Ai2 在旧金山举行的 COLM 2026 上介绍了其开放研究：发布可供他人研究、扩展的 AI 研究产物，并与领域专家合作开发面向科学的 AI 工具。会议论文《Olmo Hybrid: From Theory to Practice and Back》考察将 transformer 注意力与线性循环层结合的架构，把关于其可表示能力的理论与受控训练实验相连。该研究中，Olmo Hybrid 在覆盖多学科知识的 MMLU 上达到与 Olmo 3 7B 相同的准确率，训练 token 减少 49%。这一方向正指导下一代 Olmo，后者目前以结合注意力与循环的混合专家架构进行预训练。COLM 前发布的 Olmo-core 3 提供重新设计的大规模混合专家模型训练系统。文中还提到 Google 近期宣布复现了 Olmo 3 7B 的训练。
Galahad 是面向 vLLM、SGLang 和 llama.cpp 的内存层:其中 Taliesin 保存文本块的键值(KV)状态,下次遇到相同字节时直接载入;Blaise 则保存文档本身,只把问题所需的段落交给模型。在七个真实数据集上,98.7% 的提示词是模型已经读过的文本。在含 97,000 token、隐藏 100 条事实的语料召回测试(Gemma 4 31B)中,仅用 Taliesin 在 llama.cpp 上答对 98/100,耗时 3.0 s、572 J;不带 Galahad 时只能容纳最后 12,000 token,答对 10/100,耗时 9.3 s、2,754 J。叠加 Blaise 后每题约读 668 token,三个运行时均答对 100/100,耗时 0.59-0.64 s、200-213 J;调优后的 RAGFlow 管线答对 77。存储语料是一次性成本,约 100 s、28 kJ,其能耗在 13
这是合作征集与科研基础设施公告，不是已完成科学结果的证据。原文说明，进入实质性合作前将以书面形式明确数据使用、保密、成果发布与知识产权安排。保留此条是因为它说明了该实验室计划如何让未来科学 AI 工作接入真实问题与验证条件。
自驱动实验室（SDL）将自动化实验与自适应决策结合，但闭环实验方案通常仍需专家转化科学目标并随数据和运行条件调整。论文提出 La Agente 'Optima：该智能体框架可在计算与实验系统中构建、监督贝叶斯优化方案，并保持持久的优化状态。它将 LLM 推理与已执行的实验方案分离，仅在需要解释进展或修订方案时交还控制权，并保留可审计的决策记录。研究在消融实验、5项数字发现任务和2个实体平台上评估该框架。在接触角闭环优化中，它将接触角从71.4°降至67.8°，略高于64–66°范围，并据此判断现有试剂下目标可能难以实现，建议改变配方。在为期5天、含23次实验的多目标流动化学活动中，产率由30%提高至59%。
为应对专业科学领域公开图文资源有限的问题，研究者构建了来自地图相关科学文献的大规模图-文配对数据集 FTPD-ML。该数据集源自制图学、地理学、遥感及相关学科的 96,859 份科学出版物，提供 75,702 对可公开再分发的图-文配对，均遵循知识共享署名（CC BY）许可，包含原始图注、标准化图注变体、上下文段落描述等多层文本表示及书目元数据。不可再分发文献的记录仅以元数据表示，以符合版权与许可要求。数据集可用于图像-文本检索、图像描述、科学文档理解及面向制图的视觉-语言研究。
SCAFFOLD 是一个面向计算机科学研究图表的大规模结构化数据集，由 arXiv 计算机科学论文经版面检测和 PDF 解析构建，包含（图像、标题、上下文、问答、思维链）元组，并采用 AI 辅助生成问题。数据集包括大规模 SCAFFOLD-157K（3,058 篇论文、29,887 张图、157,387 对）、中等规模 SCAFFOLD-37K（36,797 对）和小规模 SCAFFOLD-12K（12,000 对）；作者使用 SCAFFOLD-12K 对 Qwen2.5-VL-3B-Instruct 进行基线实验。
AI已能协助大量科研工作，如文献检索、数据分析、写代码、提出并检验假设；更难的是建立研究人员能在研究展开过程中引导的系统，尤其是新证据出现后，需要调整要追踪的假设、要做的实验或下一步问题。8月27日，Ai2举办活动，标志其与Providence Swedish癌症研究所Paul G. Allen研究中心的合作扩展，并聚焦当今科学AI仍欠缺之处。与会者反复提到五大挑战，第一个是给人的判断留出空间：今天的AI系统并不能可靠区分有趣的结果与琐碎、不合理或已为人知的结果。例如AutoDiscovery可能给出统计上惊人但生物学或临床意义不大的假设。
过去十年里，神经网络从学术好奇心发展为牵动多国市场的技术，但人们对其如何求得解仍知之甚少。鉴于这类系统在自动驾驶、建筑、法律、招聘和医疗等领域作出决策时，已经并将继续产生意外后果，理解这一点既具科学意义，也关乎社会。虽然难以概括大型生产系统的失败，但此类迹象在所有规模上均存在，因此可以在更易处理的场景中研究。所有神经网络都必须经过训练这一优化过程；理解网络在很大程度上就是理解其优化过程，即经由何种过程、接触哪些数据而得到结果。然而该领域知识仍不精确，尤其是损失面上的模式连通现象完全无法解释。本论文旨在阐明、解释并利用损失景观中的这一特殊结构。
《Nature Biotechnology》于2026年9月1日在线发表一篇文章，提出应把参考物质作为多组学测量的通用校准器，并与研究样本一同检测；多组学结果应以“样本与参考物质之比”的形式报告。该文认为，采用这一共同校准和比值报告方式，可以保障数据的可复现性，使其适合用于人工智能工具。文章关注的是多组学数据在用于人工智能时的可复现性，其题目为《Ensuring multiomics data reproducibility for artificial intelligence with reference materials as a common calibrator》。
Anthropic新报告称，让Claude作为自动化研究员自主训练模型，可缓解10类对齐失败。Claude通过“搜索文献—提出方法与数据—训练—测试”的循环逐一处理各类失败，并以“安全差距闭合百分比”衡量进展；研究排除了损害通用能力的方法，禁止Claude直接将自己的对齐方式蒸馏进目标模型，并由监控代理在运行前预读其方法。结果显示，Claude发现的修复在所有10类失败上改善了目标基准且未损害能力；最优方法在Claude研究循环中从未见过的对齐评测和Petri上依然有效，也适用于比该测试中要求Claude对齐的模型更大的模型。
PhysicsNeMo 通用版 v2.2.0 新增 ShardTensor 对 GeoTransolver 与 FLARE 模型的支持；通过 tensordict 的 zarr 后端实现 Mesh/DomainMesh 的 zarr 读写（训练适配 chunking 与 zstd 压缩），需要可选的 zarr>=3。GeoTransolver、FLARE 及 GALE/FLARE 注意力层从实验状态转正；OOD 防护与模型解耦，可用 GuardedGeoTransolver 或 attach_ood_guard 启用，并移除 guard_config 模型参数。另新增天顶/方位角辅助函数、shrink-and-perturb 权重重初始化、隐式域体网格生成，以及 ShardTensor 编译安全子类扩展点。
该研究首次对LLM生成的自传进行场景级审计，将一位366天的“每日一页”自传草稿与独立的验证语料比对。草稿由对话式LLM基于模板、两个示例日和每日引文生成，而非基于完整语料库。审计采用预先设定的四级标尺，结果显示96.7%的天数未达到“已证实”级别，仅12天包含可证实的场景，5.2%的天数与记录相矛盾。主要失败模式是“基础漂移”，即真实人物、雇主出现在虚构场景中。独立复评证实了高失败率，但四类分类的信度仅为一般。用当前模型重新生成同样复制了100%的失败率，而基于语料库的“基础性生成”可将失败率降至83.3%。该研究提供了测量方法、可复用的审计工具及有效的改进方案。
大型语言模型（LLM）正成为科研常规工具，用于文献综述、假设开发、编码和形式推理。本文提出一个规范性和概念性框架，以分析科研推理的委托。科学推理被视为分布式过程，贡献来源可在人机之间变化，但对知识进入科学记录的责任始终属于人类。框架区分内容来源、人类验证完成度、责任分配、可问责的人类所有权和认知结果。核心主张是：LLM辅助科研的伦理边界主要由充分验证和可问责的人类所有权决定，而非机器参与程度本身。论文还提出“认知审计”概念，作为委托、验证、来源和责任的记录，使AI辅助推理透明可审。该框架为区分负责任认知委托与认知责任的转移或忽视提供了形式化词汇。
针对强化学习在多样化微电网配置中泛化不足、难以适应无显式参数的未知环境的问题，研究提出Prompt-DT架构，以少量专家历史轨迹为提示，引导自主感知与自适应决策，用于微电网频率控制。其上下文感知训练与执行机制采用自监督对比学习，提升环境识别与提示利用效率；物理信息提示设计依据累计奖励与频率波动性筛选提示。轻量微调以极少的调整即可在数据有限的新环境中达到与全参数微调相当的性能。
ResiliFlow 是一个开放的交通世界模型概念及已实现平台，用于基础设施韧性、响应与恢复。平台连接两个工作区：灾害交通韧性分析提供六项地图中心功能（关键道路/区域识别、恢复排序、中断绕行、韧性测试、情景模拟）；AI交通基础设施感知与决策支持汇集街景与卫星证据，识别道路、人行道和路缘状况，并为人审阅的干预规划做准备。两者共享感知、预测、模型开发、验证、执行、决策、反馈、记忆八步循环；研究验证记录假设与检查，本地Assistant与可选多供应商LLM Copilot将用户问题转化为对可执行工具的有界调用。示例显示对八类可见状况的准确识别，错误分析说明困难案例如何引导持续学习。随附发布支持机构审查下的协作、公众审视与扩展。
一项对时空预测基准数据集的批判性审计指出，图神经网络（GNN）虽广泛用于带空间图结构的多变量时间序列短期预测，但模型评估过度依赖 Chickenpox、PedalMe、WikiMaths、METR-LA 和 PEMS-BAY 等有限数据集；其中从历史平均到经典机器学习等基线常表现出与 GNN 相当的竞争力。作者用经典时间序列方法分析这些基准，发现不考虑空间信息的线性模型比以往报道的更强，并揭示一阶差分数据集带来的结构性偏差，质疑这些数据集的判别可靠性。研究建议减少对此类数据集的依赖，采用更严格的统计评估；将分析用于简单混合模型可启发新的 GNN 构建方式。
科学数据获取速度持续超过存储与分析能力，基于体素的表示日益难以处理。隐式神经表示（INR）用坐标基神经网络编码信号，其计算与存储需求随网络复杂度而非数据维度增长；但较小INR难以忠实表达多尺度结构、高频信息与精细纹理。WIEN-INR是一种有理论指导的分层INR框架，将建模分布到不同分辨率尺度，并用新型增强网络恢复细微细节，使较小网络也能保留完整空间-频率内容，同时维持训练效率并降低存储成本。在跨尺度、跨复杂度的原始实验测量上，WIEN-INR展现出紧凑、稳健且高保真的表示。Ni等人在多尺度小波域运行WIEN-INR，以改善压缩并保留细节与信号保真度。
英国AI安全研究所的研究人员运用心理测量学方法，发现针对语言模型的流行安全基准并未衡量出一致的特质。对请求进行一刀切的阻止可能会人为抬高安全分数，即使模型在日常使用中越来越不实用。该研究还提供了一种方法，用于捕捉在测试中表现比正常使用更为谨慎的模型。
机制可解释性的目标之一是将神经网络像计算机程序一样阅读，但超位置使特征通过低维投影读写，导致虚拟权重叠加。此前在玩具模型中识别出干扰权重。本研究训练一个单层Transformer，分解其词语、位置、特征和逻辑之间的虚拟权重，并沿有效性和有用性两个维度打分。结果发现一个干扰权重：从“IN”到逻辑的路径最大投票预测“utions”，但该词在训练中从未出现在“IN”后，因此每次影响输出都损害损失。这展示了干扰权重在训练过的Transformer中的存在，属首次。
本教程介绍AutoFigure，一个用于从文本描述、论文内容及结构化方法说明直接生成科学图表的实用工具包。内容涵盖设置AutoFigure环境、解决Pillow等依赖问题、配置SVG和PNG渲染工具，构建自定义参考图，配置API生成工作流，并将一个详细的代理式文档智能流水线转换为出版风格的科学示意图。此外，还演示了离线SVG渲染、生成文件检查、创建示例论文和PDF，以及导出至可复用图库和压缩包。代码包含默认模型（如google/gemini-3.1-pro-preview）、最大迭代次数和画质阈值等配置。
英伟达最新研究显示，在让AI完成长周期任务时，软件‘线束’（围绕模型的工具、记忆管理和规则）比底层模型更关键。通过定制线束，研究人员让Claude Opus 5在无说明的2D游戏基准ARC-AGI-3上达到100%得分，而无线束时仅30%。英伟达产品副总裁强调，智能体不仅包含模型，还包括脚手架、运行时和工具库。长周期任务需连续决策，易出错，是智能体研究的重点。
谷歌研究团队提出了一种动态的、基于移动性的框架（Mobility-Embedded POIs, ME-POIs），通过整合匿名聚合的移动模式（如到达时间、停留时长和周边移动模式），使语言模型能够捕捉地点的时空活动节奏，从而改善对营业时间、价格水平和繁忙程度等真实世界属性的预测。该框架采用自监督方法，将文本描述与大规模移动数据结合，构建编码地点身份和动态功能的数值向量表示，显著提升了地理空间表征的准确性。
谷歌研究团队推出生物标志物发现框架（Biomarker Discovery Framework），这是一个多智能体系统，通过迭代假设生成、统计分析、对抗验证和基于文献的推理，在人类监督下从可穿戴传感器数据中优先排序候选生物标志物。该系统结合确定性计算和生成式推理，以六阶段流程处理生理时间序列数据，克服了现有语言模型智能体在统计有效性上的不足。在三个队列（N=9,279参与者-观察）中，该框架恢复了已知临床信号，识别出跨独立数据集的收敛生物标志物，并与人口统计学特征结合时改善了下游预测。
该综述提出将智能体的进化视为动态图变换的新视角，将智能体状态建模为动态图，其中记忆、工具、技能、工作流及智能体间关系表示为类型化节点、边和子图，并通过受模式约束的重写进行更新。基于此，文章将现有方法分为四类：节点/特征进化、边/拓扑进化、子图激活和跨组件共进化。作者提出动态图学习作为自我进化智能体的可复用基础设施，将九个动态图学习子领域映射至智能体进化能力，并讨论其适应性与潜在失败模式。此外，从动态图角度探讨了五种图感知评估与治理协议，旨在为设计和治理自我进化智能体提供结构化视角。
神经网络鲁棒性验证日益重要。本研究系统考察了基于模板的证明共享加速在不同网络架构、属性、数据集和训练方法下的有效性，发现模板包含率在不同场景下差异很大。作者提出“联合稳定神经元”指标解释这种差异，表明某些情况下基于模板的技术几乎不可能带来加速。他们还提出了FastCert技术，可自动跨神经层分配模板，并在模板不太可能产生加速时完全弃用。在基于覆盖设计的大量L0验证任务中，FastCert较现有基于模板的复用技术取得了平均1.13倍的加速。
Humyn Labs推出了一个面向物理AI的“以自我为中心”的视频库，其中包含5个第一人称数据集，按环境和采集类型分类。该库提供6自由度头部姿态、21点手部关键点、绝对度量深度及每帧动作标签。数据以MCAP、RLDS和LeRobot v3格式交付。
Ultra-FineWeb-L1 作为 UltraData 生态系统的一部分现已开源，提供超过1万亿token的高质量英文网络数据。该数据集源自 Common Crawl，经过精心处理，旨在为大型语言模型（LLM）的训练提供可靠的数据基础。这一发布回应了高质量数据对于构建强大LLM的重要性。
本教程介绍了一个端到端的偏好学习工作流，使用Anthropic HH-RLHF数据集和直接偏好优化（DPO）微调语言模型。内容包括：准备Colab环境，加载和分析选择/拒绝响应对，审计数据集结构及长度偏差，进行词汇捷径诊断，构建兼容不同版本的DPO训练流程（使用TRL和可选的LoRA），微调Qwen2.5-0.5B-Instruct模型，评估奖励准确性和训练行为，分析各子集性能，检查长度偏差，生成示例响应并保存策略。
EXIMO是一种高效微调视觉-语言-动作（VLA）策略的算法，它结合视觉语言模型（VLM）作为规划器，将长时程任务分解为短任务，并通过三阶段流程（探索、模仿、优化）实现新任务的快速学习。在探索阶段，VLM与VLA协作收集编排数据；模仿阶段用这些数据微调VLA；优化阶段采用残差离策略强化学习进一步调整。实验表明，EXIMO在样本效率和最终性能上显著优于现有方法。
大型语言模型在无法于推理时检索文档的情况下，常难以回答关于固定文档集的问题。为此，研究者提出IAR（注入、对齐、恢复）三阶段后训练框架，用于将语料库转化为可用的参数化知识，以实现无检索问答。IAR将文档知识内化与一般能力恢复分离：注入阶段采用续写、改写及指令条件重建目标；对齐阶段使用仅答案的QA监督；恢复阶段将领域适应模型与基础指令模型合并，以恢复通用能力。在多个模型族（Llama、Phi、Qwen、SmolLM）及数据集上，IAR在领域-通用前沿上优于基线，在7/8设置中平均领域QA准确率提升3.6个百分点，通用性能（IFEval、MMLU、MSBench）平均提升12.1个百分点。
随着大语言模型开始自主规划和执行实验，人们常要求其可解释才予以信任。但本文认为，支撑自主科学信任的不是模型内部视角，而是来源记录：一份完整、可重新打开的记录，涵盖推理、操作和测量过程，可供审计并在出错时纠正。这使得自主性成为纠正文献偏见的工具，而非严谨性的威胁。可解释性仍有价值，但记录才是信任的门槛。
客服LLM智能体在代表用户行动时必须遵循组织政策。合规失败源于被禁止的动作（如不合法变更）或遗漏的程序要求（如身份验证）。运行时防护可在风险动作上干预，但动作局部检查无法引导智能体完成多步骤流程。PolicyGuide将每个领域政策编译为工作流图，并在用户轮次边界调用主动验证器。验证器基于持久化的图状态，协调未决请求并返回步骤级补救。在τ²-bench的航空、零售和电信领域（使用GPT-5.4智能体和验证器），PolicyGuide将平均Pass⁴从0.42提升至0.62，其中电信领域提升最大（0.19至0.61）。相同工作流可迁移至Claude Sonnet 4.6和Gemini 2.5 Pro。补充评估显示对抗性用户下攻击成功率最低，程序合规性最强。
公共基准是衡量自动语音识别（ASR）模型能力的重要手段，但模型可能针对基准进行优化，导致在真实数据上泛化不佳。本文提出一种量化基准优化的方法，聚焦于音频不足以确定参考转录文本的情况。研究者设计了三种行为探针：参考分歧、掩码数字恢复和正字法切换，以探测模型在音频不明确时复现基准参考片段的能力。结果发现，得分最高的开源模型即使在音频矛盾、掩码或模糊时也会输出逐字参考转录。通过多种机制探针，表明模型依赖狭窄的声学线索，覆盖音频的真实表征，转而采用基准优化策略。这些行为可通过低秩线性引导或音频拼接进行因果操控。总体而言，高性能模型表现出基准条件性行为，可能虚增基准分数，而不反映通用转录能力的提升。
自监督学习推动音频表示学习进步，但现有方法常依赖复杂预训练流程。作者提出NAPE框架，采用因果Transformer预测对数梅尔频谱图的下一个补丁嵌入，仅用因果掩码和停止梯度作为训练信号，无需重建解码器、声学分词器等。在六个音频和语音基准上，NAPE在几项任务上达到最先进的微调性能，跨编码器规模一致扩展，并展现出强线性探针结果，且无需显式监督即可产生结构化注意力模式。
现有代码生成系统多假设预定义仓库架构，不适用于零到全代码生成。为此，我们提出Repo0，一种连续结构演化框架，通过双有向无环图维护显式架构状态，包括需求级、组件级DAG及其对齐关系。从自然语言需求出发，依据模块化指标逐步演进组件边界，直至结构收敛，再以收敛架构引导测试驱动开发。在RepoCraft的六个真实仓库上，使用GPT-5 mini和DeepSeek V3.2评估，Repo0在功能覆盖率和通过率上均最优，相比最强基线RPG，分别提升最多20.08和29.74个百分点。消融与结构演化分析证实了Dual-DAG架构状态、模块化引导演化及显式结构收敛的重要性。
大型语言模型智能体通过与环境的交互学习，但现有环境多为手工构建且静态不变，难以适应智能体的弱点并随其进步而更新。尽管已有环境生成方法尝试解决，但往往依赖领域特定流程、昂贵或不可靠的验证器，且仍生成静态环境。为此，我们提出环境绞盘（EnvHarness），一种可编程的插件组件层，封装静态环境以重塑其行为而不修改底层逻辑，通过标准接口适用于多种领域，并保留原始验证器。为自动化该过程，我们引入EnvRigger，将目标策略视为黑盒，观察其执行轨迹以合成EnvHarness组件，并通过新的rollout进行验证。在四个领域的五个基准上，EnvHarness优于原始环境和领域特定的环境生成流程，在保留样本上最高提升9.0分，执行步骤减少9.8%。此外，EnvHarness为强化学习提供了更优的优化信号，支持策略与环境的持续定向协同进化。
MemTrapBench是一个新基准，用于评测大语言模型（LLM）记忆使用中的认知陷阱。现有记忆基准主要评估信息提取、存储和检索的正确性，却忽略了记忆如何重塑模型推理并影响当前任务。MemTrapBench涵盖两类陷阱：推理固化和信念扭曲。实验涵盖两个模型家族和五种代表性记忆框架，结果显示所有记忆策略均不如无记忆设置，最强方法性能下降超过10%。为此，作者提出AdaptiveMem，一种推理期方法，能减轻认知陷阱，同时保持或提升标准记忆基准上的性能。
一项发表在《美国国家科学院院刊》的研究发现，X的推荐算法会优先推送与用户价值观不一致的内容，即煽动愤怒的内容，以提高互动率，形成“越生气、越互动、越被推荐”的循环。该研究由斯坦福大学等机构开展，715名美国用户参与，通过浏览器扩展收集数据并分析价值观。研究人员称算法机制缺乏透明度，影响公共舆论。X尚未回应，但前产品负责人透露算法已调整，此类内容推荐量降低了一个数量级。
GEqTrain是一个配置驱动框架，通过分离数据集语义、模型组合和训练目标，使等变图神经网络能够跨不同3D科学任务重用。它将原始数据映射为类型化字段，通过Hydra配置声明式组装模型和训练流程。在单一软件栈中演示了三个不同任务：粗粒化到原子级生物分子反映射、分子固体NMR化学位移预测和等变生成建模。还引入了生成扩展GEqDiff，基于等变流匹配，可联合传输笛卡尔位置和最高l=3的非标量节点场，在合成基准上验证了高保真重建。该框架旨在提高等变建模的可复现性和可扩展性。
SPADE是一种自我对弈强化学习框架，其中单个大语言模型扮演两个角色：环境设计器编写具有OpenAI Gym风格reset()/step()接口的完整长时程训练环境，推理代理学习在其中行动。环境设计器通过优化代理的遗憾信号（有/无特权提示的奖励差距）来生成位于代理能力边缘但可行的环境。关键组件包括基于大型预训练语料库文档的环境设计器基础，以及累积环境记忆。扩展到30B参数模型后，SPADE在八个保留基准上平均比最强固定环境基线提高5.3分，在BFCL-v4多轮和ACEBench-Agent上分别提升5.7和13.9分。
联合视频-音频生成模型的后训练需要奖励信号，但现有方法分别评估音频、视觉和同步等维度，未能捕捉文本、视频与音频之间的整体语义和时间连贯性，易致奖励黑客行为。为此，研究者构建了大规模人类偏好数据集VAPref-10K，含9K提示和10.3K细粒度配对比较；提出基准VA-Judger-Bench，包含域内与域外比较以检验奖励模型是否真正对齐人类偏好；并推出链式思维全能奖励模型VA-Judger，通过分阶段学习与逐维度强化学习提供更密集的奖励信号。实验表明VA-Judger在预测人类偏好上优于基线，用于后训练可显著提升生成质量。
单步逆合成是计算机辅助合成规划的核心，但其固有的一对多特性未被单答案评估协议充分捕捉。为此，研究者提出Top-K提示训练与推理范式，并构建含约4560万条验证反应的数据集CREED-CCV-2+USPTO-XL，以训练化学约束一致语言模型（C3LM）。通过结合基于ChemCensor和面向新颖性的奖励微调，模型在OOD URSA-expert-2026基准上达到最先进性能。反应唯一性分析显示，LLMs与传统模型探索互补的反应空间，启发基于集成的逆合成系统。
本研究对大型语言模型（LLM）的类人行为进行了多维分析，涵盖其普遍性、潜在影响和可控性。研究者使用LLM-as-a-judge和人工评估，分析了来自gpt-4o、gpt-4.1-mini、claude-sonnet-4.6和gemini-2.5-flash四种模型的21,000轮多轮对话。结果发现，类人行为普遍存在，但不同模型和用户因素（对话目标和用户画像）下表现各异。人工评估者认为，LLM的自我参照和关系建立行为比人类的同类行为更不合适，而维护边界的行为则比人类更合适。研究还表明，系统提示可以控制这些行为，但需谨慎评估以避免意外效果。
PTXBench是一个用于评估和适配大语言模型（LLM）利用架构特定PTX进行GPU内核优化的基准。它在H100和B200 GPU上，针对GEMM和注意力任务，衡量功能正确性、目标指令是否在运行时执行以及相对前沿库的加速比。评估显示，LLM的架构特定PTX能力参差不齐：在复杂注意力反向任务上成功率显著下降，且执行目标指令并不保证带来竞争力性能。没有模型能始终匹配前沿库。进一步，研究者使用监督微调适配Qwen3.6-27B，修复条件训练改善了部分任务，但泛化仍不均衡，数据覆盖、平衡和推理教师的质量与数据集大小同等重要。PTXBench为衡量和提升LLM利用不断演进的GPU架构提供了可审计的测试平台。
LEGO-RL 是一个框架，在不修改内部控制流的情况下，将原生编码代理环境与可扩展的策略梯度优化相结合。它通过进程内 LLM 代理实现忠实优化，通过可扩展沙箱编排确保可靠执行，并通过集成插件和实时界面实现可观测训练。在 SWE-bench Verified 上，使用 GSPO 训练稀疏 MoE 模型 Qwen3.5-35B-A3B，在 OpenHands SDK、Claude Code 和 OpenCode 上分别将准确率提升至 70.4%、68.2% 和 66.6%（原为 64.0%、62.4% 和 57.2%），并保持 rollout-训练概率相关性超过 0.99。
LifeSciBench是一个包含750个专家编写任务的基准测试，旨在评估语言模型在真实生命科学研究中的能力。现有基准大多范围狭窄或仅基于知识，无法反映实际研究的复杂性。此基准覆盖七个科学工作流和七个生命科学领域，每个任务配有专家编写的评分标准。在五个前沿和领域专用模型中，GPT-Rosalind表现最佳，任务加权平均归一化评分0.576，任务加权响应通过率36.1%。基准尚未饱和，171个任务（22.8%）无任何模型通过，261个任务（34.8%）最佳模型通过率低于20%。LifeSciBench提供了对实际科学推理和操作决策的高分辨率评估。
我们引入了语义任务完成视频生成，这是一个以结果为导向的视频生成任务，要求同时实现预期结果和语义接地。语义接地表征参考图像与生成结果之间与任务相关的高层语义对应。为支持系统评估，我们构建了SemComp-Data，覆盖六个领域，每个实例包含参考图像、详细指令、简短指令和以结果为中心的视频片段。可扩展的四阶段策展流程将原始视频标准化为SemComp-Data实例。我们进一步提出了SemComp-Bench，一种使用视觉语言模型（VLM）回答结构化二元问题的评估协议，报告OA评分和GR评分。实验表明，在维持任务相关语义接地的同时实现预期结果仍具挑战性。
现代智能体运行在管理工具、上下文和控制流的智能体约束框架中。原始的Agent Lightning引入了通过LLM端点代理将任意智能体连接到RL训练的去聚合架构，这种范式被称为受约束的智能体RL。v1.0以约3500行代码实现该框架，支持任意智能体约束，提供可复现的编码智能体RL流程。仅用6K训练示例和适度算力，将Qwen3.5-9B在SWE-bench Verified上的性能从41.8%提升至56.4%，绝对增益14.6个百分点。
《Scientific Data》于2026年8月18日在线发表了一项研究，介绍了一个基于数字全息术的红细胞数据集，旨在用于遗传性贫血的机器学习和深度学习分析。该数据集为研究人员提供了标准化资源，以开发和应用算法来识别和分类与遗传性贫血相关的红细胞形态学特征，从而促进该领域的计算研究。
谷歌研究团队展示了名为PhotoScan的深度学习方法的可行性，该方法通过智能手机照片估算身体成分，并在临床研究环境中以与DXA扫描相当的准确性预测胰岛素抵抗。胰岛素抵抗是代谢疾病的关键驱动因素，常在糖尿病发病前数年出现。研究指出，HOMA-IR评分大于2.9视为胰岛素抵抗。团队强调，结合身体成分指标如Android-to-Gynoid脂肪比和内脏脂肪与皮下脂肪比，可提供更全面的代谢风险评估。DXA扫描虽精确但昂贵且不适合日常筛查，而PhotoScan提供了潜在替代方案。
Florent Delgrange凭借论文《Foundation World Models for Agents that Learn, Verify, and Adapt Reliably Beyond Static Environments》荣获AAMAS 2026最佳蓝天论文奖。该论文提出一个研究议程，将强化学习与反应式综合结合成统一循环：基础世界模型从经验中学习，但结构化以便验证器推理。智能体在更新策略时，同时更新模型、测量抽象可靠性，并检查策略是否仍满足规范。验证器的反馈可拒绝不安全更新、请求不确定区域的数据或触发模型修订。强调可靠性不能作为部署时的一次性证书，而必须在智能体持续学习时维持，因为现实环境会变化，多智能体系统中每个自适应智能体都会改变他人感知的环境。
阿尔茨海默病和帕金森病等神经退行性疾病通常仅在大量、往往不可逆的神经元损失发生后才能被可靠诊断，因此亟需能从神经影像数据中检测细微、早期且个体特异性脑变化的定量工具。本综述围绕四个互补的方法论支柱，梳理了用于转化神经科学与个性化神经健康的数据驱动技术，强调这些方法共同指向个性化、机制明确且临床可操作的脑健康模型，并讨论了尚存的主要统计学、计算和临床挑战。
论文、模型卡和博客文章常以少量编码基准（如SWE-bench和LiveCodeBench）的分数作为广泛编程能力的证据。作者认为，针对这些基准的优化只衡量任务特定表现，使分数与通用编程能力主张之间出现语义落差。他们用自建的Django案例基准套件检验这一差距，发现基于SWE-bench轨迹后训练的模型排名经常无法泛化：跨任务迁移很少，SWE-bench优化在作者任务和LiveCodeBench上增益有限或没有；针对单个Django模态的微调同样无法迁移。因此，少量基准不足以评估受基准优化压力影响的多样模型。作者建议采用分层评估：前沿模型做整体评估，研究用多任务套件，窄任务应用用人在回路研究，并呼吁建立能力分类学并持续维护基准。
本文提出一个通用层方程，通过七个组件统一多种图神经网络架构：更新域、通道集、传播库、每通道消息映射、通道融合算子、自我/残差映射、更新映射。该分解将信息移动位置（传播库）与信息内容（消息映射）分离，支持局部消息传递、注意力、谱滤波、全局通信、关系特定通道、高阶域和几何消息。通过经典层的约简和组件分配，覆盖七个非独占架构家族，并组织超过200种架构。该框架实现组件级比较和架构生成，连接传播选择与过平滑、过挤压、异质性及表达能力，并揭示从可测量属性到有效组件选择的经验逆问题。
大型语言模型的知识使用方法通常分为非参数检索和参数化适配两种。Engram式哈希记忆是中间方案：将学习到的信息存储于外部可寻址表格，并通过小型阅读器读取。本研究通过跨模型冻结记忆提取，探讨记忆内容与阅读器哪个更重要。消融实验表明，记忆内容和正确寻址都重要，但只有通过适配目标模型的阅读器，迁移的表才能变得有用。在下游问答任务中，双层四分支阅读器几乎消除同模型与跨模型重用差距，平均得分为38.8。当阅读器直接兼容时，无需目标端训练即可获得效用，进一步适配可提升性能。
PixRestore 是一种无 VAE 的像素空间扩散 Transformer，用于统一图像恢复（UIR）。它直接在补丁化像素上进行流匹配，保留细节。通过 LQ-HQ DINO 特征相似度预测层特征可靠性，实现自适应条件融合。在大规模数据上训练，并通过 DINO 对抗目标微调为单步生成器。约 50M 参数和单步推理下，在保真度、感知质量和鲁棒性上优于现有 UIR 模型，且效率更高。更大变体可进一步提升性能，展现了可扩展性。
可靠的不确定性量化（UQ）对于在复杂交互环境中部署大语言模型（LLM）智能体至关重要。现有方法多依赖局部信号，如token概率或预测熵，忽视了执行轨迹中误差的累积。本文提出RUPA（面向智能体的关系不确定性传播），一种轨迹级UQ框架，将执行历史表示为有向轨迹图，节点为推理状态、工具交互和环境反馈，边为时序与语义依赖，并在此图上传播不确定性以捕捉风险累积。结合轨迹级行为特征与目标对齐信息，RUPA在τ-2、Terminal-Bench-2和GAIA基准上，使用6个开源LLM进行评估，结果显示其不确定性估计更准确，能更早检测失败，并改善不确定性引导的智能体执行。
认知科学中的资源理性关注如何分配有限计算以最大化期望价值。现有基准多使用独立任务预算，且共享预算研究未与单问题能力校准。我们提出R^3-Bench，在数学、竞赛编程和抽象推理中，以共享预算评估六问题套件，涵盖无工具和智能体设置。匹配的单问题响应曲线构成离线经验预言机。在六个模型的72个主表单元中，预言机均值在所有单元不低于竞赛均值，其中71个严格更高。中等无工具压力下，四六个模型的均等分配重放也优于竞赛。轨迹诊断显示策略更新有限和压力相关失败模式。强智能体压力下，三个模型的诊断中，固定调度器在九单元中六单元超过竞赛均值，但无策略跨域主导。结果揭示了展示能力与共享预算实现间的持续差距。
随着文本到图像生成模型的发展，其安全问题日益突出，尤其是生成暴力、色情等不宜内容，红队对抗攻击加剧了这一问题。现有防御大多基于白盒假设，依赖文本编码器优化、权重编辑或推理时干预，难以扩展至专有模型。黑盒替代方案基于LLM提示重写，但在良性对抗问题（语言安全但触发有害生成）上失效。为此，我们提出DiSCO，一种零样本、纯黑盒、即插即用的防御模块，无需重训练或访问模型内部。DiSCO通过波束搜索进行分布引导的后缀扩展，利用目标模型自生成的图像池进行对比评分，并迭代自适应反馈直至生成安全内容。在I2P基准下，DiSCO将未防御和已防御模型的攻击成功率分别降低37.7%和25.13%，同时保持语义保真并提升图像连贯性。作为黑盒、与架构无关的模块，DiSCO可随时应用于任何文本到图像系统，无需修改模型本身。
《自然》杂志发表评论文章指出，科学突破常由创新仪器引发，而AI在设计新科学工具方面的能力可能是其最重要的科学贡献。文章援引历史先例，强调工具创新在科学进展中的关键作用，认为AI辅助设计工具将推动未来突破。
循环语言模型在推理基准上表现良好，但在智能体工具使用方面的潜力尚未充分探索。我们在组合工具调用场景中研究此问题，模型需协调多次API调用、维护中间状态并保持依赖关系。在API-Bank、BFCL和NESTful上，对比循环与非循环模型在匹配监督微调下的性能，发现循环计算通常有利于组合和依赖感知的工具使用，而孤立API调用增益较小。多步工具使用准确率随循环深度增加而提高，自适应推理通过按需分配计算实现更好的计算-性能权衡。结果表明循环语言模型是智能体系统有前景的架构。
字节级分层语言模型（LM）近期作为子词分词模型之外的一种稳健替代方案而兴起。然而，逐字节生成仍是推理速度的一大瓶颈。为此，我们提出多字节预测（MBP），可并行生成多个字节，在最小化性能影响且不增加参数的同时加速推理。MBP基于流行的多标记预测（MTP）范式，并进行两项关键创新：一是引入与分层LM的潜在标记（即段）对齐的变长预测窗口；二是实现一种新颖的注意力掩蔽方案，使并行字节预测在不违反因果性的前提下成为可能。我们表明，多字节预测在多种生成任务（指令跟随、问答、摘要和机器翻译）中实现了帕累托最优权衡，取得了性能与推理吞吐量之间的最佳平衡。
语言特定能力（LSC）指语言模型因提示语言不同而表现各异，源于跨语言的语义表征错位。现有对策如英语路由或语言平衡数据均有缺陷。本文提出数据生成框架HOTFIXR，通过探测学生模型的多语言弱点并生成针对性数据来提升性能。在三个分布内任务、三个分布外任务及四种分布外语言上评估，平均改善分布内性能6.2%，减少微调导致的灾难性遗忘（分布外任务3.7%，分布外语言7.1%）。
多模态大语言模型常用视觉思维链（Visual CoT），通过生成中间推理图像进行空间、时间和具身推理，但推理开销大。本文提出内化视觉思维（IVT），一种训练后框架，在无标签视频上联合优化文本预测和下一嵌入预测，使模型在推理时直接生成答案而无需合成未来帧。在全部六个评估设置中，IVT优于直接答案微调，且与显式Visual CoT相比性能相当或更好，平均端到端延迟降低超过5倍。结果表明，推理时显式像素空间生成可能并非主动视频推理所必需。
记忆正成为长时程LLM智能体的核心基础设施，但现有评估对不同运行机制下应选择哪种记忆底物（即记忆表示和存储的底层媒介）指导有限。我们提出一个受控的底物评估框架，涵盖密集和稀疏索引、文本记录、结构化存储、分层存储、基于精炼的记忆、参数更新和激活兼容上下文机制。在三个骨干模型和四个基准套件（涵盖用户中心的问答和智能体中心的决策）上，我们统一测量了26个效率和性能指标。结果显示没有单一底物始终占优：广泛检索有利于长上下文事实问答，但过度检索可能通过转移对关键上下文注意而损害顺序决策。可扩展性引入额外路由维度，因为中等历史长度下表现良好的底物在更长时序可能变昂贵或脆弱。这些发现推动底物路由作为自适应智能体记忆系统的必要组件，并为设计高效、可靠、机制感知的长期记忆提供经验指导。代码将在接受后提供。
PRISM是一种免训练、免源域的自适应框架，基于仿射噪声假设，认为严重声学噪声在潜在空间中引起低秩仿射偏移，超过90%的失真能量集中于前60个主成分。它利用冻结文本原型作为几何锚点，通过仿射偏置回归合并三种闭式几何校正，推理时仅需一次矩阵向量乘法（0.0009毫秒）。在UrbanSound8K上，相比零样本基线提高12.94个百分点，比依赖特权噪声提示的基线高9.41个百分点。此外，PRISM识别出“复音陷阱”这一子空间降维的失败模式，并通过置信度感知回归解决，为受影响最严重的类别恢复高达8.16个百分点。
近日，《Scientific Data》在线发表了一项研究，介绍了一个由大语言模型（LLM）驱动的中文人类嗅觉描述与实体标注语料库。该语料库旨在收集和标注中文中关于嗅觉的表述，为嗅觉相关研究提供数据资源。研究发表于2026年8月15日，DOI为10.1038/s41597-026-08117-y。
人工智能快速发展显著增加了对大规模数据集的需求，但核医学等数据密集型任务仍缺少足够数据。CT 虽已有一些大型数据集，却很少同时覆盖多种病灶类型，并提供投影域与图像域配对数据；PET 数据更为稀缺，尤其缺少兼顾 18F-DOPA、18F-FDG、68Ga-PSMA 等多种示踪剂、解剖区域和疾病类别的数据。为此，研究提出 SPC-Gen：由潜在扩散模型生成的大规模 PET 与 CT 合成数据集。它覆盖多种疾病、病灶特征、示踪剂、解剖区域和成像模态，同时保持投影域与图像域的内在对应关系。SPC-Gen 发布 50,104 条合成切片记录，包括 PET 投影—图像配对记录和 CT 图像域记录。实验表明，生成样本的分布与真实数据较为接近，并能改善病灶分割等下游任务的表现。与传统 VAE 以及较新的 GAN、NCSN 基线相比，SPC-Gen 在单模态评估中的 KID 稳定在约 0.021，PET 躯干图像域的 FID 为 40.960，显
MOSS-VL是一个开源视觉语言模型系列，将实时交互（边感知边说话）作为首要能力。该模型通过门控交叉注意力使语言解码器在生成时能感知输入帧，并利用合成交互语料监督说话、沉默和修正的时机。分阶段课程将实时特定训练集中在最后阶段。离线时，MOSS-VL-Instruct在相当规模下具有竞争力并领先时序推理视频集。在四个流式基准中，MOSS-VL-Realtime在三个上取得最佳平均分（另一个上排名第二），并在三个测试主动行为的子集上全面领先，如OmniMMI主动提醒达到66.0对比最佳基线37.5。MOSS-VL有11.3B参数，视觉token在解码序列之外，随着视觉上下文的增长，其首token时间优势从2.8倍扩大到5.1倍。所有五个检查点、训练课程和实时推理代码均已发布。
RobustiPy是一个前沿的开源库，旨在检验经验科学结论是否在所有可能且合理的建模选择下依然成立。它构建分析多宇宙并总结不确定性。通过受控模拟、时间分析和实证复现（包括对已发表研究差异的再分析），它使稳健性分析变得透明、可重复和可解释。
针对开源权重语言模型微调、量化、剪枝和合并后的谱系不明问题，提出一种无需数据的白盒验证方法。通过去除分支产品中共有的身份对齐成分，提取残差块间的检查点特有结构，得到对称的谱系评分。在残差MLP和GPT-2基准上，该评分以AUROC=1.0完美区分微调、LoRA合并、剪枝、量化后代与独立或蒸馏模型，并区分权重谱系与行为相似性。在保功能的检查点清洗实验中，现有基线失效或余量缩小，而该方法评分不变，且比最鲁棒基线快76倍。该信号在六个语言模型家族中普遍存在，案例研究正确识别了3个相关和7个无关的LLaMA-2公共检查点。
高质量创意写作数据多以故事为中心，限制了模型遵循多样创作格式的能力。研究者提出属性引导的体裁扩展框架，以人类撰写的故事提示为创意种子，结合人工策展的体裁属性强化结构、风格和格式约定，从而生成并筛选出体裁一致的问答对。据此构建了包含13种创作体裁、5万示例的多体裁语料库。实验表明，在该数据上微调的模型在分布外写作基准和体裁诊断中优于基线和现有语料训练的模型。消融实验显示，受控的体裁扩展而非单纯故事中心扩展是提升创意写作能力的关键。
预训练中热门事实被记忆更深、更难被遗忘，但现有大语言模型（LLM）遗忘方法对不同训练数据频率施加统一梯度压力。我们提出AdaPop（适应性流行度）方法，结合局部token置信度与基于外部代理（如Wikidata页面链接、LLM-as-Judge）的每事实流行度指数，并通过双上升控制器自动调整每轮遗忘-保留平衡。在三个模型族和两个基准上，AdaPop在改写查询下泄漏的遗忘内容比竞争方法少约5倍，在对抗性改写下约1.6倍。内部指标显示，其遗忘集隐藏状态更远离原始模型，而保留集表示保持接近。
CardioState-JEPA是一个心脏基础模型，通过生理感知的联合嵌入预测架构，在ECG、PPG和PCG之间学习共享表征。该模型将异构波形映射到统一的token空间，使用共享Transformer编码器，并预测掩蔽的潜在心脏状态。它利用学习到的延迟对齐器处理电、机械和血流动力学事件之间的时间偏移。在25个下游任务中，冻结编码器在PPG、PCG和ECG上的AUROC分别平均提高8.2、18.8和15.5个百分点，达到或超过基于临床文本或监督标签训练的模型。
V-RAE 提出一种视频表示自编码器，在冻结的视觉基础模型表示上构建紧凑的生成潜在空间。其轻量时间池化模块去除时间冗余并保留语义结构，视频解码器从压缩特征重建连续运动。在 K600 上，V-RAE 的 rFVD 达 2.13，优于所有评估的大规模预训练视频 VAE；在 UCF101 和 K600 上，其最佳变体在匹配生成设置下 gFVD 分别为 117.86 和 19.16，且收敛速度提升高达 6 倍。引入的 tFVD 指标能更可靠地关联下游生成质量。在 Cityscapes 上，V-RAE 对未来视频预测也优于 Wan 2.2 VAE 潜在空间。实验表明，冻结的语义表示可支持视频重建、生成和预测建模。
创意体智能体仍缺乏从高质量人类电影中学习的有效方式，限制了其生成电影级视频的能力。为此，研究者提出体智能体视频自动编码器（AVA-Encoder），一种通过体智能体自动编码学习体智能体原生视频表示的框架。它将视频转换为知识图谱表示，再重建为视频；其层级和状态节点存储结构化文本，关联的资源层保存生成的图像、音频和视频，类型化边保留文本描述与资源间的关系，便于体智能体理解、查询和编辑。重建差异驱动文本梯度优化框架，在外环进行数据无关的编码策略伪训练，在内环进行可选的测试时数据相关图谱表示精炼。实验表明，AVA-Encoder 比最强外部基线提高20.7个百分点；在仅策略的受控设置中，其伪训练的镜头级体智能体视频编码策略优于人工调优策略，且使用系统提示词 token 减少74.3%。研究发布了完整框架、可靠的体智能体视频重建基准和首个高质量电影知识图谱表示数据集。
《自然·机器智能》在线发表的一项研究中，Wang等人设计了高效的机器人与环境交互表示，可在多种关节型机械手模型间实现泛化，并在多样化杂乱抓取场景中展现任务适应性，为通用机器人的发展提供了可能路径。
选择题基准广泛用于评估大语言模型，但MCQ分数将知识与选项顺序敏感性混为一谈，使其难以可靠衡量模型知识。本研究测试在作答时不显示选项标签能否消除位置影响并提升性能，评估了两种策略：先生成后匹配，以及单独评分选项（后者天然无位置偏差）。结果均未可靠提升准确度。完整分解显示瓶颈在于隐藏选项，而非匹配步骤。唯一持续匹配基线的配置是展示全部选项并配以LLM匹配器。然而，完全消除位置影响仍不能可靠带来准确度提升，而循环置换常能提升。对于两阶段提示，聚合指标和逐题测量均未能显示可靠的去偏效果。
在ACM SIGAI的AI Matters交叉转载中，艾拉·斯凯伦采访了2025年AAAI博士论文奖得主浅井明里。浅井的博士论文聚焦检索增强语言模型（LMs），主张超越单一大型模型，设计并训练与互补模块协同的系统。她开创了检索增强LMs，在推理时从大型文本集中检索相关知识，而非仅依赖训练记忆，从而生成更准确、最新、可验证的输出。这项工作挑战了“仅扩大规模即可解决问题”的社区主流观点，并催生了开源模型OpenScholar，帮助科学家综合大量科学文献。该方法已被学术界和工业界广泛采用，如生成式搜索引擎。
《自然·计算科学》于2026年8月10日在线发表的一项研究，将新生成的高通量实验（HTE）数据集与开源数据整合，构建了大规模、高质量的Buchwald–Hartwig反应数据集，用于训练机器学习模型。通过结合HTE与主动学习，研究人员开发出稳健的机器学习模型，具备可靠的分布外预测能力。
该研究提出分层自我改进（HSI）框架，其中单个冻结的LLM在任务执行、进化器和元进化器三个层级上操作，通过固定接口热替换任务框架，并利用环境反馈重写。思维开关设计隔离了框架进化的贡献。实验表明，在BALROG基准上使用DeepSeek-V4-Flash-Preview作为冻结基线，HSI在中等难度任务上持续改进（BabyAI +39.3、Crafter +33.0、TextWorld +25.0、MiniHack +15.0，原始进度百分比），并在BabaIsAI子套件上表现出强大的泛化能力（BreakStop 0.98，GoTo 1.00，20%未见切分）。然而，超出基干能力（NLE）的任务未能从进化中获益，凸显了反馈保真度和基干能力边界。代码已提供。
Ai2与Hugging Face宣布扩大合作，以提升开放AI的可访问性和部署能力。Hugging Face将Ai2在其Hub上的存储量增加近两倍至约2PB，并取消标准速率限制，实现全速下载。自2024年春季以来，Ai2的模型和数据集已被下载超5000万次。Ai2还发布训练数据、中间检查点等以支持复现。CEO们强调了完全开放的重要性。
在IJCAI 2025上提出的CogTwin是一个混合认知架构框架，旨在为数字孪生系统带来自主推理和实时适应能力。它针对当前数字孪生主要依赖预编程规则和静态模型、缺乏应对突发事件的灵活性的问题，通过整合符号AI、亚符号AI和神经符号AI，使数字孪生具备感知、推理、学习和自主行动的能力。其核心包括双知识图谱（静态领域知识库和动态内部知识图）以及混合注意力机制，以实现稳定与适应性的平衡。该框架标志着从模拟和监控向真正智能和适应性转变。
微软发布Echoverse，包含12个用于训练计算机使用代理的世界：10个深度领域世界和2个能力世界，每个世界反复训练单一控件（如日期选择器、嵌套过滤器）。深度是关键：世界再现真实应用行为、预置真实数据、跨屏幕和用户保持状态一致。用全部12个世界训练后，一个9B模型的基础分数从36.5%提升至67.1%，接近GPT-5.4（差14分）。实验发现：高保真模拟是必需，浅层世界反而有害；代理常卡在相同UI元素，但通过多样化训练能泛化到未见领域；模型、世界和验证器共同演化可互相提升；基于接地验证器的强化学习超越模仿学习，提升保留性能并减少达到目标的步骤。现已开源4个世界及其代码、数据和接地评分器。
微软研究院推出EvoLib框架，使大语言模型在推理过程中无需人工标注或外部反馈即可自我监督学习。EvoLib将过往尝试转化为可复用的技能与反思性见解，并随时间不断提炼、整合和重新加权，使知识从具体经验升华到通用规律，从而跨任务迁移，持续提升性能。该框架无需更新模型，适用于任何黑盒大语言模型及API部署的AI系统。
澳大利亚国立大学情绪与面孔实验室领导的研究表明，人类经过训练能提高识别AI生成人脸的能力。当前AI深度伪造人脸极为逼真，传统训练（如寻找第六根手指）效果有限。该训练关注六个感知特质：独特性、记忆性、比例、对称性、吸引力及表情丰富性。所有参与者识别能力均有提升，高水平者近乎完美。研究结果已在加拿大维多利亚大学团队中成功复制。
逐字段接受/复核的选择性风险控制在真实文档上会悄然失效。基于800张CORD收据的13,859个claude-sonnet-5字段（49.0%正确），诊断出三种失败模式：文档聚类（设计效应1.84-2.45）、分数重拟合泄漏（覆盖0.416，风险0.127，在95%分割中违反alpha=0.10）以及平局质量病态（阈值网格退化，0.030到0.001）。通过有效性阶梯组织修复：拟合/验证分裂协议恢复期望风险控制（覆盖0.318，风险0.096，名义alpha=0.10），而Mondrian Learn-then-Test提供逐组PAC证书（字段iid风险0.068，文档iid风险0.060）。支持箱（预先指定的来源分类）在sonnet上获胜（p < 1e-4，Bonferroni校正），但在haiku或qwen上未复现；在更高精度语料上，合并阈值获胜。盲三人人工金标审计验证了实践层的接受集风险为1.3%，低于10%预算（Flei
在高质量训练数据日益稀缺、预训练成本不断攀升的背景下，圣加仑大学AI教授Damian Borth提出常被忽视的知识来源——已训练好的模型。其团队研究“权重空间学习”，将训练好的神经网络本身视为数据，从数百万GPU小时优化的蒸馏结果中学习，而非每次从原始数据开始。本期探讨构建神经网络基础模型的意义、跨架构跨领域的知识迁移、如何大幅降低专用模型开发成本，以及未来AI系统是否将基于现有模型集合训练而非不断增长的数据集。
陶哲轩认为，利用现代编码智能体创建数学或科学概念的可视化应用是有利的，因为其风险可控：非关键任务、独立部署、结果确定且沙盒化，不替代主要技能，也不与人类竞争。他介绍了两个新应用，其中一个展示了近期论文中提出的“zeta过程”，该过程由AI首次发现，将zeta分布的随机变量链接成无限可分的随机过程链，具有良好的数论性质，如素数整除次数呈几何分布。另一个应用展示天体运动。
微软在SymCrypt中采用Rust、Lean和Aeneas，并借助AI代理，对生产级密码算法进行正式验证。他们证明代码安全正确地实现了标准算法，尤其针对后量子密码。最初发布SHA-3和ML-KEM的验证代码、规范、属性和证明。Aeneas支持验证大部分Rust代码，并在Lean中提供高效自动化；AI代理通过编写可独立验证的证明来扩展自动化。这种方法结合了Rust对内存安全的保证和Lean证明对功能正确性的机器检查，以弥补测试和审计的不足。
斯坦福大学商学院助理教授Douglas Guilbeault指出，人类决策常采用“满足化”策略，即收集足够信息而非最优解来预测结果。实验游戏表明，这种策略也用于学习社会规则，揭示人类与大型语言模型（LLM）在预测方式上的关键差异。LLM依赖海量数据和复杂计算追求最优解，但人类受限于神经元数量和信息获取，在不确定性中依赖满足化策略。这一发现为社交学习提供了新见解，也凸显了AI与人类思维的差异。
本文探讨了持续预训练中任务构建的控制作用。通常的预训练在训练前就固定了自监督任务规则，而下游反馈仅在完整训练后获得，控制回路粗放。作者提出基于价值的预训练（V-pretraining），将学习器与任务设计者分离：学习器仅用未标注数据的自监督损失更新，轻量级任务设计者则利用少量可验证的下游示例学习如何构造自监督任务（如语言建模中的目标分布或视觉中的视图选择），以更直接、更紧密地利用下游反馈。
微软研究院AI for Science团队推出Flint，一种用于AI驱动图表创建的可视化中间语言。Flint使AI代理能根据简单、人类可编辑的规范可靠地生成表达力强、视觉精美的图表。它利用语义数据类型指导编译器选择适当的比例、基线、格式和配色方案，并自动管理布局以适应数据变化。单个Flint规范可编译为Vega-Lite、Apache ECharts或Chart.js，无需重写。开源项目包括flint-chart库和flint-chart-mcp服务器，使代理能在聊天或编码环境中创建、验证和渲染图表。这解决了简短规范产生的图表平庸，而详细规范又冗长易错的问题。
大型语言模型（LLM）常被用作合成调查受访者，但研究指出其个体答案看似合理，却未保留真实人类调查数据的联合分布、潜在结构、信度、中介路径和人口效应。研究引入立陶宛组织心理学数据集（n=263，68条目，12子量表），对37个模型进行心理测量相似度评分（PSS），并与五个非LLM统计基线及人-人上限比较。结果显示，LLM再现了定性方向，但高斯copula基线在PSS上优于所有LLM；LLM之间更相似（平均PSS 0.73）而非与人类相似；记忆化不是驱动因素。反事实交换显示教育效应（|d|=0.56）远超性别（0.12）和角色（0.18）。所有LLM表现出强顺从偏移（+0.84 SD），合成训练的回归器在保留人类上预测效度下降（平均R²-0.18 vs 0.28），并在3/10安慰剂中介路径上虚构间接效应。LLM样本不能替代人类调查数据。
SkillOpt 将智能体技能文件视为冻结目标模型之外的可训练参数，把技能编写从一次性提示转变为受控优化过程。在六个基准、七个目标模型和三种执行模式下，SkillOpt 在全部 52 个评估单元中均为最佳或并列最佳，且不更新模型权重。通过有界文本编辑、验证门控、拒绝编辑反馈和慢/元更新，技能保持紧凑和可审计，避免无控制的提示漂移。优化后的技能可跨模型规模、智能体框架和相关任务迁移，表明其捕获可复用工作流知识而非基准特定指令。
该论文提出将幻觉视为时间上延展的跨度，通过序列标注检测幻觉。每个token由33维特征流评分，融合文本统计、自然语言推理蕴含和语言模型惊异度，无需访问模型内部。基于双向门控循环单元（BiGRU）的检测器在RAGTruth上达到0.840的AUC（10个种子），较独立逻辑回归基线提升11点（p=0.002，Wilcoxon符号秩检验）。受控分解显示主要增益来自时间顺序而非模型容量，证据从置信位置传播到模糊邻居。相同0.845上限在循环、状态空间（Mamba）和注意力架构中复现，表明瓶颈在特征集而非模型。该检测器仅读生成文本和外部信号，因此适用于闭源模型，并在未见过的语言模型生成文本上保持性能，AUC损失低于4%。
艾伦人工智能研究所发布MolmoMotion模型，给定视频帧、物体上的3D点和动作描述，可预测未来几秒内点的3D轨迹。该模型在性能上大幅超越现有预测方法。同时发布MolmoMotion-1M数据集（含116万视频）和经人工验证的基准PointMotionBench（含2700个视频片段）。这些预测轨迹可驱动机器人规划和以轨迹为条件的视频生成等下游应用。模型权重、数据集和基准均开源。
HarmProfile是一个以内容为中心的基准数据集，收集23个前沿大语言模型（涵盖13个模型家族）在15个危害类别和57个子类别中的超过80,000个已验证的不当行为样本，并将有害输出分布定义为模型级风险画像。研究发现，前沿LLM能大规模产生有害内容，且风险画像各异；危害性和多样性随模型能力增强而增长，表明这些模型可能看似安全，却在对齐表面之下隐藏着日益危险的知识。
AlphaFold 3 版本 3.0.3 的代码许可从 CC BY-NC-SA 4.0 更改为 Apache 2.0，并进行了错误修复和性能改进。新特性包括兼容 Python 3.14，Confidences JSON 序列化速度提升最多 30 倍（对于 5000 残基的输入，序列化时间从 43 秒降至 1.3 秒），mmCIF 解析速度提升 4%。修复包括新增标志以避免从非连接糖类中移除 O1 原子、支持动态版本推断、正确传递 Jackhmmer/Nhmmer 标志、修复独立糖类的 O1 清理、保留 RNA 和蛋白质链的描述等。
NVIDIA 发布了开源深度学习框架 physicsnemo 的 v2.1.1 版本，发布入口为 Release v2.1.1 · NVIDIA/physicsnemo。根据发布说明，physicsnemo 用于构建、训练和微调深度学习模型，并采用当前先进 state-of-the-art 的 Physics-ML（物理机器学习）方法。该框架定位为开源工具，面向使用 Physics-ML 进行建模与训练的场景。此次发布说明仅给出版本发布信息，未列出具体的变更明细、修复内容或新增功能。
机器学习原子间势（MLIP）正在变革计算化学与材料科学，但开发者面临缺乏GPU加速的原子模拟工具的问题。现有工具多为CPU中心，在混合工作流中，模型由PyTorch在GPU上加速，而模拟工具为串行CPU，导致效率瓶颈。NVIDIA在Supercomputing 2024上发布了ALCHEMI（AI化学与材料创新实验室），提供领域专用工具包和NIM微服务，包含GPU加速的批量操作，如邻居列表等，旨在弥合PyTorch与原子模拟之间的鸿沟。
音乐编辑在现代音乐制作中至关重要。现有音乐编辑系统常忽略对编辑时应保持不变的音乐方面的评估，作者称之为音乐上下文保留（MuseCP）。为此，提出首个MuseCP评估框架MuseCPEval，涵盖四类音乐方面，采用细粒度定制指标捕捉音乐属性的细微变化。客观验证和人类研究证明指标有效性，案例研究展示了其作为测试平台和诊断工具的实用性。