Leash Bio 的 Ian Quigley 谈 DEL 数据、Hermes 模型与智能体科学推理沙盒
Latent Space 播客访谈 Leash Bio 的 Ian Quigley，讨论该公司如何用 DNA 编码库（DEL）获取高通量蛋白与小分子结合数据，并训练出在公开基准上跟上 Boltz 的 Hermes 模型。访谈还提到他们用多年积累的数据搭建智能体科学推理沙盒，让 LLM 在 6.5M 分子、100 次预算内寻找最佳结合物，相关预印本、博客和开放数据集即将发布。
#开源/仓库
Latent SpaceAI 评分5858
Aran Komatsuzaki (X)AI 评分5858 Together 与斯坦福提出 Hybrid Reasoning Agents
Together 与斯坦福提出 Hybrid Reasoning Agents，将高效的隐式推理与基于文本的检查及工具交互结合。该方法性能提升 10.4%，同时实现约 40% 的 token 减少、约 2 倍推理加速和约 3 倍成本节省。代码已开源于 github.com/togethercomputer/HybridAgent，论文见 arxiv.org/abs/2610.18861。
Aran Komatsuzaki (X)AI 评分3838 Amazon AGI 发布自适应循环扩散语言模型
Amazon AGI 推出 Adaptively Looped Diffusion Language Models 在平均基准得分上超越所有已评估的 DLM 及对应的 AR 基线 项目：https://alo-dlm.github.io/ 摘要：https://arxiv.org/abs/2610.04198 代码库：https://github.com/amazon-science/ALoDLM 模型：https://huggingface.co/amazon/ALoDLM-8B
Hugging Face (X)精选AI 评分7878 Hugging Face 发布多 harness RL 指南：同一模型在不同 harness 下得分 62% 与 33%
Hugging Face 团队发布多 harness RL 训练指南，指出同一模型在相同权重下，在一个 agent harness 中得分 62%，在另一个中仅 33%。
推荐理由：同一模型在不同 agent harness 下得分相差近一倍，这篇开源研究给出了不改 harness 的多环境 RL 训练方法。
Berkeley AI ResearchAI 评分5858 K-Search 扩展 MLX 后端：把 CUDA 内核经验迁移到 Apple Silicon
Berkeley Sky Lab 团队为 K-Search 增加 MLX 后端和结构化 CUDA-to-MLX 翻译层，让进化式内核搜索以现有 CUDA 内核为知识库生成 Apple Silicon 内核。
Berkeley AI ResearchAI 评分3434 Berkeley AI Research 提出 SPEX 与 ProxySPEX：大规模识别 LLM 关键交互
Berkeley AI Research 提出 SPEX 和 ProxySPEX 算法，用于在大规模场景下识别 LLM 的关键交互。SPEX 利用稀疏性和低阶性把交互搜索转化为稀疏恢复问题，ProxySPEX 进一步利用层级结构，以约 10 倍更少的消融实验达到 SPEX 的性能。在情感分析任务上，SPEX 在上下文扩展到数千个特征时仍保持高忠实度，优于 LIME、Banzhaf 等方法。
Berkeley AI ResearchAI 评分3838 Berkeley AI Research 提出基于信息量的成像系统设计框架
Berkeley AI Research 提出一种直接以互信息评估和优化成像系统的框架，无需任务专用解码器。该信息指标在彩色摄影、射电天文、无透镜成像和显微镜四个领域预测了系统性能，优化后的设计达到与端到端方法相当的水平，且内存和算力需求更低。方法利用已知噪声物理直接计算噪声项，仅需从测量数据中学习测量分布，并给出真实信息量的上界。