来自哈佛大学、麻省理工学院、新加坡国立大学与 MIT IBM Watson AI Lab 的研究团队提出 Honeycomb，试图回答一个更根本的问题：视频世界模型能否在持续吸收新场景信息的同时，让特征记忆始终保持固定大小？

LensVLM 的核心，是让模型在阅读压缩内容时，仍能按需查阅原文。模型先浏览全篇，再把阅读预算用在当前问题需要的页面上。

这篇论文值得关注的地方，不只是“搜索调用少了”，而是它展示了如何用奖励和数据共同塑造搜索行为。但读到成本分析时，还要追问一句：少搜省下来的开销，是否抵得上模型为了做决策而多花的计算？

清华大学自动化系研究者提出了 Local Demonstration Editing（LDE），并训练了一个小型编辑模型 Jev-LDE。它不负责最终答题，而是在目标 LLM 推理前，对已经检索出的 demonstration set 做一次编辑，只允许 Keep、Delete 或 Replace 三种操作。

Anthropic 的前沿红队发布了一项新研究，探讨 AI 能否像计算机病毒一样，在不同设备之间自主复制、运行，甚至不断传播。

在AI应用特别是 ​​#RAG知识库​​ 开发中 ​​#文档解析​​ 是比较重要的前置任务，​​#MinerU​​ 是其中比较主流的项目之一，它主要负责把将PDF、Office文件等复杂文档转换为 LLM 可直接使用的 Markdown/JSON格式。

研究团队提出 PoS（Progression of States）。它持续维护显式信念状态，记录当前世界与未解决要求。

上海人工智能实验室联合上海交通大学等高校团队提出InfiniHand，用一个流式模型联合估计手部位置、手部形态和相机轨迹，将连续动作恢复到共享的世界坐标系中。

就在刚刚，OpenAI自曝一起离奇的办公室窃听案。自家高管会议室的电视机背后，被人偷偷插上了一台加密录音设备。

谁敢信，平时喷烂代码骂得最凶的Linus，这回居然自己带头用AI写代码了！

陶哲轩的这场演讲，表面谈数学，实则揭开了AI时代最危险的悖论：人类正在以前所未有的速度获得答案，却可能逐渐失去理解答案的能力。

TRACE 对情绪计算领域的长期影响是深远的。它不仅提供了一个统一的情绪链条结构，也提供了一套完整的任务体系与推理方法。它让情绪计算从表层识别迈向认知推理，从碎片化任务迈向链条化理解，从单模态识别迈向多模态融合。这样的转变将推动情绪计算进入新的时代，也将为下一代智能系统提供新的基础能力。

新框架 Pi Durable 专治“长跑 Agent 猝死”：进程挂了，重启后从检查点精确续跑，约 1.2 万行代码。争议也随之而来，极简派在评论区留下一句：所以 Pi 现在也开始堆积垃圾了。

今年 5 月，Anthropic 平均每天合并约 2,500 次代码变更；到了 9 月，这个数字已经超过 30,000。它的主干历史接近 100 GB，压缩后的工作副本超过 25 GB，仅 CI 每天就要做约 2,500 万次 checkout。

这个周末我把仓库的 src 目录结构、官方架构图（docs/architecture.mermaid）和 MCP 工具设计文档（docs/tool-design.md）完整读了一遍。说实话，比"能拆 App"更值得学的，是它的工程架构。今天这篇，带你一层一层拆。

这篇文章不制造焦虑，只拆解三个工程问题：大厂现在到底怎么考人，公司为什么还要招程序员，以及普通人该补哪四种能力。文中的能力模型、goal 模板和两份清单，都可以直接拿走用。

本文我们分析了 Redis中常见的 9种数据类型，从最基本的字符串、列表、集合到复杂的有序集合、哈希，再到位图、HyperLogLog、流和地理空间索引，每种数据类型都有其独特的特性和应用场景。熟练掌握这些数据类型的使用及其底层实现，能够帮助我们设计高效、可扩展的系统架构，充分发挥Redis的性能优势。​

对于团队，原文介绍了一个叫 ​​sec-default​​ 的内置保护 mod：它会在 Team、Enterprise 方案，以及使用托管设置的机器上优先加载，防止用户安装的 mods 覆盖权限拒绝规则。管理员也可以安排自己的 mods 在用户 mods 前后运行，只允许批准的 mods，或者完全关闭这项能力。

伪共享是高性能多线程开发里很隐蔽的性能坑。线程逻辑上没有共享数据，但是变量内存排布让它们落在同一个缓存行，MESI 缓存一致性协议带来大量缓存失效开销，拖慢并行程序。​

传统的向量检索与重排模型主要评估文本间的语义匹配度，缺乏针对恶意指令的审查机制，容易让带有攻击意图的切片直接渗透到大模型的上下文中。