MLIP 优化器、遮挡鲁棒目标跟踪…
论文提出 OmniVBench 与 Omni-R2V Dataset，用 7 个任务族、18 个细粒度任务、12,172 条案例特定检查项和 340K 处理后训练样本，补齐 omni R2V 生成的评测与训练资源缺口。
值得关注：评测重点从整体参考一致性转向因子级诊断：不仅看“像不像”，还看参考因子是否保留、解耦、绑定到目标并按指令实现。 任务覆盖较广，可能为 omni R2V 模型提供跨任务族、跨参考组合的比较框架。 数据稀缺是 R2V 训练…
NemotronLabs VoiceChat 是一个开放的 **full-duplex speech-to-speech** 模型，原生支持工具调用，并在多项基准上展示实时对话行为与工具选择能力；但参数准确率和端到端工具执行仍是待改进项。
值得关注：该工作把“工具调用”原生放进流式语音到语音模型，而不是只在文本 LLM 或级联式语音助手中处理外部工具调用。 全双工与打断/接管/backchannel 处理直接关系到自然语音对话体验，是语音 agent 从“回合制问…
论文提出 **Multiplicatively Optimistic Regret Matching (MORM)**，一种用于有限一般和博弈的非耦合学习规则；在同时全信息自我博弈下，每名玩家仅用一步乐观即可获得相对于时间范围一致的 external regret \(O(\sqrt n\log d)\)。
值得关注：与已有“常数遗憾”路线相比，本条摘要的增量在于：MORM 强调**仅用一步乐观**，而分析仍可得到对时间范围 \(T\) 一致的 external regret 界；并将相同框架扩展到对抗效用下的 \(O(\sqrt{…
论文提出 Moral Entropy 贝叶斯框架，将道德内容标注者分歧建模为可分解的熵，并用校准后验审计常见聚合规则；结果显示 any-annotator 规则约 30% 条目与校准后验不一致，而多数投票和两票规则漏掉 63–83% 真阳性。
值得关注：把标注者分歧从“要投票消掉的噪声”重构为可学习、可分解的不确定性对象。 为道德判断数据集的共识规则提供校准审计视角：不仅看聚合结果，还看其相对校准后验的假阳性/假阴性。 与已有卡片的关系：已有卡片涉及物理建模中的区间/…