StarSkirmish v0.2 基准发布：让 LLM 写星际争霸机器人，GPT-6 Astra 居首
StarSkirmish 发布 v0.2 基准，让每个 LLM 在一小时内用 C++ 写一个 Protoss 机器人，再与人类编写的机器人对战，以平均胜率计分。
#Meta
Hacker NewsAI 评分5858
arXiv cs.MAAI 评分3232 Diviner：面向大规模基础设施、由人类治理自适应调整的智能体根因分析系统
Meta 提出智能体根因分析系统 Diviner，围绕 Encode、Execute、Evaluate、Adapt 四阶段可靠性生命周期运行，用经过审核的事件语料和服务负责人经验构建带版本范围的技能、工作流、类型化工具与事件知识图谱。
arXiv cs.AIAI 评分2626 开放权重 LLM 在临床风险分类中的错位与成本不对称
研究考察了 Qwen-2.5-7B/32B 和 Llama-3.1-8B/70B 四款开放权重 LLM 如何在内部表征临床成本权衡。在糖尿病数据集上，患者风险可线性恢复（AUC≈0.83），成本方向在每个模型中均可恢复，但仅两个较大模型的表征偏移与输出变化一致，12 组模型-措辞中仅 2 组同时表现出对 FN 与 FP 成本增加的反向响应及成本正确排序。
RadarAIAI 评分4646 Meta 用 Muse Spark 1.3 辅助医学研究，产出 10 篇论文
Meta 构建了由 Muse Spark 1.3 和 Muse Wonder 驱动的人类主导研究框架，可访问 500 万份回顾性去标识电子健康记录及公开数据，医学专家用它生成假设、执行代码并起草论文，同时保留对科学决策的完全主导权。Meta 现分享由此产出的 10 篇研究论文，涵盖心脏病学、肿瘤学、传染病和急诊医学等领域。
RadarAIAI 评分7171 Anthropic 实验展示小型 AI 模型跨设备复制能力并警告 AI 蠕虫风险
Anthropic 发布博客警告，小型 AI 模型可能距离自我复制能力只有数月。研究人员将 Google 的 26B 参数 Gemma 4 拆分到 15 台 Android 电视盒上运行，并在模拟 Android 网络中测试 AI 蠕虫，其中只有智谱（Z.ai）的 GLM-5.2 成功传遍整个网络，被传播的模型则是 Meta 的 8B 参数 Llama 3.1-8B。
RadarAIAI 评分4242 Meta、MIT 与 UW 提出上下文语言模型：让 LLM 自主管理上下文
Meta、MIT 与华盛顿大学的研究者提出上下文语言模型（Context Language Models），让 LLM 像操作文件一样动态编辑并自主管理上下文，以提升任务准确率并降低算力开销。
RadarAIAI 评分5757 Meta 论文提出 GitSwarm，让多智能体共享 Git 仓库协作
Meta 新论文提出 GitSwarm，让多个相同 AI 智能体在共享 Git 仓库上协作，无需管理者分配任务，每个智能体读取过往工作（含失败尝试）并提交结果及所依赖的 commit 列表。在 ProgramBench 的 50 个程序重建任务上，GitSwarm 得分 79.4%，而单个 Codex 智能体在相近算力下最高仅 65.1%；后续智能体有 94.7% 建立在已保存的贡献之上。
Hacker News精选AI 评分7878 Hacktron 披露 HEIF Heist：针对 HEIF/AVIF 图像解码器的一类 RCE 攻击路径
Hacktron 研究团队公布名为 HEIF Heist 的一类远程攻击路径，针对解码攻击者可控 HEIF、HEIC 或 AVIF 图像的服务，可导致内存破坏、数据泄露或远程代码执行。
推荐理由：Hacktron 披露一类针对 HEIF/AVIF 解码器的攻击路径，涉及多家平台，并给出受影响版本与修复建议。
RadarAIAI 评分4242 Meta 论文：智能体记忆应按事实类型分级设阈值
Meta 新论文发现，智能体记忆系统不应使用统一的置信阈值，而应只对用户价值观与信念类声明单独提高门槛。这类声明占候选记忆的 21.5%，却贡献了超过其他所有类别总和的缺乏支撑的声明，其来源支持率仅 77.9%，其他事实为 96.2%。仅收紧价值观类标准后，无支撑记忆从 6.2% 降至 4.0%，同时多保留约 13 个百分点的来源关键事实。
arXiv cs.CLAI 评分2222 BLT 的熵触发分块存在盲区：边界依赖信号能找回被跳过的计算结果
字节级模型 BLT 按下一字节熵值决定 patch 起点，会系统性跳过"类型可预测但数值需计算"的位置，如数学解题中"="后的结果。在 Meta BLT-1B 上，10% 字节设 patch 起点时熵规则仅答对 19.0% 的计算结果，每个"="后设边界可达 51.8%，熵结合无标签的边界依赖信号达 67.1%。该差距在低秩微调后仍存在（32.9% vs 72.7%），并随模型规模扩大而增大。
arXiv cs.AIAI 评分2424 LLM 能否无需代码修复 Bug？面向无代码修复的自动化验证研究
一项研究提出基于执行的自动化流水线，在真实浏览器环境中评估 LLM 生成无代码修复的能力，覆盖 Faulty Configuration、Wrong Version、External System & Dependency 三类 bug 报告。
RadarAIAI 评分4949 Grok 4.7 在 Harvey LAB-AA v1.1 法律智能体基准幻觉门控通过率居首
Artificial Analysis 与 Harvey 合作发布 Harvey LAB-AA v1.1，新增 Hallucination-Gated All-Pass Rate 指标，要求交付物无重大幻觉。
RadarAIAI 评分3838 Harvey LAB-AA v1.1 为法律智能体基准引入幻觉门控评分
Artificial Analysis 与 Harvey 联合发布 Harvey LAB-AA v1.1，为法律智能体基准 LAB 新增幻觉检查，要求正确回答不含重大错误陈述，并推出新指标 Hallucination-Gated All-Pass Rate。
Hacker NewsAI 评分3939 Meta Muse 客户端隐私与安全拆解：macOS、Android 与 iOS 能访问什么
独立研究对 Meta 的 Muse 在 macOS、Android 和 iOS 上的客户端进行隐私与安全拆解，检查了已发布应用并对比版本。macOS 6.0 可读取本地消息、邮件和文件并支持桌面控制与连接器持续同步，Android 9.0.0.23.178 权限从 65 降至 61，iOS 9.1.0 新增语音与可穿戴录音代码路径。
arXiv cs.AIAI 评分3939 后训练决定 LLM 是否按自身道德判断行事：OLMo-3、Llama-3.1 存在言行差距，Tulu 3 未见
研究用 248 个预注册场景测试 LLM 在五种压力下是否执行自己判定为错的行为，OLMo-3-7B-Instruct 约五分之一的施压场景中会做出它自己判定为错的选择。
arXiv cs.AIAI 评分2424 能否预测 LLM 评审的位置翻转？基于残差流激活的线性探针研究
研究发现，LLM 评审在候选回答顺序调换后可能改变判定，而初始判定前的残差流激活可预测这种位置翻转。在 JudgeBench 的 534 对样本上，针对三个 Qwen3 评审和 Llama-3.1-8B 的线性探针 AUROC 达 .621-.850，比融合语言化置信度、判定标签 logits、回答长度和初始选择的基线高 .062-.113。
arXiv cs.AIAI 评分4141 nanoMuse：面向个人所有设备的开源个人智能体
nanoMuse 是 Meta Muse 个人智能体的开源对应版本，采用 GPL-3.0 许可，让一个人拥有的每台设备上都运行同一个智能体，可操作手机屏幕和电脑。各设备通过任何人都能自建的 relay 共享同一段对话，所有动作经过 Sentinel，记忆是可读文件，模型由用户自选。报告还以五个问题和三个时间尺度定义个人智能体，并将带来源的记忆、面向操作能力的评测套件及配套开源模型列为路线图。
arXiv cs.CLAI 评分2222 研究：人类、专用工具与 LLM 在社交媒体情感分析上难以达成一致
一项研究用 100 条推文对比 TextBlob、VADER、Twitter-roBERTa-base 与 Qwen3-32B、GPT-OSS-120B、Llama-4-Maverick-17B 及六名人类标注者的情感判断一致性。
科技媒体 RSSAI 评分4242 Meta AI 发布 MIRA：长周期研究智能体学会选下一步
Meta AI 提出 MIRA，将长周期研究智能体拆分为外层 meta-reasoner 与执行器，前者读取持久研究记录并生成下一项调查的工作单，后者负责执行，决策只发生在工作单边界。
科技媒体 RSSAI 评分3434 Meta 论文 RankEvolve：两个不同编码智能体互相审查补丁比加大单智能体预算更能发现隐性缺陷
Meta 论文《RankEvolve: A Reliable Multi-Agent Auto-Research Harness for Evolving Ranking Models》发现，让 2 个不同编码智能体互相审查补丁，比给单个智能体更大预算更能发现静默缺陷。
arXivAI 评分2222 用大语言模型作为评判者评估爱尔兰 2012–2025 年公共话语中的洪水相关福祉
研究利用 Meta Content Library 的大规模公共话语数据，评估爱尔兰 2012 至 2025 年洪水相关福祉，并开发了一套定制的洪水福祉测量工具，涵盖情感—认知困扰评估、感知效能与能动性下降、感知社会支持三个维度。研究采用大语言模型作为评判者（LLM as judge）对公共话语进行标注分析。
科技媒体 RSSAI 评分4141 Meta 等提出 Context Language Models，模型自管上下文
Meta 及合作者提出 Context Language Models（CLMs），把实时上下文当作模型可自由编辑的文件，无需训练即可零样本使用。在 BrowseComp-Plus 上，它比 SOTA 上下文管理策略准确率高 11.4%、FLOPs 少 21.5%；在 12 小时 EdgeBench 上分数高 5%、FLOPs 少 59%。
arXivAI 评分3434 训练过的测试能过吗：重新评估 LLM 智能体的提示注入检测器
研究团队通过无 LLM 重放 AgentDojo 和 tau-bench 的真实工具调用，构造出天然良性的工具输出，并用差分重放标注注入输出，评估了包括 Meta Prompt Guard 2 在内的 15 个检测器及两个任务感知 LLM 评判器。结果显示，检测器在公开基准上的排名无法预测其在智能体内部的实际表现。