Exowatt 利用 Amazon SageMaker AI 无服务器模型自定义，在两个部署目标（边缘和云端）上分别微调了 Qwen3-1.7B 和 Qwen3-14B 模型，在报警分类和能源市场分析两项任务上分别实现 0.911 和 0.975 的 macro-F1 分数，显著超越同等规模的前沿模型。
推荐理由原文给出了能力变化和开放入口，读者可以据此判断它会怎样改变现有工作流。
OpenAI声称其AI系统在数学领域证明了指数时间假设（ETH）为假，该假设是计算复杂度理论的基石，若成立将使大量依赖ETH的研究失去基础。在计算机科学方面，OpenAI称证明了布尔可满足性问题（SAT）的求解速度可超越指数增长，该结果与P versus NP问题密切相关。
推荐理由OpenAI声称在数学、计算机科学和物理三个领域取得重大突破，分别证明了指数时间假设错误、SAT问题可解性以及量子场论在四维的存在性，若属实将对相关理论基础产生深远影响。
原文构建了一个完整的企业智能体检索解决方案，展示了如何使用 AWS CDK 部署一个基于 Amazon Bedrock Managed Knowledge Base 的智能体系统。
推荐理由原文提供了完整的 CDK 部署方案，展示了如何利用 Amazon Bedrock Managed Knowledge Base 构建企业级智能体检索系统，读者可以学到语义路由、多轮检索、七层观测指标和自动评估的完整实现细节。
Google Research团队与合作伙伴合作，将基础模型应用于结核病（TB）筛查，旨在解决偏远地区放射科短缺的问题。文章报道了AI模型在胸部X光片上检测结核病的性能，并通过与Nexus AI等公司的合作获得监管批准（CE MDR Class IIb）并在南非、塞拉利昂等国的40家医疗机构部署，已筛查超2.5万例胸片。
推荐理由原文展示了从算法研发到临床落地的全链路过程，通过开源模型和本地化部署解决了数据隐私与算力获取难题，读者可了解到AI如何在低资源环境中实现TB筛查的实际落地与规模化。
该研究发布了 ThinkingBox-Training，通过构建基于数据库终态状态的可执行奖励函数，对 Qwen3.8-27B 进行了 50 步的 GRPO 微调。
推荐理由基于可执行数据库状态的奖励函数对 Qwen3.8-27B 进行了 50 步 GRPO 微调，使其在 ThinkingBox-Bench 基准测试中通过全部 20 次尝试的任务数从 38 例提升至 107 例，pass@1 从 51.70% 提升至 60.78%，展示了通过离线策略相对难度筛选训练任务后，模型可重复成功率的显著提升。
Hugging Face 发布 OlmoEarth v1.3，这是一个全球卫星嵌入模型，可将一年卫星时间压缩为每 10 米像素 128 维向量。该模型在 27 项评估中以 128 维嵌入在 20 项任务中得分最高，64 维嵌入在 18 项任务中领先。
推荐理由OlmoEarth v1.3 发布全球卫星嵌入模型并开放预计算嵌入，提供交互式浏览器工具，读者可直接获取跨年份变化分析方法和具体案例。
文章介绍了 VocabX 方法，通过专门化词汇将 SLM 推理成本降低 77%。在 Portuguese essay grader 实验中，模型的平均输出 token 数从 350 降至 101，基于 Qwen3-4B 的基座模型在不改变权重的情况下实现成本大幅下降。
推荐理由文章展示了如何通过专门化词汇显著降低 SLM 推理成本，并提供了具体的实验数据和方法论，读者可直接了解成本优化的关键技术点。
i14 在 AWS Trainium2 上训练并推理 Laplace 3B 线性注意力模型。训练阶段在单节点单实例上实现约 120,000 tokens/秒的吞吐量，损失平滑下降至 2.3729；推理阶段通过未修改的 vLLM 引擎在 1,280 并发序列下实现 11,544 output tokens/秒。
推荐理由原文展示了Laplace 3B在Trainium2上训练和推理的具体结果，读者可以了解到线性注意力模型在大规模训练和高并发推理下的性能表现及其固定状态带来的内存优势。
Amazon Quick与Amazon Bedrock AgentCore通过MCP协议将供应链业务系统转化为可对话的智能体工具，实现从检测中断、评估影响到生成紧急RFQ的全流程自动化。
推荐理由原文展示了Amazon Quick与Amazon Bedrock AgentCore如何通过MCP协议实现供应链跨系统对话，提供从检测到行动的全流程自动化，读者可直接获取部署思路和实际效果对比。
NVIDIA发布Cosmos3-H-Dreams，这是一个基于临床乳腺切除术录像训练的实时生成手术模拟器。该模型利用Cosmos 3和FlashDreams库，在单张RTX PRO 6000 GPU上实现交互式视频生成，支持通过手术器械动作控制场景，展示了组织变形和器械外观的时序一致性。
推荐理由Cosmos3-H-Dreams展示了在单张RTX PRO 6000 GPU上实时生成临床手术场景的能力，提供了从表格任务到临床手术的迁移路径，并开放了教师微调和蒸馏的完整配方，读者可据此评估其在手术机器人研究中的应用潜力。
文章介绍了在 AWS 上使用 AtScale 语义层和 Amazon Bedrock AgentCore 构建智能体 AI 的完整流程。首先，文章说明了 AtScale 采用维度模型而非图模型，并使用开放的 Semantic Modeling Language（SML）定义模型，支持 SQL、XMLA 和 MCP 三种协议同时对外提供。
推荐理由原文展示了如何使用 AtScale 的语义层、Amazon Bedrock AgentCore 和 Semantic Modeling Language 构建统一的语义层，读者可学到模型定义、查询下推、身份传播和部署全流程。
文章介绍了 Strategy Mosaic 作为语义层在 AWS 上为 Agentic AI 构建统一语义层的完整实现流程。Mosaic 通过两个链接模型（Purchase 模型覆盖 Amazon Redshift，Customer 模型覆盖 Amazon Aurora）实现跨源数据关联，无需 ETL。
推荐理由原文详细介绍了 Strategy Mosaic 语义层在 AWS 上为 Agentic AI 构建语义层的完整技术实现，涵盖了模型链接、指标定义、身份认证和跨源查询执行，读者可直接学习如何将语义层部署到 Bedrock AgentCore 并实现统一的安全与数据访问。
原文介绍了在AWS上使用Denodo平台构建语义层，实现Amazon Aurora、Amazon Redshift和本地PostgreSQL数据的联邦查询。文章详细说明了如何通过Denodo Virtual DataPort创建基础视图、派生视图和度量视图，以及如何通过Model Context Protocol Server将语义层暴露给AgentCore托管的智能体。
推荐理由原文详细展示了如何在AWS上使用Denodo和Amazon Bedrock AgentCore构建语义层，实现跨多源数据的联邦查询和身份传递，读者可学到具体的MCP Server注册、查询下推和访问控制实现方法。
FairStress 基准通过 1300 万测试用例揭示了模型在面对人口统计信息时决策的隐形不对称。实验发现，当证据支持某候选人时，模型在面对对抗性前缀时更倾向于放弃正确选择，以有利于少数群体候选人，表现出‘逆向过度修正’倾向。
推荐理由FairStress 基准通过 1300 万测试用例揭示了模型在面对人口统计信息时决策的隐形不对称，提供了评估模型在面对对抗性论证时对不同群体偏好的细粒度洞察。
ALTK-Evolve 通过学习代理在 τ²-bench 任务中的尝试，将成功与失败提炼为简短的行为规则，并将其追加到系统提示词中。
推荐理由原文展示了在不更新模型权重的情况下，通过学习到的指南针（learned guidelines）显著提升了基于 GPT-4.1 的客服智能体在 τ²-bench 零售领域的 Pass^4 从 57.5% 提升至 67.5%，并登上排行榜首位，这为提升 LLM 智能体可靠性提供了无需微调的有效方法。
Deepgram将Nova-3语音模型移植至AWS Trainium2并进行了内核级优化，单设备配置处理音频每美元提升11%-70%。团队使用TorchNeuron完成PyTorch迁移，通过NKILib和自定义内核提升吞吐量，并开发Rust数据并行运行时消除Python开销。
推荐理由原文展示了Deepgram如何通过在Trainium2上优化Nova-3模型，在离线批处理工作负载中实现11%-70%音频每美元的成本提升，并提供了从模型移植到数据并行运行的完整技术路径，读者可直接获取模型优化和成本降低的可复用方法。
vLLM 在 P-D 分布式部署中引入双向 KV 传输机制，通过 decode 节点保留跨轮 KV 缓存并传回 prefill 节点复用，避免了重复计算。基准测试显示，在 Qwen3-32B 上最长提示词下 TTFT 可降低 1.6 倍，在 GLM-5-FP8 上可降低 3.3 倍。
推荐理由原文展示了 vLLM 中双向 KV 传输机制，通过保留和重用跨轮的 KV 缓存，显著降低了多轮对话场景下的 TTFT，提供了具体的性能提升数据和实现指南。
AWS发布了基于NIXL的推模式KV转移功能，用于提升vLLM分布式推理的TTFT和TPOT。在使用Amazon EC2 P5en实例连接EFA的基准测试中，该功能对Qwen3-32B模型实现了最多3倍的TTFT提升和30%的TPOT改进，相比传统的拉模式显著降低了关键路径延迟。
推荐理由原文给出了能力变化和开放入口，读者可以据此判断它会怎样改变现有工作流。
Google Research在专利起草领域进行三个月田野实验，随机分配AI工具访问权给133名专利律师。实验发现：在10天和90天的起草任务中，AI工具均显著提升了 drafting scores（0.34 SD和0.38 SD），主要通过减少差评和增加良好评分实现，但优秀评分无变化。
推荐理由实证研究通过三个月田野实验，揭示了AI辅助在专业领域提升短期产出与长期技能形成的冲突：初学者短期表现提升但未转化为持久专业判断，资深者则通过AI作为‘逻辑审计员’强化了基础专业知识。
ReviewBench 是一个基于 1.039 亿真实 Pull Request 的 AI 代码评実基准，包含 219 个跨语言的公开 PR，提供 grounded 与 augmented 等六项评估指标，支持按严重程度和类别切片评估。GitHub 利用该基准评估 Copilot 代码评実，预测了线上实验结果，展现出良好的线下线上一致性，并公开发布基准与评估方法，供社区自行评估与迭代。
推荐理由ReviewBench 作为一个新的 AI 代码评� benchmark，提供了多维度的评估指标和可复用的评估方法，帮助开发者评估和对比代码宐�智能体的性能，是一篇值得阅读的技术解析。