艾萨克·阿西莫夫经典科幻短篇《最后的问题》的在线阅读版本已发布于 hex.ooo 网站。该链接于 2026 年 4 月 17 日在 Hacker News 平台分享，获得 104 个赞。这部小说被视为阿西莫夫最具代表性的短篇作品之一，现可通过该链接直接访问阅读。

针对在线增量学习中数据分布持续偏移、旧样本重放价值有限的挑战，研究者提出基于最优传输理论的在线混合模型学习框架（MMOT）。该方法摒弃传统单一或多固定类质心表示，使质心随新数据流增量演化，从而更精确刻画多模态复杂数据分布，并提升对未见样本的类相似度估计精度。同时，动态保持策略通过调节潜在空间维持类间可分离性，有效缓解灾难性遗忘。实验验证表明，该方法在基准数据集上具有显著优势。

Cloudflare 推出 Agent Readiness 评分体系，帮助网站所有者量化评估其网站对 AI agent 的支持能力。该体系建立全新技术标准，并基于 Radar 数据监测分析。Cloudflare 通过重构文档站点，将其打造为全网对 agent 最友好的网站，为行业提供了可复现的优化范例，推动网站基础设施向 AI 代理友好型架构升级。

本文首次系统研究开源LLM密集检索器的鲁棒性，从泛化性与稳定性双维度，在覆盖30个数据集的4项基准上评估。发现指令微调模型虽整体优异，但针对复杂推理优化的模型存在"专业化税"，泛化能力受限。稳定性测试表明，LLM检索器对拼写错误和语料库投毒攻击比仅编码器基线更鲁棒，但对同义词替换等语义扰动仍敏感。嵌入几何结构（如角度均匀性）可预测词汇稳定性，且扩大模型规模通常能提升鲁棒性。

技术团队预告了共享压缩字典功能的上线计划，这项压缩技术专为适应代理式网络的发展需求而设计，能够显著缩短页面加载时间并提升传输效率。该功能目前处于预览阶段，具体的 beta 测试开放时间即将公布，用户很快就能亲自体验这项新技术。

Cloudflare 发布原生功能标志服务 Flagship，直接构建于其全球网络之上，旨在消除第三方供应商的延迟。该服务利用 KV 和 Durable Objects 技术，实现亚毫秒级的 flag 评估速度，满足 AI 时代对实时性能的需求，为开发者提供低延迟的功能开关能力。

Cloudflare 发布 Agent Memory 托管服务，为 AI 智能体提供持久化记忆能力。该服务支持智能体长期保留关键上下文、自动过滤并遗忘无关信息，同时基于交互历史持续学习优化。开发者无需自建基础设施，即可快速部署具备长期记忆、能随使用时间增长而变聪明的 AI 应用。

Cloudflare 发布无损推理时压缩系统 Unweight，可在不牺牲模型质量的前提下，将大语言模型（LLM）的占用空间减少 22%。该系统针对 GPU 内存带宽进行优化，使推理速度更快、成本更低，解决了在网络边缘大规模部署 LLM 时的内存效率挑战，实现了模型体积与计算资源的高效平衡。

Cloudflare 推出 Redirects for AI Training 功能，解决软指令无法阻止 AI 爬虫抓取弃用内容的局限。网站管理员可通过一键切换，将已验证的 AI 爬虫自动重定向至规范页面，无需修改源站配置即可确保 AI 模型训练获取权威内容，避免过时信息被纳入训练数据。

Google正将AI模式深度整合至Chrome浏览器，未来网站内容将直接展示在AI回复旁边，用户无需点击链接即可浏览网页。这一功能进一步削弱了传统网页访问的必要性，意味着用户可在不离开搜索界面的情况下获取信息，标志着Google在AI搜索体验上的重大转变，可能彻底改变用户获取网络内容的方式。

OpenAI 推出专为生命科学领域打造的推理模型 GPT-Rosalind，旨在加速研究人员从假设到实验的转化流程。该模型目前处于严格管控的访问阶段。作为针对生命科学研究场景优化的 AI 系统，GPT-Rosalind 试图缩短科研周期，帮助科学家更快验证理论假设。

研究团队推出RadAgent，一款用于胸部CT解读的工具使用型AI智能体。该系统通过逐步推理生成报告，提供可审查的决策轨迹与工具交互记录。相比3D VLM基线CT-Chat，其临床准确性macro-F1提升6.0分（36.4%）、micro-F1提升5.4分（19.6%），对抗鲁棒性提升24.7分（41.9%），并首次实现37.0%的忠实度指标，显著提升了放射学AI的透明度与可靠性。

Corpus2Skill 通过迭代聚类与分层摘要生成，将企业文档语料库离线蒸馏为树状可导航技能目录，使 LLM 智能体在 serving 时能够全局浏览语料结构、主动深入主题分支并回溯优化检索路径，实现从被动消费证据到主动导航探索的范式转变。在 WixQA 企业客服基准测试中，该系统在所有质量指标上均超越密集检索、RAPTOR 及 agentic RAG 基线。

中国国家安全委员会将 Meta 斥资 20 亿美元收购 AI 初创公司 Manus 的交易定性为"阴谋性"企图，指责其旨在掏空中国技术基础。据《金融时报》报道，该委员会由习近平领导，目前已禁止 Manus 创始人离境。这一罕见定性标志着北京对关键技术外流的国家安全审查显著升级，该笔巨额收购面临重大政治阻碍。

研究团队提出 Switch-KD 视觉切换知识蒸馏框架，通过将学生模型的视觉输出接入教师模型的语言路径，在共享文本概率空间中实现跨模态知识迁移。该方法包含动态双向 Logits 差分损失函数，可自适应对齐关键概率区域并保持分布结构。实验表明，0.5B 参数的 TinyLLaVA 在无需修改架构的情况下，从 3B 教师模型蒸馏知识后，在 10 个多模态基准测试中平均性能提升 3.6 个百分点。

开源系统TRACER利用LLM生产日志训练轻量级替代模型，通过设置一致性阈值α作为部署门控，仅在替代模型与教师模型（如Sonnet 4.6）一致率达标时激活，实现近零边际成本的推理。系统生成可解释性产物明确能力边界。在77类意图识别基准测试中，替代模型覆盖率达83%-100%；在150类任务中完全替代教师模型；而在自然语言推理任务中，系统正确识别嵌入表示不足并拒绝部署。

研究团队推出GlobalSplat框架，采用"先对齐后解码"策略，通过学习紧凑的全局潜在场景表示来解析跨视图对应关系，再解码显式3D几何，有效解决了传统方法因局部分配策略导致的全局一致性差和表示冗余问题。该框架在RealEstate10K和ACID数据集上仅需16K Gaussians（4MB存储）即可实现高质量新视角合成，单次前向传播推理速度达78毫秒以内，显著优于密集基线方法。

datasette 发布 1.0a28 版本，主要修复 1.0a27 引入的兼容性缺陷。更新包括：修复 execute_write_fn() 回调函数参数命名错误导致的异常；database.close() 方法现可关闭写入连接；新增 datasette.close() 方法用于释放所有数据库资源；内置 pytest 插件自动清理测试实例，防止文件描述符耗尽。此次更新多数代码由 Claude Code 配合 Claude Opus 4.7 完成。

一名开发者利用胶带、旧相机和数控机床，自制了一款名为AutoProber的AI驱动硬件"黑客手臂"。该项目已开源在GitHub（gainsec/autoprober），相关技术展示在Hacker News上获得104个积分关注。这一低成本解决方案通过人工智能控制机械臂，展示了如何利用现成材料构建自动化硬件安全测试工具。

MM-WebAgent 是一个面向多模态网页生成的分层代理框架，通过分层规划与迭代自我反思协调 AIGC 元素生成，解决直接集成 AIGC 工具导致的风格不一致与全局连贯性问题。该框架联合优化全局布局、局部多模态内容及其集成，并配套推出多模态网页生成基准与多级评估协议。实验表明，MM-WebAgent 在多模态元素生成与集成方面优于代码生成及代理基线方法。

RAD-2 提出了一种面向自动驾驶闭环规划的生成器-判别器框架，通过扩散模型生成多样化轨迹候选，并利用强化学习优化的判别器进行重排序。该方法引入时序一致性组相对策略优化与在线生成器优化技术，结合 BEV-Warp 高吞吐量仿真环境实现大规模训练。相比现有扩散规划器，RAD-2 将碰撞率降低 56%，并在真实场景部署中显著提升了驾驶安全性与平稳性。

研究人员提出LeapAlign微调方法，通过将长生成轨迹压缩为两步连续跳跃（leap）解决流匹配模型后训练中反向传播的梯度爆炸与内存瓶颈问题。该方法随机化跳跃起止时间步以支持任意生成步骤的直接梯度更新，并对高一致性轨迹分配更高权重、对大幅梯度项降权处理以增强稳定性。在Flux模型上的实验表明，该方法在图像质量和图文对齐等指标上持续优于GRPO及直接梯度等现有方法。

针对现有视觉RAG系统忽略细粒度视觉语义的问题，本文提出UniDoc-RL统一强化学习框架。该方法将视觉信息获取建模为层次化顺序决策过程，通过从粗粒度文档检索到细粒度图像选择再到主动区域裁剪的渐进式策略，使大型视觉语言模型智能体联合执行检索、重排序与推理。引入密集多奖励方案为每个动作提供任务感知监督，并基于GRPO算法实现端到端训练而无需价值网络。在三个基准测试中，该方法相比现有基于RL的方法性能提升最高达17.7%。

Google 正式发布 Android CLI 命令行工具，允许开发者通过任意代理构建 Android 应用，官方数据显示构建速度较传统方式提升 3 倍。该工具为 Android 应用开发提供了更高效的构建方案，支持灵活的代理配置，能够显著缩短开发迭代周期，提升整体开发效率。

C-GenReg是一种无需训练的3D点云配准框架，利用世界基础模型将输入几何转换为多视图一致的RGB图像，借助视觉基础模型(VFM)在图像域提取密集对应关系，再通过深度图映射回3D空间。该方法采用"Match-then-Fuse"概率冷融合策略，将生成RGB分支与原始几何分支的对应后验进行融合，无需额外学习即可提供校准置信度。作为零样本即插即用方案，C-GenReg所有模块均无需微调，在室内3DMatch、ScanNet及室外Waymo基准测试中展现出卓越的跨域泛化能力，并首次在真实室外LiDAR数据上实现生成式配准。

首次系统研究表明，对音频大语言模型进行良性微调会严重破坏安全对齐，使越狱成功率（JSR）从个位数飙升至87.12%。通过分解嵌入空间接近性的语义与声学维度，发现脆弱性取决于模型架构如何处理音频输入。研究提出两种防御措施：基于嵌入距离的数据过滤和推理时文本系统提示，均无需修改架构即可将JSR降至接近零。机制分析揭示，微调选择性抑制了晚期拒绝电路，而冻结编码器保留了原始表示。

研究团队发布Stargazer基准测试环境，用于评估AI智能体在径向速度时间序列数据上的物理模型拟合能力。该环境包含120个任务（含20个真实档案案例），分三个难度等级，涵盖单行星到复杂多行星系统场景。对8个前沿智能体的测试显示，尽管智能体能实现良好的统计拟合，却频繁无法恢复正确的物理参数，且增加测试时计算仅带来边际收益，过度token使用往往反映递归失败循环而非有效探索。

研究团队发布"Mind's Eye"基准测试，涵盖8项视觉认知任务，依据"抽象-关系-转换"（A-R-T）分类体系评估多模态大语言模型的流体推理能力。结果显示，人类参与者准确率达80%，而顶尖模型不足50%。错误分析揭示，现有模型在视觉注意力分配、内部感知操作和底层概念抽象方面存在明显缺陷，表明当前多模态大语言模型的视觉空间推理能力仍显著落后于人类水平。

研究人员提出神经元激活图排序（NAG-based Ranking）框架，用于目标导向的语言模型预训练数据选择。该方法无需训练且可解释，通过量化神经元影响构建跨层NAG，并依据NAG相似度排序候选数据。在六个基准测试中平均比随机采样提升4.9%，在HellaSwag上比SOTA基线提升5.3%。多目标场景下分别超过两个基线1.1%和4.1%。分析表明，仅停用0.12%的NAG选择神经元就会导致23.5%性能崩溃，证明NAG捕捉了学习目标特征的稀疏"功能骨干"。

研究团队发布 MTR-DuplexBench 基准，首次系统评估全双工语音语言模型（FD-SLMs）的多轮对话能力。该基准将连续对话切分为离散回合，涵盖对话特征、对话质量、指令遵循和安全性四个维度。实验表明，当前 FD-SLMs 在多轮交互中性能波动明显，难以保持上下文一致性。相关代码和数据已开源。

研究团队发布 SemanticQA 评测套件，用于评估语言模型处理语义短语的能力。该基准整合现有多词表达资源，构建统一测试平台，涵盖词汇搭配、习语表达、名词复合词及动词结构四大类别。通过对不同架构和规模模型的测试发现，各模型在提取、分类、解释及序列组合任务中表现差异显著，尤其在需要深层语义推理的任务上差距明显，暴露出复杂语义短语理解的能力瓶颈。评测数据与工具已开源。

研究团队提出名为Shesha的几何稳定性指标，通过计算个体细胞位移向量与平均扰动方向的平均余弦相似度，量化单细胞CRISPR扰动响应的方向一致性。分析涵盖2,200余个扰动的五组数据集发现，稳定性与效应幅度高度相关（Spearman ρ=0.75-0.97），但两者解耦案例暴露关键调控差异：多效性主调控因子CEBPA和GATA1产生大而不一致的"几何代价"，而谱系特异性因子KLF1则呈现紧密协调的响应。几何不稳定性与伴侣蛋白HSPA5/BiP激活升高独立相关，且高稳定性/高应激组合呈系统性缺失。该关系在scGPT基础模型嵌入中依然存在，证实其为生物状态空间固有属性，为功能基因组筛选和细胞制造质控提供新维度。

研究团队通过Olmo 3的三个后训练谱系（Think、Instruct、RL-Zero）追踪输出多样性变化。发现多样性崩溃与数据组成密切相关：Think在监督微调阶段损失大部分语义多样性，DPO对Instruct影响更大。抑制Think模型的思维链推理虽降低准确率但不改变多样性，证明崩溃由训练数据嵌入权重导致。在可验证任务中，Think虽总体崩溃更多但保留更多正确答案多样性。研究表明多样性崩溃由训练数据组成决定，无法仅靠推理时间解决。

研究团队提出分层编解码器扩散Transformer模型 HiCoDiT，利用 RVQ 编解码器的分层结构解决现有视频到语音生成方法忽视语音层级特性的问题。该方法通过低级块基于唇形同步运动与面部身份建模说话人感知语义，高级块利用面部表情调节细粒度韵律动态，并引入双尺度自适应实例层归一化实现从粗到细的条件控制。实验表明，该模型在语音保真度和表现力上显著优于基线方法，代码与演示已开源。

扩散概率模型在推理阶段存在信噪比-时间步（SNR-t）偏差，即去噪样本的信噪比与其时间步发生错位，导致误差累积和生成质量下降。研究者提出差分校正方法，依据模型先重建低频再处理高频的特性，将样本分解为不同频率成分并分别校正。实验表明，该方法在 IDDPM、ADM、DDIM、EDM、PFGM++、FLUX 等 8 种模型及多分辨率数据集上均显著改善生成质量，且计算开销可忽略。

胰腺导管腺癌CT分割存在专家标注分歧，标准深度学习假设单一真值导致概率校准失真。TwinTrack框架通过将集成分割概率校准至经验平均人类响应(MHR)，使输出概率可直接解释为标注肿瘤的专家比例，显式量化标注不确定性。该方法仅需少量多标注者校准集，在MICCAI 2025 CURVAS-PDACVI基准上持续改进校准指标，为医学影像分割提供可解释的不确定性建模方案。

研究团队推出LaviGen框架，将3D生成模型重新用于3D布局生成。该方法突破传统文本推断模式，直接在原生3D空间通过自回归过程显式建模物体几何关系与物理约束，生成连贯且符合物理规律的3D场景。团队还提出融合场景、物体与指令信息的改进版3D扩散模型，并采用双引导自推出蒸馏机制提升效率与空间精度。在LayoutVLM基准测试中，LaviGen的物理合理性较现有最优方法提升19%，计算速度加快65%。

研究团队发布GTA-2基准测试，用于评估通用工具智能体从原子级操作到开放式工作流的综合能力。该基准包含GTA-Atomic（短期封闭任务）和GTA-Workflow（长期开放任务），采用递归检查点机制分解目标并评估端到端完成度。实验显示，前沿模型在原子任务上成功率不足50%，在工作流任务中仅达14.39%。分析表明，检查点反馈及Manus、OpenClaw等执行框架可显著提升性能，凸显执行架构设计比底层模型能力更为关键。

研究团队提出轻量级框架ArtifactNet，通过提取神经音频编解码器遗留的物理伪影识别AI音乐。该框架采用3.6M参数UNet提取残差并分解为7通道特征，经0.4M参数CNN分类，总参数量仅4.0M。配套发布含6,183首曲目的ArtifactBench基准（涵盖22个AI生成器）。在2,263首测试集上，该方法取得F1=0.9829、FPR=1.49%，远超CLAM等方法，参数量仅为其1/49。多格式增强训练使跨编解码器概率漂移降低83%。