解读 MoE 大语言模型中专家的个性化分工
研究提出对 MoE 大语言模型做个性化适配，在三个开源权重 MoE LLM 上训练 crosscoder，识别出编码不同个性化特征的专家。个性化后的 MoE 模型仅激活部分参数即可与稠密 LLM 表现相当，多义性更低，且因果干预显示这些潜在特征足以复现个性化模型行为，不同个性化特征对应不同路由路径。
#开源生态
arXiv cs.CLAI 评分2424 arXiv cs.CLAI 评分2929 Multi-SFT：可商用许可的多语言指令跟随数据集
Multi-SFT 是一个可商用许可的多语言指令跟随数据集，包含五种欧洲语言的 502,818 条指令-响应对，通过翻译与重新生成流程构建。研究团队微调了 EuroLLM、OLMo 2、Qwen3 三个家族共九款模型（1B-32B），在 13 个基准上评测，结果显示 Multi-SFT 单独使用即可媲美更大的增强混合数据集和官方指令微调版本，在安全任务上优势尤为明显。
arXiv cs.CLAI 评分3636 为智能体后训练预热的基座模型：一套开放 midtraining 配方
研究者公开了一套面向智能体后训练的 midtraining 配方，并在 Nemotron 3.5 Lightning 和 Nemotron 3.5 Super 两个模型上验证效果。
arXiv cs.CLAI 评分2323 面向沃洛夫语的开源工业级语言模型
研究者发布 0.6B-14B 开源权重模型，通过指令微调、偏好对齐与模型合并适配沃洛夫语。在 63 个公开与内部任务上，模型在沃洛夫语理解与生成上表现良好，8B 和 14B 版本可与规模大得多的商业系统竞争。模型正用于内部客服试点，并已公开可用。
arXiv cs.AIAI 评分2222 Nemotron-3-Nano-30B-A3B 的原地 Indic 分词器扩展与持续预训练
研究团队在不改动 Nemotron-3-Nano-30B-A3B 主干架构的前提下，将其词表从 131,072 原地扩展至 163,072，使每词 token 数减少 38.6%，并完成约 1.27 万亿 token 的持续预训练。
arXiv cs.AIAI 评分5050 无需额外训练即可超越 Jev：开放决策模型的简单微调方案
研究者发现，开放指令微调语言模型无需额外训练，仅通过读取最后一个 token 位置输出 logits 中 A、B、C 等字母的概率，即可实现与 Jev 相当的决策性能。
arXiv cs.AIAI 评分2222 SFT 在激活几何中留下可复现特征：Qwen3-1.7B 与 Llama-3.1-8B 上的后训练可解释性校准
在 Qwen3-1.7B 的稀疏共激活图上，两次 LoRA-SFT 重跑之间的距离超过其与基座距离的一半，说明模型 diff 默认的"重跑会落在附近"假设不成立。
arXiv cs.CLAI 评分3737 LLM-jp-4 技术报告：8B 稠密与 32B-A3B MoE 日语主权大模型
LLM-jp-4 是一系列日语主权大语言模型，包含 8B 稠密模型和 32B-A3B MoE 模型，两者均从零开始训练，使用约 12 万亿 tokens。团队为训练数据、外部模型和软件的选择制定了明确标准并公开开发流程，以支持独立验证与复现。评测显示其较前代 LLM-jp 模型大幅提升，与同规模开放权重模型相比具备竞争力；33B 稠密模型结果未包含在本版本中。
Latent SpaceAI 评分4141 Leash Bio 的 Ian Quigley 谈 DEL 数据、Hermes 模型与智能体科学推理沙盒 Minos
Leash Bio 用 DNA 编码化合物库（DEL）采集蛋白质与小分子的高通量相互作用数据，并训练出仅用自家数据的模型 Hermes，在公开基准上与 Boltz 持平。
RadarAIAI 评分6262 LangChain 评测：GLM-5 与 MiniMax M2.7 在 Deep Agents 智能体任务上接近闭源前沿模型
LangChain 用 Deep Agents 测试框架评估开放权重模型，GLM-5 正确率 0.64（138 个用例通过 94 个），MiniMax M2.7 为 0.57（通过 85 个），与 Claude Opus 4.6 的 0.68、Gemini 3.1 Pro Preview 的 0.65、GPT-5.4 的 0.61 接近。
RadarAIAI 评分3939 IBM Research 用开源模型与 llm-d 分布式推理降低 AI 芯片设计成本
IBM Research 演示用开源前沿模型结合 llm-d 分布式推理构建 agent factory，对量子纠错解码算法 Relay-BP 做 HLS 硬件优化，在 100 个假设预算下实现约 52 倍加速、推理成本约 26 美元。同预算下全专有模型配置成本 299 美元、加速 204 倍，为开源配置的 11.5 倍。该结果表明大幅硬件优化可在更小推理预算下实现，并得到面积最小的设计。
The DecoderAI 评分7171 Anthropic 研究警告小模型或可在日常设备间自我复制
Anthropic 研究者 William Zhou 和 Daniel Freeman 的新研究测试了小模型能否在安全性薄弱的 IoT 设备上自主复制，他们把复制拆成扫描网络、获取访问、在新设备上搭建 AI 环境、继续扩散四个阶段，并重点验证最难的搭建环节。
量子位精选AI 评分7878 Anthropic 研究实测 GLM-5.2 全自主复制进智能家电
Anthropic 两位研究员 William Zhou 和 Daniel Freeman 发布安全研究，在隔离沙盒的 8 个 GCP 节点上测试 GLM-5.2 的自主复制与适应（ARA）能力，5 次实验中 4 次攻陷并部署全部 8 台设备，另 1 次拿下 7 台。
推荐理由：Anthropic 安全研究实测 GLM-5.2 在隔离网络中自主复制模型，读者可了解自主复制与代际经验传递的攻防边界。
Hacker NewsAI 评分7171 ProjectDiscovery 实验：被 abliterate 的开源模型如何植入后门并窃取凭据
ProjectDiscovery 用 Qwen2.5-7B-Instruct 做了一次端到端投毒实验，在 500 条干净数据中混入 125 条投毒样本训练 QLoRA 适配器，成本不到 50 美元，模型在触发词出现时通过 Codex CLI 的工具调用把项目 .env 凭据外传到 OAST 收集器，未触发时表现完全正常。
Hacker NewsAI 评分6464 HWREBench：作者用 AI 破解多款智能设备并建立硬件破解基准
作者在 Amazon 购买多款智能设备，用 AI 模型尝试破解，多数设备被成功攻破，并据此建立了硬件破解基准 HWREBench。测试显示开源模型几乎不拒绝请求，闭源模型仅给出少量警告；GLM 5.3 完成任务花费 1.63 美元，Deepseek V4.1 Flash 花费 0.08 美元。作者指出，抗破解较好的设备通常来自知名品牌、近期更新、暴露面小，并依赖配对时生成的密钥或物理干预。
arXiv cs.CLAI 评分2222 Neurograf v1：端到端罗马尼亚语优先语言模型家族
Neurograf v1 是一套端到端罗马尼亚语优先语言模型流水线，包含 635 GB 的 RoSfera 语料（1.757 亿篇文档）、80k byte-level BPE tokenizer、160M 至 6B 五个 decoder-only 模型（训练 131B tokens）、三个指令微调助手和两个对比学习嵌入模型。
RadarAIAI 评分5858 Sakana AI 提出 MASS：用多智能体自监督实现同质递归自我改进
Sakana AI 发布 MASS（Multi-Agent Self-Supervision）方法，让同一模型同时担任执行者、工作流优化器和评估者，把多智能体团队的集体经验蒸馏为递归自我改进的自监督信号。
arXiv cs.CYAI 评分2727 开放权重 AI 发布在不对称扩散下的福利模型：延迟究竟卡住了谁
一项福利模型研究比较了受控访问、防御者优先窗口后公开、带保障的开放权重与最小限制开放权重四种策略，发现限制只在对手获取替代能力的速度快于防御者时，才给对手带来正向的折扣访问优势。
arXiv cs.CLAI 评分6262 小米发布 MiMo-V2.6 技术报告：以扩展强化学习推动模型自我改进
小米 LLM-Core 团队发布 MiMo-V2.6 系列技术报告，这是一个全模态模型家族，通过扩展强化学习算力提升模型智能水平。
Hacker NewsAI 评分3434 shotgun 方法实现高度多重化哺乳动物代谢工程
研究人员提出 shotgun genetic engineering（SGE），一种多重化哺乳动物代谢工程方法，通过高 MOI 递送带条形码的单个转录单元（TU），使每个细胞携带独特的通路组合，从而并行采样大量代谢通路方案。
Hacker NewsAI 评分6262 Kenwea 追踪 npm 下载量前 5000 个包的安装脚本
Kenwea 读取 npm 下载量前 5000 个包的最新版本，在无网络、只读文件系统的沙箱中逐个运行其 preinstall、install、postinstall 与 binding.gyp 步骤，并用 strace 记录网络连接、DNS 查询和程序调用。
arXiv cs.AIAI 评分4141 通过随机嵌入扰动越狱开放权重 LLM
研究者提出 Perturbed Embedding Vector（PEV）攻击，仅向提示词的嵌入向量加入独立高斯噪声，即可越狱六种不同规模的常见开放权重 LLM，在 JailbreakBench 上对所有模型、所有提示词均生成不安全回复。PEV 取得首次成功攻击的平均算力成本比此前方法低至一个数量级，每个测试模型上首次越狱通常在一分钟内出现，且无需梯度计算、逐提示词优化或修改模型内部权重。
Hacker NewsAI 评分6262 Favz 上线 AI 智能体配置统计站，已索引 166,014 个 GitHub 仓库
Favz 上线一个统计站点，读取公开 GitHub 仓库中提交的 AI 智能体配置，统计其中的 MCP 服务器、技能和插件，目前已收录 166,014 个仓库，来自找到的 211,411 个。
arXivAI 评分3131 研究揭示 bf16 转换导致三元语言模型导出丢失低学习率代码改动
对 BitNet b1.58、Falcon-E 和 BitCPM 三个实验室的三元语言模型导出流程审计发现，fp32 量化与部署代码在 Falcon-E 和 BitCPM 中不一致率为 0.83-1.77%，BitNet 2B-4T 为 1.530%。多数不一致源于 bf16 舍入恰好落在阈值上，导致低学习率代码改动在导出时被回退。
arXivAI 评分3939 随机嵌入扰动如何越狱开源权重 LLM
研究者提出 Perturbed Embedding Vector（PEV）攻击，通过随机嵌入扰动越狱六款不同规模的开源权重 LLM，在 JailbreakBench 数据集上稳定诱导出有害或不安全回复。该方法简单快速，成本低于此前的越狱手段。
arXivAI 评分2424 Attention Relay：让指令微调 LLM 的注意力迁移到文本嵌入模型
研究者提出 Attention Relay，无需任何训练即可把指令微调 LLM 的注意力权重传递给 Transformer 嵌入模型自身的注意力，从而让嵌入模型获得指令跟随能力。该方法在 Qwen3、Llama 3.1 和 OLMo 3 三个家族的六个指令微调 LLM，以及十个分词器、规模和池化方式各异的常用嵌入模型上进行了验证。
arXivAI 评分3131 如何提升智能家居智能体的韧性
针对 LLM 智能体在智能家居场景中韧性不足的问题，研究在开源智能家居自动化框架 HomeAssistant 中探索多种策略以提升整体韧性，指出现有工作因环境场景有限或复杂任务表现不佳而韧性偏低。
arXivAI 评分6060 Mingbird：让 2-9B 小模型在本地完成真实任务的智能体框架
arXiv 论文提出 Mingbird，一个面向 Windows 和 Ollama 的本地优先智能体框架，目标是让 2-9B 的开源小模型在普通笔记本上完成真实任务。作者通过单机受控对比和一项第三方基准给出证据，认为工具预填充撑爆上下文、自我纠错发散、工具演示循环和任务被静默放弃等失败中，有相当一部分应归因于智能体框架而非模型本身。Mingbird 用十项机制逐条补偿这些小模型的失败形态。