推荐理由：GLM-5.2虽然没追上GPT-5.5，但开源模型又往前迈了一大步，能力提升明显，值得关注。

推荐理由：Ethan Mollick 分享了一个容易被忽视的问题：模型路由器的任务分配不够智能，尤其对创意和分析类任务。如果你也发现一些任务结果不好，可能不是模型不行，是路由器给它派了太弱的模型。

推荐理由：这位网友对Grok 4.5很有信心，还调侃xAI显卡太多不如自己用。看看民间对xAI新模型的态度。

推荐理由：Opus 4.7只用14小时和251块就干完了人类几周的活，虽然还有瑕疵，但进步真的快。

推荐理由：这篇很真实，说透了AI用得越多，自己越容易变懒，得先自己思考再让AI动手。

推荐理由：想看看AI怎么思考？让GLM-5.2或Opus 4.8帮你选诗，能看到它的推理过程，挺有意思的。

推荐理由：tokei更新了，现在能按模型看Claude Code花了多少钱，还有连续跑Agent的成就系统，适合想精细控制AI开支的开发者。

推荐理由：K神提出了新的LLM交互思路，作者已经用Pi搭建了能按群组定制的智能体系统，对企业协作很有参考价值。

推荐理由：作者用GLM-5.2和GPT-5.5预测世界杯，GPT-5.5命中率70%，还给了淘汰赛提示词，试试用自己的agent玩。

推荐理由：GPT-5.5-Cyber 在安全基准 CyberGym 上直接碾压了 Mythos 5，想搞红队或漏洞分析的话可以申请权限试试。

推荐理由：这个仓库把视频创作、动效、包装等技能打包成模块，装一个就能用，做视频更轻松。

推荐理由：一句话解释谷歌为什么没跑赢AI竞赛——不是技术不行，是自家产品抢算力。内耗比对手更头疼。

推荐理由：Browser Use 团队拿 Opus 4.7 和 GLM 5.2 比前端设计，一个 prompt 生成网站打分，看看谁画页面更强。

推荐理由：NewMax的录制比Codex实用，能把操作直接变成Playwright脚本，省去重复工作，下个版本就能体验。

推荐理由：看看这篇对 Agent 与 QQ 邮箱结合的犀利分析，10 条观察直击本质，尤其是把邮箱当作数字身份证和 A2A 通信的终局思考。

推荐理由：芬兰政府计划2031年前用AI改造公共部门，目标提效20%，部分岗位将被AI取代，工会表示担忧。

推荐理由：Jim Keller聊了Tenstorrent的收购进展，说跟英特尔和高通CEO都见过面了，还怼了一把刚上市的Cerebras，想看看RISC-V AI芯片的路怎么走。

推荐理由：中科院他们搞的“异算方舟”平台，专门帮你把代码自动迁移到国产算力上，性能还能快十倍，省去手写适配的麻烦。

推荐理由：技术博主画架构图常用 Excalidraw，但导出 GIF 和 PNG 还得手动转。这个工具改一份 JSON 就能同时拿到三种格式，本地渲染还快，风格也很酷。

推荐理由：腾讯云EdgeOne出了个Makers，几行命令就能把AI Agent框架跑起来，不用自己折腾环境，节省大量时间。

推荐理由：光本微和东方天璇搞了一颗太空光计算卫星，用光代替电来干活，不怕辐射、散热好还省电，比传统宇航芯片轻巧耐造。

推荐理由：vivo 为折叠屏做了专属AI系统，X Fold6能同时跑多个AI任务，不再是单应用放大，办公效率直接拉满。

推荐理由：这篇论文证明了Bregman ADMM在非凸非Lipschitz优化中几乎必然收敛到二阶KKT点，解决了传统方法无法处理多项式目标的问题，对矩阵分解等应用有实际指导意义。

推荐理由：这篇论文给掩码扩散模型加了重新掩码机制，像有个纠错开关，Sudoku和QM9上效果很好，值得做推理优化的读者看看。

推荐理由：这篇论文用辩论方式来搞AI对齐，比单次解释更细致，在创意任务上预测偏好更准，搞对齐研究的值得看看。

推荐理由：这篇论文用可解释神经网络从对称性角度预测原子核质量，WINN模型精度0.430 MeV，还揭示了中子滴线和超重区的新现象，值得搞核物理或AI的人看看。

推荐理由：想给控制系统加安全证书？这篇用SLS参数化搞定了二次代价，数值实验还比传统方法更稳。

推荐理由：这篇论文用仅18个参数的室温光量子模型在口腔癌检测上做到100%准确率，参数比经典模型少67%，特别适合边缘设备。

推荐理由：这篇论文解释了为什么时间链接预测中准确率高不一定代表模型学对了因果关系，还给出了数学上的权衡证明。

推荐理由：这篇论文讲怎么用迁移学习加速电池PINN模型训练，能跨电池用，省时间还准，做电池仿真的可以看看。

推荐理由：高德出了一个叫“袋马”的产品，用自然语言就能生成微信小程序和 iOS App，不会写代码也能做应用，适合小团队和个人尝尝鲜。

推荐理由：这篇论文解决了非线性策略分类的计算难题，用拉格朗日对偶和隐函数定理做出了实用算法，比线性方法更准，值得做对抗性机器学习的人看。

推荐理由：COCOLogic-V2 这个新数据集专测视觉推理，正反例分类特别细，模型在近边界上直接翻车，做可解释 AI 的可以看看。

推荐理由：想用一只机械手同时完成多个操作任务？DexCompose通过手指级分工和残差模块，在16项任务中达到77.4%成功率，解决了策略冲突问题。