#1
#1 Anthropic 研究提出“内省适配器”以检测 LLM 潜在不当行为
Anthropic 研究员提出名为“内省适配器”(IA) 的新工具，可让语言模型自我报告其在训练中学到的行为，包括潜在的不当行为。该 IA 适配器可泛化用于检测隐藏的不当行为、后门和安全防护移除。
2026-05-01 精选
追踪 382 篇 · 精选 15 篇
#2
#2 Stripe Link 推出 AI 支付代理钱包
Stripe 发布 Link agent wallet，允许 AI Agent 代表用户进行支付，但不会暴露用户的真实银行卡信息。AI Agent 可创建一次性支付凭证，用户可批准或拒绝交易。Link CLI 已开源，开发者可将其集成到 Claude Code、MCP 客户端或自定义 agent 工作流中。
#3
#3 Karpathy 谈 LLMs 新范式与智能体经济
Andrej Karpathy 在 Sequoia AI Ascent 2026 的炉边谈话中，探讨了 LLMs 的三大新范式：完全由 LLM 驱动的应用 (menugen)，使用自然语言安装软件，以及 LLM 知识库。他还讨论了 LLMs 的“锯齿状”现象，并展望了智能体原生经济，其中产品和服务被分解为传感器、执行器和逻辑，由 LLM 处理非结构化数据，预示着一种新的智能体工程学。
#4
#4 AI Agent 交互设计：以用户为中心 vs. Agent 为辅助
AI Agent 产品主流交互分为两类：一类是以 Agent 为中心（如 Codex、Cursor），对话列表在左，代码/文档在右；另一类是以用户操作为主，Agent 为辅（如 GitHub Copilot），Agent 对话在侧边栏。尽管侧边栏交互存在不足，用户已习惯。设计关键在于明确 Agent 是核心还是辅助。此外，从 stateless 到 stateful 的处理是 Agent 交互创新的关键。
#5
#5 Qwen 发布 FlashQLA，GPU 加速线性注意力计算
Qwen 团队发布了 FlashQLA，这是一个专门为 NVIDIA Hopper GPU 优化的 MHA 线性注意力内核库。FlashQLA 基于 TileLang 编译器框架，通过门控 Delta 网络 (GDN) 机制，实现了比现有 Triton 内核高达 3 倍的性能提升，特别是在长序列处理方面。该库解决了传统 Transformer 模型 attention 机制 O(n²) 的瓶颈，并采用了门驱动的上下文并行、硬件友好的代数重构以及 TileLang 融合的 warp 专业化内核等技术。
#7
#7 一切皆结构：产品、Agent、大模型、人际与组织
作者认为，无论产品设计、Agent开发、大模型训练、人际关系还是公司组织，其核心都在于“结构”。优质的结构能引导用户行为，使大模型表现优异，高效组织团队。文章批评了许多大厂AI转型中“在河床里加石头”的现象，指出组织结构不变，学习AI将徒劳无功，并强调改变命运需先重塑结构。
#8
#8 RADIO-ViPE：实时开放词汇量单目视频SLAM
RADIO-ViPE 是首个在线语义 SLAM 系统，可处理任意单目视频，无需校准、深度传感器或先验位姿。它能理解如“定位勺子”等自然语言指令，并同时绘制 3D 环境地图。
#9
#9 Claude Security 简化 Opus 4.7 代码集成
Claude Security 现已推出，旨在帮助安全团队无需部署自定义工具即可在其代码库中使用 Opus 4.7。该解决方案无需进行 API 集成或构建代理。
#10
#10 Cloudflare IPsec 正式支持抗量子加密
Cloudflare 正式推出其 IPsec 服务中的抗量子加密（Post-Quantum Cryptography, PQC）功能，采用 IETF 混合 ML-KEM（FIPS 203）草案，以应对“先收割后解密”的攻击。此举已通过 Fortinet 和 Cisco 设备进行互操作性测试，允许用户保护广域网（WAN）免受未来量子计算的威胁，加速实现其 2029 年全面抗量子安全的目标。
#12
#12 AI 辅助诊断系统实时处理生理症状
一项与哈佛和斯坦福医学专家合作的研究，展示了一个利用实时视频和音频处理生理症状的 AI 系统。该系统可分析步态、呼吸和皮疹等，并通过模拟研究与“病人演员”进行诊断推理。
#13
#13 Agent 多租户部署：Auth 集成方案
在将 Agent 部署到生产环境时，实现多租户是关键。Auth 方案可以帮助实现这一点，并支持与 Clerk 和 Supabase 的集成。
#14
#14 Zig 创造者 Andrew Kelley 谈 LLM 代码检测
Zig 创造者 Andrew Kelley 表示，虽然不能 100% 区分，但人类和 LLM 的代码错误模式不同，容易识别。他认为，使用 LLM 的开发者有一种“数字气味”，外行不易察觉，但内行能轻易分辨。他禁止在“他的房子”里“抽烟”（使用 LLM）。