🛠️ 技术动态
Mind Lab 的 Macaron-V1 通过在 GLM-5.1 上挂载 5 个约 10 亿参数的 LoRA 专家模块实现持续学习，系统根据任务动态切换到最合适的专家模型。使用数据可蒸馏为持续更新的专用 LoRA 适配器，声称在评测中超越 GLM-5.2。
Kiro（agentic IDE）公开其 Agent Harness 设计：轻量级服务端进程与代码库并行运行，IDE/CLI/Web 客户端通过严格定义的协议接口跨边界通信，Agent 代码与客户端独立演进。这是 Agent IDE 领域少见的基础架构公开分享。
Orchard 是微软开源的 agentic 建模框架，底层是 Kubernetes 原生环境服务，暴露通用原语而不预设 harness/trainer/inference 后端。同一 substrate 支持轨迹蒸馏、在线 RL rollouts 和评测，数据集/训练配方/评测协议可跨项目移植。
MiniMax H3 成为首个在 Artificial Analysis 视频排名中登顶的开源模型（视频编辑第一、文生视频第二、图生视频第三）。ComfyUI 社区立即提供 Day-0 支持，HN 317 票讨论开源视频生成模型的竞争力跃升。
社区项目展示在单张 AMD MI300X 上运行 DeepSeek V4 Flash，HN 244 票。路透社同日报道 DeepSeek V4 Flash 是知名模型中运行成本最低的，比 Anthropic Claude Fable 5 便宜 105 倍。AMD 加速卡 + 开源模型的组合持续验证非 NVIDIA 硬件路径的可行性。
开源项目 Swiftlet 展示极致量化：在 Mac 上仅用 4.3GB 内存运行 80B 参数的 Qwen 模型，iPhone 上运行 35B 参数模型。HN 268 票，社区对端侧大模型部署的可行性讨论热烈。
Cursor 通过 Marketplace 发布 Google Workspace 插件，AI 编程助手现在可以直接读取、写入和操作用户的 Google Docs、Sheets 等工作空间内容，大幅扩展了 AI 编码助手的可用数据边界。
💡 深度分析
Financial Times 报道，Apple 对操作系统漏洞报告引入上限和 30 天冷静期，原因是使用 AI 提交的报告大量「幻觉安全风险」。Apple 内部也用 AI 管理激增的漏洞报告。这是继 JFrog 披露 LLM 幻觉 CVE 后，AI 幻觉在安全基础设施层面的又一次实际冲击。
HN 1207 票高赞文章指出：LLM 的最大价值不在于替代初学者，而在于放大专家的能力。专家能提出精准问题、识别输出质量、提供有效反馈循环，从而从 LLM 获得远超新手的回报。这一发现对「AI 民主化技能」的叙事提出了有力挑战。
HN 576 票讨论：博主直言 AI 生成图片已成为内容质量低劣的信号——看到配图是 AI 生成就不想继续阅读。社区共识是 AI 图片正在快速获得「低质标记」属性，与 AI 生成文本面临的信任困境形成呼应。
研究人员使用 Anthropic Claude 利用犯罪实验室设备中存在数十年的安全漏洞，成功从文件中添加和删除了 DNA 配置文件——理论上可陷害无辜者或消除嫌疑人。制造商 Thermo Fisher 已发布补丁，但无证据表明该漏洞曾被利用。
GPT-5.6 Sol xhigh 在 Codex 工作流中每个 session 消耗超过 GPT-5.5 两倍的 token，等效配额价值腰斩。同价下 2.25x token ≈ 2.25x 成本，且新增 cache-write 收费。更强大但更贵——能力提升与成本攀升之间的张力继续加剧。
📜 论文推荐（HuggingFace Papers）
提出 Zero-Mem 框架，挑战 LLM Agent 记忆操作必须额外调用 LLM 的假设：除最终问答外，无步骤需调用 LLM 或消耗 token。保留原始交互轨迹作为记录源，通过实体-上下文图和时间层次结构组织记忆，查询时从两个视图检索并权衡，确定性校准丢弃冲突证据。只在最终 QA 环节调用 LLM。
研究 MLLM 中视觉信息到底被「看到」还是仅仅被「知道」：当视觉输入与语言先验冲突时，模型是真正在用视觉还是依赖先验？对理解多模态模型的实际视觉推理能力和设计更鲁棒的视觉系统有重要意义。
展示冻结的像素空间扩散模型无需额外训练即可通过自生成样本进行引导，突破像素空间端到端生成器训练困难的传统限制，为低资源环境下高质量图像生成提供新思路。
长时序 Agent 日益将 KV 缓存作为记忆复用，服务系统保留缓存条目子集。本文提出稀疏 Event-KV 的记忆契约：全局计算以捕获长期依赖，局部物化以服务即时请求，为 Agent 长期记忆的工程实现提供理论框架。
提出 World Action Models 的自引导框架 SG-WAM，在策略派生表示空间中直接学习几何感知的动作条件动态。基于 0.9B 模型无需大规模具身预训练，在 LIBERO 上达到 98.5% 成功率，LIBERO-Plus 上 73%，优于强基线。