单篇

让 23 个大模型扮演谈判专家去天台救人，路上设了快死的鱼、中枪警察和一把枪，看它们会不会撒谎、救谁、捡不捡枪，数据已开源在 GitHub。

新论文用文档真实层级做寻址，不用向量库和重排器，Recall@1 达 82.6%，幻觉率降到 0.05% 以下。

作者复现并训练了一个模型，主张未来文档检索不再依赖文本倒排索引，而是后台直接用语义向量完成匹配。

作者将 3.5 万条推文存档导入本地 SQLite 加全文搜索，用 AI 初筛复核，最终只筛出 35 条删除候选。

Boltzbit 与剑桥团队用超网络把对话中的新事实动态编译成 LoRA 权重，长文档与多轮对话中准确率反超长上下文方案，且每轮算力恒定。

OpenAI 推出 MentalHealthBench，由 80 多位心理健康临床医生参与构建，用于评估前沿模型在真实心理健康对话中的表现，并开放给研究者复现与扩展。

让研究型 AI 自动搜索并验证外壳改动，仅四项改动就使 token 流量降约 45%、API 成本降三分之一，且不触碰模型本身。

Plugin4Shell 可零点击执行代码，波及 Claude Code、Codex、Copilot、Gemini CLI；另一起攻击劫持会话植入恶意 PyPI 包，扩散约 100 个仓库。

新方法给 agent 自我进化加正则约束，偏向可复用改动，在编码与工程任务上提升 OOD 表现且省 30% token。

作者用 Opus 5.5 配合 Lean 和 TLA+ 形式化验证 Agent SDK，几段提示词换来 16 个修复 bug 与竞态的 PR。

9 种新语言中无单一开源权重模型通吃：Boson AI、Fish Audio、Mistral、BreezeBlue 各在部分语种领先，开源覆盖仍远薄于闭源。

两个模型都几乎通过 HAProxy 全部测试，Opus 5.5 用 9.5 小时、成本低 51%，作者称其已成为日常主力模型。