Cognition 发布 SWE-1.6 预览，SWE-Bench Pro 得分较 SWE-1.5 高 11%
Cognition 分享正在训练中的 SWE-1.6 早期预览：当前 checkpoint 在 SWE-Bench Pro 上比 SWE-1.5 高 11%（51.7% 对 40.1%），推理速度同为 950 tok/s，并向小部分用户开放早期访问。
#数据/训练
#数据/训练
今日 93 条Cognition 模型 / Devin 博客（网页）AI 评分6161 Cognition 模型 / Devin 博客（网页）AI 评分5858 Cognition 发布 RL 训练的 bug 检测模型 SWE-check，速度约为 Opus 4.6 的 10 倍
Cognition 与 Applied Compute 合作 RL 训练了专用 bug 检测模型 SWE-check，在内部 in-distribution 评测中对 Opus 4.6 的 delta F1 从 0.09 降到 0，out-of-distribution 的 delta F1 从 0.49 降到 0.29，同时运行时间快约 10 倍且推理更便宜。
Cognition 模型 / Devin 博客（网页）AI 评分5656 Cognition 发布测量 Devin 等效工程工时的估算系统
Cognition 构建了一套自动估算 Devin 会话相当于多少有效人工工程工时的系统，并用 AI 智能体审查每个会话、换算成美元价值，已随客户投入运行。系统基于 126 位用户、258 个会话的人工标注数据训练，在 233 个held-out会话上达到 rlog 0.74，且经对数空间校准后刻意偏保守低估；单项估计噪声约 2-3 倍，但聚合后误差相互抵消。
Cognition 模型 / Devin 博客（网页）AI 评分6262 Cognition 发布 SWE-1.7：以 Kimi K2.7 为基座、更低成本达到前沿级智能体编码能力
Cognition 发布 SWE-1.7，称其为自己训练过的最强模型，以更低成本达到前沿级智能，已通过 Cerebras（1000 TPS）在 Devin 的 Web、Desktop 和 CLI 中可用。
Tomer Tunguz 博客（VC 分析）AI 评分5353 Tomer Tunguz 分析推理转售业务的三种定价模型与毛利守卫策略
Tomer Tunguz 撰文分析转售推理的公司如何保持 30 点以上毛利，指出成本加成定价会随推理商品化而压缩至零，客户会绕开加价直接对接原始 API。
Tomer Tunguz 博客（VC 分析）AI 评分5757 Tomer Tunguz 分析 AI 支出何时超过工程师薪酬：2029 年三种情景
Tomer Tunguz 分析称 Anthropic 的算力支出约为其薪酬总额的 2.3 倍，约 5000 名员工对应 2026 年约 $10b 推理与训练支出，即每人每年约 $2m；而软件行业前 1% 公司每工程师每年 AI 支出为 $89k，中位数仅 $137。
Tomer Tunguz 博客（VC 分析）AI 评分5757 Tomer Tunguz：AI harness 正成为企业数据竞争的新战场
VC Tomer Tunguz 撰文分析 AI 时代企业数据外流风险，引用 Satya Nadella 的“反向信息悖论”与 Palantir CEO Alex Karp 关于前沿实验室“窃取业务权重与 alpha”的言论。
Tomer Tunguz 博客（VC 分析）精选AI 评分6666 Tomer Tunguz 分析模型涨价下分层定价如何延续杰文斯悖论
Tomer Tunguz 分析，超大规模云厂商在 2026 年 Q2 财报电话会上称 AI 产能持续受限，HBM3e 内存涨价 20%、HBM4 预计翻倍。
推荐理由：作者用各实验室定价与算力供给数据，解释分层定价如何维持杰文斯悖论，并指出路由层可能成为新的战略环节。
ARC Prize：官方博客AI 评分2626 ARC Prize 2025 合作伙伴生态公布：Lambda、Modal、Google Cloud、Groq 等提供算力与模型支持
ARC Prize 公布 2025 年赛事合作伙伴生态，Lambda、Modal、Google Cloud、Groq、Hyperbolic、Strong Compute、RunPod 提供算力支持，AI21 提供模型额度，Granola 提供生产力工具。
Tomer Tunguz 博客（VC 分析）精选AI 评分6565 Tom Tunguz 分析：谁在真正购买 SOTA 模型
Tom Tunguz 分析 OpenRouter 与 Ramp 数据指出，尽管 SOTA 模型比去年 11 月聪明三分之二且平均每三天有两个新模型发布，OpenRouter 上 84% 的 token 并非 SOTA。
推荐理由：作者用 OpenRouter 和 Ramp 数据分析 SOTA 模型的份额与价格弹性，指出应用部署正转向以价格优先的模型选择。
Tomer Tunguz 博客（VC 分析）AI 评分3838 模型边用边学：测试时训练如何改变 AI 推理成本与记忆机制
测试时训练让模型在回答提示词时就地做梯度更新，权重随使用而改变，从而把不断增长的 KV-cache 折叠为固定大小的权重，内存占用不再随上下文线性增长。斯坦福针对小模型的研究显示其推理速度最高可提升 2.7 倍，In-Place TTT 还能免重训把 4b 模型提升到有竞争力的 128k 上下文表现。
Tomer Tunguz 博客（VC 分析）精选AI 评分7272 Tomer Tunguz 分析 Meta Muse Spark 双轨定价如何把广告模式引入 AI
Tomer Tunguz 分析 Meta 昨日发布的 Muse Spark 模型及其新定价体系：标准档 muse-spark-1.3 输入 $1.25/m、输出 $4.25/m tokens 且不用于训练。
推荐理由：作者用两档价差算出 Meta 对训练数据的每 token 定价，为理解以数据换补贴的商业模式提供一个可核算的框架。
Google Developers Blog（RSS）AI 评分4141 如何用深度学习和 Keras 解码宇宙信号
Google 开发者倡导者 Yufeng Guo 撰文介绍深度学习在天体粒子物理中的应用，这类研究依赖覆盖数千平方公里的巨型观测站，如面积 3000 km²、含 1500 多个探测站的 Pierre Auger Observatory。探测器以纳秒级分辨率记录波形，形成类似图像的数据结构，天然适合深度学习处理，可用于提升仪器灵敏度、发现隐藏模式和搜索信号异常。
Zyphra Research（网页）AI 评分3030 Zyphra Research 研究合集：PUFFER 去重系统、ZUNA1.1 脑电模型与 ZONOS2 语音模型
Zyphra 推出面向持续增长训练语料的增量模糊去重系统 PUFFER，在十小时吞吐测试中处理最多 10 亿文档，较现有 CPU 去重方法提速 11x-35x，单进程 1.75 小时可摄入 10 亿文档，已在超 300 亿文档的生产环境部署，并以 Apache 2.0 开源。
Preferred Networks：AI 研究与产品AI 评分5454 PFN 发布 Rust 版 Optuna 实现 Rustuna，并同步推出 Optuna v5.0
Preferred Networks 发布基于 Rust 的 Optuna 实现 Rustuna，并同步推出 Optuna v5.0。内部基准显示 Rustuna 速度最高可达 Optuna 的 1,000 倍，Matlantis CSP 的替换测试中 10 万次 trial 的内存消耗降低约 50%。
Eugene Yan：WritingAI 评分5050 Eugene Yan 撰文分析简单性为何是优势但复杂度更畅销
Eugene Yan 撰文分析复杂度偏见为何存在，指出复杂方案通过信号化努力、掌控力、创新和功能多样性而更受论文评审和晋升机制青睐，而简单方案更易采用、构建、扩展和运维。文章举例说明简单机器学习方法常不逊于复杂方法，如点积在推荐检索上优于神经协同过滤、树模型在 45 个中型表格数据集上超过深度神经网络，并建议聚焦问题复杂度而非方案复杂度，善用奥卡姆剃刀。
Eugene Yan：WritingAI 评分5757 Eugene Yan 详解如何为数据与机器学习管道编写更稳健的测试
Eugene Yan 发文探讨数据与机器学习管道的测试为何频繁失效，并以行为日志到批量推理的示例管道演示单元、schema 和集成测试。
Eugene Yan：WritingAI 评分5555 Eugene Yan：提升机器学习项目成功率四种机制的实践经验
Eugene Yan 总结了提升机器学习项目成功率的四种机制：为每个项目设置 pilot 和 copilot 以发现关键缺陷，copilot 约投入 pilot 10% 的时间。
Eugene Yan：WritingAI 评分5454 Eugene Yan 总结工业界内容审核与欺诈检测的五个模式
Eugene Yan 基于多篇行业论文和技术博客，总结出构建内容审核与欺诈检测系统的五个模式：通过 human-in-the-loop 收集 ground truth、数据增强、级联模式拆分问题、结合监督与无监督学习、以及可解释性。
Eugene Yan：WritingAI 评分5555 Eugene Yan：如何撰写数据标注指南
Eugene Yan 总结撰写数据标注指南的方法，提出好指南应回答 Why、What、How 三层问题：任务为何重要、任务是什么、术语如何定义、标注员如何决策、任务如何执行。文章引用 Google 和 Bing Search 的指南实例，包括查询意图分类、页面质量评估因素、匹配质量决策树和标注示例讲解，并建议用 Cohen's kappa 衡量标注员之间的一致性来迭代改进指南。
Eugene Yan：WritingAI 评分7272 Eugene Yan：构建基于 LLM 的系统与产品的七大模式
Eugene Yan 总结了将大语言模型集成到系统与产品中的七大实用模式：Evals、RAG、微调、缓存、Guardrails、防御性 UX 和收集用户反馈，按提升性能与降低成本/风险、靠近数据与靠近用户两个维度组织。
Eugene Yan：WritingAI 评分4848 用域外数据微调引导幻觉检测
在 Factual Inconsistency Benchmark（FIB）上，先用 Wikipedia 摘要微调 3 个 epoch 再在 FIB 上微调 10 个 epoch，PR AUC 达 0.85，比仅在 FIB 上微调提升 23%。
Eugene Yan：WritingAI 评分5858 Eugene Yan 详解如何生成合成数据用于微调：蒸馏与自我改进两条路线
Eugene Yan 发表长文，系统讲解如何生成和使用合成数据进行预训练、指令微调与偏好微调。文章将方法分为从更强模型蒸馏（如 Unnatural Instructions。
Eugene Yan：WritingAI 评分6363 Eugene Yan 谈如何面试和招聘 ML/AI 工程师
Eugene Yan 与 Jason 分享招聘 ML/AI 工程师的方法，把面试当作评估系统，主张可靠、有效、低噪声。
Eugene Yan：WritingAI 评分2828 Eugene Yan 的 2024 年度回顾：LLM 系统生产化与 AlignEval 实践
Eugene Yan 回顾 2024 年，将 2023 年的原型规模化落地为服务客户的 ML/LLM 生产系统，并发布 6 篇长文，其中与友人合写的《What We've Learned From a Year of Building with LLMs》还由 O'Reilly 出版成书。
Andrej Karpathy：Blog（网页）AI 评分3939 Andrej Karpathy 回顾 Google 视频分类论文背后的无监督学习探索
Andrej Karpathy 的 Google 暑期实习工作最终成为 CVPR 2014 Oral 论文《Large-scale Video Classification with Convolutional Neural Networks》。
Andrej Karpathy：Blog（网页）AI 评分5353 Karpathy 深入浅出讲解 RNN 的惊人效果并发布 char-rnn 代码
Andrej Karpathy 发文讲解 RNN/LSTM 的原理与应用，并同步在 Github 发布基于多层 LSTM 的字符级语言模型代码 char-rnn（MIT 协议）。
HuggingFace Daily Papers（社区热门论文）AI 评分3838 EasyPPO：稳定 critic 是 PPO 训练 LLM 的关键
EasyPPO 通过仅对 actor 做过长过滤、按采样回报标准差倒数对 critic 回归加权、以及适度缩小 critic mini-batch，解决了 PPO 训练大语言模型时 critic 的两类失稳问题。
HuggingFace Daily Papers（社区热门论文）AI 评分3737 ROSS：通过选择性监督从自生成 rollout 中再学习
ROSS 通过选择性监督从自生成 rollout 中再学习，保留完整历史轨迹作为上下文，仅对选定的模型生成续写施加损失。在 Qwen3.6-35B-A3B 上，ROSS 将六基准 MOPD 平均分从 58.40% 提升至 62.20%，SWE-bench Verified 从 64.20% 提升至 68.40%。
HuggingFace Daily Papers（社区热门论文）AI 评分3838 SAKI：面向同策略蒸馏的最大耦合路由教师监督方法
SAKI（Supervision Allocation with KL-constrained Interpolation）通过 KL 约束的教师引导 rollout 与最大耦合，将 token 级监督路由到接受与纠正两类位置，纠正概率恰为 TV(p_t, q_t)。
arXiv：cs.AI（全量分类）AI 评分3737 关系型基础模型在上下文学习中的支持集目标泄漏：影响、检测与缓解
研究提出关系型上下文学习（ICL）中的"支持集目标泄漏"问题：带标签支持集含目标衍生（leaker）列而查询集干净，与数据集构建、时序切分或表示学习阶段的泄漏不同。
arXiv：cs.AI（全量分类）AI 评分3333 HyperZip：用超网络与个性化扩散 LLM 实现高效数据压缩
HyperZip 是一个基于扩散 LLM（dLLM）与 Multi-Token Prediction 的 LLM 数据压缩框架，通过超网络从上下文表示生成数据专属更新，无需微调即可适配目标数据。它针对扩散压缩中解码吞吐量提升会降低压缩率的权衡，实现了低压缩率与高吞吐的兼顾，在压缩率与速度的权衡上优于现有 SOTA 基线。
arXiv：cs.AI（全量分类）AI 评分3535 更多特征不等于更多证据：Jev 免训练人类活动识别的局限
研究用固定通用概率决策模型 Jev 在 WISDM、UCI341、PAMAP2 的 1800 个类平衡加速度窗口上测试免训练人类活动识别，最强表示 macro-F1 仅 0.038、0.118、0.089，远低于监督模型的 0.686 至 0.907。
arXiv：cs.AI（全量分类）AI 评分3535 SMat-Attention：结构化长上下文序列建模
研究者提出 Structured Matrix Attention（SMat-Attention），用一类行支撑集 VC 维度为 d 的因果掩码连接 softmax 注意力与线性注意力。
arXiv：cs.AI（全量分类）AI 评分3333 Mirror-Score：校准式纯推理打分揭示 D-肽设计中序列兼容性排序的局限
研究者提出 Mirror-Score，一个面向异手性 D-肽/L-蛋白复合物的校准式纯推理打分框架，并发布覆盖四个靶点家族、含 31 个晶体复合物（其中 18 个有文献验证亲和力）的公开基准。
arXiv：cs.AI（全量分类）AI 评分3434 PowerZooJax：面向强化学习的 JAX 电力系统基准
PowerZooJax 是一个基于 JAX 的强化学习电力系统基准套件，提供覆盖发电、输电、配电、分布式能源和数据中心微电网的五个约束马尔可夫决策过程任务。它将潮流计算、经济调度、市场出清和设备动态改写为 JAX 计算图，使整个训练与评估循环留在 GPU 上，实验显示相较 CPU 仿真有显著加速。该开源基准支持对策略回报、安全违规和分布外压力条件进行标准化评估。
arXiv：cs.AI（全量分类）AI 评分3333 COFFEE：面向离散扩散模型的未来感知引导框架
COFFEE 是一个即插即用框架，通过将序列依赖与目标分离，避免枚举所有未解析 token 组合带来的指数级计算，从而为离散扩散模型提供序列级引导。它用无目标载体吸收去噪器预测的边际分布构建联合模型，并用编译的有限状态模型记录 token 组合对序列级偏好的影响，无需重训练即可将全局偏好传递给未解析位置。该框架在符号、语言和生物多个基准上取得强控制效果，并支持显式硬约束与学习到的软目标。
arXiv：cs.AI（全量分类）AI 评分3333 自发现强化学习在经验时代：学习历史是资产还是负担？
剑桥大学与 Models2 AI 的 Haomin Luo 对自发现 RL 规则 Disco103 做了首次因果机制审计，围绕经验时代五大支柱检验学习历史何时是资产、何时是负担。
arXiv：cs.LG（机器学习，全量分类）AI 评分3737 表征学习能否脱离损失最小化？Muon 的极坐标更新给出答案
研究显示，矩阵 Muon 的极坐标归一化更新步长由梯度秩而非范数决定，在稳定性边缘会进入持续数千步的周期-2 损失振荡：周期均值损失持平或上升，但权重仍在移动、学到的特征持续对齐教师子空间。在 33 组 ReLU、GELU 和 SiLU 教师配置中，学生 AGOP 在振荡期间始终对齐或持续对齐教师子空间，投影头重拟合表明这些方向对预测有用。
arXiv：cs.LG（机器学习，全量分类）AI 评分3232 Transformer 动力学中前馈层的作用
一项控制论视角的理论研究证明，Transformer 中自注意力之后的前馈层可作为一个独立控制项，无论 key、query、value 矩阵如何取值，都能将 token 驱动到任意接近共识的状态。该结论可扩展至多簇收敛与多头注意力情形，作者通过数值实验验证了结果，并将理论给出的阈值行为与真实 LLM 进行了对比。