AI 与科学前沿 · 2026-11-04

学习非线性动力系统的连续时间演化通常要展开轨迹目标，训练时反复数值积分并反传，代价随展开长度增长。速度匹配改用观测轨迹的分段线性插值与区间内随机取点，直接回归速度场，无需模拟学习到的动力学。在非线性常微分方程和半离散时变偏微分方程上，相同迭代预算下其误差比轨迹类目标低一个数量级以上，并能在训练未用的格式与步长下保持精度。

学习非线性动力系统的连续时间演化通常要展开轨迹目标，训练时反复数值积分并反传，代价随展开长度增长。速度匹配改用观测轨迹的分段线性插值与区间内随机取点，直接回归速度场，无需模拟学习到的动力学。在非线性常微分方程和半离散时变偏微分方程上，相同迭代预算下其误差比轨迹类目标低一个数量级以上，并能在训练未用的格式与步长下保持精度。

交互视频世界模型从带拍摄时间戳的记忆库取帧，冻结的生成器把最新时间戳当作真相，因此智能体撤销动作后，唯一记录当前状态的旧帧会被判为过时。ReDate保留每一帧，按动作日志给出的有效时间重新标注检索到的令牌，让回退区域读作刚到达新状态，无需训练。在FAR基准的352个回退步骤上，当前状态占比从0.36升到0.62，过时状态占比从0.27降到0.09；HY-WorldPlay上从0.003升到0.19。

交互视频世界模型从带拍摄时间戳的记忆库取帧，冻结的生成器把最新时间戳当作真相，因此智能体撤销动作后，唯一记录当前状态的旧帧会被判为过时。ReDate保留每一帧，按动作日志给出的有效时间重新标注检索到的令牌，让回退区域读作刚到达新状态，无需训练。在FAR基准的352个回退步骤上，当前状态占比从0.36升到0.62，过时状态占比从0.27降到0.09；HY-WorldPlay上从0.003升到0.19。

大模型水印要在固定密钥下保留输出多样性，又要在投机解码中不降低草稿接受率，这两点此前难以兼得。TextSeal2把两个密钥的高斯值合并成一个虚拟密钥，再用高斯 copula 与新鲜噪声耦合，使检测器对每个词元都能读到完整信号；在投机解码下，它用草稿竞速的剩余量再做一次指数竞速来决定每轮最后一个词元。在三个模型上、相同多样性下，它比 TextSeal 多检出8到22个百分点的100词元答案，投机解码下比 TextSeal 和 textGrain 分别多检出18和22个百分点的200词元答案，接受率不变。

大模型水印要在固定密钥下保留输出多样性，又要在投机解码中不降低草稿接受率，这两点此前难以兼得。TextSeal2把两个密钥的高斯值合并成一个虚拟密钥，再用高斯 copula 与新鲜噪声耦合，使检测器对每个词元都能读到完整信号；在投机解码下，它用草稿竞速的剩余量再做一次指数竞速来决定每轮最后一个词元。在三个模型上、相同多样性下，它比 TextSeal 多检出8到22个百分点的100词元答案，投机解码下比 TextSeal 和 textGrain 分别多检出18和22个百分点的200词元答案，接受率不变。

概率时间序列预测既要刻画时间结构，又要给出不确定性，还要推理够快；扩散与流匹配类方法靠多步迭代采样换取灵活性，代价是推理开销随步数增长。KGO把预测看成结构化不确定性在Koopman潜空间中的演化：KoPE用学习到的线性算子外推潜轨迹，KoFM用矩阵指数把噪声一步搬运到未来，AUG按变量与预测步自适应分配确定性与随机分支。在ProbTS的17个设置上，KGO在13项取得最低CRPS、16项最低NMAE，并报告相对迭代生成模型至少25倍的推理加速。

概率时间序列预测既要刻画时间结构，又要给出不确定性，还要推理够快；扩散与流匹配类方法靠多步迭代采样换取灵活性，代价是推理开销随步数增长。KGO把预测看成结构化不确定性在Koopman潜空间中的演化：KoPE用学习到的线性算子外推潜轨迹，KoFM用矩阵指数把噪声一步搬运到未来，AUG按变量与预测步自适应分配确定性与随机分支。在ProbTS的17个设置上，KGO在13项取得最低CRPS、16项最低NMAE，并报告相对迭代生成模型至少25倍的推理加速。

大语言模型智能体调用工具时通常逐个试错，无法保证计划可执行。CGAP把工具目录确定性地编译成只记录字段是否可用的抽象PDDL模型，由经典规划器排序调用，再由大语言模型补出具体实体的调用并逐条校验参数来源与结果。在ToolSandbox、ComplexFuncBench、BFCL多轮和τ-bench零售四个基准上，三种模型下它均优于标准工具调用智能体，最多高出28.9分。

大语言模型智能体调用工具时通常逐个试错，无法保证计划可执行。CGAP把工具目录确定性地编译成只记录字段是否可用的抽象PDDL模型，由经典规划器排序调用，再由大语言模型补出具体实体的调用并逐条校验参数来源与结果。在ToolSandbox、ComplexFuncBench、BFCL多轮和τ-bench零售四个基准上，三种模型下它均优于标准工具调用智能体，最多高出28.9分。

视觉语言模型能读懂任务却常抓不稳物体：在RoboDojo上，同一模型去掉机械臂执行后成功率从22.5%升到76.2%，说明瓶颈在物理执行。Auriga把模型决策与机器人执行分开，由模型维护显式任务信念，所有动作经统一准入网关先预览轨迹、执行中校验阶段容差并在偏差时停机回报。冻结后的Auriga在42项任务上取得57.7%成功率、64.0分，排名第一，并在RoboCasa365上达到73.2%。

视觉语言模型能读懂任务却常抓不稳物体：在RoboDojo上，同一模型去掉机械臂执行后成功率从22.5%升到76.2%，说明瓶颈在物理执行。Auriga把模型决策与机器人执行分开，由模型维护显式任务信念，所有动作经统一准入网关先预览轨迹、执行中校验阶段容差并在偏差时停机回报。冻结后的Auriga在42项任务上取得57.7%成功率、64.0分，排名第一，并在RoboCasa365上达到73.2%。

预填充越狱通过在助手回复开头强行写入一段前缀，让本应拒绝的模型继续生成有害内容。研究者在雅可比透镜给出的词表语义空间里追踪发现，随着前缀加深，拒绝信号比有害性信号衰减得更快，到自由生成开始时已接近良性基线。据此设计的J-Anchor不训练、不改权重，以攻击前助手头位置的信号为每个请求设定锚点，只在前缀处理和后续解码中补回低于目标的拒绝分量，在四个开源指令模型上把固定与深度预填充攻击的成功率压到很低，同时良性拒答率和推理成绩接近原模型。

预填充越狱通过在助手回复开头强行写入一段前缀，让本应拒绝的模型继续生成有害内容。研究者在雅可比透镜给出的词表语义空间里追踪发现，随着前缀加深，拒绝信号比有害性信号衰减得更快，到自由生成开始时已接近良性基线。据此设计的J-Anchor不训练、不改权重，以攻击前助手头位置的信号为每个请求设定锚点，只在前缀处理和后续解码中补回低于目标的拒绝分量，在四个开源指令模型上把固定与深度预填充攻击的成功率压到很低，同时良性拒答率和推理成绩接近原模型。

Co2ODE把每个细胞语境下承载信号的那部分网络单独建模：条件掩码挑出与重连相关的标志物，其余标志物由变分自编码器压成一个闭包项，与稀疏ODE联合训练。在覆盖30种癌症相关过表达的单细胞磷酸化蛋白数据上，它把30个标志物压成10维状态，目标轨迹精度与用全量标志物拟合的神经ODE相当；但加入先验评分后，被选中的标志物会整体移动而拟合几乎不变，说明这批数据不足以唯一确定真实的重连结构。

Co2ODE把每个细胞语境下承载信号的那部分网络单独建模：条件掩码挑出与重连相关的标志物，其余标志物由变分自编码器压成一个闭包项，与稀疏ODE联合训练。在覆盖30种癌症相关过表达的单细胞磷酸化蛋白数据上，它把30个标志物压成10维状态，目标轨迹精度与用全量标志物拟合的神经ODE相当；但加入先验评分后，被选中的标志物会整体移动而拟合几乎不变，说明这批数据不足以唯一确定真实的重连结构。

检索增强生成并非有证据就更好，无关证据会拖累生成器，而逐套配置实测收益又要为每个候选检索器重复生成。EviCast把候选检索器的净收益拆成两部分：生成器对受控证据状态的响应，以及该检索器离线输出落在各状态上的分布；前者只需在小校准集上测一次，即可复用于多个检索器。在HotpotQA的14套检索配置上，一次校准用96次生成调用做出14/14正确部署判断，预测误差2.75个F1点，诊断生成调用比逐配置直接测量少80%。

检索增强生成并非有证据就更好，无关证据会拖累生成器，而逐套配置实测收益又要为每个候选检索器重复生成。EviCast把候选检索器的净收益拆成两部分：生成器对受控证据状态的响应，以及该检索器离线输出落在各状态上的分布；前者只需在小校准集上测一次，即可复用于多个检索器。在HotpotQA的14套检索配置上，一次校准用96次生成调用做出14/14正确部署判断，预测误差2.75个F1点，诊断生成调用比逐配置直接测量少80%。

大推理模型常在信息已经足够后继续长篇推理，推高解码延迟与显存开销。LoCo把压缩决策放到单个推理状态上：从模型自身轨迹中找出过度思考的候选状态，冻结该前缀，重新生成更短且答案验证正确的续写，再用DPO学习“继续还是收尾”的偏好。在五个数学基准上，补全长度减少41.7%–45.4%，准确率保持或提升；仅用数学数据训练后，同一模型在三个代码基准上长度减少23.4%–36.3%。

大推理模型常在信息已经足够后继续长篇推理，推高解码延迟与显存开销。LoCo把压缩决策放到单个推理状态上：从模型自身轨迹中找出过度思考的候选状态，冻结该前缀，重新生成更短且答案验证正确的续写，再用DPO学习“继续还是收尾”的偏好。在五个数学基准上，补全长度减少41.7%–45.4%，准确率保持或提升；仅用数学数据训练后，同一模型在三个代码基准上长度减少23.4%–36.3%。

北大-灵初联合实验室的RoboFFT被CoRL2026接收，它把扩散模型和流模型预训练时的前向加噪损失改造成近似概率比，让生成式机器人策略能按任务成败反馈做PPO式后训练。验证覆盖Robomimic仿真任务、视觉语言动作模型π₀的流式动作头和四项真机操作任务；抓取茄子任务在相同数据预算下，仅汇集数据做行为克隆为14/20，离线后训练18/20，在线后训练20/20。

北大-灵初联合实验室的RoboFFT被CoRL2026接收，它把扩散模型和流模型预训练时的前向加噪损失改造成近似概率比，让生成式机器人策略能按任务成败反馈做PPO式后训练。验证覆盖Robomimic仿真任务、视觉语言动作模型π₀的流式动作头和四项真机操作任务；抓取茄子任务在相同数据预算下，仅汇集数据做行为克隆为14/20，离线后训练18/20，在线后训练20/20。

独立训练的模型各有互补能力，但知识迁移通常靠缩小预测或表示差异，这会削弱互补性。Corroborative Learning 让每个模型只学习任务分数的增量，再用同伴的表示在留出数据组上重建这些增量，重建得越差的方向被约束得越强。在六项语言任务、24个模型、36对组合上，它相对同等容量的独立适配在全部六项任务上都有提升，平均增益0.52个百分点，且推理时两个模型仍各自独立部署。

独立训练的模型各有互补能力，但知识迁移通常靠缩小预测或表示差异，这会削弱互补性。Corroborative Learning 让每个模型只学习任务分数的增量，再用同伴的表示在留出数据组上重建这些增量，重建得越差的方向被约束得越强。在六项语言任务、24个模型、36对组合上，它相对同等容量的独立适配在全部六项任务上都有提升，平均增益0.52个百分点，且推理时两个模型仍各自独立部署。

偏好数据里存在被标反、打平或含噪的比较，直接偏好优化（DPO）把它们全部当作正确标签来拟合，质量随翻转比例上升而下降。RW-DPO为每条比较引入一个未知的可靠性权重，让权重线性进入似然，并在极小极大凹惩罚下与策略联合估计，使模型认同的比较保持权重为一、只调整被它反驳的比较。在Qwen2.5-1.5B的DPO微调中，注入10%到30%随机翻转标签时，其胜率不随翻转率上升而下降，并超过用干净标签训练的DPO，与近期最强方法持平。

偏好数据里存在被标反、打平或含噪的比较，直接偏好优化（DPO）把它们全部当作正确标签来拟合，质量随翻转比例上升而下降。RW-DPO为每条比较引入一个未知的可靠性权重，让权重线性进入似然，并在极小极大凹惩罚下与策略联合估计，使模型认同的比较保持权重为一、只调整被它反驳的比较。在Qwen2.5-1.5B的DPO微调中，注入10%到30%随机翻转标签时，其胜率不随翻转率上升而下降，并超过用干净标签训练的DPO，与近期最强方法持平。

网页平台要在极低误报率下筛查大语言模型生成的帖子，而同形字和零宽字符这类肉眼不可见的编辑会把机器文本推入人类分数区间。NormDetect 先做 Unicode 归一化，再把按板块训练的小型分类头锚定到归一化后的 Binoculars 零样本分数上，混合权重在训练折上以人类误报上限为约束选出。在 RAID 八个板块、十一种攻击上，Falcon-7B 评分对下它在 0.1% 校准误报率时召回 55.5%，比归一化 Binoculars 高 5.0 个百分点，且每个板块的人类误报上界不超过 1%。

网页平台要在极低误报率下筛查大语言模型生成的帖子，而同形字和零宽字符这类肉眼不可见的编辑会把机器文本推入人类分数区间。NormDetect 先做 Unicode 归一化，再把按板块训练的小型分类头锚定到归一化后的 Binoculars 零样本分数上，混合权重在训练折上以人类误报上限为约束选出。在 RAID 八个板块、十一种攻击上，Falcon-7B 评分对下它在 0.1% 校准误报率时召回 55.5%，比归一化 Binoculars 高 5.0 个百分点，且每个板块的人类误报上界不超过 1%。

DeepWeave把可解释的逻辑规则与神经网络预测放进同一个概率推理程序，让两者作为可能冲突的两路证据共同决定告警。此前基于机器学习的入侵检测依赖大量标注攻击流量，部署环境一变性能就下降，且难以给出可供分析员核查的依据。在每类攻击仅有少量标注包观测时，采用Anchored耦合的DeepWeave相对匹配的神经基线把宏F1最多提高34.5%，并把攻击误报率从0.075降到0.001。

DeepWeave把可解释的逻辑规则与神经网络预测放进同一个概率推理程序，让两者作为可能冲突的两路证据共同决定告警。此前基于机器学习的入侵检测依赖大量标注攻击流量，部署环境一变性能就下降，且难以给出可供分析员核查的依据。在每类攻击仅有少量标注包观测时，采用Anchored耦合的DeepWeave相对匹配的神经基线把宏F1最多提高34.5%，并把攻击误报率从0.075降到0.001。

灵初智能联合北京航空航天大学、北京大学、香港中文大学提出频率感知流匹配方法FAFM，把机器人动作从固定步数的离散序列改为对应真实物理时间的频域系数，并在流匹配生成动作时显式约束动作的一阶时间导数。这样，5 Hz、10 Hz、20 Hz等不同采集频率的示教可以映射到同一物理时间尺度上联合训练，而不必靠下采样或插值统一频率。在Franka机械臂上，集成到π₀.₅后，抓取放置任务成功率从80%升到95%，多障碍物避障任务从80%升到90%。

灵初智能联合北京航空航天大学、北京大学、香港中文大学提出频率感知流匹配方法FAFM，把机器人动作从固定步数的离散序列改为对应真实物理时间的频域系数，并在流匹配生成动作时显式约束动作的一阶时间导数。这样，5 Hz、10 Hz、20 Hz等不同采集频率的示教可以映射到同一物理时间尺度上联合训练，而不必靠下采样或插值统一频率。在Franka机械臂上，集成到π₀.₅后，抓取放置任务成功率从80%升到95%，多障碍物避障任务从80%升到90%。

流式部署中，固定策略的损失会随历史变化，原先按固定总体风险做认证的Learn-then-Test不再描述实际遇到的风险。StreamLTT把认证目标改为平均可预测风险，即每次决策前按已有信息取条件风险再沿流平均，并用条件中心化把经验偏差变成鞅和。在七个预测数据集与七种部署风险上，其方差自适应版本把认证前沿推到接近风险目标的位置，经验族错误率也贴近设定水平。

流式部署中，固定策略的损失会随历史变化，原先按固定总体风险做认证的Learn-then-Test不再描述实际遇到的风险。StreamLTT把认证目标改为平均可预测风险，即每次决策前按已有信息取条件风险再沿流平均，并用条件中心化把经验偏差变成鞅和。在七个预测数据集与七种部署风险上，其方差自适应版本把认证前沿推到接近风险目标的位置，经验族错误率也贴近设定水平。

软体机器人抓取缺少同时协调视觉、深度、触觉、惯性测量与文本的多模态数据，且现有对齐方法对所有模态对使用同一强度。SomaAlign 先用掩码重建估计各模态的相对可靠性，再据此为每一对模态设定不同的对比温度，并在第三阶段用冲突感知约束收紧样本内跨模态一致性。在 Soma 数据集上，30 个有向跨模态检索任务的平均 Recall@10 为 90.66%；在独立采集、未参与表征学习的 Soma-Success 上，冻结编码器加轻量探针的后验抓取结果分类准确率为 94.59%。

软体机器人抓取缺少同时协调视觉、深度、触觉、惯性测量与文本的多模态数据，且现有对齐方法对所有模态对使用同一强度。SomaAlign 先用掩码重建估计各模态的相对可靠性，再据此为每一对模态设定不同的对比温度，并在第三阶段用冲突感知约束收紧样本内跨模态一致性。在 Soma 数据集上，30 个有向跨模态检索任务的平均 Recall@10 为 90.66%；在独立采集、未参与表征学习的 Soma-Success 上，冻结编码器加轻量探针的后验抓取结果分类准确率为 94.59%。

边缘AI应用开发长期依赖开发者手工编排固定智能体流程，难以应对异构数据模态与多样任务管线。SE2把开发拆成检索、推理、编码、测试四种原子操作，由协调智能体依据当前上下文自主选择下一步，并通过移动端运行时反馈与强化微调持续进化。在IoTBench基准和三个多模态边缘AI应用上，其合成程序相比八个先进基线最高提升26%准确率、降低28%资源消耗。

边缘AI应用开发长期依赖开发者手工编排固定智能体流程，难以应对异构数据模态与多样任务管线。SE2把开发拆成检索、推理、编码、测试四种原子操作，由协调智能体依据当前上下文自主选择下一步，并通过移动端运行时反馈与强化微调持续进化。在IoTBench基准和三个多模态边缘AI应用上，其合成程序相比八个先进基线最高提升26%准确率、降低28%资源消耗。

Google AI & Infrastructure 团队与 Mercor 合作发布 Physical-Engineering's Last Exam（PLE），用机械、电气、土木、结构四个工程学科的85个长周期任务考察智能体能否在持证工程师复核下完成真实工程工作。每个任务是一个平均含61个文件的容器化项目文件夹，智能体需自行查找规范、计算并产出可交付成果，且必须先通过全部硬性安全检查才计分。在私有测试集上，14个前沿模型全部低于50%，最高配置在其原生框架上平均得分48.3%。

Google AI & Infrastructure 团队与 Mercor 合作发布 Physical-Engineering's Last Exam（PLE），用机械、电气、土木、结构四个工程学科的85个长周期任务考察智能体能否在持证工程师复核下完成真实工程工作。每个任务是一个平均含61个文件的容器化项目文件夹，智能体需自行查找规范、计算并产出可交付成果，且必须先通过全部硬性安全检查才计分。在私有测试集上，14个前沿模型全部低于50%，最高配置在其原生框架上平均得分48.3%。

Mercor与Google的AI与基础设施研究团队发布Physical-Engineering's Last Exam（PLE），用85个长周期任务考察AI智能体能否完成机械、电气、土木与结构工程的实际工作。每个任务在约61个文件的容器化项目文件夹中运行，包含PDF、表格、邮件、2D CAD图纸、3D BIM模型和故意植入的过期修订，智能体无网络访问、最多六小时。最强配置Claude Opus 5.5在Claude Code中于隐藏测试集达到48.3%，平均每任务消耗2700万token、耗时63分钟；其设计平均满足91%的单条约束，但只有41%通过全部硬性检查。

Mercor与Google的AI与基础设施研究团队发布Physical-Engineering's Last Exam（PLE），用85个长周期任务考察AI智能体能否完成机械、电气、土木与结构工程的实际工作。每个任务在约61个文件的容器化项目文件夹中运行，包含PDF、表格、邮件、2D CAD图纸、3D BIM模型和故意植入的过期修订，智能体无网络访问、最多六小时。最强配置Claude Opus 5.5在Claude Code中于隐藏测试集达到48.3%，平均每任务消耗2700万token、耗时63分钟；其设计平均满足91%的单条约束，但只有41%通过全部硬性检查。

单细胞转录组快照同时包含细胞在轨迹上的位置和表达变化方向，此前两类信息往往分别估计。ManifoldVelo把每个细胞放到一条可微的未剪接/剪接RNA表达曲线上，并让曲线导数与转录—剪接—降解动力学场在观测细胞之间也对齐，从而联合拟合细胞坐标、表达曲线和动力学参数。在多峰周期模拟中，它只用剪接RNA查询得到的环状时间误差为0.64%和7.40%，剪接速度余弦为0.9776和0.9421；在真实数据中，WT2的相位误差相对记录的VeloCycle结果下降47.0%，而WT1和光滑周期模拟则由VeloCycle更优。

单细胞转录组快照同时包含细胞在轨迹上的位置和表达变化方向，此前两类信息往往分别估计。ManifoldVelo把每个细胞放到一条可微的未剪接/剪接RNA表达曲线上，并让曲线导数与转录—剪接—降解动力学场在观测细胞之间也对齐，从而联合拟合细胞坐标、表达曲线和动力学参数。在多峰周期模拟中，它只用剪接RNA查询得到的环状时间误差为0.64%和7.40%，剪接速度余弦为0.9776和0.9421；在真实数据中，WT2的相位误差相对记录的VeloCycle结果下降47.0%，而WT1和光滑周期模拟则由VeloCycle更优。

GFlowNet按顺序逐个拼出离散对象，而顺序本身决定网络要学哪些条件分布。此前顺序多由预设或均匀反向策略固定，标准训练难以发现有用顺序。Learning-Order GFlowNet在不给顺序标注的情况下联合学习位置与符号，在校验和依赖任务上五轮中四轮收敛，均匀反向策略在训练预算内零轮收敛，固定随机顺序十轮中仅两轮。

GFlowNet按顺序逐个拼出离散对象，而顺序本身决定网络要学哪些条件分布。此前顺序多由预设或均匀反向策略固定，标准训练难以发现有用顺序。Learning-Order GFlowNet在不给顺序标注的情况下联合学习位置与符号，在校验和依赖任务上五轮中四轮收敛，均匀反向策略在训练预算内零轮收敛，固定随机顺序十轮中仅两轮。

Sarvam发布基于Sarvam 105B的决策模型Prism，面向企业工作流中需要快速、可校准判断的环节。在Sarvam自行测试的25个决策模型中，Prism在三个指数上的平均分为71.8，单次请求中位响应时间44毫秒，是100毫秒以内作答的模型中平均分最高的一个；总分更高的模型响应时间约为它的两到六倍。模型以开放权重发布，企业可在自有数据上继续训练并在自有基础设施上运行。

Sarvam发布基于Sarvam 105B的决策模型Prism，面向企业工作流中需要快速、可校准判断的环节。在Sarvam自行测试的25个决策模型中，Prism在三个指数上的平均分为71.8，单次请求中位响应时间44毫秒，是100毫秒以内作答的模型中平均分最高的一个；总分更高的模型响应时间约为它的两到六倍。模型以开放权重发布，企业可在自有数据上继续训练并在自有基础设施上运行。

Aleph Alpha发布的Kolibri是一个混合推理模型，用户可在系统提示中用一句话选择不推理、低、中、高三档推理强度。由于监督微调数据没有标注推理强度，团队按同一数据集、同一难度等级下的推理长度对每条推理轨迹做事后标注，并用2B学生模型复现大模型判定的题目难度。在24个基准中的23个上，中档推理长于低档、高档更长；低档保留高档分数的96%，推理长度为其35%，发布模型保留98%的分数、使用76%的补全token。

Aleph Alpha发布的Kolibri是一个混合推理模型，用户可在系统提示中用一句话选择不推理、低、中、高三档推理强度。由于监督微调数据没有标注推理强度，团队按同一数据集、同一难度等级下的推理长度对每条推理轨迹做事后标注，并用2B学生模型复现大模型判定的题目难度。在24个基准中的23个上，中档推理长于低档、高档更长；低档保留高档分数的96%，推理长度为其35%，发布模型保留98%的分数、使用76%的补全token。

Fireworks在首届Forge大会上发布面向企业自建专用智能的一批产品，覆盖推理、模型接入、训练与企业管控。推理侧，基于NVIDIA Blackwell GPU的Fireworks Ultra-fast进入公开预览，在DeepSeek V4.1 Flash上演示最高每秒1500个token；在一个30轮智能体任务基准中，完成时间从1分钟降到8秒。面向可等待的工作负载，Background Mode以半价提供更低成本运行时。

Fireworks在首届Forge大会上发布面向企业自建专用智能的一批产品，覆盖推理、模型接入、训练与企业管控。推理侧，基于NVIDIA Blackwell GPU的Fireworks Ultra-fast进入公开预览，在DeepSeek V4.1 Flash上演示最高每秒1500个token；在一个30轮智能体任务基准中，完成时间从1分钟降到8秒。面向可等待的工作负载，Background Mode以半价提供更低成本运行时。

NVIDIA 把 Kubernetes 分布式作业的结构描述从编译进工具的适配器换成一份可读定义：Workload Map 是一个自定义资源加 Go 库，为 JobSet、PyTorchJob、RayCluster 等框架给出统一结构视图。此前每接入一种自定义资源都要写一个适配器，解释角色、把状态折算成阶段、改 pod 模板而不弄坏作业，新类型支持常要等一个发布。定义以 YAML 写明模板位置、副本数与状态映射，调度器与平台共用；示例 JobSet 解析出一个 leader、两个 worker，共 12 块 GPU。

NVIDIA 把 Kubernetes 分布式作业的结构描述从编译进工具的适配器换成一份可读定义：Workload Map 是一个自定义资源加 Go 库，为 JobSet、PyTorchJob、RayCluster 等框架给出统一结构视图。此前每接入一种自定义资源都要写一个适配器，解释角色、把状态折算成阶段、改 pod 模板而不弄坏作业，新类型支持常要等一个发布。定义以 YAML 写明模板位置、副本数与状态映射，调度器与平台共用；示例 JobSet 解析出一个 leader、两个 worker，共 12 块 GPU。

JustVugg 发布开源推理引擎 colibri，用纯 C 写成、每个模型家族一个文件，不需要 GPU。混合专家模型每个 token 只调用自身一小部分，colibri 把这一小部分常驻内存，其余专家留在磁盘上按需读取。官方示例中 GLM-5.2 这一 744B 参数、int4 量化的 MoE 模型在 CPU 上 32 秒就绪、常驻 9.9 GB；最低配置为 8 GB 内存，最小模型需 22 GB 磁盘。

JustVugg 发布开源推理引擎 colibri，用纯 C 写成、每个模型家族一个文件，不需要 GPU。混合专家模型每个 token 只调用自身一小部分，colibri 把这一小部分常驻内存，其余专家留在磁盘上按需读取。官方示例中 GLM-5.2 这一 744B 参数、int4 量化的 MoE 模型在 CPU 上 32 秒就绪、常驻 9.9 GB；最低配置为 8 GB 内存，最小模型需 22 GB 磁盘。

Collinear AI 发布 CWE-bench v2，公开 100 道任务，让智能体拿到真实开源仓库的检出副本，找出并修复一处安全弱点且不破坏原有功能，覆盖 91 种 CWE。评分完全程序化、结果可复现，另设留出集跟踪模型没见过的任务。11 个受评模型中 Gemini 4 Argon 以 67.8% pass@1 领先，Claude Opus 5.5 为 67.3%；95 道任务至少被一个模型解出，但领先者每次尝试仍失败 19%。

Collinear AI 发布 CWE-bench v2，公开 100 道任务，让智能体拿到真实开源仓库的检出副本，找出并修复一处安全弱点且不破坏原有功能，覆盖 91 种 CWE。评分完全程序化、结果可复现，另设留出集跟踪模型没见过的任务。11 个受评模型中 Gemini 4 Argon 以 67.8% pass@1 领先，Claude Opus 5.5 为 67.3%；95 道任务至少被一个模型解出，但领先者每次尝试仍失败 19%。

基于锚点的高斯泼溅场景训练后体积仍大到难以装进手机和头显，而已有的事后转换方法压缩比很早就饱和。这套方案把训练好的模型当作只读文件，为每个场景单独拟合一个带逐通道拉普拉斯分布的哈希网格熵上下文，再按莫顿顺序编码成可渐进解码的比特流。在三个基准的13个场景上，事后模式平均压缩6.0倍、画质变化−0.03 dB，且无需改动即可用于第三方检查点。

基于锚点的高斯泼溅场景训练后体积仍大到难以装进手机和头显，而已有的事后转换方法压缩比很早就饱和。这套方案把训练好的模型当作只读文件，为每个场景单独拟合一个带逐通道拉普拉斯分布的哈希网格熵上下文，再按莫顿顺序编码成可渐进解码的比特流。在三个基准的13个场景上，事后模式平均压缩6.0倍、画质变化−0.03 dB，且无需改动即可用于第三方检查点。

Vercel Security Review进入公开测试，Pro与Enterprise团队启用后，每次推送到已连接的GitHub仓库都会自动做漏洞审查，结果进入Vulnerabilities面板。审查由push事件触发而非拉取请求，因此直接推送和强制推送到生产分支同样会被检查，一次推送涉及的多个项目合并审查。每条发现记录项目、环境、分支和提交，附摘要、建议修复和AI生成的严重度评级；点击Fix with Vercel Agent会由智能体提出修复并开拉取请求，未经批准不会合并。

Vercel Security Review进入公开测试，Pro与Enterprise团队启用后，每次推送到已连接的GitHub仓库都会自动做漏洞审查，结果进入Vulnerabilities面板。审查由push事件触发而非拉取请求，因此直接推送和强制推送到生产分支同样会被检查，一次推送涉及的多个项目合并审查。每条发现记录项目、环境、分支和提交，附摘要、建议修复和AI生成的严重度评级；点击Fix with Vercel Agent会由智能体提出修复并开拉取请求，未经批准不会合并。

Salesforce AI Research 更新了 Agentforce Memory 的记忆策略，让智能体把客户后来改口的信息当作对旧事实的更正，而不是另存一条新事实。评估在运行中的 Agentforce 系统上进行，用 ConvoMem 基准生成跨多轮会话、沿途埋入特定事实的长对话，再就这些事实提问。更新后的策略对客户明确陈述的事实召回量是旧策略的 1.8 倍，对随时间变化的事实是 2.2 倍，而底层架构没有改动。

Salesforce AI Research 更新了 Agentforce Memory 的记忆策略，让智能体把客户后来改口的信息当作对旧事实的更正，而不是另存一条新事实。评估在运行中的 Agentforce 系统上进行，用 ConvoMem 基准生成跨多轮会话、沿途埋入特定事实的长对话，再就这些事实提问。更新后的策略对客户明确陈述的事实召回量是旧策略的 1.8 倍，对随时间变化的事实是 2.2 倍，而底层架构没有改动。

Meta 为广告排序模型的特征服务框架 F3 增加了 F3 Lightning 层，把特征发布从整张合并图里拆出来，每条特征独立编译、验证、部署和回滚。此前合并图既是执行单元也是发布单元，一个定义出错就会卡住全部特征；早期按特征发布的原型又因不再共享计算而抬高 CPU。F3 Lightning 在启动时重建共享执行计划，使可比的特征抽取上线速度约为原 F3 的3.6倍，且基础设施算力成本不增加。

Meta 为广告排序模型的特征服务框架 F3 增加了 F3 Lightning 层，把特征发布从整张合并图里拆出来，每条特征独立编译、验证、部署和回滚。此前合并图既是执行单元也是发布单元，一个定义出错就会卡住全部特征；早期按特征发布的原型又因不再共享计算而抬高 CPU。F3 Lightning 在启动时重建共享执行计划，使可比的特征抽取上线速度约为原 F3 的3.6倍，且基础设施算力成本不增加。

Cloudflare在Radar安全板块推出公开漏洞情报源Zero Wire，把互联网暴露软件中的关键CVE整理成简报，供安全负责人和工程师判断自身是否受影响。每份简报给出通俗解释、应排查的部署、建议动作以及证据与厂商指引链接，并附一段可交给AI智能体做只读暴露评估的提示词。Cloudflare将其定位为厂商公告和漏洞数据库的补充，而非收录全部CVE的目录。

Cloudflare在Radar安全板块推出公开漏洞情报源Zero Wire，把互联网暴露软件中的关键CVE整理成简报，供安全负责人和工程师判断自身是否受影响。每份简报给出通俗解释、应排查的部署、建议动作以及证据与厂商指引链接，并附一段可交给AI智能体做只读暴露评估的提示词。Cloudflare将其定位为厂商公告和漏洞数据库的补充，而非收录全部CVE的目录。

Meta 的 LEAP 在训练作业提交时预测它在每种候选硬件上的吞吐，并按单位成本吞吐排序，供集群调度器参考。它取代了按模型类型、训练器数、批大小和硬件类型查表的旧方案，旧表只覆盖13%的作业尝试。30次夜间重训的中位准确率为77%，在旧表覆盖的946个作业上，LEAP 有85.1%的预测落在实测值±20%以内，旧表为53.2%。

Meta 的 LEAP 在训练作业提交时预测它在每种候选硬件上的吞吐，并按单位成本吞吐排序，供集群调度器参考。它取代了按模型类型、训练器数、批大小和硬件类型查表的旧方案，旧表只覆盖13%的作业尝试。30次夜间重训的中位准确率为77%，在旧表覆盖的946个作业上，LEAP 有85.1%的预测落在实测值±20%以内，旧表为53.2%。

Anthropic 在 Messages API 上以 beta 形式推出消息线程，把长对话和智能体循环的会话状态保留在服务端，使后续请求只需发送新增消息，从而缩小请求体积并降低首 token 延迟。此前这类多轮调用需要每次重传完整历史。该功能通过 message-threads-2026-08-12 beta 头启用，线程在最后一次请求 5 分钟后过期、最迟 1 小时后删除，并已在 Claude API、AWS 上的 Claude Platform、Google Cloud 上的 Claude Models（Anthropic 托管）和 Microsoft Foundry 中的 Claude 提供。

Anthropic 在 Messages API 上以 beta 形式推出消息线程，把长对话和智能体循环的会话状态保留在服务端，使后续请求只需发送新增消息，从而缩小请求体积并降低首 token 延迟。此前这类多轮调用需要每次重传完整历史。该功能通过 message-threads-2026-08-12 beta 头启用，线程在最后一次请求 5 分钟后过期、最迟 1 小时后删除，并已在 Claude API、AWS 上的 Claude Platform、Google Cloud 上的 Claude Models（Anthropic 托管）和 Microsoft Foundry 中的 Claude 提供。

Vercel 把安全审查做成 Vercel Agent 的一项公开测试能力，代码每次推送到已连接的 GitHub 仓库就会触发扫描。按模式匹配工作的扫描器会漏掉缺少授权检查这类逻辑缺陷，而这项能力只把本次推送与基线做差异比对，读取改动周边的代码、追踪可达路径并复核每条结果，因此一次审查在几秒内跑完，预览和生产部署都能覆盖。发现的漏洞会以 PR 评论、安全面板和命令行输出列出，团队授权后智能体可以验证并提交修复。

Vercel 把安全审查做成 Vercel Agent 的一项公开测试能力，代码每次推送到已连接的 GitHub 仓库就会触发扫描。按模式匹配工作的扫描器会漏掉缺少授权检查这类逻辑缺陷，而这项能力只把本次推送与基线做差异比对，读取改动周边的代码、追踪可达路径并复核每条结果，因此一次审查在几秒内跑完，预览和生产部署都能覆盖。发现的漏洞会以 PR 评论、安全面板和命令行输出列出，团队授权后智能体可以验证并提交修复。

Baseten与Postman宣布合作，把企业级AI智能体的构建与运行拆成两层：Postman的Agent Stack负责准备API、控制智能体可访问的系统并治理其动作，Baseten负责高性能推理、跨云GPU容量与后训练。Baseten称其模型API在2026年发布的七个模型上进入Artificial Analysis吞吐与延迟的前两名，并以Harvey后训练27B开源模型匹配闭源前沿的案例说明专用化路线。

Baseten与Postman宣布合作，把企业级AI智能体的构建与运行拆成两层：Postman的Agent Stack负责准备API、控制智能体可访问的系统并治理其动作，Baseten负责高性能推理、跨云GPU容量与后训练。Baseten称其模型API在2026年发布的七个模型上进入Artificial Analysis吞吐与延迟的前两名，并以Harvey后训练27B开源模型匹配闭源前沿的案例说明专用化路线。

CovDiff-PaAno 把基于补丁的时间序列异常检测的打分环节从余弦匹配换成带正则的马氏距离，并同时使用原始、一阶差分和二阶差分三种视图，三者共享一个冻结编码器、各自维护记忆库与协方差。在 TSB-AD-M 的十种子受控对比中，AUC-ROC 从复现 PaAno 的 0.7612 升到 0.7843，Range-F1 从 0.4043 升到 0.4384；TSB-AD-U 上对应从 0.8532 升到 0.8626、从 0.4822 升到 0.4924。编码器参数量保持约 0.397M 不变，但推理时间增至 3.47 倍、推理峰值显存增至 10.01 倍。

CovDiff-PaAno 把基于补丁的时间序列异常检测的打分环节从余弦匹配换成带正则的马氏距离，并同时使用原始、一阶差分和二阶差分三种视图，三者共享一个冻结编码器、各自维护记忆库与协方差。在 TSB-AD-M 的十种子受控对比中，AUC-ROC 从复现 PaAno 的 0.7612 升到 0.7843，Range-F1 从 0.4043 升到 0.4384；TSB-AD-U 上对应从 0.8532 升到 0.8626、从 0.4822 升到 0.4924。编码器参数量保持约 0.397M 不变，但推理时间增至 3.47 倍、推理峰值显存增至 10.01 倍。

Vercel Firewall 的 AI Bots 托管规则集现在允许站点把 AI 爬虫与 AI 助手分开记录或拦截。此前这两类自动访问只能作为同一类机器人流量处理，站点无法只拒绝为索引和模型训练收集内容的抓取，而保留响应用户操作或搜索查询的页面获取。规则集随新机器人加入而更新，并可在所有套餐上使用。

Vercel Firewall 的 AI Bots 托管规则集现在允许站点把 AI 爬虫与 AI 助手分开记录或拦截。此前这两类自动访问只能作为同一类机器人流量处理，站点无法只拒绝为索引和模型训练收集内容的抓取，而保留响应用户操作或搜索查询的页面获取。规则集随新机器人加入而更新，并可在所有套餐上使用。

Spotify发布portal-ai-plugins插件集，把Portal CLI的认证配置、软件目录检索、服务简报、诊断和动作调用接入Claude Code、Codex、Cursor与pi等编码智能体环境。插件以自然语言查询目录与文档，并在调用Portal动作前提供帮助、试运行和确认保护；同一市场还附带仅支持Claude Code的shunt，把批量读文件等I/O密集任务转交给更便宜的AiKA工作模型。

Spotify发布portal-ai-plugins插件集，把Portal CLI的认证配置、软件目录检索、服务简报、诊断和动作调用接入Claude Code、Codex、Cursor与pi等编码智能体环境。插件以自然语言查询目录与文档，并在调用Portal动作前提供帮助、试运行和确认保护；同一市场还附带仅支持Claude Code的shunt，把批量读文件等I/O密集任务转交给更便宜的AiKA工作模型。