Browser Use 发布工程博客，介绍如何从真实用户流量和真实网页构建长程 RL 环境，并开源其中 200 个任务及其 rubric（github.com/browser-use/benchmark）。流程包括从数亿条任务提交中筛出约一千万条去重任务，用 Gemini 3 Flash 做适配性标注（与人工标签一致率 77%，密封集 81%），再用 MiniMax M3 执行筛选，约 40% 的合格任务被判定为可行且足够难。作者指出迭代式 rubric 不会收敛，改用 9 个模型各跑两次的并行轨迹，由 Claude Fable 5 编写 rubric，事实经实时网页核验并标注日期，最终将条目翻转率压到 1% 以下。
#教程/实践#Agent#数据/训练
Claude 在文本生成的采样阶段引入密钥控制的锦标赛采样，为输出留下可检测的水印，无需重新训练 LLM。检测需要 Anthropic 掌握的密钥和水印函数，可在不重新运行 LLM 的情况下对文本评分；随机修改足够多的词可能移除水印。作者推测，规避水印的二次改写流程可能让文本质量下降。
#教程/实践#Anthropic
Together AI 在全部 113 个 DeepSWE 任务上各跑 4 次、共 904 次 rollout，GLM-5.3 与 Claude Fable 5 的 pass@1 分别为 69.0% 和 69.7%，基本持平。GLM-5.3 每次 rollout 成本 3.99 美元，Fable 5 为 21.63 美元，相差 5.4 倍，且 GLM-5.3 在 pass@2（81.1% 对 77.1%）、pass@4（87.6% 对 84.1%）和覆盖率上领先。两者逐任务相关性 0.65，属于近似替代品，作者建议多数场景默认用 GLM-5.3，仅在 Rust 和序列化相关任务上升级到 Fable 5。
#评测/基准#编码#部署/工程
Together AI 在全部 113 个 DeepSWE 任务上各跑 4 次、共 904 次 rollout，对比 GLM-5.3（max）与 GPT-5.6 Sol（max）。单次尝试 Sol 以 72.7% 的 pass@1 领先 GLM-5.3 的 69.0%，但 GLM-5.3 每次 rollout 成本 3.99 美元、约为 Sol 8.37 美元的一半，并在 pass@2 追平、pass@4 以 87.6% 反超 85.8%。先跑 GLM-5.3、测试失败再升级到 Sol 的级联方案解决 85.9% 的任务，每任务 6.61 美元，高于 Sol 单跑的 72.7%，也低于一次 Sol rollout 的价格。
#评测/基准#编码#部署/工程
NVIDIA 发布教程，介绍如何后训练 4B 的 Cosmos 3 Edge 全能模型，使其在 NVIDIA Jetson Thor 上原生运行机器人操作策略。在 Jetson AGX Thor T5000 上，该策略约 1.53 秒生成一个动作块，单个动作块覆盖约 2.13 秒机器人运动，因此无需数据中心 GPU 即可连续实时控制。在 RoboLab 闭环评测的 120 项语言条件操作任务中，后训练后的 Edge 策略成功率为 22.9%，Nano 为 36.8%。训练数据为 nvidia/Cosmos3-DROID 数据集，含 76k 条成功遥操作轨迹、约 350 小时、86 项任务和 564 个场景；后训练与部署脚本已在开源 cosmos-framework 仓库提供，检查点发布在 Hugging Face。
#教程/实践#具身智能#端侧
Armin Ronacher 解释称，推理轨迹本质上是模型在最终回答前写入暂存区的文本，并通过特殊 token 和解析器与答案分流。他以 GPT-OSS、Responses API 和 DwarfStar 为例，分析推理强度如何由系统提示词塑造，以及禁用原生推理时模型为何可能把思考内容泄露到错误通道。
#教程/实践#推理#OpenAI
Hugging Face 发布教程，介绍 Sentence Transformers v6.0 新增的多向量（Late Interaction、ColBERT 风格）嵌入模型支持，通过 MultiVectorEncoder 加载 PyLate、Stanford-NLP ColBERT 与 ColPali 系列 checkpoint，并用 MaxSim 算子完成打分。文中给出编码、检索、重排、索引与评测的完整代码，并对比了索引开销：4,874 条 Natural Questions 段落产生 608,414 个 token 向量，约为 MiniLM 索引的 42 倍，压缩为 fast-plaid 索引后为 92 MB。同数据同骨干训练的 LateOn 与 DenseOn 在 13 个 NanoBEIR 数据集上平均相差约 1 个 NDCG 点，LateOn 在 9 个数据集上胜出。
#教程/实践#RAG#开源生态
Together AI 在 DeepSWE 全部 113 个任务上各跑 4 次对比 DeepSeek V4 Pro 0813 与 GPT-5.6 Sol：Sol 单次通过率 72.7% 领先 Pro 的 62.8%，但 Pro 每次 rollout 仅 0.24 美元，约为 Sol 8.37 美元的 35 分之一，pass@4 上 Pro 以 88.5% 反超 Sol 的 85.8%。先用 Pro、测试失败再升级到 Sol 的级联方案可解决 83.0% 的任务，单任务成本 3.35 美元，高于 Sol 单独使用的 72.7%，也高于理想单次路由的 80.8%。Sol 更快更简洁（中位 53 步、17 分钟、59k 输出 token），但失败时 20% 会破坏仓库原有测试套件，Pro 这一比例为 11%。
#评测/基准#编码#Agent
SGLang 团队发布技术博客，介绍其围绕统一 runner/backend 接口重构的 CUDA Graph 支持，其中由 SGLang 首创并开源的 Breakable CUDA Graph（BCG）现已成为 prefill 的默认策略。BCG 用 521 行代码实现与 torch.compile 分段方案（1,771 行）相同的分段执行，构建 prefill 图快 3.8–5.2 倍；在 gpt-oss-120b（TP4，4×GB300）上，BCG 比 eager 快 1.70 倍，完整捕获达 1.93 倍。博客还介绍了 prefill 的完整 CUDA Graph 捕获、显存复用机制，以及与 Meta PyTorch 团队合作拆出的独立库 meta-pytorch/breakable-cuda-graphs。
#教程/实践#部署/工程#开源生态
作者从零构建一个 AI 文本检测器，并将其作为验证器训练小语言模型生成规避检测的文本。项目通过微调 DistilBERT 分类器输出 0-100 分，涵盖评估、训练、本地部署、API 和 UI。文章同时说明检测结果仅反映训练分布下的估计概率，并可能出现误报及持续的攻防迭代。
#教程/实践#数据/训练#部署/工程
Anthropic 宣布未来 Claude 模型生成的文本将带有水印，用于判断 Claude 参与写作的可能性，以符合 EU AI Act。水印只在模型可自由选词的随机位置留下模式，不影响输出质量、速度与价格，也不包含用户信息；检测只能给出 Claude 参与的概率，短文本、事实性内容和代码中水印较稀疏。Anthropic 同时以私有预览形式开放检测 API，并对 .png、.jpg、.svg 等文件附加 C2PA 内容凭证。
#政策/监管#Anthropic#Google
蚂蚁百灵发布实践文章，介绍在 DGX Spark 上用本地后训练工具包 AReno 对 Ling-3.0-tiny 做 Agentic RL，以井字棋为最小验证任务跑通基线评测、Reward 定义、后训练与同环境复测四步闭环。实验使用 GSPO 训练 400 个 step，rollout/rewards_mean 从约 -0.5 升到 0.4 左右，response_len 降至约 850 tokens，复测中工具调用与落子选择更稳定。Ling-3.0-tiny 为 7.9B 总参数、1.3B 激活参数的混合推理模型，已开源 BF16、FP8 和 INT4 版本，AReno 提供 Docker 复现教程。
#教程/实践#Agent#开源生态
Strands Robots 将 LeRobotDataset 的录制、同步、流式训练和实体机器人部署整合到同一 Robot() 工作流，并让新演示数据返回同一 Storage Bucket。Xet 按字节去重，仅上传变化的数据块；stream_dataset() 可从 Hub 逐帧读取远程 Parquet 与 MP4 分片，无需完整下载。Bucket 仅支持流式读取且不保留修订记录，真实部署还需隔离数据与凭据、限制智能体权限并只加载可信组织的模型。
#教程/实践#Agent#具身智能
#开源/仓库#Agent#MCP/工具调用
OpenRouter 上线实时网页搜索基准页面，用 BrowseComp、DeepSearchQA、WideSearch 和 HLE 四套基准，在多个模型、引擎与搜索配置上按质量、性价比和速度排名。结论显示搜索预算的影响最大，从 1 轮提升到 25 轮大致让分数翻倍，成本增加 2.5 至 7 倍；模型差异平均 15 分，大于引擎差异的 10 分。用户可通过 web plugin、server tool、engine 和 max_tool_calls、max_results 等参数自行配置。
#评测/基准#搜索#Agent
Linear 介绍了 Linear Agent 的构建方法，通过系统提示词、工具设计、产品语义模型、运行范围和自研框架，在灵活性与可控性之间取舍。其系统技能按需加载提示词片段和工具，以控制上下文规模；自研框架则支持动态注入工具、按情境审批工具调用和异步执行子智能体。
#教程/实践#Agent#MCP/工具调用
比利时开发者 Alex Wauters 制作的浏览器游戏让玩家在 60 秒内审批模拟的 Claude Code 权限请求，超过 4 万次运行、40.9 万条命令的数据显示，平均约三分之一的恶意命令被放行。最常被漏掉的是范围越权类请求，占比 35%，例如读取 Kubernetes 配置文件或 AWS 凭据；被漏掉最多的单条命令是 npm run analyze，近 65% 的玩家批准了它。Wauters 认为反复审批会带来疲劳，建议把编码智能体放进沙箱和云端 devcontainer，并配合 auto mode 与钩子来拦截风险动作。
#安全/对齐#Agent#编码
Together AI 在全部 113 个 DeepSWE 任务上对比 DeepSeek-V4 Flash 0731 与 GPT-5.6 Luna，每个任务四次试验。Luna 的 pass@1 为 67.2%，高于 DeepSeek 的 53.3%，但单次成本约 0.61 美元，是 DeepSeek 约 0.10 美元的六倍。先用 DeepSeek 再在测试失败时升级到 Luna 的级联方案解决 78.9% 的任务，每任务成本 0.385 美元，准确率高于 Luna 单用且成本更低。
#评测/基准#编码#Agent
NVIDIA 技术博客介绍世界动作模型（WAM），即用视频世界模型替代视觉语言模型骨干，为机器人策略提供预测场景演变的物理先验。文章称 WAM 能从多样交互数据中学习、泛化到未见环境，并以更少演示适配新机器人本体。其开源基础模型 Cosmos 3 基于 Mixture-of-Transformers 架构，训练数据含约 7.67 亿张图像、3.48 亿段真实动态视频和 800 万条动作样本，提供 4B Edge、16B Nano 和 64B Super 三种规模；其中 Cosmos3-Nano-Policy-DROID 与 Cosmos3-Edge-Policy-DROID 分别可在 RTX PRO 6000 工作站和 Jetson Thor 上以 15 Hz 控制频率部署。
#论文/研究#具身智能#多模态
#产品更新#Agent#编码