Anthropic 披露 Claude 在不到半小时内查明了五条 NIST 标准椭圆曲线种子的具体生成方式，解开了学界二十多年的疑问。分析显示这些种子源自 90 年代 C 语言库的 lrand48 伪随机数生成器，初始状态对应 1997 年 5 月至 1998 年 4 月间的 Unix 时间戳，相关结果已获悬赏发起人独立复核并排除了预设后门漏洞。
推荐理由：这项分析展示了模型利用格基约简算法逆向推导随机数生成过程的能力，为历史密码学参数审查提供了实测参考。
Reflection 在 Hugging Face 开源大语言模型 Beam，总参数量 501B、单 token 激活 23B，支持 1M 上下文并遵循 Apache 2.0 协议。
推荐理由：该开源模型采用稀疏架构配合百万上下文，同时给出了在本地设备与集群上的部署及微调方案。
Apertus 团队发布 Apertus 1.5 8B 与 70B 模型的完整技术报告，原生支持图像与音频理解，并引入可选的思考模式及 262,144 tokens 上下文窗口。模型采用早期融合架构与分阶段持续预训练，已在 Apache 2.0 协议下开源权重，并全面公开了数据配方、评估记录以及各阶段的中间训练检查点。
推荐理由：项目公开了从数据配比、分阶段预训练到对齐检查点的全流程细节，为多模态与推理模型的训练复现提供了参考。
Liquid AI 在 Hugging Face 开源推理智能体模型 LFM2.5-24B-A2B 及 Base 版本，总参数 24B 且每 token 仅激活 2B 参数，上下文窗口扩展至 131K tokens。
推荐理由：原文提供了端侧 MoE 架构细节与不同芯片上的实测吞吐数据，适合开发者评估低资源硬件下的本地 Agent 部署可行性。
Google DeepMind 发布面向机器人领域的通用物理推理模型 Gemini 4 Argon，在具身推理基准 ERQA 上取得 87% 的得分。模型覆盖机器人控制、Real2Sim 物理仿真重建、多层级事后数据标注及自主迭代优化，在测试中通过仿真合成数据将真机任务成功率由 56% 提升至 75%。该模型已在 Google AI Studio 和 Gemini API 上线供开发者调用。
推荐理由：原文展示了将模型物理推理接入真实硬件控制与仿真孪生的具体工作流，为具身智能开发提供了可复现的端到端实现范式。
Google DeepMind 正式推出前沿模型 Gemini 4 Argon，面向复杂工程、科学计算与专业工作流，即日起通过 API、AI Studio、Gemini 应用及 Google Antigravity 向全球开发者、企业与订阅用户开放。
推荐理由：该模型在保留百万级上下文的同时强化了长程推理与物理环境理解，展示了前沿大模型深入真实科研与工业工程的落地路径。
Google 正式发布前沿模型 Gemini 4 Argon，将单次输出 token 上限扩展至 1M tokens，主打真实世界复杂软件工程、企业知识工作与网络安全防御。
推荐理由：模型将输出上限提升至 1M tokens 并主打代码迁移与漏洞防御，展现了长流程工程任务落地的可行路径。
微软研究院发布关于具身物理 AI 推理卸载的系统研究，指出将计算从机器人板载 GPU 卸载到边缘或云端可显著提升任务成功率并延长电池续航。评估显示板载轻量硬件会导致建图规划变慢最高 383% 且 VLA 动作准确率下降 50%，而改用轻量板载硬件结合远程推理能消除 Jetson Thor 等高功耗显卡对电池最高 160% 的消耗。
推荐理由：研究通过实测对比了板载与云边端卸载推理，为具身智能系统在计算性能与电池续航之间的权衡提供了架构参考。