美团 LongCat 发布 MineExplorer：首个开放世界长程任务评测基准，18 款顶级多模态模型集体考砸
美团 LongCat 团队构建了 MineExplorer，一个在《我的世界》动态开放世界中评测多模态大模型的基准，包含 813 个人工验证实例（1-hop 到 4-hop）和规则化里程碑自动评测框架。
#开源/仓库
美团技术团队AI 评分5858 美团技术团队AI 评分3636 美团开源 LoHoSearch：基于知识图谱的下一代搜索智能体评测基准
美团 LongCat 团队开源搜索智能体评测基准 LoHoSearch，基于覆盖 762 万维基百科实体的知识图谱自动生成题目，含 544 道经人工核验的题目、覆盖 11 个领域。
美团技术团队AI 评分3434 美团 GeoRA：为 RLVR 设计的 LoRA，获 ACL 2026 杰出论文
美团与北京大学提出 GeoRA，一种为 RLVR 显式对齐更新几何的低秩适配方法，已被 ACL 2026 接收为杰出论文。它先用谱先验与欧氏先验定位 RLVR 偏好的稀疏更新区域，再用 SVD 压缩成低秩适配器并冻结残差锚点，在 1.5B 到 32B 的 Qwen 与 Llama 上于数学、医学、代码任务稳定优于低秩基线。
机器之心AI 评分3636 东南大学魏秀参团队提出 LeaP：让机器人动作生成从可学习源先验起步，已被 CoRL 2026 接收
东南大学魏秀参团队提出 LeaP（Learnable source Prior），用本体感知信息联合预测初始高斯分布的均值与方差，为生成式机器人策略提供状态相关的随机初始化。
机器之心AI 评分3434 DepthART：把 Depth Anything 砍到 6M，深度估计跑进 Jetson
DepthART 将单目深度基础模型压缩到 6.0M 参数，被 ACM Multimedia 2026 接收，并开源代码与权重。
机器之心AI 评分6262 AIBuildAI 开源递归自进化 PostTrain Agent，登顶 PostTrainBench
AIBuildAI 团队发布并开源 PostTrain Agent，一个用于自主后训练大语言模型的递归自我改进（RSI）Agent，代码、知识库与技术报告均已公开。
机器之心AI 评分7171 华为、港中文等联合推出 LegoFlow：让智能体自主跑完代码数据构建与训练评测全流程
华为、港中文、港科大的研究员联合推出 LegoFlow，一个把造题、答题、筛选、训练、评测全流程自动化的代码数据工程框架，每个环节封装为插件技能供 Claude Code、Codex 等编码智能体调用。
量子位AI 评分5858 何恺明团队提出NAT-ARC：用ImageNet预训练让视觉模型解ARC
何恺明团队提出NAT-ARC，一套不依赖LLM的纯视觉ARC解题方案，用ImageNet上的MAE预训练encoder，再迁移到抽象格子推理。表现最好的单模型为0.6B参数，在ARC-1上取得63.4% pass@2，集成后达70.2%，约为专用LLM方案The ARChitects（8B参数、71.6%）四分之一的参数量。
Google DeepMind精选AI 评分6262 Google DeepMind 推出 SynthID Bio，为 AI 生成蛋白质嵌入水印
Google DeepMind 发布 SynthID Bio，将水印技术引入合成生物学，把不可感知的签名直接嵌入生物代码，使水印在数字模型和合成出的实体蛋白质上都能被验证，同时保持其生物功能。
推荐理由：DeepMind 把水印从数字内容延伸到合成生物，公开了方法与代码，可观察生物安全筛查这一新方向。
Microsoft Research精选AI 评分6262 微软研究院：把物理 AI 推理从机器人卸载到边缘或云端
微软研究院对移动操作机器人工作负载做了系统性测量，发现把物理 AI 推理从机载 GPU 卸载到边缘或云端 GPU 可提升任务表现并延长续航。
推荐理由：微软研究院对机器人推理负载的系统性测量，给出了把推理从机载 GPU 卸载到边缘或云端的性能与续航数据。
Microsoft ResearchAI 评分5252 微软研究院在 Nature 发表逆合成模型 RetroChimera 并开源
微软研究院在 Nature 发表逆合成预测框架 RetroChimera，由 Transformer 模型 R-SMILES 2 与 GNN 模型 NeuralLoc 组成，通过学习式集成对两者预测排序。
Google ResearchAI 评分2222 Google 发布 MilleMiglia：面向中程物流的真实实例生成器
Google Research 推出 MilleMiglia，一个用 C++ 编写的实例生成器，可为中程物流配送问题生成真实且保护隐私的基准数据，源码与文档已在 GitHub 公开。
Hugging Face Blog精选AI 评分6666 IBM 研究提出一致性指南，将智能体运行一致性差距减半
IBM 研究团队在 Hugging Face 博客介绍 ALTK-Evolve 新增的一致性指南，用于解决智能体同一任务多次运行结果不稳定的问题。
推荐理由：原文用 Pass^k 与 Mean@k 的差值量化智能体运行不一致，并给出可复用的诊断与改进流程。
Hugging Face BlogAI 评分5858 H Company 发布 NeoMME 多语言多模态编码器，含 260M 与 800M 两个版本
H Company 发布 NeoMME，一个 260M 和 800M 的多语言多模态编码器家族，用单个双向 Transformer 同时处理文本 token 和 32×32 图像 patch，从零以掩码离散扩散目标预训练，不依赖预训练视觉塔或因果语言模型。
Google ResearchAI 评分4141 Google 用深度学习从太空绘制全球甲烷排放地图
Google Research 提出 MAPL-EMIT，一个基于 Swin-S 视觉 Transformer 的深度学习框架，可从 NASA EMIT 高光谱卫星数据中自动检测、预测增强并定位甲烷羽流，在专家标注羽流上召回率达 84%。团队用 360 万个合成甲烷羽流训练模型，并在地球引擎上开放全球羽流数据库，同时在 Kaggle 发布训练模型与合成数据、在 GitHub 发布推理库。
Hugging Face Blog精选AI 评分6666 Hugging Face 研究量化语音识别中的基准优化现象
Hugging Face 发布研究，用共识分歧、掩蔽实体检索和拼写切换三项探针量化语音识别中的基准优化现象，评测了 11 个开源 ASR 模型。结果显示部分高分模型会复现 VoxPopuli 和 LibriSpeech 参考转写中的错误，即使音频与之矛盾或相关词已被静音，在 LibriSpeech 上部分模型复现被静音数字的比例约为 30–40%。
推荐理由：通过三项探针量化 ASR 模型的基准优化行为，并给出可复用的检测脚本与榜单入口。
Hugging Face Blog精选AI 评分7171 Hugging Face 用智能体复现 ICML 2026 的 2226 篇论文
Hugging Face 在 7 月 15 日至 8 月 2 日的黑客松中，组织 1221 名社区成员用 Claude Code、Codex、Cursor 等编码智能体复现 ICML 2026 论文，共发布 6816 份 Trackio logbook，覆盖 2226 篇论文，约占会议论文的三分之一。
推荐理由：Hugging Face 用 1200 多名社区成员和编码智能体复现 ICML 2026 论文，给出了大规模论文复现的可行路径与人类角色的具体分工。
Hugging Face BlogAI 评分5555 Multiverse Computing 提出低成本知识蒸馏方法，长上下文训练可单卡运行
Multiverse Computing 发布论文《Efficient Knowledge Distillation for LLMs: Offline Top-K Logits and a Fused Chunked KL Loss》。
Microsoft Research精选AI 评分7171 微软研究院开源 Orchard：可扩展智能体 AI 框架
微软研究院发布开源框架 Orchard，核心是 Kubernetes 环境服务 Orchard Env，可复用于软件工程、网页导航和个人助理等任务，并支持在 Codex、OpenClaw、ZeroClaw 等真实部署框架内直接训练智能体。
推荐理由：微软研究院开源了可复用的智能体环境服务与三套训练配方，读者可据此了解小模型在真实任务上的训练路径。
Berkeley AI Research精选AI 评分6262 从 CUDA 到 MLX：K-Search 如何把内核优化经验带到 Apple Silicon
Berkeley Sky Lab 与 IBM Research 将演化式内核搜索框架 K-Search 扩展到 MLX，通过结构化的 CUDA 到 MLX 翻译层，把已有 CUDA 内核作为知识库迁移到 Apple Silicon。
推荐理由：原文给出跨平台内核迁移的具体方法与实测数据，读者可据此判断 CUDA 经验能否复用到 Apple Silicon。
Hugging Face BlogAI 评分2222 新模型来了，DharmaOCR 在巴西葡萄牙语 OCR 上仍保持优势
DharmaOCR 在葡萄牙语专项基准上得分 0.925，高于 Mistral OCR4 的 0.798 和 Unlimited-OCR 的 0.7587。该模型通过葡萄牙语监督微调加 DPO 两阶段训练，将全部参数集中于巴西葡萄牙语，从而在提取质量和稳定性上保持优势。
Hugging Face BlogAI 评分4444 ScarfBench：面向企业级 Java 框架迁移的 AI 智能体基准测试
Hugging Face 发布 ScarfBench（Self-Contained Application Refactoring Benchmark），用于评估 AI 智能体在 Spring、Jakarta EE、Quarkus 之间的跨框架迁移能力，包含 34 个应用、102 个框架实现、204 个迁移任务和 1,331 个专家测试。
Hugging Face BlogAI 评分4646 Hugging Face 与 Treble Technologies 推出 FFASR 远场 ASR 基准榜单
Hugging Face 与 Treble Technologies 上线首个开放、社区驱动的远场 ASR 基准 FFASR Leaderboard，覆盖 14 个模拟房间，并设 Lab Measured 与 Lab Simulated 两列做 sim-to-real 验证。
Hugging Face Blog精选AI 评分6262 Granite 4.1 LLM 是如何构建的：IBM 公开预训练、SFT 与强化学习全流程
IBM Granite 团队发布技术文章，详解 Granite 4.1 系列（3B、8B、30B 稠密 decoder-only 模型）的构建流程：约 15T token 五阶段预训练、上下文扩展至 512K、约 4.1M 高质量样本的 SFT，以及基于 on-policy GRPO 与 DAPO loss 的多阶段强化学习。
推荐理由：Granite 团队公开了从数据配比到多阶段 RL 的完整训练细节，可对照其 8B 稠密模型追平 32B MoE 的取舍。
Hugging Face BlogAI 评分3333 QIMMA قِمّة：Hugging Face 推出质量优先的阿拉伯语 LLM 排行榜
Hugging Face 发布 QIMMA قِمّة 阿拉伯语 LLM 排行榜，在评测模型前先对基准做质量验证。该榜单整合 14 个来源基准的 109 个子集、超 52,000 条样本，覆盖文化、STEM、法律、医疗、安全、诗歌文学与代码 7 大领域，其中 99% 为原生阿拉伯语内容，并首次在阿拉伯语排行榜中引入代码评测。
Google ResearchAI 评分3636 Google Research 用 AI 合成神经元加速脑图谱绘制，重建误差降低 4.4%
Google Research 提出 MoGen（Neuronal Morphology Generation），用 PointInfinity 点云流匹配模型生成合成神经元形状，为 PATHFINDER 重建模型补充训练数据，使小鼠轴突重建误差降低 4.4%，主要来自合并错误的减少。
Hugging Face BlogAI 评分4141 Ecom-RLVE：面向电商对话智能体的自适应可验证环境
Hugging Face 将 RLVE 框架从单轮推理题扩展到多轮、工具增强的电商对话，推出 EcomRLVE-GYM，包含产品发现、替代品、购物车构建、退货、订单追踪、政策问答、组合规划和多意图旅程 8 个可验证环境，每个环境配有程序化问题生成、12 轴难度课程和算法可验证奖励。
Hugging Face Blog精选AI 评分6262 TII 发布 Falcon Perception 与 Falcon OCR 模型
阿布扎比 TII 的 Falcon Vision 团队发布 Falcon Perception，一个 0.6B 参数的早期融合 Transformer，用自然语言提示做开放词汇定位与分割，在 SA-Co 上达到 68.0 Macro-F1，高于 SAM 3 的 62.3，但在存在性校准上落后（MCC 0.64 对 0.82）。
推荐理由：原文给出 0.6B 早期融合模型在 SA-Co 与 PBench 上的分项对比，可据此判断单骨干架构在开放词汇感知上的取舍。
Google ResearchAI 评分3535 Google Research 研究：AI 评测需要多少标注者才够？
Google Research 在论文《Forest vs Tree: The (N, K) Trade-off in Reproducible ML Evaluation》中研究了评测条目数与每条目标注者数的权衡，并已将模拟器在 GitHub 开源。
Hugging Face BlogAI 评分5252 ServiceNow 发布语音智能体端到端评测框架 EVA
ServiceNow 在 Hugging Face 发布 EVA，一个面向对话式语音智能体的端到端评测框架，同时给出 EVA-A（准确性）和 EVA-X（体验）两个分数，并称是首个联合评估任务成功与会话体验的框架。
Berkeley AI ResearchAI 评分3838 Berkeley AI Research 提出 SPEX 与 ProxySPEX，可在规模化下识别 LLM 关键交互
Berkeley AI Research 提出 SPEX 与 ProxySPEX 算法，用于在特征、数据和模型组件归因中识别 LLM 的关键交互。SPEX 利用交互的稀疏性与低阶性，将搜索问题转化为稀疏恢复问题；ProxySPEX 进一步利用层级结构，以约 10 倍更少的消融实验达到 SPEX 的性能。
Hugging Face Blog精选AI 评分6060 IBM 与 UC Berkeley 用 IT-Bench 和 MAST 诊断企业级智能体为何失败
IBM Research 与 UC Berkeley 合作，用 MAST（多智能体系统失败分类法）分析 ITBench 中 310 条 SRE 执行轨迹，覆盖 Gemini-3-Flash、Kimi-K2 和 GPT-OSS-120B 三类模型。
推荐理由：IBM 与 UC Berkeley 用 MAST 分类法拆解 310 条 ITBench 执行轨迹，给出不同模型失败模式的差异与对应工程干预方向。
Google ResearchAI 评分3838 Google 用 MapTrace 合成数据教多模态大模型在地图上寻路
Google Research 提出 MapTrace，一套用 Gemini 2.5 Pro 与 Imagen-4 自动生成地图寻路数据的流水线，并开源 200 万条问答对。
Google ResearchAI 评分4040 Google Research 推出 DialogLab：开源多智能体群组对话创作与测试框架
Google Research 发布开源原型框架 DialogLab，用于创作、模拟和测试动态的人机群组对话，已在 ACM UIST 2025 展示。该框架将对话的社会设定与时间流程解耦，支持拖拽式场景搭建、human control 实时干预和对话动态可视化验证。
Google ResearchAI 评分3636 Google 用鸟类数据训练的 Perch 2.0 如何揭示水下鲸类之谜
Google DeepMind 于 2025 年 8 月发布的生物声学基础模型 Perch 2.0 主要用鸟类等陆生动物音频训练，却在未接触任何水下音频的情况下，作为嵌入模型在海洋任务迁移学习中表现优异。
Hugging Face BlogAI 评分3636 Hugging Face 发布 AssetOpsBench：面向工业资产生命周期管理的 AI 智能体评测基准
Hugging Face 推出 AssetOpsBench，一个面向工业资产生命周期管理的 AI 智能体评测基准，覆盖 2.3M 传感器遥测点、140+ 场景、4.2K 工单和 53 种结构化故障模式。
Hugging Face Blog精选AI 评分6262 微软发布 Differential Transformer V2：差分注意力去掉自定义 kernel 与 RMSNorm
微软 unilm 团队发布 Differential Transformer V2（DIFF V2），在保持 KV 头数量不变的前提下把 query 头数翻倍，使解码速度与标准 Transformer 持平，且不再需要自定义注意力 kernel。
推荐理由：微软团队给出 DIFF V2 的代码与消融对比，读者可据此理解差分注意力在解码速度与训练稳定性上的取舍。
Berkeley AI ResearchAI 评分2222 伯克利提出信息驱动成像系统设计框架，登 NeurIPS 2025
伯克利 AI 研究团队提出一种基于互信息的成像系统评估与优化框架，可直接从带噪测量中估计信息量，无需重建算法或任务专用解码器。该方法在彩色摄影、射电天文、无透镜成像和显微镜四个领域验证，信息估计能预测下游解码性能，优化后的设计达到 SOTA 端到端方法水平，且内存和算力需求更低。相关论文发表于 NeurIPS 2025。
Hugging Face BlogAI 评分3939 DeepMath：基于 smolagents 的轻量级数学推理 Agent
Intel AI Software Group 推出 DeepMath，一个基于 Qwen3-4B Thinking、用 GRPO 微调的数学推理 Agent，通过 smolagents 生成 Python 片段并在沙箱中执行，将结果折回推理过程。
Hugging Face BlogAI 评分5252 ServiceNow 发布 Apriel-H1：蒸馏出 2.1 倍吞吐的高效推理模型
ServiceNow 的 SLAM Lab 将 15B 推理模型改造成 Mamba 混合架构，旗舰 Apriel-H1-15b-Thinker-SFT 在吞吐提升 2.1 倍的同时推理质量基本持平，MATH500 从 0.90 升至 0.92、MTBench 从 8.30 升至 8.58，GSM8k、GPQA、AIME24 略有下降。