CloudOpsBench 开源基准揭示推理是AI云运维的最大瓶颈
CloudOpsBench 是一个开源基准，用于衡量AI智能体处理云DevOps任务的能力，V1.0包含45个AWS任务。Claude Fable 5.1 完成了60%，GPT-6 Astra 完成了53%。研究团队指出，约80%的失败源于任务范围误判或检查不全，主要瓶颈在于推理能力。
#Hugging Face
The DecoderAI 评分5353
The Decoder精选AI 评分7878 GPT-6 Astra 通过权重空间编程直接重编程其他 AI 模型
GPT-6 Astra 采用权重空间编程方法，无需标准训练过程即可直接操作模型权重，实现高效能力调整。在 Qwen3.5-0.8B 上，Astra 仅修改 0.016% 的权重，使 MATH-500 基准准确率从 7.9% 跃升至 48.1%，指令遵循能力从 21% 提升至 62%。Astra 还能仅通过原始权重识别网络学习到的游戏和图像生成的基本形状，并生成超越标准训练方法的模型权重。
推荐理由：研究展示了通过权重空间编程直接修改模型权重，实现高效能力提升和缺陷修复的可行性。
Berkeley AI ResearchAI 评分5555 ABBEL 框架用于训练 LLM 更新信念以实现高效长时序交互
ABBEL 是一个框架，它将摘要转化为自然语言信念状态，并引入信念分级来监督每个信念状态的内容，以解决 LLM 长上下文窗口无法无限扩展的问题。在 CollabBench 协作编码任务中，ABBEL-rec-BG 减少了与全上下文模型的性能差距约 50%，且训练步数减少 50%。
Berkeley AI ResearchAI 评分5050 Identifying Interactions at Scale for LLMs
SPEX 和 ProxySPEX 算法能够在大规模上识别 LLMs 的关键交互，克服了复杂性带来的计算不可行性。SPEX 利用稀疏性和低度特性，通过信号处理和编码理论将交互发现转化为可解的稀疏恢复问题。ProxySPEX 进一步利用模型中的层次结构，以约 10x 更少的 ablations 达到与 SPEX 相当的性能。