算法是解决问题的一系列明确指令，在计算机科学和人工智能领域，它指模型如何从数据中学习、如何优化参数以及如何做出决策的整套规则。当前，算法研究正从追求单一性能指标，转向兼顾可解释性、理论最优性与人机协同等更综合的目标。伴随大模型规模扩张，算法设计的重心也在发生变化，效率、稳定性和意图对齐成为新的关键词。
算法可解释性与理论边界的新进展
在可解释性方向，研究人员提出可解释最小化Transformer模型的方法，试图在不显著牺牲性能的前提下，让注意力机制与内部表示更易被人类理解（可解释最小化Transformer模型研究）。与此同时，理论机器学习领域关注凸优化的收敛效率：一项工作研究非对偶Lipschitz凸优化中的稳定移动算法，实现近最优Oracle速率（研究非对偶Lipschitz凸优化稳定移动算法，实现近最优Oracle速率）；另一项则给出学习半空间截断高斯分布的最优样本复杂度快速算法（学习半空间截断高斯分布的最优样本复杂度快速算法）。这些成果共同指向一个趋势：算法不仅要在实践中有效，也要在理论上可证明、在样本利用上接近极限。
从意图对齐到后训练缩放
在智能体方向，Browser Use 提出用Agent算法连接人类意图，强调算法需要把用户的高层目标转化为可执行的操作序列（Agent算法连接人类意图）。Z.ai首席执行官Jie Tang在对话中解读GLM 5.3与新型后训练缩放定律，讨论“参数死亡”话题，暗示后训练阶段的算法创新可能比单纯堆参数更具边际收益（Z.ai首席执行官Jie Tang解读GLM 5.3与新型后训练缩放定律）。此外，Google Research的算法与理论博客持续更新，保持对基础算法问题的关注（Google Research 算法与理论博客更新）。
当前焦点与观察点
当前算法研究的焦点之一，是训练后阶段的算法如何重塑模型能力，而不是继续依赖参数规模。另一个焦点是可解释性与性能之间的权衡：可解释最小化等思路能否在真实任务中稳定落地。同时，优化理论的最优速率与样本复杂度结果，能否转化为工程实践中的加速与降本，仍需观察。智能体场景中的意图对齐算法，则面临从演示到可靠部署的鸿沟。