AI顶会 ICML 2026在韩国举办，OpenAI和Anthropic同时现场邀请专家去闭门会 大部分专家都去了 OpenAl 不是因为 OpenAi 比 Anthropic更专业，也不是模型更强 而是因为OpenAi 现场安排了女团跳舞.....🤣

推荐这篇文章，Together AI 的 ThunderAgent（ICML 2026 Spotlight）。 把 agent 工作流当成一个"程序"来调度，而非一系列无关的请求——单节点吞吐翻倍，8 节点近线性扩展。 Together AI 在 7 月 29 日发布了 ThunderAgent——一个面向 agentic 推理的高吞吐调度系统。ICML 2026 Spotlight 论文。核心贡献：把 agent workflow 抽象为"程序"而非"一系列不相关的请求"。 问题：KV Cache Thrashing Agent 工作流在两个阶段之间交替：GPU 密集的推理阶段和 GPU 空闲的等待工具返回阶段。当数百个 agent 并发运行时，各自的 KV cache 在每轮不断增长，竞争有限的 GPU 内存。 传统推理引擎（vLLM、SGLang、TensorRT-LLM）按请求级别调度——agent A 暂停等待工具调用时，它的 KV cache 被 LRU 淘汰腾出空间给 agent B 的 prefill。当 A 的工具返回，引擎必须从头重算 A 的整段对话历史，这又淘汰了 C 的 cache。高并发下，这种淘汰和重算的级联反应导致严重的吞吐量和延迟退化——论文称之为 KV cache thrashing。 能通过加 GPU 节点解决吗？不完全。现有多节点路由器（如 SGLang Gateway）把每个 agent 钉在固定节点上以保留 cache 局部性——但 agent 的上下文长度不可预测增长，某些节点被赋予长上下文 agent 导致内存耗尽，其他节点闲置。 能通过 KV cache offloading 解决吗？也解决不了。LMCache 和 HiCache 把 KV cache 卸载到 CPU 内存或磁盘，扩大了总容量但只是延迟 thrasthing。当并发 agent 的工作集超过所有存储层级时，淘汰恢复，同一个恶性循环重现。 ThunderAgent 的解法 ThunderAgent 在 agentic 客户端和推理后端之间插入一个轻量调度层。它将每个 agent 工作流抽象为一个可调度程序（program），追踪其执行阶段、KV cache 占用和节点位置。 Program-level admission control：监控每个节点的内存压力，选择性暂停低优先级工作流，减少竞争 cache 的程序数量。当被暂停的工作流准备恢复时，通过全局等待队列路由到容量最充足的节点。 多节点部署：用全局等待队列替代了基于 session 的静态节点绑定。暂停的工作流恢复时被路由到可用容量最多的节点，在 KV cache 局部性和多节点负载均衡之间取得平衡。 评测 集成在 Together AI 自己的合成数据生成管道里——就是产生 CoderForge 等数据集的那套基础设施。对比 SGLang 默认调度器： 单节点 8×H100（HiCache offloading），batch size 192： • SGLang：吞吐 390 token/s，平均延迟 65s • ThunderAgent：吞吐 803 token/s，平均延迟 10.6s 多节点（2→8 节点）： • 近线性扩展，16 GPU 到 64 GPU 吞吐从 671 增长到 2248 steps/min • 加速比随集群规模增大：2 节点 1.79× → 8 节点 2.39× 使用 一个 program_id 字段，OpenAI 兼容 API，直接适配现成的 offloading 和 speculative decoding。已被 SkyRL 和 NVIDIA Dynamo 集成。 GitHub： 论文： #AgentInference# #KVcache# #ThunderAgent#

全球AI最顶级的四所大学：斯坦福、CMU、UC Berkeley、南京大学 全球经典三部AI教材：deep learning、PRML、西瓜书 全世界四位AI领域开拓者：Geoffrey Hinton、Yoshua Bengio、Yann LeCun、周志华 全球AI产业爆发四大城市：湾区、伦敦、北京、南京 全球四大AI顶会：NeurIPS、ICML、ICLR、 江苏省人工智能产业联盟成立大会

SLAS（Society for Laboratory Automation and Screening，国际实验室自动化与筛选学会）是全球实验室自动化、高通量筛选（HTS）、药物发现和 AI + Wet Lab 最重要的行业组织之一。 如果说 NeurIPS、ICML 代表 AI 算法的发展方向，NVIDIA GTC 代表 AI 算力的发展方向，那么 SLAS 正逐渐成为 AI for Science 和 AI 驱动 Wet Lab 的产业风向标。 今年的 SLAS Europe 2026，行业关注点发生了明显变化。从模型性能转向实验室现实。 数据质量（Data Quality）、系统互联（Interoperability）、实验执行（Lab Execution）、自动化基础设施（Automation Infrastructure）成为会议最频繁出现的关键词。 行业开始意识到，AI 已经不是最大的瓶颈。真正的瓶颈是实验室。 过去几年，AI 可以轻松设计数百万个候选分子，但这些候选分子最终仍然需要实验验证。真正限制研发效率的，不是模型还能提升多少，而是实验能否更快完成、数据能否高质量产生、结果能否快速反馈。 AI 本身已经开始走出 super Cycle，但对ai驱动的生命科学来说，模型越来越成熟，实验能力开始成为新的稀缺资源。 新的关键词是Orchestration。（是不是有点耳熟？） 过去谈实验室自动化，更多指的是 Automation。 自动移液机器人，自动培养，自动筛选。。。 今天讨论是整个实验室如何作为一个整体协同运行。 Automation 关注单个设备，Orchestration 管理整个实验室。 未来实验室越来越像数据中心。AI、机器人、仪器、数据库、分析平台需要组成一个连续运行的系统，而不是一堆独立设备。 整个流程开始变成：AI 提出假设、自动设计实验、机器人执行实验、仪器产生数据、AI 分析结果、重新设计下一轮实验、不断循环。 这就是 Closed-loop Lab。真正重要的不是机器人，而是整个实验流程能够形成闭环。 因此，API 开始成为新的基础设施。未来 Agent 不仅需要调用大模型，还需要调用实验室、调用仪器、调用机器人、调用分析平台。 没有统一 API，Agent 无法真正操作实验室。没有数据接口，AI 无法形成反馈。 未来实验室的核心竞争力，是谁拥有最好的 Instrument API、Workflow API 和 Data API。 AI 与 Wet Lab 的融合，本质上就是数字世界和物理世界之间建立统一接口。 这也是为什么 LIMS、ELN、SDMS 这些实验室的信息化软件，未来，它们更像 AI 的长期记忆。 LIMS（Laboratory Information Management System）负责管理样品、实验流程和实验结果。 ELN（Electronic Laboratory Notebook）负责保存实验设计和研究记录。 SDMS（Scientific Data Management System）负责管理科学仪器产生的大规模原始数据。 未来 AI 并不是直接读取 PDF 或 Excel，而是直接调用这些系统，理解过去所有实验历史，设计下一轮实验。 实验室开始从事后分析（Reactive）进入预测干预（Predictive）。Agent 不再只是分析实验，而是开始参与实验。整个行业也越来越认可一个现实，Wet Lab将越来越重要（这点从wet lab大牛最近加入anthropic也可以看出）： 模型必须经过实验验证。 实验不断产生真实数据。 真实数据继续训练模型。 模型再提出新的假设。 Hypothesis → Experiment → Learn → Hypothesis。 这个循环无法被跳过，这就是未来的Closed-loop Lab 对于接下来的ai驱动生物科学的重要节点，最值得关注的可能是实验室基础设施。 高通量实验平台、实验室机器人、液体处理系统、LIMS、ELN、SDMS、Workflow Orchestration、Lab OS、Connected Lab、Closed-loop Lab，这些过去相对边缘的领域，正在成为 AI for Science 最重要的新基础设施。

现在很多人聊 Research Agent，最容易想象的画面是： 给它一堆论文，让它自己想一个新 idea。 但这篇论文提醒我一个很关键的问题： idea 的质量，很多时候取决于它有没有被放回真实的文献脉络里。 论文提出了一个系统，叫 ResearchStudio-Idea。它的目标是把 ML 研究里常见的 idea 生成方式，整理成可以复用的 skill。 它主要包含三个部分：Paper-Search 负责找相关论文，Scoop-Check 负责检查 novelty claim 有没有撞车，IdeaSpark 负责真正生成研究想法。 最核心的是 IdeaSpark。 作者分析了 2021–2025 年 ICLR、ICML、NeurIPS 的 1,947 篇论文，从里面抽出 31 个 ideation sub-pattern，最后整理成 15 个可复用的 research ideation patterns。 这些 pattern 更像是研究经验的压缩：什么场景适合用，通常解决什么 bottleneck，和已有方法怎么拉开差异，过去哪些论文用过类似思路。 实验结果也比较直接。 在 100 个 ICLR 2026 Oral seeds 上，IdeaSpark 的 idea quality 得到 3.87/4，并且在 88 个 seed 上排名第一。相比之下，裸模型直接生成 idea 的效果明显弱很多。 论文里还有一个很有意思的现象： GPT-5.5 bare 的 novelty 分数最高，但 quality 最低。 这说明一个问题：看起来「新」的 idea，不一定是好的 idea。很多时候只是因为它太泛、太空，所以不容易和已有工作直接撞上。 这篇最有意思的地方在于，它把 Research Agent 的重点从「多生成几个想法」，推进到了「把想法生成变成一套可复用的研究技能」。 未来真正有用的 Research Agent，可能会越来越依赖这种 skill library。它需要读更多论文，也需要把证据、瓶颈、已有方法和风险放在同一个框架里考虑。 AI 科研的下一步，可能会从「更会幻想」走向「更会沿着真实研究脉络提出问题」。 📎 arxiv:

Google 终于出手了！ 科研评审直接打击造假，提升评审效率和准确性？ Google推出了Paper Assistant Tool (PAT)，一个专门用来辅助审稿的AI框架。 它能通读整篇论文，检查理论推导、验证实验结果、标记潜在问题。 核心是用inference scaling做更深入的分析，在数学错误检测上（SPOT benchmark）把召回率提升了34%。 目前已经在STOC和ICML试点，帮助审稿人提前发现关键问题。 国内最近耿同学打击学术造假问题，我觉得未来AI辅助也是一个很好的契机，将明显的这种错误就可以直接揪出来！ 果然如老马说的多一半的论文真的是没有啥用的！ 这其实是把AI从“辅助写论文”推向“辅助审论文”的尝试。 审稿一直是学术出版的瓶颈之一，尤其是数学和理论性强的领域，AI如果能可靠地catch低级错误和逻辑问题，对审稿人和作者都有帮助。 当然，目前还是辅助工具，最终还是要人来把关，但方向已经很明确了。 地址：

独家｜百度招 95 后任大模型一号位 近日，大模型领域技术专家孙天祥正式加入百度，就任基础模型研发部（BMU）负责人。 孙天祥此次同时进入百度模型委员会（BMC），从研发 MOSS 到提出 MaaS 再到其后续创业方向，他的学术与产业路径与百度基础模型的战略投入方向高度契合。 此前，百度分别成立基础模型研发部（BMU) 和应用模型研发部（AMU），其中应用模型研发部由贾磊负责。 孙天祥作为年轻的大模型领域技术专家，在博士期间他是类 ChatGPT 开源大模型 MOSS 的主导者，并在国际上提出了 Model-as-a-Service (MaaS) 概念，孙天祥在 ICML、ICLR、NeurIPS、ACL、NAACL 等 AI 顶会发表论文四十余篇，博士期间先后在 Amazon AI Lab、上海人工智能实验室等机构实习，积累了从自然语言处理到大规模语言模型训练与工程化的丰富实战经验。 过去一段时间，百度在 AI 组织架构和人才梯队上持续迭代：设立百度模型委员会、多批次引入年轻技术力量，围绕基础模型的系统性人才布局逐步成型。

目前推动Agent的发展有两个方向 一个是基座模型的能力：也就是GPT、Opus、MiniMax、Qwen、GLM这种大模型本身 另一个就是Harness工程：也就是CLaude code、codex、open code这类型的agent工具 简单来说 Harness = Agent - Model 但是Agents 时代的安全审计与可信执行也同样很重要 最近 @0G_labs 联合新国立、北大、北邮团队提出的一套针对分布式共识协议的自动化漏洞检测框架（Agora）成果被顶会 ICML 收录 Agora 就是一个专门用来给最硬核的底层网络协议抓 Bug 的“AI 黑客团队” 在实战测试中，Agora 取得了极具突破性的成绩： 在 Raft、EPaxos、HotStuff、BullShark 等工业级和学术界最核心的共识协议中，它一口气挖掘出了 15 个前所未知的协议级 Deep Bug。这是其他单体大模型完全做不到的 具体详情👉： 现在的 Web3 AI 赛道，太多靠发推特刷分画大饼的项目了 但是 @0G_labs 是真正在做实事在推动AI行业发展的，正在成为 AI Agent 时代的“Layer 0” 最近0G还跟 @MiniMax_AI 合作，将minimax 加入到0G Compute生态当中 刚刚结束的 0G APAC 黑客松，在现在的熊市语境下，硬是跑出了 1.04M+ 的社交曝光，293 个最终提交。像 @Ghast_AI 这种头部的冠军项目已经跑出了极其夸张的真实调用量 模型会不断迭代，但安全、可验证的底层基础设施是永恒刚需。Keep building

MSR Memora：一个解耦"存什么"和"怎么取"的 agent 记忆系统 问题： 现有 agent 记忆系统在抽象和具体之间无法兼得。RAG/Mem0 保留细节但碎片化；摘要压缩高效但丢失约束和数字。知识图谱需要预定本体论，不跨域。 核心洞察： 记忆内容可以保持丰富（时间线、多轮讨论），但检索走一条独立的轻量结构层。 架构： 每条记忆两个部分。Primary abstraction——6-8 词的短语（what this memory is about），嵌入做相似搜索。Memory value——完整内容，永远不直接通过内容检索。Cue anchors——从 value 里提取的短标签，提供替代检索路径，不需要本体论。 例子："Dave 和 Sarah 同意原型 4/1、试点 5/2、MVP 5/30"。Primary abstraction = "Updated Project Orion timeline agreed by Dave and Sarah"。Cue anchors = "Dave Project Orion update"、"Project Orion prototype schedule"等。后续查询 Dave 的贡献、原型进度、试点时间，都能通过不同 cue 到达同一条记忆。 检索： 不是一次性 top-k。Policy-guided retriever 迭代精化查询、通过 cue anchors 扩展、决定何时停止。可以蒸馏到小模型。 结果： LoCoMo 86.3%，LongMemEval 87.4%，SOTA。比 RAG、Mem0、Zep、LangMem 全高。多跳推理上差距最大。token 消耗减少 98%（vs 完整上下文）。存储条目数约 Mem0 的一半（344 vs 651）。 代码： | ICML 2026 #Agent记忆# #MSR# #LLM#

现在很多人聊 AI Web3，都在盯着模型、应用、空投这些地方，但真到了一堆 AI Agent 上链执行任务、调用数据、协同交易、管理资产的时候，问题就会变得特别特别现实： 它的推理能不能被验证？ 它调用的数据靠不靠谱？ 它的记忆放在哪里？ 它和其他 Agent 协作时，出了问题谁来审计？ 底层协议有没有隐藏的 bug？ 这些东西听起来一点也不性感，而且作为乐观主义者，我平时也反感只提问题不给解决方案，但真出事的时候，以上的每一个都会是扎心的大问题。 —————————————————— 这也是我觉得 @0G_labs 近期的几个动作值得看的原因。 根据这次 APAC Hackathon 黑客松的最终数据，1.04M+ 社媒曝光、1145 名全球参与者、293 个最终提交项目，放在现在这个市场环境里，已经能说明 0G 生态不只有声音，是实实在在的有人在持续动手构建。 更关键的是，这批项目并没有只挂一个链上 AI 的概念，很多都实际落地应用到了 0G 存储、0G 算力、0G 链、隐私计算、Agentic ID。 这也说明 0G 的全栈基础设施，已经开始被开发者拿去做真实的东西了。 从我的视角看，黑客松最有价值的地方在于它能不能把开发者、场景和工具栈一起给跑通了,因为如果一个生态只有叙事，没有人愿意去动手搭东西，那热度一定会很快就消散了。 但是如果有几百个项目提交，有人用存储、有人用算力、有人用隐私计算、有人尝试 Agentic ID，这就说明 0G 的生态闭环开始有雏形了。 另一个点我觉得更硬，那就是 0G Lab 的这篇多智能体安全论文。 —————————————————— 他们联合新加坡国立、北大、北邮做了一个叫 Agora 的框架，专门拿来 debug 共识协议。 共识协议直白的说就是链和分布式系统最底层的记账规则，节点怎么达成一致、异常节点怎么处理、状态怎么同步、签名和执行结果怎么保证不出问题，很多核心风险都藏在这里。 Agora 的思路是让多个 Agent 分工协作，有人负责理解全局状态、有人负责设计异常场景、有人负责生成测试代码、有人负责跑结果和复盘问题。 最后在 Raft、EPaxos、HotStuff、BullShark 等主流共识协议里，挖出了 15 个之前没人发现的协议级深层逻辑漏洞（零日漏洞），论文也中了顶会（我特意去查了下，论文已被 ICML 2026 接收，这是全球人工智能和机器学习领域历史最悠久、规模最大、最具影响力的顶级学术会议之一，这含金量懂的都懂）。 因为 AI Agent 以后真的要在链上跑，光靠会聊天、会生成内容、会自动执行任务肯定不够，底层系统必须能被测试，能被验证，能提前把风险挖出来，毕竟安全才是第一位的。 所以模型会换、应用会换，但 AI Agent 需要的可信执行、链上存储、隐私保护、安全验证这些需求不会消失。 这才是我看 0G 的核心逻辑，它正在补齐 AI Agent 上链之前必须要具备的底层能力。 熊市里，真正做事的项目反而更容易看清楚 ，你们觉得呢？ @0G_labs @0g_cn