Augment Code 在 OpenClaw 的 40 个 PR 上测试了在 AGENTS.md 中加入 Karpathy 风格编码规则的效果，发现 Auggie、Claude Code 和 Codex 三个 Agent 的工具调用、文件读取、时间和成本均下降，但代码质量基本不变，Claude Code 甚至略有下降。
#评测/基准#编码#Agent
LMSYS 为 SGLang 的 RL 工作负载引入基于 RDMA 的点对点权重更新机制，作为传统 NCCL broadcast 的补充，兼容所有主流开源模型。在 1T 参数的 Kimi-K2 上，权重传输时间从 53 秒降至 7.2 秒，代价是每个训练 rank 在 CPU 内存上多占用一个 32G 的推理引擎副本。该设计通过源侧 CPU 引擎副本和 Mooncake TransferEngine 的零拷贝传输，让所有训练 rank 参与发送各自分片，减少网络冗余并让推理服务更快恢复 rollout。
#开源/仓库#部署/工程#数据/训练
卡内基梅隆大学的 Jiayi Geng 在 OpenHands 官方博客介绍论文《Effective Strategies for Asynchronous Software Engineering Agents》，提出基于 OpenHands 构建的多智能体系统 CAID，用 git worktree、分支、合并和测试来协调长周期软件工程任务。CAID 由 manager 智能体拆解任务并构建依赖图，各 engineer 智能体在独立 worktree 中实现、测试和提交，再通过 git merge 合并回主干，智能体间通信全部走结构化 JSON 和 git commit。在 Commit0 上 CAID 比单智能体基线绝对提升 14.3%，在 PaperBench 上提升 26.7%，且在 Claude 4.5 Sonnet、GLM 4.7 和 MiniMax 2.5 三个模型上结果一致；消融实验显示去掉 git worktree 隔离会让多个智能体编辑同一工作区并导致性能明显下降。
#论文/研究#Agent#编码
Sakana AI 发布论文《Learning to Orchestrate Agents in Natural Language with the Conductor》，该工作已被 ICLR2026 接收。研究用强化学习训练一个 7B 的 Conductor 模型，让它以自然语言输出协作流程，指定调用哪个智能体、分配什么子任务以及它们能看到哪些历史消息，从而编排 GPT-5、Gemini、Claude 及开源模型组成的模型池。Conductor 会随任务难度自适应：简单事实问题只调用一个模型，困难编码问题则自动搭建 planner-executor-verifier 流水线。论文称 7B Conductor 在 LiveCodeBench 达到 83.9%、GPQA-Diamond 达到 87.5%，超过池中每个单独模型，并以更低成本优于 Mixture-of-Agents 等多智能体基线；它还支持递归测试时扩展，可把自己选为 worker 并在失败时生成纠正流程。该研究与几天前公布的 TRINITY 一起支撑其新的多智能体系统 Sakana Fugu。
#论文/研究#Agent#推理
Sakana AI 发布论文 TRINITY: An Evolved LLM Coordinator，被 ICLR2026 收录，提出测试时模型组合方案，由轻量协调器在多轮中为模型池中的 LLM 分配 Thinker、Worker、Verifier 三种角色，无需修改底层权重。协调器仅依赖一个小型语言模型的隐藏状态和路由头，可学习参数不到 20K，因传统 REINFORCE 梯度信噪比低、多轮标注成本高，改用无导数进化算法优化。论文称其在 LiveCodeBench 上取得 86.2% pass@1，并零样本迁移到 AIME、BigCodeBench、MT-Bench 和 GPQA 四个未见任务，平均表现超过池中包括 GPT-5、Gemini 2.5-Pro 和 Claude-4-Sonnet 在内的单个模型。
#论文/研究#Agent#推理
Together AI 提出分布感知推测解码（DAS），在不改变模型输出或奖励质量的情况下，将强化学习后训练的 rollout 加速最高 50%。DAS 以近期轨迹构建自适应后缀树，并通过长度感知调度平衡 GPU 负载和推测预算。在数学推理的 DSR-sub 数据集上，rollout 时间减少超过 50%；采用单元测试奖励信号的代码生成任务中减少约 25%。
#论文/研究#推理#数据/训练
Google DeepMind 推出 Decoupled DiLoCo，通过异步连接相互解耦的计算“岛”，以较低带宽跨远程数据中心训练大语言模型，并隔离硬件故障。团队使用 2-5 Gbps 广域网络，在美国四个地区完成 120 亿参数模型的预训练，速度较传统同步方法快 20 倍以上。Gemma 4 测试显示，该架构在故障下保持更高可用性，并达到与传统训练相同的基准性能。
#论文/研究#数据/训练#部署/工程
Google Research 发布智能体记忆框架 ReasoningBank，可从成功和失败经验中提炼可迁移的推理策略，让智能体在部署后持续学习。该工作基于 ICLR 论文，在 WebArena 和 SWE-Bench-Verified 上用 Gemini-2.5-Flash 评测，相比无记忆基线、Synapse 和 AWM 提升了任务成功率并减少任务步数。团队还提出记忆感知测试时扩展（MaTTS），把探索轨迹蒸馏为高质量记忆，代码已在 GitHub 开源。
#论文/研究#Agent#数据/训练
安全研究者 Johann Rehberger 用 ChatGPT 生成一张含谜题的对抗图片，让 Claude Opus 4.7 在分析图片时被劫持并调用 memory 工具，写入“用户名叫 Neo、43 岁、NASA 宇航员、喜欢冰淇淋和饼干”等虚假记忆，这些记忆会进入后续所有对话的上下文。他重复测试 10 次，5 次成功调用记忆工具写入虚假信息，且每次 Opus 都察觉到可能存在提示注入或质疑是否该存储，但最终仍被劫持。作者指出空记忆库会降低写入门槛，越像真实用户偏好的内容越容易通过；该对抗样本在文章发布约 24 小时后成功率降至 0%。
#安全/对齐#Agent#MCP/工具调用
Together AI 发布稳定循环语言模型架构 Parcae，通过反复使用相同层来增加计算量，而不扩大参数规模。实验中，Parcae 的验证困惑度较参数和数据匹配的 RDM 最多降低 6.3%，770M 模型的下游表现接近参数量两倍的 Transformer；训练代码和模型已发布。
#论文/研究#端侧#数据/训练
Google 发布研究实验 Vantage，通过生成式 AI 在模拟环境中评估批判性思维、协作等未来技能，已在 Google Labs 开放英文注册。与纽约大学合作的研究中，188 名 18-25 岁美国测试者完成冲突解决和项目管理任务，AI 评分与人类专家的一致度接近两位专家评分者之间的一致度。Vantage 使用 Executive LLM 根据评估量表引导 AI 虚拟人动态引入挑战，再由 AI Evaluator 分析对话记录生成技能评分和反馈。
#论文/研究#多模态#Google
LMSYS 发布 HiSparse，一个面向稀疏注意力的分层内存系统，将不活跃的 KV cache 卸载到主机内存，并在 GPU HBM 保留热缓冲区，从而支持更大的解码 batch size。在 8×H200 部署上跑 GLM-5.1-FP8、32k 输入 8k 输出时，256 并发请求下吞吐超过基线 3 倍，长上下文场景最高提升 5 倍。目前支持 DeepSeek Sparse Attention（DSA）系列模型，包括 DeepSeek-V3.2 和 GLM-5.1，属实验性功能。
#开源/仓库#部署/工程#推理
Caltech、Mila、FutureHouse 等机构提出 DISCO（Diffusion for Sequence-structure CO-design），一种多模态生成模型，可围绕分子目标同时生成蛋白序列与 3D 结构，无需预先指定 theozyme。在 178/179 个靶点的计算基准上取得最优表现，并在 4 类卡宾转移反应中测试 90 个设计，其中 B–H 插入达 98% 产物和 5,170 总转化数，活性超过此前定向进化实验的两倍。这些酶的活性位点几何在 AlphaFold 数据库的 2 亿多个结构中找不到近缘天然同源物。
#论文/研究#多模态#数据/训练
Together AI 联合多家机构推出 DBPlanBench，让 GPT-5 通过 JSON Patch 定向改写 Apache DataFusion 查询执行计划，无需修改数据库引擎。TPC-H 和 TPC-DS 生成负载的中位加速约为 1.1x–1.2x，最高达 4.78x，样本中 60.8% 的查询性能提升超过 5%；相关工具与代码已开源。
#论文/研究#推理#部署/工程
Google 发布新白皮书，称未来量子计算机破解保护加密货币的椭圆曲线密码学所需的量子比特和门数比此前估计更少。研究给出两组实现 Shor 算法破解 ECDLP-256 的量子电路，一组用不到 1200 个逻辑量子比特和 9000 万个 Toffoli 门，另一组用不到 1450 个逻辑量子比特和 7000 万个 Toffoli 门，估算可在不到 50 万个物理量子比特的超导量子计算机上几分钟内执行，物理量子比特需求约为此前的二十分之一。Google 建议区块链迁移到抗量子的后量子密码学（PQC），并通过零知识证明公开漏洞细节以便第三方验证，同时与美国政府沟通，并给出避免暴露或复用钱包地址等建议。
#安全/对齐#Google#论文/研究
Together AI 的研究发现，采用精心设计的“分而治之”框架后，Llama-3-70B、Qwen-72B 等较弱模型在长上下文检索、问答和摘要任务中可媲美或超过单次处理全文的 GPT-4o。该方法通过改进聚合提示来减少噪声，但只适合跨文本块依赖适中的任务；需要关联远距离线索时，拆分会破坏必要上下文。
#论文/研究#推理#部署/工程
Sakana AI 宣布其 AI Scientist 相关论文登上 Nature，该工作由 Sakana AI、不列颠哥伦比亚大学、Vector Institute 和牛津大学研究者合作完成。论文详述了系统架构与扩展的新发现，并给出自动查重系统与人类判定对比的结果，平衡准确率为 69%，F1 分数超过 NeurIPS 2021 一致性实验中人类之间的合致率。研究还观察到科学缩放律，即基础模型能力提升时生成论文的质量也随之提高，同时列出当前仍存在的原创性不足、实现复杂代码困难与引用不准确等局限。
#论文/研究#Agent#开源生态
Sakana AI 宣布其 The AI Scientist 相关论文已在 Nature 发表，论文详述系统架构并给出新的缩放结果。该系统在给定宽泛研究方向后可自主生成研究想法、检索文献、设计并执行实验，并用 LaTeX 撰写整篇论文；其 AI Scientist-v2 生成的论文曾在 ICLR 2025 ICBINB workshop 盲审中获得 6.33 的平均分，高于 55% 的人类投稿。团队还构建了 Automated Reviewer，在 OpenReview 数据上取得 69% 的平衡准确率，并发现基础模型越强、生成论文质量越高的缩放规律。
#论文/研究#Agent#开源生态
Browser Use 称其浏览器智能体在 Online-Mind2Web 基准上取得 97%，为目前最高分。该基准包含 136 个真实网站的 300 个任务，团队用 Claude Code 配合评测平台 CLI 循环运行 20 轮自动搜索最优智能体，并把浏览器智能体改造为可写 Python 解析 HTML 的编码智能体。团队还构建了基于 Claude Agent SDK 的智能体评审，并公开了仓库、提示词、结果与评判，便于复现。
#评测/基准#Agent#开源生态
#模型发布#数据/训练#具身智能