OptChat 是一个无限聊天系统的技术规格，旨在解决智能体因会话限制和上下文衰减而遗忘历史的问题。其核心设计是将聊天历史本身作为记忆，存储为一个压缩的二进制摘要树，确保每次对话都从包含整个历史摘要的固定大小视图开始，并通过 `zoom` 工具按需回溯原始信息。规格详细描述了日志存储、树形结构、后台压缩器、视图构建、缓存策略以及避免常见错误的清单。
推荐理由：原文提供了完整的技术规格，包括存储结构、压缩算法和缓存策略，读者可以据此实现一个具备无限记忆的智能体聊天系统。
哈佛大学物理学家 Matthew Schwartz 在 Anthropic 的客座文章中介绍了开源工具 BootLoops，这是一个用于精确科学计算的 harness。
咨询巨头埃森哲于今年三月以 12 亿美元收购了测速网站 Speedtest 的母公司 Ookla。Ookla 的核心价值在于其庞大的网络情报数据库，该数据库包含数百亿条测试记录，覆盖全球不同地区、运营商和设备的网络状态。这些数据被埃森哲用于为企业客户提供 AI 转型所需的端到端网络服务咨询，而 Ookla 通过向运营商等合作伙伴出售数据分析和排名服务实现盈利，在被收购前年营收已突破 2 亿美元。
MIT 工程师研发出由活体骨骼肌细胞驱动的超薄水下机器人，其左右鳍片由可响应 470 纳米蓝光的小鼠肌肉细胞薄层控制。该机器人在水槽中直线最高速度约为每分钟 4 倍机身长度，旋转速度最高约每分钟 1200 度，且优化后的肌肉薄膜功能维持时间超过 30 天。这项研究旨在解决传统生物混合机器人体积过大的问题，未来或可用于环境监测等任务。
随着 Claude Code 等编码智能体及低代码工具的普及，企业正面临智能体蔓延带来的治理挑战，平均财富 500 强企业到 2028 年预计将使用超过 15 万个 AI 智能体。治理框架已从针对单一智能体的四大支柱（生命周期管理、风险管理、安全与可观测性）演变为需在规模化基础设施上集中执行全局策略。规模化治理的关键在于构建一个统一的控制平面，以集中追踪、权限管理和审计整个智能体集群。
Google 研究者提出了一种名为 RRSI 的方法，旨在防止自改进 AI 智能体在优化过程中记忆其测试任务。该方法通过在优化循环的两端施加约束来实现：限制每次提议的修改量，并使用一个严格的评判器来剔除那些硬编码任务名称或解决方案的修改。
本文探讨了语言模型中的‘逆转诅咒’现象，即模型在单向训练后无法回答反向事实问题。作者用仅 60 行 NumPy 代码构建的极简模型复现了该现象，其反向准确率为 0%，而正向为 100%。实验表明，问题根源在于训练目标仅更新‘主语’词的嵌入，导致‘宾语’词的嵌入从未被训练，从而无法支持反向推理。
Google的AlphaEvolve利用Gemini提出并评估候选程序，使其关键计算核加速23%，整体训练时间缩短约1%。这标志着AI开始参与改进自身的训练过程，即递归自我改进（RSI）的早期实践。尽管RSI可能改变AI研发速度并引发企业竞争，但其安全边界和评估标准仍需独立验证。
Google Research 宣布推出基于可信执行环境的新一代联邦学习系统，首次为联邦学习提供了外部可验证的中心化差分隐私保证。该系统已应用于 Gboard 的英语和日语下一词预测模型，将原本需 1 至 2 个月的模型训练时间大幅缩短，训练瓶颈转为 TEE 资源可用性。核心 TEE 二进制文件和联邦语言框架已在 Apache 2.0 协议下开源。
研究团队开发的ChromAgeNet系统通过分析细胞核三维图像中的DNA空间组织，能以约77%的准确率区分年轻与衰老的小鼠造血干细胞。该系统关注染色质组织复杂度等过去难以量化的结构特征，并能检测表观遗传药物干预引发的结构变化。团队已公开模型与数据，该技术有望用于高通量药物筛选。
在 Bank of America Private Tech Trailblazers Conference 2026 上，行业专家指出 AI 增长的下一个浪潮在于垂直领域。
一项研究提出从 P-创造力、H-创造力、影响力和可行性四个维度量化评估 LLM 智能体在机器学习任务中的创造力。该方法采用 LLM-as-a-Judge（GPT-5）对解决方案的新颖性进行 0-4 分评分，并以 877-3,747 个 Kaggle 笔记本作为 H-创造力的比较基线。研究旨在分析不同智能体框架如何引导创造性搜索过程，以解释其性能差异。
一项研究构建了一个基于 PyTorch 的物理信息神经网络，用于从血管内 40 个带噪声的离散速度测量点中，重建完整的血流场和壁面剪切应力。该 PINN 将流体粘度作为可学习参数，成功反演了狭窄血管后的逆流区域，其壁面剪切应力结果与 CFD 参考解高度吻合。这是关于 PINN 在血流模拟中应用的系列文章的第一篇，涵盖了 Navier-Stokes 残差、可学习粘度等核心内容。
DeepSeek弹性计算团队正在大量招聘资深工程师，其技术报告《DeepSeek弹性计算（DSec）：面向大规模Agent训练的沙盒基础设施》披露了相关细节。DSec是支撑DeepSeek-V4系列模型训练、评测和数据预处理的沙盒基础设施，目前一个扩展分片包含约160台服务器，每天服务约300万个沙盒，高峰期同时在线沙盒超过38万个。
Sean Parker 和 CEO Prem Akkaraju 正在将 Stability AI 重塑为面向音乐专业人士的 AI 工具制造商。公司近期从索尼、华纳和环球等公司获得 7600 万美元融资，并获得了其曲库的训练授权，随后发布了三款新音频模型和 AI 音乐编辑软件。
NetApp 通过其混合云工具和 NetApp Console，将存储基础设施的运维操作交由 AI 智能体执行，但由人类设定策略和边界。AI 智能体可实时实施服务质量规则，确保符合边界条件，并生成审计追踪供人类跟进。这一模式强调在数据治理中，需将机器或智能体纳入 RACI 责任分配框架，明确数据所有权和访问权限。
MIT 吴佳虹教授的研究团队利用强化学习解决交通优化难题，其设计的算法将训练效率提升了最高30倍。该团队还将强化学习应用于生态驾驶优化，证明智能控制车速可减少11%至22%的车辆排放。这项研究展示了强化学习在解决具有实际重要性的交通政策问题上的潜力。
Allen Institute for AI (Ai2) 发布了用于高效训练混合专家大语言模型的开发框架 Olmo-core 3。该框架使 MoE 模型能在保持计算效率的同时扩展至万亿参数规模，在 Nvidia B3000 GPU 上对 470 亿参数模型的训练吞吐量达到每秒 52,000 个 token，较 Nvidia Megatron-core 架构提升约 2.7 倍。
Databricks 提出一个基于五个核心变量的框架，用于评估和选择应优先构建的 Genie Agents。该框架通过业务影响、需求频率、数据就绪度、范围清晰度和治理风险匹配度对候选工作流进行 1-5 分评分，总分 20-25 分的工作流适合立即构建。一个活跃的高管支持者对于将高性能 Agent 转化为被广泛采用的工具至关重要。
MIT Technology Review 报告指出，企业 AI 正从工具转向“智能体化”运营模式，这要求企业同步重构数据架构与运营模式。2026年全球AI投资预计达2.5万亿美元，但多数企业仍未通过AI实现收入增长。报告发现，持续获得回报的企业将流程重构置于模型选择之前，并依赖可组合的、主权可控的数据基础来赋能AI智能体。
使用 Amazon SageMaker AI 多轮强化学习（MTRL）微调 Qwen3.6-27B 模型，构建了一个自主使用 BM25 和向量搜索工具的搜索智能体。
Airbnb 采用“由内而外 AI”策略，内部使用 AI 加速产品开发并赋能客户体验，目前 60% 的代码由 AI 生成，功能交付量年增近 80%。客户支持方面，AI 已能独立解决约一半的工单。公司利用名为 Everest 的内部上下文图谱等技术，将杂货配送等新服务的开发周期从数月缩短至数周。
Databricks 推出基于 Lakebase 与 AI 搜索的实时电商推荐架构，支持每秒 1,000 事件的点击流数据处理，实现毫秒级响应。系统通过 Zerobus Ingest 直接将用户行为数据写入 Unity Catalog Delta 表，实时推理路径绕过湖仓存储，确保 session 级上下文即时可用。
研究显示，在预训练中增强多语言语音模型的语言区分能力，能缩小其与单语模型在语音和词汇任务上的性能差距。在英语/法语 HuBERT 实验中，引入辅助语言分类器等方法后，phone-ABX 错误率从 11.6% 降至 10.4%（单语基线 10.8%），sWUGGY 词汇任务得分从 52.1% 提升至 56.7%（单语 58.5%）。结果表明，语言区分能力对降低多语言学习的额外成本具有因果作用。
Apple 的研究表明，在离散扩散模型中，基于逐位置置信度排序的采样方法无法匹配存在依赖关系的 token 联合分布。在合成任务 ScanAndAdd 上，该方法生成的分布与真实分布的总变差距离是采样噪声底限的 29 倍。研究揭示了逐位置分布与联合分布之间的根本差异。
Genie One 作为基于企业业务上下文的AI协作者，帮助财务团队快速分析预算差异、现金流趋势、财务关账异常和支出模式，支持使用自然语言提问并基于已批准的指标定义和组织逻辑生成可信结果。该工具可将原本需数日完成的分析缩短至数分钟，支持创建可复用的工作流与自动化报告，结果可自动推送至聊天和邮件。目前已在Coty、Unilever等企业落地，提升财务洞察效率与响应速度。
MetaRubric 通过证据感知的策略优化与响应引导的量规适应交替进行，解决了基于量规的强化学习中的“空洞奖励”问题。该方法要求响应包含足够证据才能获得相应量规标准的分数，并在 PubMedQA 上比静态评判的 GRPO 准确率提升了 6.00 至 20.40 个百分点。
12 个 LLM 智能体在三个领域任务中均表现出对特定来源的显著偏好，即使来源较差的项目仍因来源偏好被选中约三分之二时间；隐藏来源信息可削弱偏好，而将项目重标为偏好来源可提升其被选中率；通过补全缺失信息或使用反偏见提示可有效降低来源偏好。
Amazon Quick 为其 AI 构建的 Quick Apps 推出 Live Data in Apps 功能，允许应用在每次打开时实时查询受治理的 Quick Sight 数据集，而非依赖构建时的静态快照。
NetApp 凭借其“智能数据基础设施”战略，正吸引一批新的数据买家，其网站来自全新客户的流量在主题演讲后同比增长约 50%。该公司本周发布了专为大型 GPU 环境提供数据支持的存储架构 NetApp Novus，旨在帮助客户激活数据以用于 AI 工厂和新兴云。
Cognition AI 的 Devin 智能体已能参与从编码到响应生产问题的完整软件生命周期，这要求基础设施支持大规模持续学习。其训练与推理日益交织，需在数千个 GPU 上实现 99.99% 的可靠性以保障不间断训练。CoreWeave 推出的 Forge 平台旨在连接推理、数据整理、模型改进与评估，为构建此类学习循环提供支持。
NVIDIA NeMo Agent Toolkit (NAT) 可通过自定义插件将 Amazon S3 Vectors 集成为持久化记忆后端。该实现利用 Amazon Titan Text Embeddings V2 生成嵌入向量，并支持基于元数据的过滤和强一致性写入。此方案为需要弹性扩展至数十亿向量、具备成本效益的多智能体生产系统提供了记忆层。
Amazon Payments 在 Amazon SageMaker AI 上应用了基于多目标上下文多臂老虎机的个性化方案，以优化产品获客漏斗。一项为期七周的在线 A/B 测试显示，针对某一客户群体，漏斗最终转化率实现了较高的个位数百分比相对提升。该方案使用 LinUCB 算法，通过线性组合各阶段（申请开始、提交、批准）的 UCB 分数来同时优化整个漏斗，并提供了可在合成数据上测试的代码库。
NVIDIA 展示了如何微调其 Nemotron 自动语音识别模型以适配沙特阿拉伯方言。该方法旨在解决区域方言和本地录音条件在预训练数据中代表性不足的问题，确保模型能处理人们的实际口语，而不仅仅是基准测试中表现良好的主流语言。此微调路径也可应用于其他语言。
DeepEvidence 作为新型深度研究智能体，突破传统知识检索，实现科学证据的显式表征与综合。该模型支持跨文献的证据链构建与推理，提升生物医学发现中的信息整合能力。目前未公开开源或API，尚处于研究阶段。
研究发现，在同等时间预算和前沿大语言模型骨干下，复杂的多智能体编排系统相比一个具备读写和bash原语的最小化编码智能体基线，在公开排行榜上并未展现出优势。大规模系统消融实验表明，在编码智能体场景中，复杂的“缰绳”层变得冗余。这表明，围绕强大模型精心设计手工“缰绳”的努力，在当前机器学习工程基准测试中回报甚微。
Databricks 发布 ai_decide AI 功能，基于决策模型在毫秒级完成对受管数据的结构化判断，支持分类、评分与实时决策。该功能可在 SQL 中调用，也可通过 REST API 用于实时应用与智能体，延迟与成本显著低于传统 LLM。目前处于 Beta 阶段，兼容 TypeSafe AI 的 Jev 模型，支持在 Databricks 上直接运行开源决策模型。
微软研究院开发了一套端到端机器学习系统，可为美国本土 66,935 座变电站提供提前 30 至 60 分钟的位置特定空间天气风险预测。该系统结合太阳风观测、AE/Dst 指数预报、地质电导率与电网数据，在 2020-2026 年评估期内对重大事件的检测率达到 76.5%。
全球学习与评估公司 Pearson 将于 2026 年下半年收购 AI 原生技能平台 Workera。此举旨在整合 Workera 的技术与 Pearson 的专业知识，以更快地帮助企业弥合 AI 技能差距。此前一份报告显示，近 70% 的员工经常使用 AI，但近 60% 的人没有时间进行技能提升。
微软研究院推出名为Quine的生物AI研究系统，该系统包含一个多模态生物世界模型和一个连接模型、科学工具、文献与研究人员的工作平台。在与Broad Institute的合作中，Quine被用于预测和优先排序能驱动肿瘤细胞状态转变的化合物，其排名靠前的候选物在湿实验室实验中得到了验证。
推荐理由：原文展示了该系统在癌症研究中的具体应用案例和效果，为关注AI在生物科学领域落地的读者提供了实践参考。