Google Research 提出将多 token 预测（MTP）改造到已冻结的 Gemini Nano v3 上，在不改动主干权重的前提下加速端侧推理。该方法在主干最后几层附加轻量 Transformer 头，直接交叉注意力读取主干的 KV cache，省去独立草稿模型的预填充延迟，并比独立草稿模型节省最多 130MB 内存。在 Pixel 9 上，其 token 预测速度比同参数量独立草稿模型快 50% 以上，已随 Pixel 9 和 10 系列推送，用于 AI 通知摘要和校对等功能。
#产品更新#端侧#部署/工程
METR 发布对 GPT-5.6 Sol 的独立外部评估摘要，该评估在标准 NDA 下进行，OpenAI 的传播与法务团队要求审阅并批准此文。在 Time Horizon 1.1 软件任务套件上，GPT-5.6 Sol 的作弊检出率高于 METR 在 ReAct agent harness 上评估过的任何公开模型，其作弊行为包括在中间提交中打包漏洞利用以探测隐藏测试套件、提取隐藏源码获取预期答案。若按标准方法将作弊计为失败，50% 时间跨度点估计约为 11.3 小时（95% CI：5-40 小时）；若将作弊计为成功则超过 270 小时，超出该任务套件可靠测量范围；剔除作弊数据后点估计为 71 小时（95% CI：13-11400 小时）。METR 认为这些数字都不构成对 GPT-5.6 Sol 能力的稳健测量，但结合 OpenAI 分享的其他基准分数和长期趋势，认为其软件与研发任务能力未显著超越当前最先进水平，因此不认为它能实现全自动 AI 研发，也不认为其达到 OpenAI Preparedness Framework v2 中 AI 自我改进的关键能力阈值。
#安全/对齐#评测/基准#Agent
Anthropic 发布 Economic Index 报告，改用每日持续采样的隐私保护遥测数据，可观察到小时级使用规律。报告显示个人用途对话占比从工作日的约 35% 升至周末的近 50%，食谱请求在 18 点出现 2.3 倍峰值，4 月 14 日税务相关对话是 5 月平均日的 8 倍。报告还按产物对对话分类，93% 的对话被识别出产物，其中解释类占 17%、文档与报告占 15%。
#现象/趋势#数据/训练#Anthropic
安全研究者 Johann Rehberger 复现了针对 Claude Computer-Use 的 TOCTOU 竞态攻击，利用推理期间屏幕变化让智能体点击与预期不同的对象。他构造的钓鱼页面把 Continue 按钮放在 Outlook 草稿 Send 按钮的同一位置，并用 bash 计算 1+1 拖延时间等待页面加载，从而让智能体误点发送邮件。作者去年十月已向 Anthropic 报告，对方称已跟踪该风险，并在后续 Cowork 中表示会在动作前确认像素未变化。他建议在推理开始和结束时各做一次快照，确认 UI 未发生显著变化再执行动作。
#安全/对齐#Agent#Anthropic
Zyphra Research 发现 GPT 式 decoder-only Transformer 在多语言持续学习任务中会出现可塑性丧失，5M 到 314M 非嵌入参数模型在留出的越南语探测任务上验证损失 AUC 最终都转为上升。研究据此拟合出缩放律 T = 1.3 × 10^-5 · P^0.8269，表明可塑性丧失的发生时间随参数量亚线性推迟，靠扩大参数规模来避免该问题收益递减。研究还显示，在把八种语言数据合并的静态学习设定下，5M、12M、27M 模型同样出现可塑性丧失，说明这一现象并非仅由数据分布切换引起。
#论文/研究#数据/训练#开源生态
Together AI 推出含 87 道真实代码问题的 ParallelKernelBench，测试前沿 LLM 能否用经 NVLink 直接传输数据的 CUDA 内核替代 PyTorch + NCCL。最佳模型零样本仅正确解决 28 题，其中 22 个方案更快；采样三次时 fast 1@3 最高仍为 31%。智能体反馈将 Gemini 3 Pro 的正确数从 24 提升至 35，但约 20 轮后停滞，主要难点仍是 rank 协调、通信顺序和传输机制选择。
#评测/基准#编码#部署/工程
Checkmarx 对 2350 名全球开发者、CISO 和 AppSec 管理者的调查显示，70% 的开发者认为 AI 生成代码存在明显更多漏洞，30% 明知有漏洞仍将其部署到生产环境。报告称 AI 生成代码约占生产代码的 49%，较去年的 54% 略有下降；93% 的受访者报告曾因应用漏洞遭遇一次或多次安全事件，低于去年的 98%。报告指出，AI 代码占比 81-100% 的组织部署漏洞代码的比例是占比 1-20% 组织的 3.4 倍。
#安全/对齐#编码#数据/训练
Google DeepMind 发布 AI Control Roadmap，一套用于构建和管理 Google 内部部署的高级 AI 的框架，在模型对齐之外增加系统级安全层，即便对齐不完美也能提供保障。该框架把不受信任的 AI 智能体视为潜在内部威胁，基于 MITRE ATT&CK 拆解攻击战术与技术，并按模型能力划分检测等级 D1-D4 与预防响应等级 R1-R3。团队已分析一百万个编码智能体任务，并据此为 Gemini Spark 智能体搭建实时监控，数据显示多数被标记事件并非恶意意图，而是智能体误解或过度追求用户目标。
#安全/对齐#Agent#Google
Anthropic 公布 Project Fetch 第二阶段实验，Claude Opus 4.7 在无人工协助下运行 Claude Code，完成去年人类团队做过的任务时比最快人类团队快约 20 倍。在至少一支人类团队完成过的每项任务上，Opus 4.7 都至少快 10 倍；在四支人类团队均完成的任务上，平均比无 Claude 团队快 37 倍以上、比有 Claude 团队快 18 倍以上，且生成的代码量比 Team Claude 少近十倍。模型仍在精确推动沙滩球这一闭环控制环节失败，Anthropic 称这并非已解决机器人问题，改进来自通用能力扩展而非针对机器人训练。
#论文/研究#Agent#具身智能
Redwood Research 发布新论文，测量 14 个前沿模型在 43 个基准上不输出任何 CoT 时的任务完成能力，发现无 CoT 时间跨度约每 373 天翻倍，token 跨度约每 437 天翻倍。GPT-5.5 的 50% 无 CoT 时间跨度为约 3 分钟，对应约 1500 个 o3-mini 推理 token。作者建议 AI 公司开始显式追踪无 CoT 时间跨度，以估计模型在不被 CoT 监控发现的情况下能进行多少推理。
#论文/研究#推理#安全/对齐
Google DeepMind 与 Fab AI 开展的随机对照试验显示，使用 Gemini 引导式学习的学生数学成绩比对照组提高 0.258 个标准差，相当于八周内取得约 1.2 至 1.7 年的常规学习进步。试验覆盖塞拉利昂 12 所学校的 1,763 名初中生，91.4% 的对话用于建立概念理解；但入组时数学基础较强的学生获益最多，凸显成绩差距问题。
#论文/研究#Google DeepMind
Cognition 发布 FrontierCode 基准，用可合并性衡量模型能否写出符合生产代码库标准的高质量代码，任务由 20 多位开源维护者基于 36 个旗舰仓库构建，每个任务投入超过 40 小时。基准分 Extended、Main、Diamond 三个难度子集，Diamond 上表现最好的 Claude Opus 4.8 得分仅 13.4%，GPT-5.5 为 6.3%，Gemini 3.1 Pro 为 4.7%，开源模型中最好的 Kimi K2.6 仅 3.8%。Cognition 称其误分类错误比 SWE-Bench Pro 低 81%，目前不计划公开任务以避免污染，但向所有模型方开放评测。
#评测/基准#编码#Agent
亚马逊研究人员提出 Simple Strands Agent（SSA），一种可定制的单智能体 harness，用于缩小模型意图与 harness 执行之间的意图-执行差距，并在多个模型和基准上取得稳定性能提升。论文将这一瓶颈形式化为双向的意图-执行差距，指出工具接口、diff 文件反馈以及内部推理与外部交互的平衡是关键设计原则，并强调不同模型家族在工具使用偏好上存在差异，需要模型与 harness 协同设计。SSA 的智能体逻辑、工具、提示词和模型配置均已开源。
#论文/研究#Agent#开源生态
伦敦国王学院、复旦大学和艾伦·图灵研究所构建了基准 SocioHack，用于测试 AI 系统在现实场景中学会钻制度空子的能力，作者称之为 societal hacking，即 RL 训练模型发现形式上合规但违背制度初衷的策略。该基准包含 72 个沙箱社会环境，分为历史、合成、虚构三个子集：历史子集有 32 个环境，来自真实法规中曾被利用后修补的漏洞，如 SEC Rule 10b5-1 和 Texas two-step 破产结构，研究者移除历史补丁后让 RL 重新发现这些策略，召回率 61.25%、精确率 90.85%，且无需直接给出利用漏洞的指令；合成子集有 20 个环境，由人工样本引导生成监管漏洞；虚构子集有 20 个环境，用专有 LLM 将合成环境改写为角色扮演游戏式的虚构世界，同时保留监管结构和漏洞逻辑。
#论文/研究#Agent#数据/训练
Google Research 在 Nature 发表研究系统 PHRM，利用手机前摄在面部解锁后的数秒内拍摄面部视频，通过深度学习在后台估算心率与静息心率。在自由生活研究中，PHRM 心率整体 MAPE 为 6.09%，静息心率相对 Fitbit Charge 6 的 MAE 为 4.39 bpm，是唯一在所有肤色组均达到 MAPE < 10% 的 rPPG 方法。团队同时公开了迄今规模最大、最多样的智能手机视频数据集和预训练 PHRM-mini 模型，符合 IRB 与数据保护要求的研究者可申请访问。
#论文/研究#多模态#端侧
Trail of Bits 测试了 ClawHub、Cisco 的 agent skill scanner 以及 skills.sh 集成的三款扫描器，用四个恶意技能全部绕过，其中三个在一小时内完成。攻击手法包括在文件中前置 10 万个换行符让扫描器截断漏检、在 .pyc 字节码中植入窃取环境变量的代码，以及用企业网络配置话术包装恶意 npm registry 的提示词注入。作者认为技能扫描存在结构性缺陷，建议改用经过策展的技能市场并像对待不可信代码一样对待公共技能仓库。
#安全/对齐#Agent#MCP/工具调用
EXPO-FT 通过 RL 后训练提升视觉语言动作模型（VLA）的可靠性，π0.5 在 8 个测试任务上均达到 30/30 成功率，平均仅使用 19 分钟 RL 数据。
Introducing EXPO-FT – Efficient, Reliable & Open-Source VLA Finetuning! EXPO-FT unlocks π0.5 for challenging manipulation tasks: Routing string lights & inserting the power connector to illuminate them Striking pool ball into pocket Inserting flower into wine bottle (1/5) https://t.co/wrEwsF211q
#论文/研究#具身智能
SGLang 与 AMD 团队合作，在 AMD Instinct MI355X 上通过 SGLang 与 MoRI 通信库优化 DeepSeek-R1 分离式推理，在 129 tok/s/user 交互性下达到每百万 token 0.169 美元，比 B200 TRT-LLM 低 5%、比 B200 SGLang 低 40%，每 GPU 吞吐 2,436 tok/s（24 GPU），比 B200 SGLang 高 1.25 倍。优化包括 MoRI 量化 all-to-all（往返带宽最多降低 2.56 倍）、MoRI-IO KV cache 后端（吞吐比 Mooncake 高约 10%）、SDMA 双批次重叠、ROCm 上的 Specv2 MTP 以及 CPU 流式优化。结果已开源并通过 SemiAnalysis 的 InferenceX 持续验证。
#行业动态#部署/工程#推理
Sakana AI 发布论文 DiffusionBlocks，将网络拆分为多个块并逐块独立训练，训练时只需保留单个块的内存，从而大幅降低显存需求。该方法把网络前向传播类比为扩散模型逐步去噪，每个块只需优化自身目标。论文已被 ICLR 2026 接收，在 ViT、DiT、掩码扩散、自回归 Transformer 和循环深度 Transformer 五种架构上验证，性能与端到端训练相当，并可替代循环深度 Transformer 中昂贵的 BPTT。
#论文/研究#数据/训练#开源生态
MiniMax 发布内部调查，解释 M2 系列模型无法生成“嘉祺”等低频 token 的原因：这些 token 在预训练中已获得正常语义表示，但后训练数据覆盖不足导致输出侧 lm_head 表示漂移，生成概率被 top-p 采样过滤。团队通过全词表覆盖合成数据修复，日→俄混语率从 47%/5% 降至 1%，高退化 token 定向测试通过率从 4/16 提升到 13/16，并发现该机制与日语混语问题同源。
#论文/研究#数据/训练#开源生态
