IMPACT：面向云边微服务迁移的意图驱动多智能体策略与注意力机制
IMPACT 是一个面向云边微服务迁移与带宽控制的意图驱动 Agentic AI 框架，采用集中训练分散执行（CTDE），将每个边缘云建模为自主智能体并编码局部 SLO 风险、迁移紧迫性与计算压力。实验表明，在 5 边缘和 20 边缘场景下，IMPACT 相比现有因子化多智能体强化学习与启发式基线，平均延迟降低 30-50%，尾延迟偏差降低 40-70%，在严格阈值下实现接近零的 SLO 违约率。
#部署/工程
#部署/工程
今日 4 条arXiv · Multiagent SystemsAI 评分3030 arXiv · Human-Computer InteractionAI 评分2222 SPECTRA：面向自主边缘-云 GUI 定位的认知扰动与轨迹分析
SPECTRA 是一种轻量级自主请求框架，通过显著性引导的定向扰动和高效认知轨迹分析，在预填充阶段量化智能体高维认知轨迹的拓扑发散，避免低效的输出解码。实验表明，GTA1-32B+InfiGUI-G1-3B 和 GTA1-32B+Holo1.5-3B 分别以 37.58% 和 39.24% 的平均请求率，保留了 93.44% 和 95.60% 的云端独占性能。已被 ACM MM 2026 接收。
arXiv · Software EngineeringAI 评分3838 Agent-Callable Feature Coverage：衡量软件对 AI Agent 的就绪程度
研究提出 Agent-Callable Feature Coverage（ACFC）指标与 Agent Readiness Conformance（ARC）框架，从可访问性、可发现性、可控性三轴评分（0-9）。
arXiv · Software EngineeringAI 评分2222 量子编译器回归测试的防泄漏与成本感知方法
summary_zh: Qiskit 量子编译器提出一种防泄漏、成本感知的回归测试选择方法，预注册预算绑定评估避免数据泄漏。
Hugging Face Blog精选AI 评分6262 像物理学家一样剪枝大语言模型：块移除作为约束二元优化问题
Multiverse Computing 将 LLM 深度剪枝重构为约束二元优化问题，等价于全耦合伊辛自旋玻璃，用 Hessian 能量作为下游质量代理，避免逐条评测。
推荐理由：把深度剪枝重新表述为伊辛自旋玻璃优化问题，可用廉价能量代理替代逐条评测，且与量化、低秩压缩等手段堆叠。
Google ResearchAI 评分3434 MilleMiglia：面向中段物流的真实实例生成器
Google Research 推出 MilleMiglia，一个 C++ 实例生成器，用于构建中段物流网络的真实基准。中段物流覆盖区域或大陆尺度的配送中心间运输，占物流成本大头且影响时效，但学术研究长期缺乏公开高质量数据。MilleMiglia 在 GitHub 开源，通过隐私保护的方式捕捉中段运输的多车辆接力、时间窗口与分拣同步等约束，为后续优化研究提供基础。
ScienceDaily · AIAI 评分3838 科学家发现大脑决策机制与传统理论不同
伊利诺伊大学厄巴纳-香槟分校的研究发现，大脑早期感觉区域如体感皮层（S1）已参与决策过程，反馈环路在决策中发挥持续作用。这一发现挑战了信息单向层级传递的传统观点，或为构建更高效、更低能耗的下一代AI架构提供新思路。
Hugging Face BlogAI 评分5656 ScarfBench：评测 AI 智能体在企业 Java 框架迁移中的表现
IBM Research 发布开源基准 ScarfBench，包含 34 个应用、102 套框架实现、204 个迁移任务和约 151K 行代码，覆盖 Spring、Jakarta EE、Quarkus 之间的迁移。当前前沿智能体行为成功率不足 10%，构建成功率显著高于部署和行为验证成功率；智能体普遍高估自身构建结果，且反复回到配置层处理依赖与环境问题。
Google ResearchAI 评分4040 Google Research 提出线性弹性缓存优化云成本
Google Research 在 CIDR 发表论文，提出线性弹性缓存，将页面驱逐建模为滑雪租赁问题，用轻量机器学习动态调整缓存大小以最小化总拥有成本。在 Spanner 生产环境中测试数月，内存使用减少 15.5%，缓存未命中仅增加 5.5%，总成本降低约 5%，实际 I/O 成本影响仅 0.5%。
Google DeepMindAI 评分5959 Decoupled DiLoCo：分布式 AI 训练的新前沿
Google DeepMind 提出 Decoupled DiLoCo 分布式训练架构，将训练拆分为异步计算岛以隔离硬件故障。实验表明，该架构在 2-5 Gbps 广域网上训练 120 亿参数模型，性能与传统方法持平且速度快 20 倍以上，并能混合不同代 TPU 硬件。
ScienceDaily · AIAI 评分3333 哈佛研究：给机器人集群加入可控随机性可防拥堵
哈佛 SEAS 团队发现，在有限空间内为机器人集群的运动加入可控随机性，可减少拥堵并提升整体效率。研究结合数学建模、计算机仿真与真实轮式机器人实验，识别出"刚刚好"的噪声区间，使机器人偶尔碰撞后仍能保持稳态流动。该成果发表于 PNAS，或可用于优化机器人舰队设计及城市、交通等拥挤场景的管理。