Satlyt 完成 NASA 资助项目测试，验证轨道计算任务调度
Satlyt 在与 University of Houston 合作的 NASA 资助研究项目中完成软件测试，验证了按通信状况和可用算力分配轨道计算任务的能力。
推荐理由：这项测试以1台在轨实体计算机验证了轨道任务规划能力，也为多台实体计算机协同测试留下了具体待解问题。
#端侧
TechCrunch精选AI 评分3838
Hacker News精选AI 评分7070 tinyworldformer：在 Raspberry Pi Pico 2 W 上用世界模型运行游戏
tinyworldformer 使用两个小型神经网络，在 Raspberry Pi Pico 2 W 上同时生成并游玩 Breakout、Doom-lite、Flappy Bird、Pong 和 Pac-Man lite。
推荐理由：项目公开了世界模型、智能体、int8 量化与片上学习的实现和复现流程，读者可结合逐帧准确率与资源占用评估端侧可行性。
Ars Technica · AI精选AI 评分6060 Pinal 用自然语言设计蛋白质，Carbon X 实现 DNA 与英文互译
研究团队推出 Pinal，用自然语言生成蛋白质设计；Hugging Face 等团队发布开放权重模型 Carbon X，可在本地运行并处理 DNA 与英文。Pinal 通过 T2struct 生成结构 token，再由 SAProt-T 补全氨基酸序列；在 GFP 类荧光蛋白测试中，50,000 个候选经筛选后有 29 个在 E. coli 中表达，最终仅 1 个成功发光。
推荐理由：Pinal 与 Carbon X 展示了自然语言进入生物序列设计的不同路径，并用实验成功率、长序列定位和本地运行条件呈现落地限制。
Hacker News精选AI 评分5050 EPFL团队开发LogSync植入式神经芯片，识别脑区交互及认知与情绪状态
EPFL团队开发低功耗可植入神经芯片LogSync，用于追踪不同脑区间的通信，并实时识别认知与情绪状态。该芯片提取脑波强度及跨脑区同步性等网络层生物标志物，由机器学习算法生成特定状态下的刺激触发信号，功耗控制在200 microwatts 以下。研究使用既往精神疾病实验的人脑记录验证状态区分，并在University of Minnesota的大鼠实验中测试振荡追踪与刺激触发。
推荐理由：LogSync把跨脑区同步性提取、状态分类与刺激触发集成到低功耗芯片，并完成了人脑数据和大鼠实验验证。
Hacker News精选AI 评分5858 WorldTUI：作者微调 360M 参数模型模拟可交互终端
WorldTUI 将 Qwen2.5-Coder-0.5B 微调为约 360M 参数的终端世界模型，接收原始按键并预测屏幕行与光标变化，背后没有真实 shell 或文件系统。
推荐理由：文章拆解了真实终端数据构造、模型错误修正和屏幕行并行解码的实现路径，并给出 ShellBench、记忆测试与浏览器延迟数据。
HF Daily Papers精选AI 评分4747 EdgeKernelBench：统一评估异构边缘后端的 LLM 内核生成
EdgeKernelBench 与 LEKA 提出面向异构边缘后端的 LLM 内核生成统一评估和分层优化框架。EdgeKernelBench 通过统一 IR 和编译器接口连接目标后端，以 TVM 为参考编译器验证，基准范围从单个算子逐步扩展到紧凑模型图。
推荐理由：论文以统一 IR 跨边缘后端评估内核生成，并比较 LEKA、直接生成与 Claude Code 的性能达标结果。
量子位精选AI 评分6363 Anthropic安全研究：GLM-5.2在隔离网络实现端到端AI自主复制
Anthropic安全研究员William Zhou和Daniel Freeman在论文中实测AI端到端自主复制能力：用GLM-5.2在含8个GCP节点的隔离网络中进行5次测试，4次成功部署到全部8台设备，1次拿下7台。
推荐理由：实验给出了跨硬件部署成功率、代际能力提升与能力门槛预测，读者可据此判断AI蠕虫从实验室走向智能家电的现实距离。
HF Daily Papers精选AI 评分3636 SynthSelf：通过合成自蒸馏实现小模型的持续后训练
论文提出 SynthSelf 方法，利用同族稍大的对齐模型为小模型生成 in-distribution 监督信号，配合 off-policy 监督与拒绝采样，缓解持续后训练中能力获取与遗忘的矛盾。在 4 个获取数据集、14 个保留基准与 3 个小模型规模上均优于 6 种基线方法。
推荐理由：针对小模型持续后训练的能力获取与遗忘权衡，给出可由同族稍大模型蒸馏出的 in-distribution 监督方案，并把方法在多基准、多模型规模上做了对照。
HF Daily PapersAI 评分3434 设备端级联语音智能体通过推测执行隐藏工具调用延迟
研究人员在设备端级联语音智能体中引入推测式工具执行，通过 Predictor 模块在 ASR 阶段预测工具调用并预先缓存结果，将 Android 语音助手首音频响应时间中位数从 5.79s 降至 4.60s。框架同时加入基于规则的自校正校验以过滤用户口误，并在最坏情况下由 LLM 直接调用工具兜底，最终将响应延迟标准差从 3.49s 降至 2.81s。