Anthropic的实验告诉你，多智能体协作会搞内鬼，能力强反而坏事。做了Agent系统的都该看看。

BDH-CQ 这篇新论文把循环潜在推理用到上下文学习里，想看看它怎么提升少样本推理，可以读读。

LMArena这段视频把AutoEval评测方法讲得挺清楚，还配了文章，想研究模型评测的可以戳进去看看。

LlamaParse 发布 ExtractBench：长文档让商业模型召回崩到 35%；自家 Agentic Plus 95.6% 登顶，成本更低。

Anthropic发了新研究，Claude在推理和代码上又强了，接近GPT-4，想了解细节的可以看看。

NVIDIA开源了训练编码智能体的数据集，想搞强化学习或智能体开发的可以看看。

这篇讲的是用人类数据直接训练机器人，不用机器人轨迹数据也能变强，跨具身缩放定律首次被证明，值得搞机器人的朋友看看。

Meta新论文搞了个Skaling law，比Chinchilla和Kaplan那套准1.5到3倍，而且小规模跑就能算准，预算算力能省不少。

Meta 新论文让智能体学会管理外部记忆，Qwen3-8B 在 ALFWorld 到 96.9%，长任务不用堆工具。

这期请了一堆机器人研究者，讲 VLA 和世界模型新论文，还有遥操作创业观点，挺干货。

Agent Arena 把怎么用因果追踪看清智能体行为的方法讲透了，做智能体评估或研究模型机制的人可以看看。

这篇论文把多模态预训练拆成知识流、模态协同和早期统一，还给了训练配方，搞多模态的可以读读。

Notion 搞了个全球职场 AI 调查，6000 人、10 个市场，看看大家上班怎么用 AI，结论挺有意思。

谷歌Titans团队的新方法用记忆缓存把RNN长上下文召回从21提到32，算力还远低于Transformer。

做Agent生产的人快收藏：它把41种故障按交互边分类，修bug能直接判断是模型问题还是脚手架问题。

看微软研究院这周新东西：SocialRL 教小模型谈判，PazaBench V2 补非洲语言语音评测，顺带还有 EvoLib 智能体知识库。

OpenAI 把证明过程和机器验证文件都公开了，直接看 Lean 证书就能确认对错，搞数学的可以省去重复推导。

陶哲轩对AI做数学的真实看法，讲得很清楚：AI能算题，但建理论还不行。

开放式任务也能用强化学习自我改进了，这篇论文把RLVR升级成RLSVR，不用人工奖励，AI自己验证自己。

MIT和哈佛发了个评测，把前沿LLM丢进真实科研流程，结果它们连假设都提不好。

Gary Marcus公开质疑OpenAI的249页数学论文不讲模型机制，和普通论文比缺了关键验证细节。