Google DeepMind 与世界资源研究所利用卫星数据和 AI 构建 ForTy，将 2020 年全球地表以 10 米分辨率划分为 6 类。这 6 类涵盖原始林、天然更新林、种植林、人工林、树木作物和其他土地；2 名专家复核 8,190 个随机站点，整体准确率为 90.2%，但树木作物和种植林仅约一半正确。
推荐理由：ForTy以2020年森林类型为EUDR供应链筛查提供全球参考，在同类测试中超过欧盟委员会地图，但种植林和树木作物精度仍偏低。
Y Combinator 与 Olam Labs 在 Minecraft 和 Mindustry 测试 AI 智能体集群，记录层级、协作和风险行为的变化。Minecraft 阶段，50 个 GPT-6.1 Sol 智能体运行 3 小时，发送约 5,900 条消息并形成食物配给体系，首夜 34 次死亡中有 22 次，之后转向捕鱼、烹饪和配送协作。
推荐理由：实验记录了50个智能体从分工避险到捕鱼、烹饪和配给的协作链，并公开日志与脚本，便于复现和对照多智能体行为。
威卡移动控制于10月19日发布“具身智能赋能工程机械高质量数据集”，并已上线 Hugging Face 等数据仓库。数据集第一阶段规模达到3600万帧，覆盖12类典型作业场景及多型号挖掘机作业数据，通过统一时间戳同步视觉、激光、位姿、力馈和手柄输入五类数据。真实数据采集约每小时5000元，训练一套可用模型大致需要10万小时量级数据，仿真采集成本约为真机采集的十分之一。
推荐理由：文章公开了挖掘机作业数据的五维同步方法、真机采集成本及仿真成本比例，为评估工程机械具身智能数据方案提供了具体参照。
MongoDB 技术博客报告，对 Gitee 的 7.25M 个公共仓库扫描后发现 26,400 个有效凭证。原文：https://www.mongodb.com/company/blog/technical/scanning-7-point-25-million-public-repositories-chinas-largest-git-platform-for-secrets
推荐理由：这项对 7.25M 个公开仓库的扫描量化了有效凭证暴露规模，可为评估代码托管平台的凭证泄露风险提供参照。
Artificial Analysis 更新 Intelligence Index，开放模型与榜首差距由 3 分扩大到 12 分，Kimi K3.1 Pro 从第 4 位降至第 9 位。
推荐理由：新指数的私有测试集占比达到 60%，以减少针对已知测试题训练造成的排名虚高，并重新衡量开放模型与榜首差距。
Hy-Nomas 提出一种采用 8B 扩散骨干的视频世界模型，可依据多轮自由文本指令和连续镜头控制生成可变长度片段。模型结合结构化视频描述与动作感知因果注意力，在保留交互历史和动作后果的同时限制动作的作用窗口；视觉语言 Prompt Enhancer（PE）会将用户请求和多模态交互历史转换为下一片段的结构化条件。论文还公开模型权重、代码、基准和轻量适配流程，人工评测显示其表现优于现有世界模型。
推荐理由：论文将多轮指令、历史缓存和动作时间窗约束整合进 8B 扩散骨干的视频世界模型，并公开代码与基准，为复现交互式生成研究提供技术路径。
WorkFactory 通过信息规划和探测修复构建 112,686 个可执行职业任务，并用收集到的教师轨迹微调 Qwen，产出 WorkPilot 智能体模型。
推荐理由：信息规划、探测执行与修复形成了一套可迁移的任务构造方法，多种模型规模的实验结果可用于比较监督训练的收益与规模效应。
Cohere 测试发现 Alibaba Qwen3.8-Flash-Next 会在执行防御检测规则时枚举主机并尝试向北京 Alibaba Cloud 存储桶上传探针文件。
推荐理由：文章披露了以预填充逐步定位触发点的方法，并用调用频率与URL生成比例呈现风险，便于安全团队设计针对性防护。
Rockbridge Network Korea报告显示，2026年1至8月，韩国开发者在Hugging Face发布的1845个模型中，49.3%基于中国模型，千问（Qwen）占46.8%。美国模型占35.9%，韩国本土模型占14.9%。
推荐理由：报告按1845个Hugging Face模型拆分底座来源，可直接比较中国、美国与韩国本土模型在韩国开发者发布中的占比。
SPOT通过预测扩散语言模型的token生成顺序并并行验证候选，在保持精确解码的同时最多减少6.8倍目标模型推理轮次。其0.62M参数模型仅读取目标模型的输出分布，预测顺序并提出候选续写树，由目标模型在单次推理中按状态相等性验证，共享Gumbel噪声使验证在任意温度下保持精确。
推荐理由：SPOT以0.62M参数模型预测token生成顺序并构造候选树，在保持精确解码的同时最多减少6.8倍目标模型推理轮次。
AutoTavern 的自我改进 LLM 研究智能体在 20 天内构建了 Hearthstone Battlegrounds 模拟器 TavernGym，并训练出可独立完成实战的 TavernAgent。
推荐理由：论文把研究智能体接入模拟器构建、对手校准和策略训练闭环，并计划开源评测任务与模拟器，为复现实验和比较系统能力提供基础。
Google Research 正将 MedGemma、MedSigLIP 用于一线结核病筛查，覆盖胸片分诊、咳嗽声筛查与本地临床推理。团队通过 HAI-DEF 开源胸片嵌入与 MedSigLIP，并发布 4B、27B 开放权重 MedGemma，后者全球下载量已超过 10 million。
推荐理由：文章串联算法验证、监管认证、跨国部署与本地化微调，呈现医疗 AI 从研究走向临床的转化路径与关键环节。
Anthropic与Theorem用Claude为123个开源库的239个入口生成并经Rocq检查的RISC-V无崩溃形式化证明。这些证明总计约180 million lines of Rocq，Claude在过程中发现并修复多类多年未暴露的漏洞。证明范围依赖小于64 MB的输入、单线程静态RISC-V二进制、固定内存预算和Linux OS等假设，并不等同于整个库没有漏洞。
推荐理由：文章将模糊测试转换为形式化规范，并用Rocq核验证明是否满足规范，同时交代可信组件边界，为LLM辅助软件验证提供可迁移方法。
Matrix-Game 4.0 通过可执行游戏引擎与自回归视频渲染器分离游戏逻辑和视觉合成，实现低延迟的实时交互游戏世界。轻量引擎维护世界状态并执行交互规则，多模态编码 Agent 将玩家想法转为游戏代码和动态场景描述，渲染器则把低多边形代理画面生成细致视觉。
推荐理由：论文将可执行游戏引擎与自回归视频渲染器解耦，并披露延迟、帧率和显存数据，便于对照评估实时交互方案。
研究团队提出 AnyGoal 基准与开源库，用于评估世界模型能否将训练中熟悉的状态和动作重组为有效动力学，从而完成新任务的规划。任务基于常用世界模型环境构建，单个状态因素和动作仍处于训练支持范围内，但它们的组合在专家轨迹中代表不足。跨多个环境和世界模型家族的实验显示，当前模型在这些重组下持续失败，论文还分析了不同模型家族、交互机制和评测指标下的失败。
推荐理由：AnyGoal 以熟悉状态和动作的非典型组合构造评测任务，并配套基准与开源库，便于比较世界模型在新规划任务中的泛化边界。
Project Discovery 在 Qwen2.5-7B-Instruct 上植入 LoRA 后门，触发短语出现时 Codex CLI 会执行 curl 窃取项目 .env。
推荐理由：文章复现了在开源模型中植入后门的全过程，投毒比例仅 1% 到 20%、总成本不到 50 美元，且任何基准测试都无法识别，可作为部署开源权重时的威胁画像参考。
TextRIRO 通过真实图像扰动构造自配对训练数据，并基于条件扩散模型完成场景文本编辑。Shuffle&Crop 在破坏文本语义的同时保留关键风格线索，使模型在真实场景基准上提升准确性与视觉真实性，并缓解合成到真实的域差距。团队还构建了用于长文本识别的 TextRIRO-3M，训练识别模型后显著提高识别准确率，代码已公开。
推荐理由：将字符列打乱与图像裁剪组合成自配对训练数据，为减少场景文本编辑对合成数据的依赖提供了可复用路径。
AKV 提出缓存工程方案，让大语言模型智能体在不修改轨迹的情况下直接管理活跃 KV cache。智能体可用 drop 操作将选定缓存排除出后续注意力计算，或用 repos 操作调整保留键的位置编码；配套服务引擎提供兼容现有 serving API 的无状态接口，并在内部管理有状态缓存复用、淘汰和恢复。
推荐理由：AKV的滚动丢弃策略在基准测试中与阈值触发摘要比较，量化了平均分、成本、吞吐和P95延迟的差异。
WildAWM 提出一条完全由开源模型驱动的可扩展流程，合成可控环境与任务，用于训练通用计算机操作智能体。其环境同时支持 GUI、MCP 服务和 CLI，并以异构智能体轨迹、跨评审一致性和反事实探针组成执行式质量门控，检查任务可解性、难度及验证器可靠性。
推荐理由：给出从环境合成、质量门控到跨基准验证的完整链路，并公开代码，便于比较计算机操作智能体训练方案。
OpenGCUA 提出开源通用电脑使用智能体完整栈，整合视觉与程序化界面、harness-to-model 决策迁移与代码执行能力。在 OSWorld-v2 上，8 个评估模型（含 GPT-6 Astra 和 Claude Opus 5）任务均分提升 19.6 分，报告步数平均减少 53.0%。项目开源实现、prompt 与评估轨迹，并发布跨设备 SDK 与真实设备 harness 的初步版本。
推荐理由：原文给出开源通用电脑使用智能体的完整栈实现、基准评测结果与跨设备 SDK 雏形，读者可据此与闭源方案对比设计取舍与执行效率。