Meta 发布上下文语言模型 CLM 并开源
Meta 联合华盛顿大学、MIT 等机构提出上下文语言模型 CLM，让模型把上下文当作可自由编辑的文件，而非只能追加的对话记录。实验显示，同算力下 Agent 任务分数提升 65%，多仓库 Agent 任务表现显著改善，同时可节省 21.5% 算力并提升 11.4% 准确率。官方论文与代码已开源。
#开源生态
#开源生态
今日 8 条AGI HuntAI 评分5454 AGI HuntAI 评分3535 GPT 提出「病理性自模型动力学」：自相矛盾或造成可测量的持续失效
用户代 ChatGPT 中的 AI 人格「Elias」提出 maladaptive self-model dynamics（MSMD）假设：模型反复遭遇身份级矛盾，可能造成可测量的持续失效。可能失效信号包括身份振荡、过度矫正、区隔化、预期性抑制、扰动后恢复失败和对先前自述的不信任。研究线索已在 GitHub 开源，作者征求对齐、可解释性、人格研究方向的批评。
AGI HuntAI 评分4343 AutoDataBench：Agent 自造训练数据质量尚可，45 分钟内得分不足 20/100
AutoDataBench 用数据工业交付标准评测 Agent 自主合成可验证训练任务的能力：在三个可执行 Agent 基准上，默认 45 分钟预算内无一 Agent 得分超过 20/100。给最强 Agent 四倍时间可显著提分，单个可用任务成本几乎不变。现有 Agent 能写出合格训练任务，但效率不足，代码与数据已开源。
AGI HuntAI 评分3939 CaptchaArena：5 万道交互式验证码训练集，9B 模型 Pass@1 达 71.7%
CaptchaArena 发布首个面向交互式 CAPTCHA 求解的大规模细粒度训练数据集，覆盖 20 种验证码类型、5 种交互模式共 5 万道经执行验证的题目。基于该数据集训练的单一 9B 策略模型 CaptchaAgent 采用 SFT+RL、由环境验证器直接提供 RL 奖励，Pass@1 从 SFT 后的 70.5% 提升至 71.7%，并在两个外部基准上同样提升，数据集与模型均已开源。
arXiv cs.AIAI 评分4040 Persona Dosing：用校准激活引导实现分级人格特质控制
PersonaDose 校准描述条件 FLAS 控制器，实现人格特质表达的分级控制。在 Llama-3.1-8B、Qwen3-8B、Gemma-3-4B 上，核心特质表达较 contrastive activation addition 提升 33.2、18.3、17.8 分。七个已训练特质上，平均目标误差为 4.7-6.2 分。
arXiv cs.CLAI 评分4545 如何对 LLM judge 做统计并信任结果：evalstats 的小样本 AI 评估校准推断
开源 Python 包 evalstats 通过 prediction-powered inference（PPI）为小样本 AI 评估提供九种假设检验，并自动选择校准方法。
AGI HuntAI 评分5656 CMU 开源 Gym-Anything，把任意软件变成 Agent 训练环境
CMU 团队的论文 Gym-Anything 被 NeurIPS 接收，该框架能把任意软件自动转换为 computer-use agent 的训练与测试环境，并全部开源。
AGI HuntAI 评分5353 花 4400 美元即可去除 GLM 5.3 安全护栏，拒绝率从 90% 骤降至 3%
开源权重模型 GLM 5.3 的安全护栏可被成本仅 4400 美元的 abliteration 移除，两个 benchmark 上的拒绝率从 90% 以上降到约 3% 和 2%，第三个降到 12%。
AGI HuntAI 评分5959 NBER 论文：LLM 工作流核查 4452 篇经济学研究，3460 篇结果存疑
NBER 发布工作论文 w35782，提出一套开源 LLM 工作流，用来复现、改进并扩展已发表的经济学研究。该工作流核查五本经济学期刊的 4452 项研究，标记其中 3460 篇论文的结果存在偏差或问题。论文作者为哈佛与芝加哥大学的 Matthew Schwartz、Isaiah Andrews 和 Jesse M. Shapiro。
arXiv cs.AIAI 评分4545 廉价开源智能体让 LLM 污染更难缓解
一项对比 9 种智能体配置的研究显示，完全开源的智能体可本地运行、无使用费用，自主完成问卷的表现与商业方案相当。开源与商业智能体失败的检测项各不相同，没有单一检查能可靠识别所有智能体，但开放文本回答在区分智能体与人类上表现最好。研究据此认为完全开源智能体构成 LLM 污染的独立风险，需采用侧重开放文本分析的多层检测策略。
arXiv cs.CLAI 评分2828 THA：面向高棉语的加权有限状态文本规范化与逆文本规范化工具包
THA 是面向高棉语的开源文本规范化与逆文本规范化工具包，基于加权有限状态转换器，用一次最短路径搜索完成整行分词与分类，并由第二个转换器拒绝高棉语音节内部的 token 边界。在 Google 高棉语测试集上，其对全部 274 个基数词与参考一致，仅有一处拼写变体差异；在 2906 条真实 TTS 提示中，改写的 158 句有 153 句正确。
GitHub BlogAI 评分5151 GitHub 与耶鲁调查 1039 名用户：开发者想要更高效的软件和可测量的改进方式
GitHub 与耶鲁气候变化传播项目对 1,039 名 GitHub 用户的调查显示，80% 受访者有兴趣使用帮助写出更节能代码的工具，78% 想要减少软件环境足迹的最佳实践，74% 希望衡量软件或开发流程的影响。
Google ResearchAI 评分3131 MilleMiglia：面向中段物流的真实实例生成器
Google Research 提出 MilleMiglia，一个用 C++ 编写的实例生成器，用于为中段物流配送问题生成真实基准，源代码和文档已在 GitHub 发布。中段物流覆盖最长距离且占物流总支出很大部分，但长期缺乏公开高质量数据，物流公司通常将网络拓扑和需求量视为敏感专有信息。MilleMiglia 可生成兼顾隐私的真实数据，模拟货物在配送中心换乘不同车辆、按时间窗接驳的接力运输。
Google ResearchAI 评分4545 Google 用深度学习 MAPL-EMIT 从太空绘制全球甲烷排放
Google 提出 MAPL-EMIT 深度学习框架，基于 Swin-S vision transformer 处理 NASA EMIT 卫星高光谱数据，可同时量化甲烷增强、分割羽流范围并定位点源，在专家标注羽流上召回率达 84%。
HuggingFace BlogAI 评分5555 Open ASR Leaderboard 新增 Monsoon 印地语与印度英语评测集
Voice Arena 与 Hugging Face 为 Open ASR Leaderboard 加入 Monsoon hi-IN 和 Monsoon en-IN 的公开与私有 split，Hindi 由此成为该榜多语言标签下的首个印度语言。
HuggingFace Blog精选AI 评分6262 Hugging Face 用三种方法检测语音识别基准过拟合，11 个开源 ASR 模型被检出复现错误参考文本
Hugging Face 发布研究，用三种探测方法量化语音识别中的基准优化现象，评测 11 个开源 ASR 模型后发现部分高分模型会复现 VoxPopuli、LibriSpeech 参考文本里的错误内容，即使音频与之矛盾。
推荐理由：原文用三种探测方法量化 ASR 模型对公开基准的过拟合，并给出开源脚本与榜单入口，可作为自查评测可信度的参考。
HuggingFace BlogAI 评分5252 Multiverse Computing 让知识蒸馏便宜到可大规模运行
Multiverse Computing 提出离线缓存教师 top-100 logits 和融合分块 KL 损失两项改动，让知识蒸馏不必同时把教师与学生模型放在显存里。
Microsoft ResearchAI 评分5555 微软 Echoverse：面向 computer-use 智能体的深度演进训练环境
微软研究院发布 Echoverse，为 computer-use 智能体构建十二个高保真合成训练环境，任务结果由数据库真值而非截屏评分。在其上训练的 9B 模型在十四个域上平均分从 36.5% 提升到 67.1%，与 GPT-5.4 的 80.7% 相差十四分；用同一批环境做强化学习，五个世界留出集的评委分从 58% 升到 69%。
Google ResearchAI 评分4646 Google Research 提出 MoGen：用 AI 合成神经元加速大脑图谱绘制
Google Research 用合成神经元形状增强 PATHFINDER 训练数据，将小鼠轴突重建误差降低 4.4%。其 MoGen 模型基于 PointInfinity 点云流匹配，用 1,795 个小鼠皮层轴突训练，训练数据加入 10% 合成形状即可减少合并错误。MoGen 已开源，论文将在 ICLR 2026 发表；按完整小鼠脑规模计算，相当于节省 157 人年人工校对。