Artificial Analysis 发布了“端点准确性指数”（Endpoint Accuracy Index），用于衡量不同提供商端点（provider endpoints）所服务的模型质量是否与参考模型一致；具体方法与结果目前待核实。
据来源页面标题，Artificial Analysis 推出了一项新指数，名为 “Endpoint Accuracy Index”，其目的是度量 API 提供商所托管的“端点”是否确实提供了与参考模型相同质量的服务。由于未能抓取原文正文，本次发布的具体背景、评测范围与结论尚待核实。
SpaceX 2026年第二季度财报显示，其AI业务收入达25.61亿美元，同比增长247%，已成为第二大收入来源；但同期AI资本开支高达158.28亿美元，AI部门营业亏损12.6亿美元——算力租赁商业化已跑出雏形，距离盈利仍有明显距离。
SpaceX交出上市后首份财报：二季度营收78.14亿美元，同比增长92%，高于市场约69亿美元的预期；调整后EBITDA为35.38亿美元，同比增长191%。 市场反应出现“先涨后跌”：常规交易阶段股价一度上涨9.4%，盘后投资者转而关注巨额AI资本开支和持续亏损，股价转跌逾6%，继续低于135美元发行价。 市场做空仓位快速上升，S3 Partners估…
NVIDIA Alpamayo 2 Super 是一个 340 亿参数的开放推理视觉-语言-动作模型，将 32B Cosmos 3 Super Reasoner 与 2B 扩散式 Action Expert 组合，通过强化学习后训练，面向自动驾驶统一完成轨迹生成、推理链、meta-action 预测、视觉问答与自动标注等任务。
自动驾驶开发常依赖多套独立模型分别处理轨迹生成、高层意图预测、场景理解和数据标注。这种“分立”方式难以比较相关输出、排查模型行为，也无法在开发流程中复用同一套表征。Alpamayo 2 Super 的目标是用一个统一基础模型覆盖多个开发阶段。
Epoch AI 维护一套公开的AI相关数据集（模型、基准、数据中心、芯片、公司等），旨在以数据展示1950年至今AI的发展轨迹，并供政策制定者、研究人员等免费使用。
Epoch AI 在其“Data on AI”页面汇总了多类数据探索器，覆盖AI模型、能力、数据中心、芯片销售、芯片组件、芯片所有者、GPU集群、机器学习硬件、AI公司、网络漏洞、AI使用民意调查等。目标是记录和分析AI历史与当代进展。
波士顿动力博客发布了一篇题为“Ask a Roboticist: Meet Taylor”的专访，邀请机械工程师Taylor Frey-Baker回答关于机器人头部、机器人“大脑”以及她本人成为机器人专家的经历；具体访谈内容因材料受限尚未核实。
该页面是波士顿动力“Trends in Robotics”博客下的一篇人物问答文章，形式为“问机器人专家（Ask a Roboticist）”。受访者为机械工程师Taylor Frey-Baker。已知她回答了三个方向的问题：机器人头部、机器人“大脑”、以及她进入机器人领域的个人路径。
ForgeStencil 是面壁智能联合 OpenBMB 开源的 AI 优化系统，据称是全球首个支持 Stencil 自动研究与部署的系统；它由 Kernel Agent 与 App Agent 组成，宣称可在零人工介入下实现从优化想法到应用部署的闭环，一周自动优化 100+ 工业与科学软件，同精度较最优基线平均加速 2.35 倍。
本事件是面壁智能联合 OpenBMB 开源 ForgeStencil。材料称其为“全球首个支持 Stencil 自动研究与部署的 AI 优化系统”。其核心目标是让工业与科学软件的性能优化过程自动化，减少人工介入，并把“提出优化想法”和“应用部署”连接成完整闭环。
北京大学与元空AI联合实验室开源科研智能体OpenAI4S，采用MIT协议、核心零依赖，以Code-as-Action思路独立复现闭源Claude Science，内置30+科研Skills，并强调不伪造数据与计算。
据腾讯研究院AI速递（20260805）报道，北大团队开源了科研智能体OpenAI4S，目标是对标并独立复现闭源的Claude Science。该项目采用MIT协议，核心零依赖；智能体通过生成代码并在持久内核中执行来驱动科研任务（Code-as-Action），内置30多个科研Skills，覆盖蛋白质、单细胞、文献检索等场景。团队坚持“不伪造策略”，数据和…
一篇发表于《Nature Machine Intelligence》的 News & Views 评论指出，一种新的深度学习方法通过“轨迹预测”推进分子动力学模拟，可以在更长时间尺度上运行模拟，同时仍能实现准确的物理性质预测，从而突破传统分子模拟中的“飞秒时间步长上限”。
该文是 Seyed Mohamad Moosavi 撰写的新闻与观点（News & Views）评论，评论对象是 Thiemann, F. L. 等人发表于《Nature Machine Intelligence》的原始研究。 评论涉及的原始论文：Thiemann, F. L. et al. *Nat. Mach. Intell.* **8**, 764–…
论文提出“技能熵”（Skill Entropy）来量化长程推理中模型在不同技能之间切换的难度，并以此构建了跨技能长程推理基准 Skill^2-Bench 和训练框架 Skill-Entropy RL；在 Qwen3-4B-Instruct 上，Skill^2-Bench 分数从 34.4% 提升至 68.4%，在 Qwen3-1.7B 上从 14.6% 提…
近年大语言模型的长程推理需要在一条推理链中切换不同技能，例如先做数学推导，再用推导结果进行日程规划。 作者将这类问题称为“跨技能长程任务”（cross-skill long-horizon tasks）：多步任务中的不同步骤需要不同推理技能，且后续步骤依赖前面的输出。 现有基准大多只评测单一技能，缺乏一种有原则的方法来衡量模型在技能之间切换的能力。 论文同…
VirTues（Virtual Tissues）是一个通用的空间蛋白质组学基础模型，利用蛋白质语言模型嵌入和分解式Transformer，从多重成像数据中直接学习蛋白质、细胞、微环境到组织的多尺度表征；从单一预训练骨干即可支持标记重建、细胞分割与分型、微环境注释、空间生物标志物发现和患者分层，并在三阴性乳腺癌中展现出优于现有方法的生物标志物预测能力。
空间蛋白质组学技术（如多重免疫荧光和成像质谱流式）已深刻改变了人们对癌症复杂组织结构的研究，但其计算分析面临独特挑战：每个研究使用不同的标记panel和实验协议，大多数方法仅针对单一队列设计，限制了知识迁移和稳健生物标志物的发现。VirTues旨在解决这些问题，构建一个能够直接处理高重空间蛋白质组学数据、并可跨异质panel和数据集使用的通用基础模型。
在分解模型 \(W = UV^\top\) 中，梯度下降隐式偏向低秩解，而 Adam 从相同的小初始化出发不具备这种偏置。研究者将差异追溯到损失函数的规范对称性（gauge symmetry），即 \((U, V) \mapsto (UQ, VQ)\) 下的不变性；梯度流的低秩机制只有在优化器满足规范等变（gauge-equivariant）时才能迁移，而…
本研究是一篇 arXiv 预印本，研究问题是：为什么不同优化器在分解参数化下表现出不同的低秩隐式偏置？摘要指出，损失函数本身对基底选择不变，但 Adam 等优化器对基底敏感。文章尝试用规范对称性和优化器等变性解释这一现象，并比较多种更新规则在矩阵感知、Transformer 和高光谱数据上的表现。
通过对 NVIDIA Nemotron 检索栈进行端到端适配（语料挖掘、合成监督、检索模型训练、重排器适配、阅读器微调），现代希腊语的专业领域 RAG 性能得到大幅提升；微调后的 Nemotron 1B 嵌入器在 HERA 基准上 nDCG@10 从 0.362 升至 0.835，LoRA 调优的 30B-A3B 阅读器将判定答案正确率从 29.4% 提升…
现代希腊语在 NVIDIA Nemotron 检索模型和主要多语言检索基准中缺失，但法律、能源、金融、医疗等领域的 RAG 应用需要它。本文报告了针对现代希腊语的专业领域端到端适配工作，并引入新基准 HERA。
本文证明，子空间约束均值平移（SCMS）算法在一般情况下并不收敛到传统文献所认为的“静态密度脊”，而是收敛到一种新定义的“稳定密度脊”；作者进一步提出广义SCMS框架，并给出了收敛性与统计一致性的理论保证。
SCMS算法是一种流行的非参数方法，用于提取密度脊（density ridges），从而为高维数据提供低维表示。文献中普遍认为SCMS轨迹收敛到经典密度脊——本文称之为“静态脊”，其定义依赖于密度梯度以及密度Hessian的特征值和特征向量。本文指出，这个假设一般并不成立，原因是静态定义没有考虑算法底层向量场连续流动过程中尾随特征空间的旋转。为此，作者从动…
在分布式优化中同时实现本地差分隐私（LDP）和低通信成本仍有挑战。 已有向量量化方法，如 vqSGD，使用高维几何构造，但会产生不利的、随维度增长的方差。 本文提出 SSTQ，试图在隐私保护、量化误差和通信开销之间取得更好平衡。
本文提出“口语函数调用”（Spoken Function Calling, SFC）这一新视角，用结构化规则定义替代传统封闭集口语语言理解（SLU）的模糊规则，实验表明SFC可显著提升LLM和LALM的语义抽取准确率。
传统SLU在领域内监督微调后能有效抽取封闭集任务的用户语义，但在开放域任务中，由于其规则定义模糊，难以利用上下文学习。本文提出SFC，旨在超越传统封闭集SLU，通过结构化的规则定义优化语义理解，并面向大型音频语言模型（LALM）探索这一范式。
SmartMage 是一个根据查询内容动态选择相关模态（而非固定组合）的 3D 场景理解多模态大模型（MLLM），据论文摘要，它在 5 个 3D 场景理解基准上达到 SOTA，在 RGB-only 视频理解基准上取得有竞争力的结果，并提出了 ScanFacet 诊断基准来分析不同语义任务偏好的模态组合。
理解 3D 场景是具身智能的基础，通常需要同时推理视觉、几何等异构模态信息。然而，不同查询对不同模态的相关性并不相同。现有 MLLM 大多使用固定的模态组合，忽略了查询相关的模态需求：无关模态可能引入语义噪声，信息量更大的模态又可能未被充分利用，从而导致计算浪费和推理质量下降。
待核实（仅有论文元数据，无法确认研究结论）。
根据标题，本研究涉及一种装备有尖锐纳米刺的离子凝胶微型机器人，用于牙周炎的靶向治疗。具体研究问题、方法设计与结果均待核实。
论文通过构造“相同公式、不同语义”的配对模态逻辑问题，发现多数近期语言模型在直接提示下无法达到仅凭条件猜测的基线；但启用某种“推理模式”后，一个模型的准确率出现大幅提升。模型是否遵循题面给定的模态语义，高度依赖于推理模式以及模型本身。
研究问题是：语言模型在回答涉及“必然”和“可能”的模态逻辑问题时，是否真的遵循题面指定的语义，还是会依赖某种默认的“熟悉逻辑”？
本研究提出一种轻量级运动推理框架，在保护隐私的 CCTV 风格课堂场景中，以不到大型基线十分之一的计算成本实现更优的课堂事件识别性能，并展现出较强的跨域与合成到真实零样本泛化能力。
研究问题：计算机视觉能否帮助提升课堂安全？具体而言，在隐私敏感且计算资源受限的真实课堂 CCTV 场景中，如何进行高效且鲁棒的课堂事件（如冲突、跌倒等异常或危险行为）识别？ 现状：该方向尚未被充分探索，缺少专门针对隐私、效率和泛化需求的基准数据集与算法。
在部分可观测强化学习中，探索奖励与记忆架构是互补品而非替代品：探索奖励负责“暴露”，记忆负责将暴露转化为回报；奖励结构（而非奖励的信号密度）决定了二者的交互模式。
现有研究通常孤立评估探索奖励和记忆架构，忽略二者的交互效应。 标准“稀疏奖励”概念把时间信号密度与“奖励实际监督的内容”混为一谈，导致无法解释不同任务中奖励对学习的作用差异。 本文通过受控实验，在三个环境中系统改变“记忆内容如何获得”，考察同一探索奖励信号与不同神经记忆架构组合时的表现。