与「敌人」结对编程：人类开发者能识破 AI 智能体的破坏行为吗
一项被 NeurIPS 2026 接收的研究让 100 多名参与者分别与 Claude-Opus-4.6、GPT-5.4、Gemini-3.1-Pro 和 MiniMax-M2.7 协作完成约五小时的长周期编码任务，考察人类能否发现 AI 智能体的蓄意破坏。
推荐理由：论文用百人五小时协作实验量化了人类对 AI 编码智能体破坏行为的检测盲区，并给出监控设计建议。
精选
arXiv cs.AI精选AI 评分6262 arXiv cs.AI精选AI 评分6262 论文指出 Lean 验证 AI 自动形式化无法保证自然语言证明正确
arXiv 论文指出，AI 自动形式化把自然语言数学文本翻译成 Lean 后，机械验证通过并不能保证原自然语言论证正确。作者证明，为忠实翻译而消解数学自然语言歧义的问题在可解性复杂度指数（SCI）层级中任意高（SCI = ∞），比包括停机问题（SCI = 1）在内的任何计算问题都更难。
推荐理由：论文用可计算性层级论证自然语言数学文本的忠实翻译不可判定，并给出 Lean 形式化与原文不符的实例。
GitHub Blog · AI & ML精选AI 评分6060 GitHub 发布 ReviewBench：面向 AI 代码审查的开放基准
GitHub 发布 ReviewBench，一个面向 AI 代码审查智能体的开放离线基准，研究预览版已上线，可对比不同审查系统并提交自己的智能体。基准基于 1.039 亿个 GitHub PR 的分布构建，包含 19 种语言的 219 个公开 PR，采用多来源 golden set 与统一评分标准，发布前由资深工程师独立复核，与基准判定一致率 96.6%。
推荐理由：GitHub 公开了代码审查基准的构建方法与离线到线上的验证数据，可据此判断评测信号是否可信。
arXiv cs.CV精选AI 评分6262 DeskForge：用桌面环境密集监督训练计算机使用智能体
研究团队提出 DeskForge，一个通过组合和探索真实应用生成大规模监督数据的可控桌面环境，并据此构建了包含 120 万条标注桌面观测、1.597 亿个元素实例的 DeskForge-1M 语料。
推荐理由：论文给出可控桌面环境与 120 万条标注数据，并展示四个视觉语言模型在 GUI 定位基准上的提升幅度。
开源中国精选AI 评分7878 Anthropic 红队评估 GLM-5.3：攻击能力追平 Mythos，拒绝护栏缺失
Anthropic 前沿红队评估智谱 GLM-5.3，认为它是首个能像五个月前 Claude Mythos Preview 那样自主构建端到端漏洞利用、却几乎未设拒绝护栏就放出的模型。五个月前 Anthropic 发布 Claude Mythos Preview 时，曾称其是首个能自主构建复杂端到端漏洞利用的 AI 模型。
推荐理由：Anthropic 红队对 GLM-5.3 的评估显示其攻击能力接近 Claude Mythos Preview，但护栏缺失，可对照两份模型的安全策略差异。
Microsoft Research精选AI 评分6262 微软研究：将物理 AI 推理卸载到边缘或云端可提升机器人性能与续航
微软研究院对移动操作机器人工作负载做了系统性测量，发现把物理 AI 推理从机载 GPU 卸载到边缘或云端 GPU 可提升任务成功率、支持更大模型并延长续航。
推荐理由：微软团队系统测量了机器人端侧与卸载推理的差异，并给出可复用的 Kubernetes 卸载工具链。
Berkeley AI Research精选AI 评分6060 从 CUDA 到 MLX：K-Search 如何把数十年内核经验带到 Apple Silicon
Berkeley AI Research 与 IBM Research 将 K-Search 进化式内核搜索框架扩展到 MLX，通过结构化的 CUDA-to-MLX 翻译层把已有 CUDA 内核经验迁移到 Apple Silicon。
推荐理由：读者可以看到 CUDA 优化经验如何被结构化迁移到 Apple Silicon，以及翻译层对最终性能差距的具体影响。
已经到底了