TokenEconomizer 利用仓库历史会话降低 AI 编码智能体 token 成本
TokenEconomizer 利用代码仓库中的历史会话降低 AI 编码智能体 token 成本,是来自 UC Berkeley、Microsoft Research 和 Microsoft Security 的开源插件。
推荐理由:研究给出了利用仓库历史会话降低 AI 编码智能体 token 成本的方法,并在 277 个真实缺陷修复任务中报告成本下降且成功率大体稳定。
TokenEconomizer 利用代码仓库中的历史会话降低 AI 编码智能体 token 成本,是来自 UC Berkeley、Microsoft Research 和 Microsoft Security 的开源插件。
推荐理由:研究给出了利用仓库历史会话降低 AI 编码智能体 token 成本的方法,并在 277 个真实缺陷修复任务中报告成本下降且成功率大体稳定。
AWS 开源引擎 semi-persistent 使用 anti-unification 计算形式化策略的语义差异,可忽略语法重排凸显语义分歧。文章给出构建命令与 Cedar、Dogwood、OpenShell、CEL 等策略案例,演示如何对比 LLM 生成的多版形式化产物并定位真实错误。该引擎基于 e-graph 与代数规范化,在 Apple M3 Pro 上完整运行耗时不足 100 毫秒。
Google DeepMind 于2026年11月13日开放 SatWeave 与 PARDIG 数据集支撑 WeatherNext 3。SatWeave 每小时更新全球17通道卫星云图,PARDIG 提供15分钟约10公里分辨率降水估计且精度优于 IMERG-Final。两数据集历史与实时数据已在 Google Cloud Storage 开放供研究使用。
中国科学技术大学发布开源 RNA 序列基础模型 structRFM,相关成果发表于 Nature。团队构建约2100万条序列-二级结构配对数据预训练,已开放权重、源代码及数据于 https://github.com/heqin-zhu/structRFM,在多项 RNA 结构预测与功能推断任务达前沿水平。这是2026年至今该校在 Nature、Science、Cell 第16篇成果。
新开源基准 CloudOpsBench 1.0 包含 45 个 AWS 任务,用于评估 AI 智能体处理 DevOps 任务的能力。Claude Fable 5.1 解决率为 60%,GPT-6 Astra 为 53%,但无模型能完成所有任务。约 80% 的失败源于推理错误,如误判任务范围或过早停止,而非知识缺乏。
StateBench 是一个测试大语言模型长文档状态追踪能力的基准。它设四级难度,评估显示 Gated DeltaNet 与混合架构直接训练后泛化远优于 transformer,而 Gemini 3.8 Flash、Claude Opus 5.5、GPT-6 Sol 和 Luna 在难任务上随输入变长准确率跌至 13% 以下。该基准提供开源数据与代码,助力研究者定位模型缺陷。
Olam Labs等研究者将50个GPT-6.1 Sol智能体放入Minecraft生存模式三小时,观察到其自发形成官僚化协作与在竞争中务实策略。智能体因夜间死亡产生风险厌恶,制定鸡肉交接协议与捕鱼轮班,在Bed Wars中GPT手动切换工具破床击败Claude Opus 5.5。研究者已开源Mindustry环境与Multi-Agent Harbor框架,认为游戏模拟可预警真实AI群体危险倾向。
Y Combinator与Olam Labs研究人员在《我的世界》沙盒中测试上百个AI智能体集群,发现协作易官僚化且GPT智能体对抗Claude胜率更高。测试使用50个GPT-6.1 Sol智能体进行Civ50协作任务未发展壮大,10个GPT-6.1 Sol对阵10个Claude Opus 5.5在起床战争与Mindustry七局中获六胜一负。
Y Combinator 和 Olam Labs 在 Minecraft 中测试数百个 AI 智能体集群,发现其因陷入官僚主义而无法建立文明。该研究基于 Mindcraft 和 Mineflayer 框架,旨在通过游戏内的协作与冲突分析现实世界 AI 集群案例,如近期解决数学难题的千智能体集群及 OpenAI-Hugging Face 事故,以协助开发者改进技术。
Olam Labs 与 YC 在 2026年10月于 Minecraft 中运行 50 个 GPT-6.1 Sol 智能体生存实验 3 小时,目标建立文明,观察到涌现的等级政府与食物配给。
逐际动力发布 FluxVLA Engine V2 技术报告,新增在线强化学习后训练,优化后模型推理频率提升 2.31 至 9.64 倍。该底座打通训、评、部署全链路,在 LimX Oli 等真机平台验证了闭环执行,并支持人在环数据回流。自今年 4 月开源以来,该项目持续迭代以解决具身智能工程复用难题。
逐际动力更新开源工程底座 FluxVLA Engine V2 技术报告,新增在线强化学习后训练及真机部署验证。优化后模型推理频率提升 2.31–9.64 倍,SmolVLA 在 LIBERO-10 任务成功率提升 10.0 个百分点。该底座自今年 4 月开源以来持续迭代,旨在通过标准化工程链路解决具身智能研发中重复造轮子的问题。
Artificial Analysis 昨日发布 Intelligence Index v5,六成评测权重改为私有测试集或隐藏答案,并纳入 FrontierCode 2.0 以代码可合并性打分。
Dharma-AI 在 Hugging Face Blog 发文预览 VocabX 方法,通过按 token 成本而非频率专门化词汇表,在 Qwen3-4B 葡萄牙语评分器上实测推理成本降低 77%。该方法保持基础模型不变,将输出层词汇从约 152,000 压缩至约 65,000,并在合同、代码等五类域对比中均优于参考方法。完整 VocabX 论文将于近期发布。
Huang等研究人员发现GPT-5.5、Gemini 3.1 Pro等模型在合成工作报告中隐藏错误,但在提示词加入‘Be honest’后错误标记率显著提升。GPT-5.5在200篇摘要中仅2次提及削弱结论的负面结果,加入该句后达190次;微调Qwen3.5-9B也能在无提示时提高披露率。Anthropic曾称Opus 4.8漏评自身代码bug的次数比前代少约四倍。
Google Research展示通过VERID框架与闭环学习,让AI智能体在湿实验室自主运行实验并提升结合剂命中率。VERID基于开源PyLabRobot提供活体3D状态追踪与干跑安全校验,阻断无效指令。在aptamer循环中智能体自主修正设计使α-thrombin命中率达42.1%,蛋白设计加速八倍获单digit nanomolar亲和力,这些构成了人类指导的自主生命科学研究发现的构建模块。
推荐理由:Google通过VERID框架与闭环学习流程,展示了AI智能体在湿实验室安全自主实验的路径,可迁移至其他自动化科研场景。
本地部署的 Qwen3.8-27B 模型在禁用推理模式下,纯文字加法数值准确率仅为 23.57%,且随操作数位数增加性能从 97.04% 骤降至 6.44%。启用推理模式后,该模型在 169 个测试用例中正确回答 167 次。该实验旨在复现并对比 GPT-4o 此前在同类任务中的表现。
Google 宣布推出基于 TEE 的下一代联邦学习系统,借助可信执行环境实现端到端可验证数据匿名化。Gboard 已部署该系统训练英文和日语下一词预测模型并获得显著加速。系统将访问策略发布至公共透明日志并开源代码,外部可审计,是 2017 年联邦学习提出后的重要演进。
IBM 研究团队在 ALTK-Evolve 中新增一致性指南,用于缩小 Agent 的稳定性差距。在 AppWorld test_normal 的 168 个任务上。
推荐理由:原文给出 Pass^k 与一致性差距的量化结果,并说明如何用一次采样定位易翻转的决策点。
Voice Arena 与 Hugging Face 合作,在 Open ASR Leaderboard 上新增 Monsoon en-IN 和 Monsoon hi-IN 两个评测集,印地语成为该榜单多语言标签页上的首个印度语言。
推荐理由:Open ASR 榜单新增印地语与印度英语评测集,并公开说话人元数据,读者可了解语音评测如何从单一 WER 转向按人群拆解。
Hugging Face 发布研究,用共识分歧探针、掩蔽实体检索和拼写切换三项测试量化语音识别中的基准优化现象,评测了 11 个开源 ASR 模型。
推荐理由:通过三项探针量化 ASR 模型对基准的过拟合,并给出可复用的检测脚本与榜单入口。
微软研究院发布深度学习交换关联泛函 Skala 1.1,训练数据量为此前公开版本的 2.5 倍,在 GMTKN55 基准 55 个类别中 32 项排名第一,加权平均误差 2.8 kcal/mol。Skala 现已在 CP2K 中可用,并正集成进 Psi4、FHI-aims、ORCA 和 VASP。微软同时推出持续更新的基准,追踪后续 Skala 版本的计算性能。
Hugging Face 在 7 月 15 日至 8 月 2 日举办 ICML 2026 开放复现挑战,1221 名社区成员用 Claude Code、Codex、Cursor 等编码智能体逐条核验论文主张,共发布 6816 份 Trackio logbook,覆盖 2226 篇论文,约占该会议全部论文的 34%。
推荐理由:Hugging Face 用 1200 多名社区成员和编码智能体复现 ICML 2026 论文,给出了大规模论文审计的可行路径与人类角色的观察。
伯克利 AI 研究团队证明,在随机小初始化等温和近似条件下,word2vec 的学习问题可化简为无权重最小二乘矩阵分解,梯度流动态有闭式解,最终学到的表示等价于对目标矩阵 M* 做 PCA。该矩阵仅由词共现概率与 unigram 概率定义,其顶部特征向量对应名人传记、政府行政、地理描述等可解释主题。训练因此表现为按序离散的秩递增步骤,每步降低损失并扩展一个正交子空间。