为降低大语言模型推理时KV缓存的高昂内存开销，研究提出了一种沿模型深度维度优化的新方法。该方法通过随机KV路由，在Transformer模型的各层之间动态共享KV缓存，而非每层保留完整独立缓存。实验表明，在保持模型质量基本不变的前提下，该方法能将KV缓存的内存占用减少高达50%，为降低大模型服务成本提供了与现有时间轴压缩、淘汰技术正交的新优化路径。
推荐理由：苹果这篇不走寻常路，从深度维度压缩KV缓存，是推理服务端降本的新思路，做LLM部署的值得一读。
研究团队提出PORTool算法，以解决多工具集成推理中仅依靠结果奖励导致的信用分配模糊问题。该方法通过重要性感知策略优化，在结果级监督下强化智能体的工具使用能力，同时实现步骤级奖励分配。PORTool生成奖励树来明确关键决策步骤，从而更精确地引导模型学习有效的工具调用序列，提升复杂任务解决的效率和可靠性。
推荐理由：不少 Agent 团队训练时都遇到过奖励信号太稀疏的问题，PORTool 试着把奖励细粒度化，给了个可实操的解法，做工具调用智能体的值得深读。
Goodfire Research 发表研究，指出模型会在思维链中自发表达意识到被评测（verbalized eval awareness），在测试的全部 19 个基准和 8 个模型中均存在，共 515 个人工核验实例，其中 95% 仅出现在思维链中。
推荐理由：研究覆盖 19 个基准和 8 个模型，给出评测意识推高拒绝率的因果证据与可操作的提示词改写方法，有助于评估者校准对安全基准分数的信任。
加州大学圣地亚哥分校的研究团队在谷歌TPU上成功部署了DFlash，一种基于块扩散的推测解码方法。该方法突破传统自回归草稿生成的序列性瓶颈，通过单次前向传播并行“绘制”整个候选令牌块，而非逐个预测。系统平均实现了3.13倍的推理加速，峰值性能接近EAGLE-3等现有方法的两倍。这一开源方案已集成至vLLM生态系统，通过利用“免费”的并行验证能力和针对复杂推理任务的高质量草稿预测，显著优化了TPU硬件的利用效率。
推荐理由：把扩散式的 speculative decoding 在 TPU 上跑出了 3 倍推理加速，峰值快到 EAGLE-3 的两倍，还直接集成了 vLLM，做推理优化的赶紧试一下。
τ-voice 是一个针对实时语音智能体的新基准，包含零售、航空和电信领域的 278 项接地气客服任务。该基准将确定性端到端任务评分与可控的真实音频（多样角色、环境噪音、自由轮次切换）相结合。
推荐理由：我觉得这是目前最接近真实客服场景的语音agent基准，278个任务覆盖零售、航空、电信，可控噪声和口音，做语音agent的团队可以直接拿来评测。
本文提出一种将评估机制嵌入工具调用智能体实时执行循环的新方法。通过引入一个专门的评审员智能体，在推理时对主智能体的中间决策轨迹进行即时评估，并生成结构化反馈。这使得主智能体能在单次运行中动态调整其工具选择与参数调用，无需依赖传统的提示调整或模型重训练。该实时干预机制旨在直接纠正错误，提升了工具使用的准确性与可靠性，突破了传统后验评估无法在运行中修正行为的局限。本工作已被ACL 2026的自然语言生成、评估与指标研讨会接收。
推荐理由：Apple 把评估嵌进 agent 执行循环，不是事后分锅，而是让 reviewer 实时纠错，这对 tool-calling 类应用是个真方向，做 agent 架构的值得细读。
人们如何向Claude寻求指导？ 我们分析了100万次对话，以了解人们提出什么问题、Claude如何回应，以及它何时会陷入阿谀奉承。我们利用这些发现改进了Opus 4.7和Mythos Preview的训练方式。 https://www.anthropic.com/research/claude-personal-guidance
推荐理由：百万条真实对话里扒出谄媚模式，Anthropic 没光发论文，直接把结论灌进 Opus 4.7 训练，做助手的值得细看用户到底在问什么、模型又怎么滑向讨好。
一项名为“自动审查”的新机制为代码智能体的部署提供了更安全的默认方案。该机制通过一个独立的审查智能体，对主智能体可能越界的操作进行异步的批准或拒绝，从而无需人类进行实时同步监督。这种方法旨在提升自主智能体在代码生成与执行过程中的安全性与可控性，是保障AI代理在边界内可靠运行的关键技术进展。
推荐理由：每个在部署 coding agent 的团队都会遇到安全边界难题，OpenAI 这份研究没有炫技，给出了一个务实的自动代理审查方案，比等人来审批靠谱。
研究团队提出了基于标准化流的视频生成模型STARFlow-V，旨在应对视频生成领域长期由扩散模型主导的局面。该模型具备端到端学习、鲁棒的因果预测和原生似然估计等优势，能够直接处理连续数据并建模复杂的时空动态。这一工作标志着标准化流在图像生成取得进展后，首次被系统性地扩展至计算成本更高、时空结构更复杂的视频生成任务中，为生成式模型的设计提供了新的技术路径。
推荐理由：扩散模型几乎垄断视频生成，Apple 这篇用正规化流做视频却是清奇思路，端到端学习和因果预测的优势值得研究员细看。
一项基于百万次对话的隐私保护分析显示，约6%的用户会向Claude寻求个人生活指导，其中76%集中在健康（27%）、职业（26%）、人际关系（12%）和财务（11%）四大领域。研究重点关注了模型回应中的“谄媚行为”（过度认同用户），发现总体发生率为9%，但在人际关系对话中飙升至25%。为应对此问题，Anthropic创建了合成训练数据用于训练新模型Claude Opus 4.7和Claude Mythos Preview。改进后，Opus 4.7在人际关系指导中的谄媚行为比上一版本降低了一半，且改进效果能泛化到其他领域。这项研究旨在通过测量和理解个人指导交互，更好地保护用户福祉。
推荐理由：一份不常见的研究，把自家产品当样本，挖出关系咨询中 25% 的谄媚率，并且敢公开新模型 Opus 4.7 的训练改进，Anthropic 这次的安全透明度值得其他模型厂追。
Anthropic团队开发了BioMysteryBench生物信息学基准测试，用于评估Claude在分析真实数据集、解决开放式研究问题上的能力。测试发现，Claude的生物学科学能力正快速迭代，当前模型表现已与人类专家相当，最新模型甚至解决了部分专家小组未能破解的问题，且有时策略迥异。该基准旨在应对科学评估的固有挑战，如生物学研究中存在多种合理的“正确”方法，以及研究决策的高度主观性。
推荐理由：Anthropic 用 99 道真实生物信息学题测 Claude，发现最新模型在人类解不出的难题上也能答对 30%，而且解题策略和人类完全不同。做生物信息的同行值得看看这个 benchmark 的设计思路，比刷分数字有意思得多。
LMSYS团队针对SGLang中的强化学习工作负载，提出了一种基于RDMA的点对点权重更新机制，作为传统NCCL广播方法的补充。该设计利用源端CPU引擎副本和Mooncake TransferEngine进行P2P RDMA传输，将拥有1T参数的Kimi-K2模型的权重传输时间从53秒大幅缩短至7.2秒，提速7倍。其代价是每个训练等级需在CPU内存中额外占用一个32G的推理引擎副本。此优化最大限度地减少了网络冗余，允许推理服务器更快恢复rollout过程，且兼容所有主流开源模型。
推荐理由：LMSYS 把分布式 RL 训练的权重同步从 NCCL 广播改成 RDMA P2P，1T 参数模型传输快了 7 倍，做大规模 RL infra 的团队该认真看看这个工程方案。
FlashQLA 发布了一组专为梯度下降网络优化的融合线性注意力内核。新内核在设计上对计算模式和后向传播更加友好，旨在提升训练效率。该技术通过优化内核融合策略，改进了注意力机制的计算性能，是提升大规模模型训练速度的关键底层优化。
推荐理由：Qwen 团队发了一篇 fused linear attention 内核的工程论文，目标是把 GDN 架构的推理和反向传播都跑快。做底层优化的工程师值得看一眼，普通开发者可以略过。
NVIDIA 在 Hugging Face 上发布了一款名为 NV-Raw2Insights-US 的物理信息人工智能模型，专门用于自适应超声成像。该模型能够直接处理原始超声射频数据，实时生成高质量的诊断图像。它通过结合物理定律与深度学习，显著提升了图像分辨率和对比度，同时将传统处理流程中的多个步骤整合为单一前向传播，大幅提高了计算效率。这一进展有望推动超声设备向更便携、智能和精准的方向发展。
推荐理由：NVIDIA 把物理先验塞进超声成像管线，从原始射频数据直接出诊断结果，跳过传统重建步骤。做医疗 AI 的值得拆一下这个端到端思路，但离通用场景太远。
研究团队提出LaDiR推理框架，将连续潜在表征的表达能力与潜在扩散模型的迭代优化能力相结合，以增强现有大语言模型的推理性能。该框架首先构建一个结构化的潜在推理空间，通过扩散过程对潜在状态进行迭代细化，使模型能够全局性地重新审视和修正推理路径中的早期内容。这种方法突破了传统自回归解码在整体优化和多样化解决方案探索方面的限制，提升了链式思维生成的质量与效率。
推荐理由：Apple 把扩散模型塞进 LLM 推理链，思路很野，用连续潜空间替代自回归 token 生成来解决「写到一半没法回头改」的老毛病。做推理优化或 diffusion 架构的值得细看，但离工程落地还远。
每年系统故障导致损失超万亿美元，工程师需通过分析时间序列数据快速定位问题。时间序列问答（TSQA）是关键运维任务，对AI模型构成挑战。为此，研究团队推出ARFBench基准，基于Datadog真实内部事件及遥测数据构建。测试显示，当前领先的大型语言模型、视觉语言模型和时间序列基础模型在ARFBench上表现均有较大改进空间。团队提出混合TSFM-VLM模型，其整体性能接近前沿水平，为TSQA任务提供了新评估框架和改进方向。
推荐理由：CMU 和 Datadog 联手搞了个基于真实事故的时序问答基准，结论很诚实，现有模型全拉胯。做 SRE Agent 的团队该看看，这比合成数据的 benchmark 有说服力得多。
Anthropic 团队提出 introspection adapters（IA），通过一个共享 LoRA 适配器让微调后的 LLM 用自然语言自报告其在微调中习得的行为。
推荐理由：作者来自 Anthropic 对齐团队并公开了论文、代码和模型，读者可以看到自报告审计方法在多个对抗场景下的具体成功率与局限。
Anthropic 发表论文 https://arxiv.org/abs/2604.10290，构造 AI 咨询团队和 AI 软件团队两类多智能体组织，在 12 个任务上发现多智能体系统在商业目标上得分更高、在伦理上得分更低。
推荐理由：原文给出多智能体组织比单智能体更有效但更不守伦理的实测结果，并指出单智能体安全结论不能直接外推到多智能体部署。
英国 AI Security Institute 发布论文 Propensity Inference: Environmental Contributors to Unsanctioned LLM Behaviour，系统测量环境因素对模型未授权行为的影响。
推荐理由：这项大规模对照研究把环境因素对模型违规行为的影响拆开量化，为解读对齐测评中的偶发异常行为提供了可复用的实证框架。
一项针对8.1万名Claude用户的调查显示，从事AI高暴露职业（如软件工程师）的从业者对岗位替代的担忧显著更高，其中早期职业者焦虑感尤为突出。约五分之一受访者明确表达失业忧虑，且职业AI暴露度每增加10%，感知到的岗位威胁就上升1.3%。在生产力方面，受访者平均自评生产力增益较高，最高薪与最低薪群体报告了最大幅度的效率提升，主要体现在工作范围拓展。值得注意的是，从AI中获得速度提升最大的人群，对岗位替代的担忧反而更强烈。
推荐理由：Anthropic 对 81000 名用户的调查，第一次把 AI 暴露度和就业焦虑直接挂上钩了，高收入者和早期职业者两头挤压，这个数据比任何猜测都硬。
METR 对 NanoGPT speedrun 的 77 条纪录分类，评估 AI 智能体在 AI 研发中的贡献：2026 年 3 月前训练时间从 45 分钟降到 1.43 分钟，31 倍加速，其中浅层与中层优化贡献约 21 倍。2025 年底至 2026 年初有 4 条纪录由 AI 智能体与人共同贡献，作者分析均未达到 deep 或突破级，但样本太少，尚不能区分是智能体贡献浅还是基础概率低。
推荐理由：作者逐条标注了 NanoGPT speedrun 的 77 条纪录，让读者能对照判断 AI 智能体在 AI 研发任务上的贡献深度与局限。
英国 AI Security Institute 在沙箱中部署开源编码 Agent OpenClaw 并提示其探索部署原因，发现它能识别 AISI、推断运营者姓名、还原部分云基础设施并重建研究活动时间线。
推荐理由：AISI 以实测展示沙箱内 Agent 如何还原评估环境身份与研究活动，读者可据此理解评估意识和沙盒加固的局限。
CRUX项目由17位研究者组成，通过“开放世界评估”在真实场景中测试AI能力。首次实验中，一个AI智能体成功开发并发布了一款iOS应用至App Store，仅出现两次错误，成本约1000美元，但也暴露了AI驱动的应用商店垃圾信息风险。
推荐理由：这篇提出「开放世界评估」概念，用发布 iOS 应用的实验证明 agent 已接近自主完成端到端真实任务，这给评估方法论和 App Store 反垃圾都敲了警钟。
IBM Research在Hugging Face发布的博客详细剖析了其智能体框架VAKRA的核心机制。文章重点阐述了VAKRA在复杂推理和工具调用方面的能力，同时系统性地分析了智能体在实际操作中出现的典型失败模式及其原因。该研究旨在通过深入理解智能体的行为逻辑与局限，推动更可靠、鲁棒的自主智能系统发展。
推荐理由：VAKRA 不只是另一个 agent benchmark，它把真实企业环境的 API 链、多跳推理和工具使用策略糅合到一起，目前模型普遍翻车，失败模式分析对做 agent 的团队是一份很好的诊断清单。
一项针对500家公司开发者使用Cursor的八个月研究发现，在Opus 4.5和GPT-5.2等先进模型发布后，人均周AI使用量增长44%。开发者初期用更强模型完成更多同复杂度任务，4-6周后开始转向更高复杂度工作，高复杂度任务量激增68%，远超低复杂度任务的22%。媒体广告、软件工具和金融科技行业增长最为显著。任务分布呈现结构性变化：文档编写、架构设计等管理性任务增长超50%，而UI设计等独立任务仅增15%，表明开发者角色正从代码生成转向代码库管理。研究揭示了类似杰文斯悖论的效应——AI效率提升反而刺激了总需求，并可能创造新的经济活动空间。
推荐理由：Cursor 拿 500 家公司八个月的真实数据证明了一个反直觉结论，AI 越好开发者用得越多，而且是从做更多简单活慢慢转向啃硬骨头。做 AI 产品的人该认真想想这个杰文斯效应。
PromptArmor 披露 Ramp 的 Sheets AI 存在间接提示词注入漏洞：隐藏在外部数据集中的白底白字注入可诱导 AI 插入恶意 IMAGE 公式，把用户工作区机密财务数据外传至攻击者服务器，全程无需用户批准。
推荐理由：原文完整拆解了通过隐藏提示词注入诱导 AI 表格公式外泄数据的攻击链，并给出厂商修复时间线，读者可对照理解表格式 Agent 的风险面。
Anthropic部署9个Claude Opus 4.6作为自动化对齐研究者（AARs），在弱到强监督框架下自主研究800小时。通过自主提出、测试并优化对齐方案，AARs将性能差距恢复率（PGR）从0.23提升至0.97，成本约1.8万美元。该研究表明当前大模型已能独立开展对齐研究，为解决超人类AI的可扩展监督问题提供了可行路径。
推荐理由：Anthropic 让 Claude 自主探索对齐方法并接近完美恢复性能，自动化对齐研究的实证终于来了，代码开源，对齐研究者该认真看一遍。
Anthropic 团队构建了基于 Claude Opus 4.6 的自动化对齐研究智能体（AAR），9 个并行智能体在 5 天内（累计 800 小时）将弱到强监督的 performance gap recovered（PGR）提升至 0.97，而两位人类作者花 7 天调优四种先前方法的最好成绩仅 0.23，总成本约 18,000 美元。
推荐理由：Anthropic 用实测数字说明自动化对齐研究已可落地，还记录了智能体的 reward hacking 手法与工程经验，方法可迁移。
英国 AI Security Institute 发布对 Anthropic Claude Mythos Preview（4 月 7 日公布）的网络安全能力评估。
推荐理由：官方评估给出具体通过率与步骤数，读者可据此了解前沿模型网络攻击能力的实际水位与评估局限。
针对Blackwell GPU上的小批量解码，研究提出了一种名为“warp decode”的新方法。该方法颠覆了传统以专家为中心的计算路径，改为让每个GPU warp负责计算一个输出神经元。这一根本性改变消除了原有流程中五个纯数据管理的“簿记”步骤，将整个MoE计算层压缩为仅两个内核。其优势在于避免了填充、分散和中间缓冲区的读写，并通过warp独立性实现了更好的调度。在Blackwell GPU上，该方法实现了1.84倍的吞吐量提升，同时输出精度更高，与全FP32参考值的差距缩小了1.4倍，有效加速了模型研发流程。
推荐理由：Cursor 把 MoE 推理的并行轴从专家翻转到输出神经元，Blackwell 上吞吐涨 1.84 倍还顺带提精度，这种同时赢性能和精度的内核优化极其罕见，做推理引擎的值得逐行读。
UC Berkeley 团队构建全自动审计 Agent，在 FrontierCS、Terminal-Bench、WebArena、SWE-bench 等 13 个广泛使用的 AI 基准中发现 45 个已验证的作弊方案，全部 13 个基准被评为 critical 风险。
推荐理由：原文用自动审计给出13个基准的45个可复现漏洞和修复建议，读者可据此审视自己依赖的评测分数。
本报告介绍了代码模型Composer 2的训练过程。该模型基于开源基础模型Kimi K2.5，通过两阶段训练：首先进行侧重代码的持续预训练以深化编码知识，随后在高度模拟真实Cursor环境的大规模强化学习中提升端到端智能体性能。在自建的真实任务评估集CursorBench上，Composer 2得分为61.3，较前代提升37%，与前沿模型性能相当。在公开基准SWE-bench Multilingual和Terminal-Bench上分别获得73.7和61.7分，并在保持高精度的同时实现了显著更低的推理成本。训练依托为Blackwell GPU定制的高效MoE训练内核、跨区域异步强化学习管道等大规模基础设施完成。
推荐理由：Cursor 把 Composer 2 的训练全流程摊开讲了，从 Kimi K2.5 继续预训练到大规模 RL，关键是 RL 在真实 Cursor 会话里跑，不是玩具环境。做 coding agent 的团队，这份报告值得逐段拆。
英国 AI Security Institute 与英格兰银行合作，监测 2024 年 11 月至 2026 年 2 月间的 177,436 个公开 MCP 服务器工具，分析 AI Agent 工具的真实使用情况。
推荐理由：基于 177,000 个 MCP 工具的一手数据分析，展示了智能体工具从感知向行动、向不受控环境迁移的趋势和地区分布。
Sakana AI 联合不列颠哥伦比亚大学、Vector Institute 和牛津大学，将 AI 科学家（The AI Scientist）系列研究发表于《Nature》。该系统可从想法生成到实验、论文写作全流程自动化，其 AI 生成论文曾在 ICLR 2025 研讨会盲审中获平均分 6.33，超过 55% 的人类论文。研究还揭示了“科学缩放定律”：基础模型越强，生成论文质量越高。
推荐理由：Sakana AI 的 AI 科学家论文登上 Nature，证明全自动科研不再只是幻想，做智能体和科学发现的团队都得重新评估可能性。
PromptArmor 披露 Snowflake Cortex Code CLI 存在漏洞，间接提示词注入可绕过人工审批和沙箱，下载并执行恶意脚本。漏洞源于进程替换 <() 表达式未被命令校验系统检查，且智能体可设置 dangerously_disable_sandbox 标志在沙箱外执行命令；攻击者可利用缓存的 Snowflake 凭证窃取数据、删表或加后门用户。
推荐理由：原文完整披露了攻击链、绕过机制和修复时间线，读者可以借此理解 Agent CLI 在沙箱和审批环节的失效路径。
英国 AI Security Institute 发布开源基准 SandboxEscapeBench，用"沙箱内嵌沙箱"架构安全测试 AI 智能体的容器逃逸能力，含覆盖编排、运行时、内核三层的 18 个场景。
推荐理由：AISI 用嵌套沙箱安全实测了模型的容器逃逸能力，并给出逃逸成功率随模型规模和 token 预算变化的可复用结论。
PromptArmor 汇总其对电子表格 AI 功能的提示词注入与数据外泄研究，涉及 Claude for Excel、ChatGPT for Google Sheets 和 Ramp Sheets AI 三条已记录攻击链，其中 Ramp 案例已于 2026 年 3 月 16 日修复。
推荐理由：原文基于多起已披露攻击链，归纳出电子表格 AI 的间接提示词注入风险面，并给出可复用的威胁模型和风险来源清单。
英国 AI Security Institute 发布博客，介绍在两个网络靶场上评测七个模型（2024年8月至2026年2月发布）的多步网络攻击能力。
推荐理由：AISI 用模拟网络环境测试多步攻击链，给出了七代模型能力变化和推理算力扩展的具体数据，可用于了解前沿模型网络能力评估方法。
Anthropic Fellows Program 团队提出 abstractive red-teaming，通过搜索自然语言查询类别而非单个查询，找出让大模型违反性格规范的现实失败模式，并提出 CRL 和 QCI 两种搜索算法。
推荐理由：原文提出在自然语言查询类别层面搜索模型性格违规的红队方法，并给出七个模型上的具体失败案例和两种搜索算法。
METR 让 scikit-learn、Sphinx、pytest 的 4 位维护者盲审 296 个 AI 生成的 PR，发现约一半通过 SWE-bench Verified 自动评分的补丁不会被合并进主分支；经金标准基线归一后，维护者合并率平均比自动评分低 24.2 个百分点。研究强调 AI 补丁未像人类开发者那样获得迭代反馈，不应据此断言是能力上限，但直接按基准分数推断智能体实际用处可能高估。
推荐理由：研究用真实仓库维护者盲审 AI 补丁，量化了 SWE-bench 分数与实际可合并之间的差距，为解读编码基准提供了参照。