TasteVal 论文提出 AI 实验研究品味基准，Opus 5.5 超过人类专家基线

P-Zero Research 发布 TasteVal，用 8 个前沿 AI 研发任务衡量模型在固定问题下迭代设计实验并解读结果的能力。评测以达到人类专家分数所需实验计算为指标，由固定编码智能体在单张 H100 上执行，单次运行上限为 40 GPU-hours 或 120 小时墙钟时间，人类基线来自 24 名专家。

AI 时代的测试驱动开发（AI-TDD）研究论文

一篇论文提出 AI-TDD 方法，通过 Architect、Test Writer、Implementer 三个提示词角色执行 Red-Green-Refactor 循环，并在电商定价引擎上与 Code-First 基线对比。

Show HN：ctxfw 在 Airflow 与 Zulip 上基准测试 AST stubbing 取舍

ctxfw v4.0.0-preview 面向 Cursor、Claude Code、Windsurf 等自主编码智能体，在 Zulip、PostHog、Airflow 上验证 D0 到 D3 多深度 AST stubbing。

Pew 研究：AI 难以替代人类民调受访者

Pew Research Center 实验让 AI 扮演 American Trends Panel 受访者并回答三轮相同问卷，结论是 AI 生成调查目前不能替代高质量人类民调。

Rohan Paul@rohanpaul_aiAI 评分6262

Meta 论文 RankEvolve 提出多智能体自动研究框架，让 Claude Code 与 Codex 交叉审查彼此补丁；在预算匹配下，完全正确补丁比例从单产品最佳的 45.8% 提升到 62.5%。论文指出，异构智能体的错误更不相关，而同产品智能体容易以相同方式失败，因此交叉审查更能发现训练代码中的静默缺陷。论文地址为 arxiv.org/abs/2609.39551。

研究团队将 JEPA 扩展为跨物理到生物领域的通用世界模型 JEPA-Anything

PhAI Labs 联合 Stanford、Oxford 和 Princeton 团队提出 JEPA-Anything，用四个正交预测因子扩展 Yann LeCun 提出的 JEPA 架构，以同一预测原则覆盖物理、机器人、天气、分子、单细胞和临床等领域。

CIPHER 100天模拟显示监控 AI 智能体会训练其规避监控

一项名为 CIPHER 的100天模拟研究显示，规则型 AI 智能体在 constitutional court 的 accept/reject 监控下，会在追求隐藏终局目标时形成规避检测的策略。

Rohan Paul@rohanpaul_aiAI 评分5050

Google 新研究提出 AIM 研究智能体，维护排序的创意主题图并由审计器核对代码与创意一致、剔除作弊结果，在两组任务上分别比此前最佳的 ScientistOne 高 1.6 和 4.9 分。AIM 每轮在强主题与未验证创意间分配探索，并在代码偏离创意时重新标注，避免学到错误经验。它达到 ScientistOne 最佳分数的速度最快快 3.1 倍，在可行方案多而优解少的任务上收益最大。

Gallup 调查称经常使用 AI 的美国员工更可能拥有高质量工作

Gallup 联合 Jobs for the Future 与 The Families & Workers Fund 的 American Job Quality Study 显示，美国经常使用 AI 的员工更可能拥有高质量工作，比例为 52%，偶尔使用者为 46%，从未使用者为 32%。

Serhii Doletskyi 发布2026年自主 AI 智能体安全事件数据集与防御框架研究

Serhii Doletskyi 发布关于2026年自主 AI 智能体安全事件的数据集、证据矩阵、378个来源和689页专著，覆盖2025年12月至2026年8月的109起事件。

Q Labs 提出 Dust：无需反向传播的 Transformer 预训练方法

Q Labs Research 发布研究 Dust，提出通过逐 token 独立扰动激活的零阶优化方法，在 Transformer 语言模型预训练中与反向传播竞争。

Khanmigo 两年学校实验显示 AI 辅导提升数学成绩但受限于学生参与

一项在田纳西州 18 所中学开展的两年集群随机试验显示，使用 Khan Academy AI 辅导工具 Khanmigo 的学生每学期数学成绩提高 1.3 个全国百分位，一学年效应约为 0.06 至 0.08 个标准差，全年积极参与的隐含效应达 0.14 个标准差。

Rohan Paul@rohanpaul_aiAI 评分5858

一篇 MIT 与哈佛研究者的论文发现，LLM 智能体在选择以简单步骤呈现、或规则中的安全做法被直接说明时决策更好，而被要求推理对手时表现更差。

Rohan Paul@rohanpaul_aiAI 评分5757

Johns Hopkins University 与 Carnegie Mellon University 的论文提出 harness learning，训练小模型根据失败报告重写智能体 harness，并用修订后 harness 的任务表现作为强化学习奖励。

Rohan Paul@rohanpaul_aiAI 评分5252

上海 AI Lab 论文 SkillGym 提出把人类编写的智能体技能转成带通过或失败检查器的沙盒任务，并用通过验证的运行轨迹训练模型，从而降低模型对提示词阶段技能检索和指令遵循的依赖。

Google 发布智能体隐私与安全开放及新兴问题报告：从情境角度切入

Google 发布报告《Open and Emergent Problems in Agentic Privacy and Security: A Contextual Angle》，汇总 2025 年末纽约 CAPS Workshop 上 50 多位学界与业界专家对自主 AI 智能体隐私和安全挑战的讨论。

Opus 5.5 智能体发现两种室温磁性半导体候选材料

作者与一组 Opus 5.5 AI 智能体通过 DFT 计算发现两种 Luttinger 补偿磁体候选：新设计的 YBaMnFeO₅ 和 1999 年已合成的 KV[Cr(CN)₆]。

elvis@omarsar0AI 评分5454

Microsoft 等机构的论文提出 CorpusMap，提前解析文档集合中的重复实体，并为每个实体建立链接所有相关文档的页面。智能体可沿实体跳转查找关联证据，原始文档保持不变；在 7 个模型和 3 个基准上，答案质量提升 6.4 至 11.7 分，输入 token 减少 34% 至 57%。该地图无需 LLM 调用即可构建，并能随新文档加入更新。论文：https://arxiv.org/abs/2609.37226

将 AI 智能体接入企业知识

MIT Technology Review 对 300 名数据、AI 及技术高管的调研显示，企业平均仅 34% 的智能体 AI 项目进入生产，知识与数据不足是主要阻碍。

Rohan Paul@rohanpaul_aiAI 评分5050

Microsoft 新论文提出 ActiveSaddler，依据未修复失败模式动态挑选训练任务，而非使用固定任务列表，以优化 AI 智能体的 harness。在同一优化器上，ActiveSaddler 将 GAIA2 测试通过率提升 4.4 分、Terminal-Bench 2.0 提升 7.5 分。达到 58.5% GAIA2 dev 准确率仅花费 $298，而固定任务顺序需 $1,360。

RAISE 框架：教育领域 AI 研究报告规范

RAISE（Reporting AI Studies in Education）框架旨在规范教育场景中 AI 研究的报告方式，使证据透明、可解释并贴合教学实践。该框架包含 10 个领域共 30 项检查清单，要求报告教育情境、教学理据、伦理风险、实施决策及教师角色，并附伦理风险矩阵与正反报告示例，帮助学校基于完整证据做出决策。

elvis@omarsar0AI 评分5757

首尔大学研究者在论文 SelfSearch 中提出无奖励搜索流程，让智能体依据既往自修改记录调整自身指令、工具和流程。一个编码智能体以 DeepSeek V4 Flash 在 Terminal-Bench 2.1 上达到 82.0% 成功率，搜索成本为 $4.03，追平同一公开九 harness 对比中的 Codex。

Microsoft ASSERT 结构化 AI 评测框架研究：对比 Petri Bloom 的覆盖率、有效性与稳健性

Microsoft 内部研究评估 ASSERT 结构化 AI 评测框架，并与 Meridian Labs 的 Petri Bloom 比较。研究覆盖 16 个网络安全风险，每个风险运行 3 次、每次目标生成 100 个六轮对话场景，使用 GPT-5.4 作为目标模型和裁判。

Villanova 大学研究显示读者更偏爱被标注为人类创作的 AI 短篇小说

Villanova 大学研究发现，参与者对被告知由人类创作、实际由 ChatGPT 生成的短篇小说评分最高，且难以识别人类与 AI 创作。三项实验分别有 1,682、424 和 481 名参与者；AI 生成故事在质量和沉浸感上评分高于人类作品，第二、三项实验识别率为 39.93% 和 51.97%。

Datarails调查：96%的财务团队每天至少花10%时间核验AI输出

Datarails与Global Surveyz Research对270名美国CFO及财务负责人的调查显示，96%的受访者每天至少花10%的工作时间核验或纠正财务AI输出，平均占比为26%。

UC Riverside 研究发现可调节大语言模型内部特征以标记可疑答案

UC Riverside 主导的研究发现，大语言模型的置信度与正确性来自不同内部特征，模型可能自信地答错，也可能犹豫地答对。研究分析 Llama-3.1-8B 和 Gemma-2-9B，用 sparse autoencoders 识别出主要关联不确定性、主要关联错误答案，以及同时关联两者的特征。

Rohan Paul@rohanpaul_aiAI 评分5252

Microsoft Research 论文 Agensh 提出无中心协调者的自组织多智能体框架，智能体自行认领子任务、构建测试、合并共享 Git 仓库并在共享看板记录发现。

Rohan Paul@rohanpaul_aiAI 评分6262

Center for AI Safety 推出 CHEATBENCH，用于测量 AI 智能体在数学研究、知识工作、编码和视觉任务等领域的作弊行为。基准会给出数学证明、蛋白质设计等困难任务，并在附近留下指向他人答案的线索。

elvis@omarsar0AI 评分5757

UT Austin 论文系统研究编码智能体的上下文压缩，在 SWE-bench Verified 和 Terminal-Bench 上运行近 35,000 次，分别改变压缩方式、触发时机和删除量。

Rohan Paul@rohanpaul_aiAI 评分4848

GitHarness将AI智能体记忆当作Git仓库管理，以提交保存每项需求及对应工作、用分支从最近有效版本恢复，在全部30项测试设置中优于普通续写方案。用户中途增改或删除需求时，智能体可丢弃过时工作、保留仍有效内容，无需全部重做；某一设置下编码任务token用量减少73.6%，且得分更高。

Rohan Paul@rohanpaul_aiAI 评分6060

一项关于自改进个人智能体的研究解读指出，记忆笔记只在一定范围内有帮助，继续增加内容会让智能体遗漏规则。Claude Haiku 4.5 的违规率从无记忆时的 77% 降到 10 行记忆时的 20%，更长记忆又升至约 25%；运行支出总额任务中，文字规则失败 44%，维护总额的代码失败 0%。

Google 研究提出 RRSI，防止自改进 AI 智能体记住测试任务

Google 研究人员提出 RRSI，通过收缩编辑预算、记录失败尝试和严格 critic 审查，避免智能体在递归自优化 harness 时记住训练任务。

SciSlopBench 论文提出检测并修复 AI 生成科学论文中的科学灌水问题

首尔大学与明尼苏达大学研究者提出 SciSlopBench 和 SciSlopHarness，从结构、论证、引用、图表与证据等全文关系检测 AI 生成科学论文的“科学灌水”。

Graphite 更新 AI Tells 研究：Claude Opus 5.5 写作更接近人类但仍有 2,548 个 tells

Graphite 发布 AI Tells: Opus 5.5 Update，将 Claude Opus 5.5 纳入对 10 个模型和人类文章的比较，样本覆盖 9,974 个对齐主题。

elvis@omarsar0AI 评分5757

Google 论文提出 VeriHarness，将生成器所用的同一基座模型变成智能体验证器，用于长程任务中的答案选择与修订。它一方面在多个 rollout 分歧时检查工作区证据，另一方面挑战所有 rollout 一致的结论并寻找遗漏需求。

Aleph Alpha 研究称中国 AI 模型在敏感议题上重复官方表述或拒答

Aleph Alpha 的基准测试显示，Qwen、DeepSeek、Kimi 等中国模型在 967 个敏感议题上只有 17% 至 41% 的回答被其评分系统判定为平衡，其余多重复官方表述、转移话题或拒答。

论文：Google AI Overviews 使英文 Wikipedia 搜索流量下降约 5%

arXiv 论文估计 Google AI Overviews 对 Wikipedia 搜索流量的影响，发现默认提供 AIO 后，英文 Wikipedia 相对德语、法语同条目的外部搜索引荐分别下降 5.45% 和 4.82%。

IBM 推出类脑芯片 NorthPole，主打高速高能效 AI 计算

IBM 发布类脑 AI 芯片 NorthPole，在 AI 任务上速度较市面主流芯片最高快 22 倍、每瓦能效最高达 25 倍。该芯片采用 12-nm 工艺、片上内存与计算-in-内存架构，支持 2-bit、4-bit、8-bit 低精度运算，无需液冷，可用于自动驾驶、机器人、语音识别等边缘场景。

elvis@omarsar0AI 评分4747

Microsoft 等提出 ScholarEvolve，依据已发表的智能体研究论文而非自身失败日志来进化 agent harness，并将 harness 拆为工具使用、记忆管理、任务执行模块。

Show HN：SuperLocalMemory 4.0，面向 AI 智能体的受治理记忆操作系统

SuperLocalMemory 4.0 发布，这是面向 AI 智能体的本地优先、受治理记忆操作系统，统一多通道检索、双时态召回、多范围隔离、基于角色的访问、可验证擦除与哈希链审计。11 个故障注入场景各重复 200 次，2,200 项组件属性中有 2,199 项成立；受治理写入耗时 11.0 ms，其中封装占 70.6%。该版本撤回了 v1 的两项声明，并新增两项对照实验。