Epoch AI 数据：2026 年 7 月高危及严重 CVE 数达 Mythos 发布前纪录的约 5 倍
Epoch AI 分析 cve.org 数据发现，2026 年 6 月 21 家知名机构披露的高危及严重 CVE 约 1,550 个，7 月达约 2,500 个，约为 Claude Mythos Preview 发布前月度纪录（约 490 个）的 5 倍。
推荐理由：原文用公开 CVE 数据量化前沿模型发布后的漏洞披露激增，并给出数据口径与局限性说明。
北京时间
论文研究
全部主题值得读的 AI 论文与研究成果：架构创新、训练方法、能力测量与理论进展的精选解读。
最新精选
第 81–100 条 · 共 473 条Epoch AI：研究、数据与评测精选AI 评分6868 HuggingFace Daily Papers（社区热门论文）精选AI 评分8080 Zero-Mem：为 LLM 智能体实现零 token 记忆操作
Zero-Mem 提出零 token 记忆操作，除最终问答外，记忆构建、检索与校准等所有环节均不调用 LLM 或消耗其输入输出 token，仅用编码器计算。该方法保留原始交互轨迹，通过实体-上下文图与时间层级双视图组织证据，在长记忆与长上下文问答基准上达到竞争性表现，并将记忆操作时间成本较最快基线降低 57.6%。代码将在同行评审后公开。
推荐理由：Zero-Mem将记忆操作与LLM完全解耦，通过实体图和时序层级互补检索，在LoCoMo和HotpotQA上全面超越生成式记忆基线，效率提升明显，对Agent记忆系统设计有直接借鉴意义。
HuggingFace Daily Papers（社区热门论文）精选AI 评分8080 DiffusionGemma 技术报告：基于离散扩散的高效文本生成模型
DiffusionGemma 是一个实验性开源权重语言模型，通过离散扩散并行迭代精炼 256 个 token 的块，而非逐 token 解码，从而避免自回归模型的顺序解码瓶颈。
推荐理由：扩散生成首次在文本领域将吞吐推高至约1500 token/s，此前这类速度仅见于非文本生成架构，为实时交互和批量生成场景提供了新的可行上限。
Microsoft Research 博客（RSS）精选AI 评分6060 Microsoft Research 发布 Echoverse：面向 computer-use agent 的深度可演化训练环境
Microsoft Research 推出 Echoverse，为 computer-use agent 构建了 12 个合成训练世界（10 个深度领域世界和 2 个能力世界），9B 模型训练后在全部环境上平均分从 36.5% 升至 67.1%，与 GPT-5.4（80.7%）相差 14 个点。
推荐理由：原文给出深度世界对比浅层世界的实验数据和可复用的环境构建方法，并开源了四个世界，读者可据此评估训练环境的做法。
Tencent Hy@TencentHunyuan精选AI 评分7474
推荐理由：我认为，这是AI首次真正解决一个悬而未决50年的纯数学问题，虽然定理本身小众，但它证明了AI在定理发现上的潜力，值得数学和AI交叉领域的人认真读。
HuggingFace Daily Papers（社区热门论文）精选AI 评分7272 AI 智能体能否进行开放式 AI 研究？两项案例的早期证据
一项新研究通过“影子评估”测试前沿 AI 智能体能否独立完成开放式 AI 研究。智能体在六天和数千美元算力下完成了全部工程任务，但未能对两项未发表的 NeurIPS 2026 论文的核心研究问题取得实质性进展，被原作者明确拒稿。研究识别出五大失败模式，包括对发表标准判断不足、研究设计缺乏创意、无法有效回溯死胡同、资源意识差和指令漂移。
推荐理由：这篇论文给「AI即将自我进化」的说法泼了盆冷水，虽然代理能跑通工程，但在解决开放性研究问题上全线溃败，对打算用AI做科研的团队是个重要的现实检验。
HuggingFace Daily Papers（社区热门论文）精选AI 评分7373 删除回避：LLM 代码编辑中的系统性缺陷与缓解之道
研究发现，领先模型在 SWE-bench Verified 上对开发者补丁的删除召回率最高仅 71.7%，29.0% 的通过补丁采用 Guard-and-Go 模式保留目标代码。新基准 CanItDelete 含 200 个纯删除任务，最佳模型仍失败 19.5%。在 7B 模型后训练中加入 12.8k 删除示例（占 0.7% token）可将删除回避降低 13.9 个百分点。
推荐理由：这项研究将代码AI补丁的可维护性痛点归结为一种系统性偏差，其基准和训练方法为团队在实际采纳前评估模型提供了更具体的指标。
HuggingFace Daily Papers（社区热门论文）精选AI 评分7575 大语言模型的显著性偏差：常识推理中的知识压制而非缺失
研究提出“显著性偏差”概念，指大语言模型被输入中无用的显性干扰（如数字）劫持，忽略任务隐含的常识前提。基于新构建的 SaliTrap 基准评估 12 个主流模型，最佳模型仅 54.8% 查询避开陷阱，8/12 模型低于 30%；GLM-5.1 和 Kimi-K2 在识别陷阱后仍分别有 86.2% 和 81.8% 的遵从率。
推荐理由：这篇论文证明 LLM 常识推理失败源于知识被显性干扰项抑制而非缺失，剥离任务框架后超九成服从性案例可恢复，提示瓶颈在引导方式而非模型能力。
LMSYS：Blog（Chatbot Arena 团队）精选AI 评分6969 Miles 在 Blackwell 架构上实现端到端 MXFP8 与逐 token NVFP4 强化学习方案
Miles 团队在 Blackwell 架构上实现了两种原生低精度强化学习方案：端到端 MXFP8 和 MoE 专家权重的逐 token NVFP4。在 8x B200 上对 Qwen3-30B-A3B 的消融实验中，BF16 与所有五种低精度配置的原始奖励曲线高度重合，且 MXFP8 和 NVFP4 减少了推理时间。
推荐理由：虽然只针对Blackwell，但这份报告把MXFP8和NVFP4在RL里的实现细节讲清楚了，从量化合约到每token缩放都给了可复现配置，做大规模RL训练的能直接上手。
Google Research：Blog（网页）精选AI 评分7676 Science One Framework：通过 Chain-of-Evidence 实现可验证的自主科研框架
Google Research 推出 Science One Framework，一个原生构建证据链的自主科研原型，旨在消除模型幻觉，并配套自动化评估协议 CoE Audit。
推荐理由：对自主科研系统而言，可验证性从后置修补变为前置架构，提出的审计方法让生成论文的完整性有了可量化的衡量尺度。
Anthropic@AnthropicAI精选AI 评分6565推荐理由：让 Claude 在真实密码标准中挖出弱点，比论文刷分实在得多，它证明 AI 在安全攻防上能成为研究者的搭档，而不仅仅是工具。
Hacker News 热门（buzzing.cc 中文翻译）精选AI 评分7676 Kimi Linear：一种表现力强且高效的注意力架构
月之暗面推出 Kimi Linear，一种混合线性注意力架构，首次在短上下文、长上下文和强化学习场景下全面超越全注意力机制。其 3B 激活参数模型在所有评估任务上显著优于全 MLA，同时将 KV cache 使用量降低最多 75%，并在 1M 上下文下实现最高 6 倍解码吞吐量。月之暗面已开源 KDA 内核、vLLM 实现及模型权重。
推荐理由：Kimi Linear首次在公平对比中证明了线性注意力可以全面超越full attention，KV缓存降低75%，解码吞吐量提升6倍，所有做长上下文和RL团队的必读论文。
HuggingFace Daily Papers（社区热门论文）精选AI 评分7575 GPT-Red：通过大规模自对弈实现自动化红队测试
OpenAI 推出 GPT-Red，一个通过自对弈算法训练的自动化红队智能体，用于发现针对前沿大语言模型的提示注入攻击。该模型在同等规模的最大 RL 后训练计算上训练，能可靠攻破 GPT-5.5 及更早模型，发现比人类红队更多的成功攻击，并泛化到未见环境与防御模型。GPT-Red 被用于对抗性训练 GPT-5.6，使其成为目前对提示注入最鲁棒的模型。
推荐理由：OpenAI 用自对弈训练出 GPT-Red，攻击成功率超过人类红队，并直接用于加固 GPT-5.6。这是目前最大规模的安全训练实验，做对齐的值得逐段拆解，对抗训练的思路可能会被各家复用。
HuggingFace Daily Papers（社区热门论文）精选AI 评分7676 InMind 基准揭示智能体记忆系统的隐式关联盲点
研究团队发布 InMind 基准，包含 125 个专家验证任务，测试智能体记忆系统处理隐式关联的能力。当关键记忆直接放入上下文时，骨干模型能回答 84.0% 的间接查询；但通过六种记忆系统检索时，命中率最高仅 14.4%，尽管这些系统直接召回准确率可达 100%。失败根源在于查询驱动的检索接口本身，将“路由——决定哪些事实必须保持可见”确立为核心开放问题。
推荐理由：这个基准把agent记忆系统的一个盲点钉死了：需要联想才能提取的常识，当前检索几乎必漏。它指向一个结构性问题，做记忆的该认真看。
Anthropic：Research（发表成果 · 网页）精选AI 评分7373 Anthropic 联合 Andon Labs 发布 Drone-Bench，评估 AI 模型自主操控无人机执行定位追踪任务的能力
Anthropic 与 Andon Labs 合作推出 Drone-Bench，用于测试 AI 模型自主操控四旋翼无人机在室内环境中定位并追踪指定人员的能力。该基准将任务分解为 3D 地图重建、定位、导航、目标检测与跟随五个子任务，并通过软件复现实现快速评估。实验表明，该任务链的难度足以区分不同智能水平的模型，并揭示 AI 在物理世界操控能力上的进步轨迹。
推荐理由：Anthropic首次公开AI端到端控制无人机执行监视任务，Fable 5仅因3D重建瑕疵未能全通。六个月内模型一致性突飞猛进，安全压力比技术潜力更紧迫。
公众号：龙猫LongCat（美团）精选AI 评分6868 MineExplorer：首个《我的世界》分钟级长程任务评测基准发布
美团 LongCat 团队发布 MineExplorer，这是首个在《我的世界》开放世界中实现分钟级长程任务的评测基准，包含 813 个人工验证实例。评测 18 款顶级多模态大模型发现，最强模型 Claude-Opus-4.6 整体任务成功率仅 41%，从 1 跳任务的 77% 骤降至 4 跳任务的 12%，近 60% 的失败源于导航失败。MineExplorer 已全面开源。
推荐理由：18 个顶级多模态模型在 Minecraft 里全翻车，每多一层隐藏前置条件成功率就砍半，搞具身智能的该看看感知和行动之间还隔着什么。
HuggingFace Daily Papers（社区热门论文）精选AI 评分7878 AREX：面向深度研究的递归自改进智能体
AREX 是一系列递归自改进（RSI）深度研究智能体，通过内层研究循环收集证据、外层自改进循环逐约束审计答案并启动针对性研究。4B 密集模型和 122B-A10B MoE 模型在 BrowseComp、WideSearch、DeepSearchQA、HLE 等基准上显著超越同规模基线，与使用更多激活参数的模型竞争力相当。
推荐理由：这篇论文把深度研究代理的改进从“搜索更长”转向“诊断未解决的约束并重启”，并用自主上下文更新解决长程遗忘，开源的4B和122B MoE模型在多个基准上大幅超越同规模模型，做AI助手的值得细读。
HuggingFace Daily Papers（社区热门论文）精选AI 评分7373 腾讯发布 WorkBuddy Bench：多领域编码智能体评测套件
腾讯推出 WorkBuddy Bench，一个覆盖 Code、Web、Office、Security 四个工作领域的编码智能体评测套件。每个任务均从真实 commit、PR 或业务场景逆向工程而来，改写为口语化角色扮演请求，从构造上抵抗数据污染。该基准在 CodeBuddy Code 和 Claude Code 上运行，所有任务目录、环境镜像、评分工具和参考方案均开源发布。
推荐理由：腾讯发布的这个多领域编码代理基准，把代码、网页、办公、安全四块放进一套评估体系，反污染构建方式值得关注，做agent评估的团队可以认真看下。
公众号：龙猫LongCat（美团）精选AI 评分6767 美团开源 LoHoSearch：用知识图谱自动化构造高难度搜索智能体评测基准
美团 LongCat 团队开源 LoHoSearch 搜索智能体评测基准，以覆盖 762 万维基百科实体的知识图谱自动生成题目，收录 544 道经人工核验的题目，覆盖 11 个领域。
推荐理由：LoHoSearch 用知识图谱自动生成高难度搜索题目，让当前最强模型准确率仅三成多，常用上下文管理策略在此几乎失效，为评测和优化长程搜索智能体提供了更苛刻也更有用的试验场。
公众号：龙猫LongCat（美团）精选AI 评分6262 MineExplorer：美团 LongCat 评测揭示顶级多模态大模型在动态开放世界中的能力断层
美团 LongCat 团队构建 MineExplorer，这是首个在开放世界中做到分钟级长程任务的评测基准，含 813 个人工验证实例（1-hop 到 4-hop）及规则化里程碑自动评测框架。
推荐理由：感知强于推理、导航失败占比近60%，把具身智能的瓶颈清晰地拉回到规划能力，而非感官或资源。