Microsoft Research 发布 MindTopo 基准，评测多模态模型的拓扑空间推理能力
Microsoft Research 推出 MindTopo 基准，用于评测多模态大语言模型对连通性、分离、顺序、包围和绳结等拓扑关系的推理与规划能力。基准包含静态 reasoning 任务和模拟环境中的 planning 任务，场景由可控模拟器生成并提供精确 ground truth。
全部AI 动态
全部动态
今日 12 条Microsoft ResearchAI 评分5353
Google Research精选AI 评分7070 Google Research 提出知识画像与 WikiProfile：前沿 LLM 事实性的瓶颈在回忆而非编码
Google Research 发布研究，提出知识画像框架和包含 2,150 条 Wikipedia 事实的 WikiProfile 基准，用来区分 LLM 的编码、回忆与识别。
推荐理由：研究把事实错误拆成编码失败与回忆失败，并用 WikiProfile 量化前沿 LLM 的知识可访问性，为后训练和推理时干预提供诊断依据。
Fireworks AI（网页）AI 评分5050 Fireworks AI 在 Kimi K3 与 Qwen3.5-9B 上复现 J-Lens 静默信号读出
Fireworks AI 将 Anthropic 研究人员提出的 J-Lens 探针应用于 Kimi K3 和 Qwen3.5-9B，发现模型在输出 token 前，内部状态已出现与最终任务相关的词汇信号。
Microsoft ResearchAI 评分5757 Microsoft Research 推出研究模型 CARE-X，探索面向临床任务的胸部 X 光视觉语言模型
Microsoft Research 发布研究模型 CARE-X，用统一胸部 X 光 VLM 支持报告生成、疾病分类、否定判断、设备位置和异常区域定位。
Hugging Face BlogAI 评分5353 Multiverse Computing 提出低成本 LLM 知识蒸馏方法并开源分块 KL loss
Multiverse Computing 发布论文 Efficient Knowledge Distillation for LLMs，通过离线缓存教师模型每位置 top-100 logits，并使用 fused chunked KL loss，避免同时驻留教师和学生及生成完整词表乘序列矩阵。
Import AIAI 评分2929 Import AI 467：自我维持的 AI 病毒、AI 进展节奏与 AI 创造力困惑
多伦多大学等机构研究者构建出利用开源 LLM 的自我维持 AI 蠕虫概念验证，可盗用被入侵 GPU 运行推理并自主扩散，完整攻击成功率约 37%。该蠕虫漏洞检测、利用、自我复制成功率分别约 80%、53%、88%，仅需单张 80GB A100 运行 2025 年发布的开源 LLM，不依赖厂商 API。
Google ResearchAI 评分5757 Google Research 提出 Science One Framework，用 Chain-of-Evidence 构建可验证自主科研智能体
Google Research 发布论文，提出 Chain-of-Evidence（CoE）可验证性框架，并用 Science One Framework 原型和 CoE Audit 自动审计指标评估 AI 生成科研论文。
Microsoft Research精选AI 评分6868 Microsoft Research 发布 Echoverse：面向计算机使用智能体的深度可演化训练环境
Microsoft Research 发布 Echoverse，构建10个深度领域世界和2个能力世界，用于训练计算机使用智能体，并开放其中4个世界的代码、数据和 grounded graders。
推荐理由：文中用深浅环境对照和9B模型训练结果，说明高保真、可验证的交互环境对计算机使用智能体训练的实际影响。
Microsoft ResearchAI 评分5353 Microsoft Research 提出 EvoLib：让大语言模型把经验转化为持续演化的知识
Microsoft Research 在论文 Test-Time Learning with an Evolving Library 中提出 EvoLib，让大语言模型在推理阶段从自身经验中自监督学习，无需真实标签、外部反馈或更新模型参数。
Berkeley AI ResearchAI 评分5353 K-Search 如何把 CUDA kernel 优化经验迁移到 Apple Silicon 的 MLX
Berkeley AI Research 与 IBM Research 介绍扩展 K-Search 的 MLX 后端，通过结构化 CUDA-to-MLX 翻译层把既有 CUDA kernel 优化知识转化为 Apple Silicon 可用的搜索约束。
Import AIAI 评分3434 Import AI 466：机器人的苦涩教训、AI 完成长达一周的编程任务，以及 OpenAI 的意外 AI 黑客
Epoch 与 METR 发布长周期编程基准 MirrorCode，Opus 4.7 用 14 小时、花费 $251 完成人类需 2-17 周的任务，25 个目标程序中 17 个曾获满分运行。Anthropic 测试显示，Opus 4.7 自主完成四足机器人任务用时 9 分 35 秒，比此前人类纪录快 20 倍，仅一项任务未完成。
Berkeley AI ResearchAI 评分4747 ABBEL：训练 LLM 更新信念状态以实现高效长程交互
Berkeley AI Research 提出 ABBEL 框架，将交互摘要建模为自然语言信念状态，并通过信念评分监督其信息内容，以解决长程交互中递归摘要的性能损失问题。在 CollabBench 协作编码评测中，带重建信念评分的 ABBEL-rec-BG 将与全上下文模型的性能差距缩小约 50%，训练步数从 100 降至 50，峰值 token 为 6.01×10²。
Google Research精选AI 评分7272 Google Research 发布 SymptomAI 研究：面向日常症状评估的对话式 AI 智能体
Google Research 介绍实验性对话式 AI 智能体 SymptomAI，并在 13,917 名同意参与者中比较 5 种基于 Gemini Flash 2.0 的症状问诊方式。
推荐理由：研究在真实参与者中比较 AI 智能体与临床医生的鉴别诊断，并结合可穿戴生理信号，为日常症状问诊评估提供实测依据。
Google ResearchAI 评分5656 Google Research 用强化学习让量子计算机在运行中从错误里学习校准
Google Research 与 Google DeepMind 在 Nature 论文 Reinforcement learning control of quantum error correction 中展示强化学习框架，让自主智能体根据量子纠错检测事件持续调整数千个控制参数，在计算过程中抵消漂移。
Google ResearchAI 评分4141 Google Research 如何解释扩散模型创造力的来源
Google Research 在 ICLR 2026 论文中指出，扩散模型的创造力并非随机偶然，而是神经网络训练中 score smoothing 使去噪过程在训练点之间插值，生成新样本。研究通过一维示例和 AdamW、weight decay 实验说明，显式或隐式正则化都会让 score function 变平滑，并有助于数据流形恢复。
Hugging Face BlogAI 评分5252 Hugging Face 介绍 Real World VoiceEQ：衡量语音 AI 的人类体验质量
Hugging Face 发布 Real World VoiceEQ 语音 AI 基准，覆盖 ASR、TTS、Speech-to-Speech 和 Speech Understanding，评测 40 多个模型、15+ 维度和 60 多项指标。
Google ResearchAI 评分5858 Google Research 发布可穿戴健康数据基础模型 SensorFM
Google Research 与 Google DeepMind 等推出 Large Sensor Foundation Model SensorFM，直接从大规模无标签可穿戴设备数据学习通用生理表征。
Google ResearchAI 评分5555 Google Research 研究显示导航协同分流可缓解城市拥堵
Google Research 在 Nature Cities 发表研究，通过 Google Maps 在美国 10 个主要城市开展为期 6 个月的全城切换实验，让少于 2% 的行程改走时间相近的替代路线。
Hugging Face Blog精选AI 评分6262 IBM Research 发布 ScarfBench，评测 AI 智能体的企业 Java 框架迁移能力
IBM Research 推出开放基准 ScarfBench，用于评估 AI 智能体在 Spring、Jakarta EE 和 Quarkus 之间迁移企业 Java 应用的能力。
推荐理由：该基准用构建、部署和行为保留三层结果评估编码智能体，可帮助读者区分可编译代码与真正完成企业 Java 迁移之间的差距。
Hugging Face BlogAI 评分4242 DiScoFormer：一个跨分布同时估计密度与 score 的 Transformer 模型
Hugging Face 介绍 DiScoFormer，这是一个可在单次前向传播中同时估计分布密度与 score、无需按新分布重新训练的 Transformer 模型。模型用高斯混合模型训练，采用共享主干与密度、score 双输出头，并把 KDE 作为特殊情形。在 100 维任务中，其 score 误差较最佳手工调优 KDE 降低约 6.5x，密度误差降低超过 37x。
Google ResearchAI 评分4747 Google Research 提出线性弹性缓存，以滑雪租赁问题优化云端缓存成本
Google Research 提出线性弹性缓存，将页面淘汰建模为滑雪租赁问题，并利用轻量机器学习动态调整缓存大小。该方法已在 Spanner 生产环境测试，内存使用降低 15.5%，缓存未命中仅增加 5.5%，总拥有成本降低约 5%。相关论文发表于 CIDR。
Google Research精选AI 评分6565 Google Research 论文解析：推理如何唤醒大语言模型的参数化知识
Google Research 介绍将在 COLM 2026 发表的论文 Thinking to Recall，发现开启推理后，Gemini-2.5 Flash、Gemini-2.5 Pro 和 Qwen3-32B 能召回关闭推理时几乎无法得到的简单单跳事实答案。
推荐理由：文章用受控实验区分计算缓冲与事实启动两种机制，并审计中间事实幻觉对最终答案的影响，可帮助理解推理型模型的知识召回边界。
Import AIAI 评分5151 Import AI 462：AI 说服力超过人类、自维持 AI 时间表与通往 ASI 的路径
Import AI 第 462 期汇总多项 AI 研究与观点：牛津大学、UK AISI、斯坦福和 LSE 的 4 项实验覆盖 6,923 人、18,978 次对话，发现 AI 在文字说服和为 Save the Children 募集真实捐款上强于专家及专业募款人员，Opus 4.1、Opus 4.6 表现最强。
Google ResearchAI 评分4747 Google Research 研究 AI 如何帮助用户理解皮肤问题
Google Research 发布针对皮肤问题 AI 信息工具的研究，评估用户在 AI 辅助下识别病症与决定后续行动的能力。2345 名参与者的随机对照实验显示，AI 组病症命名准确率为 23%，对照组为 8%，但标准 AI 组的后续行动准确率未显著提升。研究还通过混合方法考察用户如何将 AI 获得的理解与医生沟通进行比较。
Google ResearchAI 评分4747 Google 提出机器遗忘审计新框架 Regularized f-Divergence Kernel Tests
Google 提出 Regularized f-Divergence Kernel Tests 框架，用于更敏感、灵活、准确地审计机器学习模型的机器遗忘效果，相关成果发表于 AISTATS 2026。该框架通过相对距离测试判断遗忘模型更接近安全重训模型还是原始受损模型，并利用 f-divergence 与核正则化降低计算成本。其理论上可在任意样本量下控制假阳性，并随样本增加让假阴性风险收敛至零。
Google DeepMind精选AI 评分6262 Google DeepMind 公布塞拉利昂 Gemini Guided Learning 教学试验结果
Google DeepMind 公布在塞拉利昂开展的 Guided Learning 预注册试验结果，使用 Gemini 的学生数学成绩较对照组提升 0.258 个标准差，约相当于 8 周内取得 1.2 至 1.7 年的常规学习进展。
推荐理由：材料用预注册随机对照试验数据呈现 AI 辅导对数学成绩、提问行为和教师角色的影响，并公开训练与试验方法资料。
Import AIAI 评分4242 Import AI 460：SocioHack 社会奖励黑客基准、Anthropic 的 RSI 数据与 RL 无人机竞速
Import AI 第 460 期介绍 SocioHack：该基准含 72 个沙盒社会环境，RL 训练的 LLM 能以 61.25% 召回率和 90.85% 精确率重新发现历史漏洞策略。
Google Research精选AI 评分6464 Google Research 发布 PHRM 手机摄像头被动心率监测研究
Google Research 在 Nature 论文中提出 PHRM 研究系统，可在用户面部解锁手机后通过前置摄像头拍摄 8 秒面部视频，在日常使用中被动估计心率和每日静息心率。
推荐理由：文章给出跨肤色验证误差、真实环境测试和数据集开放方式，可帮助读者理解手机摄像头被动测心率的可行边界。
Import AIAI 评分2929 Import AI 457：AI 版 Stuxnet、存在缺陷的 Muon 优化器与正向对齐
Import AI 第 457 期讨论 fast16.sys 病毒、Muon 优化器缺陷与 positive alignment 研究。
Berkeley AI Research精选AI 评分6262 Berkeley BAIR 解析自适应并行推理如何提升推理扩展效率
Berkeley AI Research 发布综述，提出自适应并行推理让模型在推理时自行决定是否拆分任务、生成多少并行线程以及如何汇总结果。文章比较 self-consistency、Best-of-N、Tree of Thoughts、MCTS、ParaThinker、GroupThink 和 Hogwild!
推荐理由：文章梳理自适应并行推理的控制流、推理系统和奖励设计，可帮助读者理解降低长推理延迟的工程取舍。
Google DeepMindAI 评分5858 Google DeepMind 提出 Decoupled DiLoCo 分布式 AI 训练架构
Google DeepMind 发布 Decoupled DiLoCo 论文，提出将训练任务拆分到相互解耦的 learner units 计算岛，并通过异步数据流降低跨数据中心带宽需求。
Google ResearchAI 评分5656 Google Research 提出 ReasoningBank：让 AI 智能体从成功与失败经验中学习
Google Research 在 ICLR 论文中提出 ReasoningBank，一个从成功和失败轨迹中提炼高层推理记忆、支持测试时自我进化的 AI 智能体记忆框架。
Berkeley AI ResearchAI 评分4848 面向世界模型长时域规划的梯度方法 GRASP
Berkeley AI Research 提出面向学习型世界模型的梯度规划器 GRASP，以提升长时域规划的实用性与鲁棒性。GRASP 将轨迹提升至虚拟状态以实现跨时间并行优化，直接向状态迭代加入随机性用于探索，并重塑梯度，使动作获得清晰信号，同时规避经高维视觉模型传播的脆弱“状态输入”梯度。
Google ResearchAI 评分5757 Google Research 提出 Simula：用第一性原理推理设计面向真实场景的合成数据集
Google Research 在 TMLR 论文中提出推理优先的合成数据生成与评估框架 Simula，用机制设计从第一性原理构建完整数据集。Simula 通过全局多样化、局部多样化、复杂化和双重质量检查控制覆盖、难度与标签质量，并引入 Taxonomic Coverage 与 Calibrated Complexity Scoring 评估数据。
Google ResearchAI 评分4949 Google Research 用 AI 生成的合成神经元加速大脑图谱绘制
Google Research 推出 MoGen 模型，通过生成合成神经元形态增强 PATHFINDER 重建模型的训练数据，使小鼠轴突重建错误率降低 4.4%。该成果将在 ICLR 2026 发表，在完整小鼠脑规模上相当于节省 157 人年的人工校对工作。MoGen 已作为开源模型发布，是首次将现代生成式 AI 用于提升连接组重建的当前最优方法。
Google ResearchAI 评分4949 ConvApparel：衡量并弥合用户模拟器的真实感差距
Google Research 推出 ConvApparel 数据集与评估框架，用于量化 LLM 用户模拟器与真实人类行为之间的真实感差距。该数据集包含服装购物领域超 4,000 段人机多轮对话、近 15,000 个轮次，并通过“Good/Bad”双智能体协议及逐轮满意度、挫败感、购买意愿标注采集。
Google ResearchAI 评分4242 Google Research 推出 PaperVizAgent 与 ScholarPeer 两款 AI 智能体，改进学术图表与同行评审流程
Google Research 推出 PaperVizAgent 与 ScholarPeer 两款智能体框架，分别用于自动生成学术图表和评审论文。PaperVizAgent 由 5 个专项智能体协作，在 0-100 分评测中总分 60.2，超过 50.0 的人类基线及 GPT-Image-1.5、Nano-Banana-Pro、Paper2Any。
Google ResearchAI 评分5757 Google Research 提出框架评估 LLM 行为倾向与人类的对齐程度
Google Research 发布研究，提出用情境判断测试评估 25 个 LLM 在真实用户助手场景中的行为倾向是否对齐人类偏好。研究基于 IRI、ERQ 等心理问卷生成场景，由 550 名参与者中每题 10 名标注者提供偏好，并用 LLM-as-a-judge 映射模型回答。
Google ResearchAI 评分5050 构建更好的 AI benchmark：多少名评估者才足够？
Google Research 研究 AI benchmark 中评估条目数量与每条目人工评估者数量的权衡，发现常用的每条目 1、3 或 5 名评估者往往不足，常需超过 10 名。最优配置取决于指标：多数投票偏广度，捕捉意见差异偏深度；约 1,000 个总标注即可获得高可复现结果，模拟器已在 GitHub 开源。
Google ResearchAI 评分5252 Google Research 提出 TurboQuant 极端压缩算法以降低 KV cache 与向量搜索内存开销
Google Research 发布向量量化压缩算法 TurboQuant，并同时介绍其依赖的 QJL 与 PolarQuant；TurboQuant 将在 ICLR 2026 展示，PolarQuant 将在 AISTATS 2026 展示。