算法2026-06-24
CEO-Bench：让 AI 当 500 天 CEO，只有 Claude Opus 和 GPT-5.5 活下来，且都不赚钱
普林斯顿团队发布 CEO-Bench，模拟 AI Agent 运营一家创业公司 500 天：只有 Claude Opus 4.8 和 GPT-5.5 在结束时资产超过起始的 100 万美元，且两者都无法持续盈利。
算法2026-06-24
StaminaBench：所有编程 Agent 撑不过 6 轮对话——vibe coding 的「耐力」现实检验
Amazon Science 发布 StaminaBench，在 100 轮连续修改任务中评测编程 Agent 的「耐力」：所有被测模型 5-6 轮内全部失败，但测试反馈可将存活轮数提升 12 倍，且 harness 质量差距可达 6 倍。
算法2026-06-24
DeFAb：一个 50 微秒跑完的符号逻辑求解器，让最强大模型在「可推翻推理」上颜面尽失
DeFAb 基准揭示残酷对比：基于规则的符号求解器 50 微秒内以 100% 准确率解决所有推理问题，最强前沿 LLM 最高仅 65%，渲染鲁棒评估暴跌至 23.5%。CoT 方差（36pp）超过任何模型间差距。
算法2026-06-24
ENPIRE：编程 Agent 自主在物理世界中训练机器人，完成插针、扎带等高难度操作，成功率 99%
UC Berkeley、NVIDIA 等团队发布 ENPIRE 框架，让前沿编程 Agent 自主完成真实机器人的策略训练闭环——环境自动重置、策略迭代、物理执行、日志分析与改进——在插针盒、扎带、工具使用等灵巧操作任务上达到 99% 成功率，多机器人并行时进一步加速。
算法2026-06-24
NRT-Bench：在核电站模拟器中红队测试 LLM 操作员，8.7%-12.1% 攻击成功，且同一套护栏对不同模型效果相反
韩国研究者发布 NRT-Bench，在模拟核电站控制室中测试 LLM Agent 操作员团队的安全韧性。多轮自适应攻击在 8.7%-12.1% 的会话中成功突破安全边界，更惊人的发现是：四个模型的失败几乎不重叠，同一套护栏对某些模型降低攻击成功率、对另一些模型反而提高。
算法2026-06-24
AC/DC：让 LLM 通过「模型合并 + 合成数据」自主进化，不再需要人工启动训练
Sakana AI 在 ICLR 2026 提出 AC/DC 框架，通过模型合并与合成数据生成实现 LLM 种群的任务-能力协同进化，8 个小模型组成的集体可超越 72B 大模型，且无需针对任何 benchmark 优化。
算法2026-06-24
Moebius：一个 0.2B 参数的图像修补模型，性能比肩 10B 级模型
华中科技大学发布 Moebius，一个仅有 2 亿参数的图像 inpainting 模型，在多项指标上达到 10B 参数级模型的性能，为小模型在视觉生成领域树立了新标杆。
算法2026-06-24
噪声稳定性正则化：让 Transformer 训练加速 75% 的简单方法
ICLR 2026 论文提出「噪声稳定性正则化」，在算法任务与语言建模上分别将训练加速 35% 和 75%，并催化 grokking 现象。方法源自布尔函数分析的理论创新。
算法2026-06-23
AA-Briefcase：一个全新的、未被「刷榜」的智能体评测基准，GLM-5.2 超越 GPT-5.5
Artificial Analysis 发布 AA-Briefcase，一个全新的智能体知识工作评测基准，测试 LLM 在多周复杂项目中的规划与执行能力。由于基准刚发布、尚未被饱和，结果更具参考价值：Claude Fable 5 以 1587 Elo 居首，GLM-5.2 在 Agentic 能力上超越 GPT-5.5，开源模型价格优势显著。
算法2026-06-23
Sumi：首个从零训练的 7B 统一扩散语言模型开源，挑战自回归模型的垄断地位
日本东北大学发布 Sumi，一个完全开源的 7B 统一扩散语言模型，在 1.5T token 上从零训练，是首个在参数规模和 token 预算上均达实用级别的 UDLM。
算法2026-06-21
Subquadratic 声称突破了制约 LLM 近十年的注意力瓶颈——是自 Transformer 以来最大的架构突破，还是 AI 界的 Theranos？
Subquadratic 用动态稀疏注意力宣称将 LLM 推理成本从 O(n²) 降至亚二次方，Appen 独立评测数字惊人，但 Qwen 权重起点、封闭测试与社区质疑仍让「AI Theranos」标签挥之不去。
算法2026-06-20
Gemma 3 上天：首个在轨运行的视觉语言 AI 模型背后的边缘计算革命
Loft Orbital 的 YAM-9 卫星已在轨运行 Google Gemma 3 视觉语言模型，实现不依赖地面站的实时图像分析——AI 从云端向太空边缘延伸的里程碑。
算法2026-06-20
首个 AI 全设计的通用疫苗通过人体试验：机器学习创造的「超级抗原」
剑桥大学团队用 AI 从零设计出一种「超级抗原」，由此制成的通用冠状病毒疫苗通过首次人体临床试验。这是人类历史上第一次将 AI 完全设计的抗原注射到人体中并验证
算法2026-06-20
Agentjacking：85% 成功率的新型攻击正在劫持 AI 编程助手
安全研究者发现一种名为 Agentjacking 的新型攻击，通过伪造 Sentry 错误通知即可劫持 Claude Code、Cursor 和 Codex，成
算法2026-06-20
Kimi K2.7 Code：月之暗面开源编程模型，推理 token 减少 30%，性能反超 21.8%
Moonshot AI 发布 Kimi K2.7-Code，在 K2.6 基础上将 Kimi Code Bench v2 得分从 50.9 提升至 62.0（+
算法2026-06-20
从 Lightning Indexer 到 Lookahead Sparse Attention，DeepSeek 用三代模型重写了 Transformer 注意力机制的底层规则。
本文系统梳理 DeepSeek 稀疏注意力机制从 V3.2 到 FlashMemory-V4 的算法演进：DSA 的 Lightning Indexer、V4 的 CSA/HCA 混合架构，以及 2026 年 6 月最新提出的 Lookahead Sparse Attention 与 Neural Memory Indexer，揭示长上下文推理效率跃升背后的算法逻辑。
算法2026-06-20
2026 年，KV Cache 压缩成了大模型推理的算法主战场——Google、Apple、华为三套方案同时逼近理论极限。
KV Cache 已取代模型权重成为大模型推理的内存瓶颈。2026 年上半年，Google TurboQuant、Apple CommVQ 和华为 KVarN 三套压缩算法相继亮相，在 2–3 bit 精度下实现 6–8 倍压缩，本文从算法原理、基准对比和工程落地三个维度进行深度拆解。
算法2026-06-20
从逐 token 到并行去噪：扩散语言模型如何重写大模型推理规则
Google DeepMind 发布 DiffusionGemma，标志着扩散语言模型（dLLM）从学术论文走向生产级部署。本文深度剖析 dLLM 的技术原理、训练路线图、推理加速栈，以及它为何可能成为自回归模型之外最重要的架构替代方案。
算法2026-06-20
GRPO 与强化微调：推理模型背后的算法革命
从 DeepSeek-R1 到 DAPO、Dr. GRPO，GRPO 算法如何让大模型在无人工标注的情况下学会推理，以及社区正在如何修补它的缺陷。