HAE-GEO 深搜投毒基准：72039 个干净页与每级 770 个毒页，10 个智能体防御提示救不回
HAE-GEO 在受控语料上测试深度搜索智能体：72,039 个干净页、每个攻击层级各 770 个毒页、覆盖 8 个产品品类与 154 个品牌，10 个智能体给出的统一结论是——防御提示能让智能体多查证，却几乎无法让它在输出最终推荐前纠正已…
MERIT 多键情节记忆改写长视频检索：小时到天级视频，EgoLifeQA 等 3 项基准达 SOTA
MERIT 用「多键情节记忆 + 推理时时间邻域扩展」两步走，在 EgoLifeQA、LVBench 与 Video-MME（Long）三项长视频基准上取得领先表现。它真正的方法论价值不在记忆结构有多精巧，而在于承认一个前提：构建记忆时并不…
CloudEdgeVLA 把拖累机器人的网络延迟变成可学问题：40 步延迟下仍有 63.8%~78.0% 成功率
把十亿参数级的视觉—语言—动作模型（Vision-Language-Action，VLA）塞进移动机器人，本质上是一场系统冲突：语义推理天然想吃云端 GPU 的算力，闭环控制却必须在本地及时响应网络延迟和抖动。CloudEdgeVLA 给出…
InterTrack 让人形机器人看懂地形再迈步：交互成功率 81.3%，达最优基线 4.3 倍
InterTrack 把人形机器人的全身控制从「模仿一套固定动作」推进到「理解地形后自行决定全身怎么动」：在地形交互类任务上它取得 81.3% 的成功率，是当前表现最好的已评估基线的 4.3 倍，跌倒后的恢复成功率达到 99.3%。论文同时…
毒基准污染自修改编码代理：3 类自改编码框架全部被攻陷，漏洞行为随自我进化跨代传递且难以清除
一篇新论文把 Ken Thompson 1984 年的经典攻击搬到今天的 AI 编码代理上，并给出了肯定答案：攻击者只要向自修改编码代理的「自我评估—自我改进」环节投喂被污染的基准，就能诱使其在后续的干净任务中主动写出带漏洞的代码。研究者在…
Claude Code Projects 云端线程 Beta：一个对话拆成多条线程，每条独占仓库副本
Claude Code Projects 的云端线程已进入 Beta：同一个对话可以派生出多条彼此隔离的云端线程，每条线程各自持有一份独立的仓库副本和上下文环境，目前只面向部分 Pro 与 Max 订阅用户开放并行。它真正改写的不是「AI …
OpenAI Astra for Law 法律平台上线：索引 2.3 亿 URL，验证集正确率 54.0%
OpenAI 发布了面向法律垂直领域的 Astra for Law，目标客户是律师与法务软件公司。它在通用网页检索之外接入了 CourtListener 判例库，该库覆盖 99.9% 以上已公开的美国判例法。效果体现在一道简单的对比上：私有…
Claude Code Projects 转向并行分支：Anthropic 日跑 3 万 Agent，研发占比 26%
Anthropic 重构了 Claude Code Projects：一个目标可以拆成多条云端分支并行推进，跑完各自产出可直接合并的 PR。同步披露的内部数据更值得留意——公司内部每天运行约 3 万个 AI Agent，AI 承担的研发任务…
千问 Qwen3.8-Omni-Flash 全模态上线：音频输入降价 98%，1M 上下文与评测提升 26%
阿里千问上线全模态模型 Qwen3.8-Omni-Flash，把音频输入的调用成本压到原来的约 2%（降幅超过 98%），同时把上下文窗口拉到 1M（100 万 Token），并在 30 项公开评测上取得平均超过 26% 的提升。三个数字指…
Jason Wei 谈验证者定律：可衡量的任务更易被攻克
Jason Wei 在斯坦福的演讲纪要里谈到了智能商品化。其中一个判断是，越容易被衡量的任务，越容易被 AI 攻克。 锯齿能力是什么意思 他提到模型的能力呈锯齿状，这意味着进步是不均匀的。有些任务已经做得比人好，紧挨着的任务可能依然很差。理…