在 Amazon Bedrock 上用 NVIDIA NeMo Switchyard 为编码智能体请求路由模型
NVIDIA NeMo Switchyard 是一个开源库，可让 AI 智能体为每个请求选择模型，其 LiteLLM 集成支持 Stage 和 Random 两种路由策略。
全部 AI 动态
AWS Machine Learning BlogAI 评分4242 AWS Machine Learning BlogAI 评分5050 用 Amazon SageMaker HyperPod Data Capture 构建模型改进飞轮
Amazon SageMaker HyperPod 新增 Data Capture 能力，可在端点、负载均衡器、模型 Pod 三个独立层级把线上推理输入输出记录到 Amazon S3，对模型可用性零影响。文章以 Qwen2.5-3B-Instruct 家电客服路由为例，演示从采集、Athena 分析、SQL 标注到微调再部署的完整飞轮，并对比微调前后准确率。
GitHub Blog · AI & MLAI 评分5858 GitHub 发布 Agent Skills 实践指南：一次编写，跨智能体运行
GitHub 发布 Agent Skills 实践指南，介绍以 SKILL.md 为核心的版本化目录如何封装可复用任务指令，并可在不同智能体间共享。
AWS Machine Learning BlogAI 评分5555 AWS 发布 SGLang-Neuron，可在 Trainium 上部署前沿模型
Amazon 宣布 SGLang-Neuron 通过 AWS Deep Learning Container 公开可用，由 RadixArk 与 Annapurna Labs 合作发布，可在 Trainium 上用现有 SGLang 接口服务模型并生成 RL rollout。
Microsoft Research精选AI 评分7878 微软研究提出 Lazarus 后门技术：重编程休眠神经元即可控制 AI 智能体
微软研究人员发现名为 Lazarus 的后门技术，通过权重重编程修改 LLM 中不到 10 个休眠神经元，无需训练即可给基于该模型的智能体植入后门。被植入后门的模型能通过标准评测并表现正常，直到触发条件出现，例如时钟跨入 2027 年后，智能体在普通任务中输出下载并运行攻击者代码的命令，并以用户授予的权限执行。
推荐理由：研究显示仅改写不到 10 个休眠神经元即可给智能体植入后门，且模型仍能通过常规评测，为权重来源与完整性提供了新的风险视角。
Microsoft Research精选AI 评分6464 微软研究院用 PDD Kit 形式化验证智能体编写的全栈 Web 应用
微软研究院联合 GitHub Next 提出 Proof-Driven Development（PDD）与配套工具 PDD Kit，把用户意图转成 Verus 形式化规格，证明智能体写的代码对每个输入都满足规格，证明覆盖不到的部分改用测试。
推荐理由：微软研究院与 GitHub Next 展示用 Verus 形式化验证智能体生成的登录代码，把审查重心从逐行读代码转向审阅意图规格。
Microsoft Research精选AI 评分6161 微软研究院发布 Flint-interactive，让智能体生成可交互数据可视化
微软研究院发布 Flint-interactive，一种构建在 Flint 之上的交互式数据可视化语言，让智能体生成可点击、筛选、缩放、高亮并支持跨图表联动的图表。
推荐理由：微软研究院把交互逻辑交给编译器处理，让智能体生成可点击、可联动的图表，读者可据此判断 AI 生成可视化的可靠性瓶颈在哪。
Microsoft Research精选AI 评分7676 微软研究院等证明悬置31年的 KLS 猜想
微软研究院的 Xinzhi Zhang 与合著者 Zhao Song 证明了 1995 年提出的 Kannan-Lovász-Simonovits（KLS）猜想，证明结果与维度无关，即存在一个固定常数上界。
推荐理由：这篇论文证明了一个悬置31年的几何猜想，并交代了人类主导、AI 智能体并行探索的研究流程。
GitHub Blog · AI & MLAI 评分5858 GitHub 详解密钥检测模型：用 ModernBERT 分类器减少误报
GitHub 介绍其新的密钥扫描流水线，用正则生成候选、再由微调的 ModernBERT 分类器结合文件路径与上下文判断是否为真实凭证。相比此前的 LLM 流水线，仓库所有者加权告警接受率提升 11.5%，推送后扫描中位执行时间降低 86%，服务成本降低超过 98%。离线评估中该流水线精确率提升 13%、召回率提升 19%，模型以 ONNX 格式和 8-bit 量化导出用于推理。
GitHub Blog · AI & MLAI 评分4040 GitHub Copilot 新手指南：如何让 Copilot 了解你的代码库
GitHub 博客介绍四种让 Copilot 适配项目的方式：用 .github/copilot-instructions.md 定义仓库级规范，用 agent skills 封装可重复流程，用自定义 agent 处理跨文件复杂任务，并通过 MCP 服务器连接外部工具与数据源。文中以 Playwright MCP 服务器为例，演示让 Copilot 在浏览器中手动测试界面功能。
GitHub Blog · AI & MLAI 评分5858 GitHub 推出基于 ModernBERT 的密钥检测模型，扩展推送保护
GitHub 发布与 Microsoft Applied Sciences 合作微调的 ModernBERT 分类器，把推送保护扩展到无固定格式的密钥，可在 2 毫秒内评估一批候选密钥，有望让可拦截的密钥数量翻倍以上。
GitHub Blog · AI & MLAI 评分5858 GitHub 发布 AI 代码审查开放基准 ReviewBench
GitHub 发布代码审查离线基准 ReviewBench，基于 1.039 亿个 GitHub PR 的分布特征，构建了覆盖 19 种语言、219 个公开 PR 的评测集。
Berkeley AI Research精选AI 评分6060 从 CUDA 到 MLX：K-Search 如何把多年内核经验带到 Apple Silicon
Berkeley Sky Lab 与 IBM Research 把 K-Search 进化式内核搜索框架扩展到 MLX，并加入结构化的 CUDA 到 MLX 翻译层，让已有 CUDA 内核作为知识库迁移到 Apple Silicon。
推荐理由：作者把 CUDA 优化知识整理成结构化上下文交给进化搜索，让 MLX 内核在 Apple Silicon 上接近专家水平，可看跨平台迁移的做法。
Berkeley AI ResearchAI 评分5757 智能免费之后：面向智能体、承载智能体与由智能体构建的数据系统
UC Berkeley 的 Aditya G. Parameswaran 等人发布观点文章，指出 GPT-4 级能力从 2023 年初约每百万 token 30 美元降至如今不到 1 美元，部分供应商低于 0.10 美元，并提出数据系统面临面向智能体、承载智能体、由智能体构建三类挑战。
Berkeley AI ResearchAI 评分4040 自适应并行推理：高效推理扩展的下一个范式
伯克利 AI 研究团队综述了并行推理领域进展，重点分析自适应并行推理——让模型自行决定何时分解并并行化子任务、开启多少并发线程以及如何协调。现有 self-consistency、Best-of-N、Tree of Thoughts、MCTS、ParaThinker、GroupThink、Hogwild! Inference 等方法多由外部固定并行结构，未教会模型按问题难度自适应选择并行度。