REVES是一种两阶段迭代训练框架，通过将成功恢复轨迹中的中间步骤转化为独立的修订与验证提示，聚焦于答案变换与错误识别，相比标准多轮强化学习降低了长程采样的计算开销。在LiveCodeBench上，使用公开测试用例作为反馈，较RL基线提升+6.5点，较标准多轮训练提升+4.0点。在circle packing任务上，仅用4B参数基础模型即匹配此前报告的SOTA结果。该方法还泛化到n_queens、mini_sudoku等分布外约束满足问题。代码已开源。

STARE是一种基于惊喜度的token级优势重加权方法，用于解决GRPO等可验证奖励强化学习中常见的策略熵崩溃问题。通过对GRPO下token级熵动态的一阶梯度分析，STARE识别出熵关键token子集并选择性重加权其有效优势，同时引入目标熵闭环门控实现稳定熵调节。在1.5B至32B参数的模型上，覆盖短思维链、长思维链和多轮工具使用三类任务，STARE能稳定训练数千步，保持策略熵在目标带内。在AIME24和AIME25基准上，STARE平均准确率高出DAPO等基线4%–8%，且反思token和响应长度协同增长。代码已开源。

苹果 GPTK 4 引入 Agentic AI 能力，通过 GitHub 开源智能体技能自动应用 Metal 最佳实践。测试显示，在 M3 Max MacBook Pro（48GB 内存/40 核 GPU）上，《赛博朋克 2077》通过 DirectX 12 转 Metal 4 帧率比 Metal 3 提升 10%；《反恐精英 2》帧率高于上一版。MacBook Neo 低设置运行《荒野大镖客 2》，GPTK 4 平均 35fps，较 GPTK 3 的 28fps 提升 25%。《007 初露锋芒》在 GPTK 3 下崩溃，现可运行至 60–70fps（1080p/中画质/FSR 质量），但每次启动需等待 20 分钟着色器编译。

提出一种无需目标停车场标注样本的自监督占用识别方法。训练策略包含两个自监督阶段（先在未标注通用数据上预训练，再在未标注目标数据上微调），然后仅在通用停车场标签上监督微调。采用SimCLR与ResNet-50编码器，在PKLot、CNRPark-EXT和PLds三个数据集上通过留一法交叉环境评估。还引入两阶段部署策略：先部署强通用模型，再结合部署前N天收集的未标注图像自监督训练专用模型。强通用模型平均准确率97.2%，两阶段策略提升至97.8%。模型和代码已开源。

Adam 是一个开源 AI CAD 工具，可将自然语言和图像输入转化为 3D 模型。它完全在浏览器中运行（基于 WebAssembly），提供参数化滑块调节和实时预览（Three.js），支持导出 .STL、.SCAD、.DXF 格式，内置 BOSL、BOSL2 和 MCAD 库。基准测试显示，从单一提示词即可生成全参数化 OpenSCAD 模型，包括 V8 发动机、9 缸径向航空发动机、高旁通比涡轮风扇发动机等复杂多部件机器，以及六角扭曲花瓶、M12 螺栓与螺母等参数化零件，每个模型附带可调节维度和颜色数量。

作者为优化 AI 生成 Python 代码的 lint 效率，发现 ast.walk 遍历 AST 是性能瓶颈。通过逐步去除生成器 yield、内联 iter_child_nodes 和 iter_fields、用 getattr(node, field, None) 替代异常处理，实现了约 2 倍提速。随后用 Rust 通过 PyO3 重写遍历逻辑，并直接读取 __dict__ 及预缓存 AST 子类类型信息，最终将 ast.walk 速度提升约 220 倍。

SproutRAG是一个注意力引导的层次化RAG框架，通过学习句子间注意力构建二分块树，将句子级块组织成语义连贯的渐增单元。检索时使用层次化波束搜索获取多粒度候选，无需额外LLM调用或压缩摘要。框架端到端联合训练，优化嵌入和树结构。在科学、法律和开放域四个基准上，平均信息效率（IE）提升6.1%。代码已开源。

GitHub 在 CC0-1.0 许可下发布了一个仓库级数据集，涵盖多语言开发者内容，包括 README、issue 和 pull request。该数据集旨在帮助研究者和开发者发现并利用跨语言的技术文档与社区讨论，以推动多语言 AI 的构建与优化。

带可验证奖励的强化学习（RLVR）可提升语言模型推理能力，但 GRPO 式优化易出现不稳定性。通过 token 级梯度动态分析，发现更新受优势符号与当前策略下 token 分布共同影响。为此提出胜者优势策略优化（WAPO），一种仅对正优势补全进行更新的在线剪切策略梯度目标。在数学推理与多跳问答基准上，WAPO 提升了训练稳定性，并在多个模型族上达到或超越基线表现。完整代码已开源。

针对视频目标中心学习中密集对齐策略传播各模块弱点且计算代价二次增长的缺陷，提出 Selectice Synergistic Learning (SSync)。该方法避免穷举对齐，而是选择性蒸馏最可靠线索：编码器用于边界细化，解码器用于内部去噪。通过线性复杂度的伪标记实现，并引入传递式伪标记合并以消除重叠 slot 冗余。实验表明 SSync 显著提升分解质量，作为即插即用模块对 slot 配置具有强鲁棒性。代码已开源。

美团 LongCat 团队推出 WBench，首个面向交互式视频世界模型的系统性多轮评测基准。包含 289 个测试案例、1058 个交互轮次，覆盖导航、主体动作、事件编辑、视角切换四种交互方式，从视频质量、设定遵循度、交互遵循度、一致性、物理真实性五维度评测 20 个前沿模型（包括 Kling 3.0、HY-World 1.5、Genie 3 等）。核心发现：无全能模型，导航能力与画质无关；多轮交互后所有模型性能下降，导航平均分下降 33 点；开源模型 HY-World 1.5 导航能力突出；视角切换最难（平均分 30.7）。WBench 已开源。

Visual-Seeker 是一种视觉原生多模态深度搜索智能体，通过主动视觉推理而非将视觉视为静态输入，动态收集细粒度视觉证据以完成多跳跨模态搜索。研究人员设计了主动视觉推理数据流水线，合成了 5K 高质量多模态轨迹用于模型训练。在五个具有挑战性的多模态搜索基准上，Visual-Seeker 达到最先进性能，甚至超越部分闭源模型。代码和数据集已开源。

交互式LLM智能体的用户偏好修正常被遗忘，Mem0记忆仍有57.5%相关偏好检查被违反。研究提出TRACE，一种即插即用的技能层管道，从用户聊天修正中挖掘原子规则并编译为运行时检查。在ClawArena上，分布内违规从100.0%降至37.6%，分布外从100.0%降至2.0%；在MemoryArena上，分布内从100.0%降至60.5%，任务通过率匹配或超越最强记忆基线。实验代码已开源。

MVEB是一个包含23项任务的视频嵌入基准，涵盖分类、零样本分类、聚类、对分类、检索及视频问答。对33个模型的评估显示无单一模型主导：基于MLLM的嵌入在分类、聚类、对分类和问答上领先；多模态绑定方法在检索和零样本分类上领先；缺乏对比适应的生成式MLLM在跨模态任务上崩溃。对比纯视频与音视频评估表明，音频的贡献取决于数据标注来源：标签来自双模态时音频有帮助，仅来自视觉时则有害，差距达6个百分点且跨模型家族一致。MVEB衍生自184项任务的MVEB+池，在降低评估成本的同时保持任务多样性，并集成到MTEB生态系统中。代码和排行榜已开源。

FastContext 是一个将仓库探索与任务解决相分离的专用探索子智能体，由 4B–30B 参数的探索模型驱动，通过参考模型轨迹和任务奖励进行优化。集成 FastContext 的 Mini-SWE-Agent 在 SWE-bench Multilingual、SWE-bench Pro 和 SWE-QA 基准上端到端解决率提升最多 5.5%，同时编码智能体 token 消耗减少最多 60%，且边际开销很低。结果表明，仓库探索可与解决任务分离，并由专用模型高效处理。

ClinHallu是一个面向医疗多模态大语言模型（MLLM）的阶段性幻觉诊断基准。该基准包含7031个经过验证的实例，每个实例都带有结构化的推理追踪，分解为视觉识别、知识召回和推理整合三个阶段。通过阶段替换干预，可测量修正特定阶段对最终答案的影响。实验表明，追踪监督微调能减少阶段性的模型幻觉。ClinHallu为诊断和缓解医疗MLLM中的推理故障提供了细粒度的测试平台，并已公开提供。

GitHub 改进了密钥扫描的验证步骤，通过上下文感知的 LLM 推理大幅降低误报率，使警报更加可信且可操作。该方案在保持检测覆盖面的同时，显著减少了噪音干扰，提升了开发者的告警处理效率。

Claude Fable 5（Mythos 安全公开版）6月22日前对 Pro/Max/Team 订阅用户开放，之后转 API。作者用 100 美元/月的 Max 会员，让 Fable 5 开发了开源“鲁班 Skill”，专用于打磨其他 AI Skill。该 Skill 通过前提验证（真实问题、安装理由、唯一性）、并行搜索同类（GitHub/ClawHub/skills.sh 等）、横纵分析、Darwin 式 9 维度评分（权重最高的实测表现）、SkillOpt 式单方向改写等步骤，将作者已有的 ai-news-radar 项目升级至 v0.7。Fable 5 自动录制操作视频并剪辑，追加了热点模式和时间轴模式，改进了消息评分算法并公开回测工具。鲁班 Skill 已开源至 github.com/LearnPrompt/luban-skill，强调 Skill 本质是清晰提示语而非复杂脚本。

macOS容器机项目在GitHub上公开，获得102个Hacker News热度积分。该项目为macOS提供容器化运行环境，具体实现细节及功能尚未在本次发布中详细披露。

FORT-Searcher 提出抗捷径训练数据合成框架 FORT，识别证据共覆盖、单线索选择性、暴露常数和先验知识绑定四种捷径风险，在实体选择、证据图构建、问题生成和对抗性精炼环节控制。实验表明，FORT 生成的数据比现有开源深度搜索数据集诱导更长的搜索路径和更少的捷径模式。仅用监督微调（SFT）训练的 FORT-Searcher 在多个深度搜索基准上达到同类开源搜索智能体的最佳整体性能。资源即将开放。

微软已封锁其在GitHub上的至少70个开源项目，原因是黑客在代码中植入窃取密码的恶意程序。受影响项目涉及Azure、Claude Code、Gemini命令行界面和VS Code等AI编程工具。安全机构Cloudsmith和开源社区OpenSourceMalware首先发现，用户运行篡改程序时会泄露密码及账号凭证。微软已下架相关仓库，部分恢复访问，并通知了少数下载过恶意内容的用户。这是近几周内微软开源项目第二次遭入侵，5月中旬Durable Task项目也曾被攻击。

WebChallenger 围绕核心模块 PageMem（从 DOM 确定性构建的带摘要语义层次页面结构）设计三种机制：分而治之的观测管线（让智能体扫读摘要、仅提取任务相关区域细节）、轻量级网站探索与记忆系统（遍历一次网站即可复用页面与元素行为地图）、以及将多步交互压缩为单步智能体动作的工作流。使用未经微调的开源模型，在 WebArena 上达 56.3%、VisualWebArena 48.7%、Online-Mind2Web 51.0%、WorkArena 70.9%，接近前沿闭源系统但成本极低。代码已开源。

大型AI公司计划上市，预计未来将出现更多价格上涨。原文标题探讨这是否标志着Tokenpocalypse的开端。

Lathe（车床）是一个基于大型语言模型（LLMs）的工具，核心理念是使用LLMs帮助用户逐步学习一个陌生领域，而非直接替代学习过程。项目托管在 GitHub 上。

WaveDiT是一种在3D Haar小波系数空间中的条件流匹配框架，结合分解时空注意力与基于高阶小波统计的带异方差不确定性建模。预测对数方差融入流目标和条件路径，适应解剖细节的输入相关方差结构。该方法在单个GPU上实现全分辨率3D合成。多中心评估显示，相比扩散、潜在和小波基线，生成与真实MRI分布对齐更优，下游脑年龄预测和区域解剖一致性均有提升。代码已开源。

Kimi Code CLI 是 Moonshot AI 推出的开源终端 AI 编码智能体，使用 TypeScript 构建，内置子智能体（subagents）与 MCP 配置支持。

Lowfat是一款可插拔的命令行界面（CLI）过滤器，可在LLM使用场景中节省约91.8%的模型token消耗。项目已开源并托管在GitHub上。

GitHub Universe 2026 将于 10 月 28–29 日重返旧金山 Fort Mason Center，主题聚焦智能体（agentic）时代。

研究团队提出 BloomBench（Almieyar 基准系列的一部分），首个基于人类认知的英-阿双语多模态基准。以布鲁姆分类学为框架，系统评估视觉语言模型在记忆、理解、应用、分析、评价、创造六个认知层级的表现。采用半自动化流程构建和分层混合质量保证协议，确保可扩展性与文化包容性。对现有 SOTA 模型的测试揭示：语义理解能力强，但事实回忆和创造性合成严重不足；阿拉伯语与英语之间存在显著性能差距。基准框架与数据集已开源。