UAEF:面向 AI 智能体闭环评估的框架无关系统
AWS 推出框架无关系统 UAEF,利用 36 项内置指标和 7 个维度对 AI 智能体进行统一评估。 该系统通过适配器将 LangGraph 等框架的 Trace 标准化,结果存储于 DynamoDB 与 S3。 12 家机构使用 UAEF 对比智能体版本,通过生成报告实现评估与迭代的闭环。
AWS 推出框架无关系统 UAEF,利用 36 项内置指标和 7 个维度对 AI 智能体进行统一评估。 该系统通过适配器将 LangGraph 等框架的 Trace 标准化,结果存储于 DynamoDB 与 S3。 12 家机构使用 UAEF 对比智能体版本,通过生成报告实现评估与迭代的闭环。
NVIDIA 发布 Alpamayo 2 Edge 模型。Embedl 称其优化版在 AGX Thor 边缘硬件上运行比 PyTorch 快 10 倍以上。 该模型采用 RL 训练,输入 6 个摄像头及近期运动数据。 用户可在 AGX Thor 设备上直接运行该模型。
Tensward 0.4.2 发布,一款本地 AI 推理优化工具,支持 vLLM 和 llama.cpp 引擎,在单 GPU 环境下通过单次参数调整提升推理速度。
summary_zh: 仓库发布研究论文《Beyond Algorithmic Deflection》的实证评估转录、零样本提示日志及 UI 拦截记录,涵盖 Anthropic Claude、Google Gemini、OpenAI GPT 和 xAI Grok 的四款 LLM 危机干预测试。
Neo4j 发布名为 Relate 的 AI 原生、开源内存数据库,使用 Rust 构建,旨在为 AI 智能体和 Agentic 系统提供毫秒级启动和亚毫秒级读取性能。
Kodelyth ECC v2.31.1 是一个本地化 AI 智能体基础设施,集成 71 个专家智能体、196 项技能及 MCP 服务器,宣称可为 Claude Code 等 6 款 IDE 节省 55% Token。 采用 RTK 输入压缩与 Terse 输出压缩技术,结合覆盖 158 种语言的代码库图,通过 tree-sitter 实现 <1ms 结构查询,并支持记忆核心本地检索。
芬兰非营利团队 Sound Mind Games 将 50 万行 NetHack C 引擎封装进 .NET MAUI 和 Avalonia 中,实现了跨六大平台的图形化重制版 GnollHack。团队构建了游戏内嵌的免费 AI 顾问 Gnoll Overseer,集成 31 个工具并支持前端模型查询;同时开发了 GnollBench 基准,以实际游戏提示和工具测试模型在高风险场景下的准确性。
Episteme AI 利用 Gemini 2.0 Flash 和 Cheerio DOM 检测生成限时学习路线图,能自动替换付费墙或 404 链接。 系统基于预定义免费课程池进行 URL 约束,通过 SQLite 幂等键防止重复派发日历事件。 该工具在管道层面解决传统 AI 规划器中链接失效和工时超标的故障。
Agent Buddies 推出可互换的动画角色组件,支持 React、Web Components 和 SwiftUI,采用 MIT 协议开源。 该系统通过确定性事件流驱动 8 种智能体状态,提供 10 个初始角色及本地缓存、离线回退功能,无需 API 调用即可运行。
Model Desk 是一款基于 Rust 和 Tauri 的开源 Linux 桌面应用,支持 Lumo、DeepSeek 及 OpenAI 兼容端点。当前版本 0.4.1 体积 112 MB,集成 OpenCode 编码代理与 Bonsai 图像生成模块。
SPECTRA 发布了一款架构无关的 4-bit LLM 压缩引擎与实时 GPU 推理运行时,支持在 4GB 至 8GB 显存的消费级设备上本地运行。在 4GB 显存的 NVIDIA RTX 3050 Ti 笔记本 GPU 上,冷启动加载耗时 1.5s 至 3.8s,且主机内存占用低于 50 MB。
PeepNote 是一款本地优先桌面应用,用于保存 LLM 响应、记录个人想法并在工作时快速复用。 支持以 Markdown 形式保存回答与截图,通过 Alt+Q 调出快速列表,并可将相关记录生成 AI 摘要。
团队发布开源决策模型 Drex 家族,Max 版在 Decision Index 0.4.1 上以 67.52 分创决策模型新高。 涵盖 8B 至 27B 参数规模,结合 RLAF 与视觉微调;Max 版单请求响应仅 183ms,远快于 GPT-6 Sol。 四款模型均开源,输出在选项重排下保持稳定,显著降低生产环境延迟与成本。
LLM 验证使最小对基准测试对语言模型更易通过。在 BLiMP 和 QFrBLiMP 数据集中,10 个开源大语言模型(LMs)在预注册 LLM 过滤器标记的项上比接受的项难 18.9 分,且所有 70 种 LM-验证器组合均显示标记项更难。该过滤去除了 LMs 失败但人类未失败的项目,使准确率提升超过随机去除。
提出基于多LLM基准的IFRS合规验证框架,构建含19,998条监管披露对的基准测试集。 集成分类器在分歧集上达到81.7%加权F1值,超出最强单LLM 10.4个百分点。 数据集、模型检查点及分类器实现将公开发布。
研究提出基于泰语最小意义单位 khammoon 的形态素分词方法,替代传统词级边界。 模型为 1M 参数的卷积 BiLSTM,支持 CPU 推理,跨域测试边界 F1 达 0.992;指南人工一致性 $\kappa \approx 0.99$,已开源。 形态素表示提升词性标注、实体识别及情感分类等下游任务表现,证明语言学一致性可优化表征质量。
针对 scRNA-seq 数据中图方法与成对方法各自局限,提出端到端统一框架 scGPL。 该框架结合全局拓扑结构与局部相互作用,利用动态重要性引导子图采样机制提取宏观特征。 在 7 个基准数据集上实现 SOTA 性能,相比最强基线最高提升 13.7%。
提出 MOAI 框架,通过列与对角线打包及免旋转算法,在 BERT-base 推理中实现比 SOTA 低 1.7 倍以上的 HE 旋转次数。 结合 Softmax 和 LayerNorm 优化,较 THOR 减少 52.8% 评估时间,单 GPU 单输入摊销耗时 2.36 分钟,代码已开源。
开源扩展包 MRFoundry 将 MRI 知识与智能体动作连接,配套推出 MRI Agent Bench 用于评估不同模型表现。 在 240 项核心评测中,MRFoundry 使全检查通过完成率从 67.5% 提升至 78.3%,在 134 项高难度任务中从 36.6% 提升至 44.8%。 该工具为 MRI 工作流专家知识提供可复用指导,支持研究者查看、调整并扩展至现有环境。
AutoManifold 通过多智能体 LLM 编排,将亲和度、成本及优化原语组合生成新的流形嵌入算法,超越传统的超参数调优。 该工具以用户指定的结构保持偏好为条件,通过 LLM 引导的指标驱动迭代循环优化配置。 在真实数据集上,生成的算法在保持原始数据内在结构的同时,性能优于 t-SNE、UMAP 和 PaCMAP 等 SOTA 方法。
arXiv 发布 ExpertCrowd-SWE 基准,包含 100 个由资深工程师编写的多文件软件任务,覆盖 87 个开源项目和 11 种语言,用于评测自主编码智能体在大型陌生代码库中的表现。
LARC 为冻结模型提供紧凑数值状态,在 MiniCPM5-1B-SFT 上两次反馈更新使查询执行误差降低 24.65 和 36.65 个百分点。 采用 rank-4 残差与 12,288 个因子条目,在四候选开发任务中实现 16 个参数组更新,支持损失规则误差达 0.78125%。 研究揭示了数值状态辅助后续读取的条件,训练参考系在部分场景下比内存适应更有效。
EEG-X 提出设备无关且抗噪的脑电信号表示学习基础模型,旨在解决跨数据集设备差异和低信噪比挑战。 模型采用基于位置的通道嵌入,支持异构设备与电极布局的稳健迁移;引入噪声感知掩码重建策略及基于字典的卷积变换(DiCT),通过重建去伪迹信号提升预训练效果。 在多样化脑电信号数据集上,EEG-X 在多个下游任务中持续超越最先进方法,展现出电极布局或录制配置差异下的强跨域泛化能力,模型与代码已开源。
研究人员推出OptiMind系统,其20B OptiMind-RL模型在清洗后的三个基准测试中超越开源基线,达到前沿模型性能。 该系统结合数据清洗、类别提示与求解器反馈进行多轮强化学习,并公开了提示库、测试数据及代码于Github和Hugging Face。
Sable 提出一种单 GPU 证明器,可逐位验证整数量化 Transformer 生成的 token 序列,且中间计算无回绕。 核心验证基于 31-bit KoalaBear 素数约束系统,使用 LogUp-GKR 和 Reed-Solomon 承诺。
研究将 Qwen3.8-27B 的 248,320 词表缩减至 384 字节级条目,保留原有权重并在 8xH200 上训练 178.6 小时,核心能力在多数基准上与原模型无显著差异。 字符级中文任务性能显著提升,但吞吐量降至原模型的 1/4,且小词表引发 UTF-8 损坏等四种特有失效模式。
研究通过 margin 统一视角解释 LoRA 抗遗忘能力与 Adapter 合并机制,并提出免训练的 MaLoRA 合并规则。 在正则化中间区间,最优 Adapter 对齐 max-margin 解;正则参数控制预训练数据保持与新任务适应的 margin 权衡。 该合并规则在多任务基准中匹敌或超越现有基线。
Pooled-Substructure-Aware GNNs 提出一种显式保留池化子结构的图池化方法,在具备层级结构的任务上优于基线模型。 该方法增强了基于池化的 GNN 在 Weisfeiler-Lehman 测试意义下的表达能力,并引入了两个新合成数据集及衡量层级模式普遍性的指标,代码和数据集已公开。
PARDIG 采用球面图网格 Transformer 架构,生成 $0.1^\circ$ 空间与 15 分钟时间分辨率的全局降水估算。 该模型基于稠密多模态输入预测稀疏高精度雷达数据,评测显示其性能优于 IMERG V07、ERA5 等现有基准。 PARDIG 近实时与历史数据集已按 CC BY 4.0 协议开源,显著提升极端降水捕捉能力。
研究指出稀疏自编码器评估受大量激活干扰,提出移除PC1分量进行修正的方法。该方法使受影响模型中top-50特征共享率从4-39.5%升至73-99.5%,模型退化程度降低最多44%,内容重建误差减少最多33.9%。该修正方法已被NeurIPS 2026接受。
Composable Catalytic Intelligence (CatAI) 构建物理基础模块化 AI 框架,学习 180 万结构性质关系并整合为 30 个物理化学编码器。 该框架在基准任务中实现 7.8% 的平均预测误差降低,且实验验证中识别出活性为商用基准 9 倍的新催化剂。 CatAI 支持通过计算筛选和模型实验反馈循环,跨不同机制系统复用物理化学知识。
提出交互式查看器 MicroLens,在 Gemma-3-4B-it 上对剩余流进行双透镜解码、追踪与即时编辑。 结合 logit lens 与 Jacobian lens 展示不同编辑方向,J-lens 能提前 1-2 层读取答案,信息在层 7 已可读且可重定向 92-98% 的答案。
GigaEdge Spench 发布了一个支持 CPU 服务器、移动端及浏览器的开源流式语音增强 SDK,提供 8 kHz INT8 降噪模型及 48 kHz FP32 模型。 该 SDK 通过 C++ 核心支持 ONNX Runtime 和 TensorFlow Lite,在 EARS-WHAM v2 基准测试中,所有原生和 Web 配置均能以超实时速度处理文件。
阿里官宣 Qwen Code 1.0 版本,将 Qoder 的 Harness 能力融入 Qwen Code 并随 1.0 Preview 开源,为开发者提供可嵌入自身产品的 Agent 运行基础。
推荐理由:Qwen Code 1.0 把 Qoder 的 Harness 能力开源进同一内核,开发者可据此搭建 Agent 运行层并接入模型、工具与执行流程。
Robbyant 开源了 LingBot-Touch 模型权重与推理代码,助力机械手通过触觉操控物体。该模型基于近 5000 小时三类触觉传感器数据训练,并通过了 26 项真实任务测试。
视觉 AI 与机器人技术正介入回收线,全球每年产生超 20 亿吨城市固体废物,预计 2050 年将翻倍。 NVIDIA 支持四家初创公司利用 AI 提升分拣精度,如 Greyparrot 将 15 吨废弃物检测时间从 375 小时缩至 6 小时,效率提升 10%-30%。 这些应用有助于应对全球仅 7% 材料来自回收的现状,推动循环经济。
英伟达在 CoRL 大会上发布新一代机器人基础模型 GR00T 2,该模型支持人类数据向不同机器人本体迁移,且模型、数据及仿真环境将陆续开源。数据显示,GR00T 2 利用 40 万小时人类视频预训练,在提供 5 次示范后任务成功率从 40% 提升至 95%,并开放了 WAM API 供上层推理模型调用。
同一新闻,精选展示《NVIDIA 在 CoRL 发布 GR00T 2 等机器人技术与 Isaac Lab 3.0 框架》
开源工具aisync发布,旨在协调Claude Code、Codex和Cursor在同一仓库的并发操作。核心机制包括互斥文件声明(防止冲突退出码3)、共享哈希链日志记录决策与阻塞、以及通过Hook在会话中注入其他工具的最新变更。0.2.0版本引入规则接口化,支持分层加载以大幅降低Token开销(如从20,673降至7,876),并提供MCP服务端点供其他Agent调用。
推荐理由:原文展示了aisync如何通过文件锁机制和共享日志解决多AI Agent并发编辑冲突,并提供了分层规则加载以优化Token消耗。
Z.ai 旗下桌面编码智能体 ZCode 在含 1700 多篇文章的仓库实测中,配合 GLM-5.3 发现死链、目录缺失与时区不一致等可用改进。GLM-5.3 具备 1M token 上下文窗口,在 Z.ai 的 Code Bench 上以 max 推理档取得 34.5% 得分,略落后于 Claude Fable 5 的 39.5%,但 token 消耗约为后者的 40%。
研究者报告在单张 RTX 4090 上从头训练 126M 参数 Transformer 的实验,对比了全精度、PTQ 和 QAT 三种模式。结果显示 QAT 的 ternary 权重模型相比全精度模型 bpb 仅增加 0.053,且部署体积压缩至 61 MB(减少 76%),证明了消费级硬件进行三值量化研究的可行性。