MIT CSAIL 提出 Weight-Space Programming，让 GPT-6 Astra 只读取 Qwen3.5-0.8B 的权重并直接修改参数，改动约 0.016% 的权重后，MATH-500 从 7.9% 提升到 48.1%，GSM8K 从 13.8% 升到 67.1%。
同一件事，精选收录的是《MIT 研究：GPT-6 Astra 可直接读写其他 AI 模型权重》
斯坦福研究者 Owen Queen 和 James Zou 用 8 家开发者 2024 年 7 月至 2026 年 9 月发布的 20 个模型，复测 50 条被广泛引用的 LLM 结论，发现 44% 已失效，另有 34% 明显减弱，仅 16% 仍成立、6% 反而增强。
Anthropic 正在研发开源系统 FlashProve，为模型输出提供可证明推理的密码学证明，让用户确认回答确实来自所声称的模型。该系统要求 AI 实验室为每个模型发布不暴露权重的指纹，验证可在本地设备完成，因此也能用于商业闭源模型。研究人员已按开源协议在 GitHub 发布技术规格和部分代码，但研究仍在进行，暂无在 Anthropic 或其他实验室部署的计划。
Google与Mercor近日发布Physical-Engineering's Last Exam（PLE），用85项机械、电气、土木与结构工程任务评测工程Agent。
密歇根大学 Ang Chen 团队发布开源基准 CloudOpsBench 1.0，用 45 个 AWS 任务评测 AI 智能体处理典型 DevOps 操作的能力。
MIT 研究者在博客中展示，GPT-6 Astra 无需常规训练即可直接分析和修改其他 AI 模型的权重，他们把这一方法称为 Weight-Space Programming。
推荐理由：MIT 研究者展示大模型可直接读写其他模型的权重，并给出 Qwen3.5-0.8B 上的定向修复数据。
Anthropic 发布开源研究原型 FlashProve，用 zkSNARK 为模型输出生成密码学证明，验证回复确实来自所声称的模型，同时不暴露模型权重。
Simon Willison 用论文 Sparks of Weight-Space Programming 公开的提示词做本地复现，发现笔记本上运行的 Qwen 3.8 27B 仅凭原始权重数值就能识别出网络训练时玩的游戏。
一种名为“逆向博弈论”（机制设计）的新思路试图通过设计激励规则而非窥探模型内部来约束 AI 智能体。MIT 经济学家 Stephen Morris 等人的预印本论文提出让模型互相预测答案、互相对抗或配对偏向相反的模型，以阻止模型在测试中故意藏拙。普林斯顿 Elad Hazan 则设想让模型轮流扮演“解题者”与“审计者”，作弊者与失职审计者同受惩罚。
Takehi 等人提出 Weight-Space Programming，让前沿 LLM 从自然语言目标出发直接检查和编辑神经网络权重张量，不依赖梯度下降或训练循环。
Google DeepMind 与 Google Research 联合 WRI、IIASA 发布 Forest Typology（ForTy）2020，把全球每块 10×10 米土地归入原始林、自然再生林、人工种植林、商品林、木本作物与农林、其他土地六类。
推荐理由：读者可了解一张10米分辨率全球森林类型图如何区分原始林、人工林与农林，以及它和欧盟零毁林法规的关系。
微软研究院张新志与Zhao Song证明1995年提出的KLS猜想，确认高维对数凹分布的最佳平面切割与任意形状切割之差可由与维度无关的常数界定。作者以人机协作的智能体搜索探索了100多条候选路径，由研究者筛选方向并完成论证，另有独立团队同日给出完整证明，随后出现Lean 4形式化验证。该结果使此前依赖该猜想的研究可无条件成立。
推荐理由：这篇论文证明了一个悬置31年的高维几何猜想，并展示了研究者如何引导AI智能体筛选上百条路径。
微软研究院发布零知识虚拟机 Magnetar，可直接证明用 Rust、Go 或 C 编写的程序，在 15 个基准程序上平均比现有最快 zkVM 快 10 到 39 倍，证明验证约 12 毫秒。
推荐理由：微软研究院梳理十余年零知识证明研究脉络，说明 Magnetar 如何在速度、通用性和后量子安全上同时推进。
微软研究院提出 StudentSim，从公开的去标识化学习记录训练个性化学生模拟器，用于在真实学习者测试前评估和改进 AI 导师。研究同时发布 StudentSimEval 基准，覆盖国际象棋、第二语言英语写作和数学三个领域，从行为保真度和对指导的响应度两个维度评估模拟器。
GitHub 发布代码审查离线基准 ReviewBench，包含 219 个公开 PR、覆盖 19 种语言，分布参照 103.9M 个 GitHub PR 建模。基准采用多来源黄金集与统一评分规则，由资深工程师独立复核，真阳性判断一致率 96.6%。它提供 grounded 与 augmented 两族指标，可按严重程度和类别切片，并支持提交自有审查智能体上排行榜。
Berkeley Sky Lab 与 IBM Research 将 K-Search 内核搜索框架扩展到 MLX，通过结构化 CUDA-to-MLX 翻译层让已有 CUDA 内核经验适配 Apple Silicon。
推荐理由：读者可以看到 CUDA 内核经验如何被结构化迁移到 Apple Silicon，以及翻译层在性能提升中的具体作用。