相关动态
数学家 Sophie Huiberts 在客座文章中主张，证明定理意味着对数学领域负有责任：要说明做了什么、哪些步骤需要新想法、哪些已众所周知，并应更好地阐释重要想法。她把 OpenAI 的行为与此对比：不关心其“预印本”，不适当标注想法来源，把 372 项结果切分成 719 份 PDF，工作含有应被撤稿的错误，承诺代码却未提供，证明极难解析。她称这些 PDF 拖累文献，是内部基准测试的废气，并非“为了科学”；新内部模型或许一键生成文本，但类似结果很快也会由专家发现，部分已由 ChatGPT 用户发现并正在被正式撰写。即便不指控剽窃，科学软件供应商主动抢发客户成果也不好看；专家提示出结果会承担责任，OpenAI 不仅拒绝承担，还阻止客户承担。
AI 创业公司 Elorian 和 Scale AI 发布基准 Humanity’s Sixth Sense（HSS），用于衡量模型如何解读和推理视觉场景隐含、但未明确显示的信息。HSS 包含 522 个问题，覆盖 288 张图片和 234 段短视频（共 17.6 小时视频），分为时间与因果动态、物理与空间逻辑、社会理解、抽象与语境推断四类。人类基线并非完美但很高，总体 pass@1 为 93.1，图片 94.1、视频 91.9、时间 97、空间 94.9；表现最好的 AI 系统 GPT 6 Astra 总体 53.6，分别为 55.6、51.1、58.2、53.6。中国开放权重模型表现不佳：GLM-5.3-flash 为 26.8，Kimi K3 为 25.5。最常见的两类单一错误是遗漏决定答案的细节（21% 的失败）和误认物体、人物或角色（20%）。
开发者发布 PyTorch 库 MaRN（Mapping Networks），其做法是不直接训练每个模型参数，而是优化一个紧凑的潜表示。作者公布的基准结果包括：MNIST CNN 从 537,748 个参数降至 4,080 个可训练参数（131.8×），准确率由 99.07% 降到 98.10%（−0.97 pp）；较小的 107,998 参数 CNN 降至 1,872 个可训练参数（57.7×），准确率由 98.83% 降到 97.18%（−1.65 pp）。作者同时指出权衡：映射后的模型训练可能明显更慢，效果因任务而异；这些基准属探索性质，部分任务使用合成数据，并不构成其普遍优于直接训练的证据。库提供全局与逐层映射、正则化选项以及剪枝/LRD 集成。
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。
针对药物发现中的数据稀缺情形，研究人员将主动学习与几何深度学习相结合，用于预测化学反应的结果和位点选择性。该策略利用有限数据开展预测，并指导实验，以加速药物发现并拓展可及化学空间。相关论文于2026年10月9日在 Nature Computational Science 在线发表，DOI 为 10.1038/s43588-026-01063-0。来源未提供数据集、模型架构、性能基准或实验验证等进一步细节。
该研究介绍了一个DInSAR包裹相位信号数据集，用于支持深度学习模型自动检测和分类活动性慢速块体运动。数据覆盖中欧阿尔卑斯山和亚平宁山脉北部两个选定的大范围区域，包含4910条经专家标注的DInSAR包裹相位信号，来自92幅Sentinel-1干涉图，时间基线为6天至1年，并在仔细的地貌学解译后划分为9个不同的滑坡和冰缘地貌类别。作者表示，该数据集有望支持科学界开展基于AI的块体运动研究，并可作为生成可比数据集的基准。摘要未报告模型性能或验证结果。
晶泰科技推出 Kodexia™，号称行业首个闭环小干扰 RNA（siRNA）发现平台，将生成式 AI、第一性原理驱动的生物建模与自动化实验结合。公司同时宣布推进六个自研治疗项目，覆盖代谢、肾脏、呼吸和中枢神经系统疾病，其中过半已完成体内有效性评估。IgA 肾病为该架构的先导项目，按计划将在九个月项目周期内完成临床前候选物选择，而行业通常为 12 至 18 个月。平台还将双靶点 siRNA 作为单一分子进行全局协同优化，用于单一靶点干预可能难以充分应对的疾病生物学。
预测有机分子的动态极化率张量对模拟光电器件中的光-物质相互作用至关重要，但TD-DFT等传统量子化学方法计算昂贵，限制大规模筛选。研究提出一种等变图神经网络架构，可直接从三维几何、UV-vis光谱等易得分子信息预测随频率变化的复值动态极化率张量，学习其形状与量级，并捕捉色散与吸收特征。模型在QM9与Harvard有机光伏数据集上以多种指标评估，包括适用于光谱量比较的推土机距离，能够复现张量主要特征并对不同分子泛化。在下游器件级光学模拟中，模型预测极化率得到的载流子产生率与TD-DFT结果一致（R² = 0.94）。
研究提出“人类第六感”（HSS）基准，评测多模态大模型的直觉视觉推理。HSS涵盖图像与视频，按结构化分类组织，配有人类撰写提示，考察人一眼可推断的隐含时间、空间、社会与抽象结构。前沿模型落后于人类：参与者准确率93.1%，最强模型GPT-6-astra在最高推理努力下仅53.6%。作者还探索了在HSS上施加动态视觉操作的智能体设置，虽缩小差距但未弥合。现有视觉基准多面向专家级分析或低层感知，直觉推理基本未被检验；HSS将其确立为可测量维度。
研究提出深度学习驱动框架，在相互竞争的准静态与动态性能要求下优化多晶微结构。3D U-Net代理模型将多晶铜微结构直接映射到板撞击模拟的全场速度历史，保留评估动态性能与失效机制所需时空分辨率，并与随机微结构生成、无导数优化耦合以搜索设计空间。为监测代理可靠性，作者引入基于最大均值差异（MMD）的分布一致可靠性区域（DCRR），量化相对训练数据的分布偏移。框架用于层裂强度与屈服强度的约束优化及逆向设计。最优设计经CPFE模拟验证，预测误差低于3%，代理驱动优化使累计评估时间较直接CPFE优化减少约四个数量级。该框架适用于高保真全场模拟代价高昂、但时空分辨响应信息对评估与优化必不可少的问题。
黑箱优化（BBO）常见于目标评估昂贵且受限的科学与工程问题。现有LLM智能体结合任务语义、计算、优化工具与反馈决策求解BBO，但任务领域和系统配置不一，结果难以比较。为此，作者提出AgenticBBO-Bench，在统一有限预算协议下覆盖合成函数、超参数优化、数据库调优、芯片设计与分子设计五个领域。实验显示，智能体BBO在全部五个领域族平均得分高于直接LLM方法，并在四个领域优于最佳数值优化器。研究还考察优化工具、任务信息与先验知识、LLM在搜索中的作用三因素：额外数值工具未持续提升性能；任务语义普遍有用，而具体先验较不可靠；数值优化器可吸收智能体搜索轨迹带来的增益。最后，提出五任务前沿挑战，在Codex框架下评估七个LLM，GPT-6 Astra和DeepSeek-V4.1-Flash位于性能与成本的Pareto前沿。
大语言模型越来越多自带显式“思考模式”，但其对立面“不思考”研究甚少。研究指出，禁用思考模式、缺少长推理链等代理指标并不可靠，改为把回答拆分为答案前痕迹与最终答案，并设三项指标：衡量严格只答的“空思考率”、问题与答案前痕迹相似度的指令感知相关性、以及由LLM评判的显式推理率。在布尔题、选择题与开放式问题上，对六个模型测试六种提示干预后发现，显式“不思考”控制无法可靠消除可见推理，即“思维惯性”：严格约束下推理仍然存在，且答案空间越开放越普遍。布尔题与选择题准确率保持稳定，开放式任务则显示只答合规与任务准确率之间的取舍；提供候选答案可使模型更易只给答案。
OpenAI发布了一批由其内部前沿模型生成的722篇数学手稿，涵盖数学与理论计算机科学领域的数百个研究问题，整理为372组相关成果，包含证明、替代论证、推论与支撑材料，其中不少结果附有Lean形式化证明。OpenAI表示，在现有数学评测表现开始趋于平台期后，团队把内部模型用于开放研究问题，评测过程约向模型提出4000道题；平均每项结果所用算力约相当于ChatGPT Pro思考三小时。公司同时强调，发布并不意味着所有结果都已完全验证，仓库中成果处于不同检查阶段，部分尚未在Lean中形式化的手稿可能含有错误；更正与修订会被记录，旧版本仍会保留。
Mayra Elwes 是科隆大学医院生物医学信息学研究所计算机科学方向的二年级博士生，研究聚焦临床时间序列预测中机器学习的泛化与领域自适应，尤其是跨医院泛化场景。针对模型部署到训练数据未覆盖的诊所时因患者人群、临床实践或测量设备差异导致的数据分布偏移与性能下降，她以重症监护室为用例，依据已观测生命体征参数预测血氧水平与动脉平均血压，以改进低血压和低氧血症预测。因该任务缺乏标准 AI 基准，她与临床合作者设计了新基准，目前在科隆大学医院收集中；其开源工具包括 WavePrep、Algorithm2Domain 与 MIMIC-III Waveform Database Matched Subset。她还提出同时报告与下游任务相关的分布偏移和性能下降的评估策略，使结果在私有数据集之间、不同任务之间也具可比性。
提出 Vibe Building 任务与 PE-Loop 智能体：确定性物理引擎是唯一的评估信号来源，将规范约束映射为物理过程奖励，语言模型仅负责提出截面、拓扑与抗侧力体系等离散修改；设计须通过留出的地震与风时程校核以及可施工性门槛。在覆盖六个规范族的 VB-Bench 3,577 个物理裁决建筑实例上，PE-Loop 在四种骨干 LLM 中的三种取得最高验证成功率，在全部四种下取得最高留出地震通过率，在三种下取得最高留出风通过率。若把物理裁决替换为语言模型评判、其余条件不变，58.43% 被接受的设计不合规。作者据此认为，可靠的结构设计更多取决于提议者无法影响的裁决者。
该工作考察两个机器人智能体在离散二维（2D）仿真器中共同进化出的通信机制，迁移到含真实物理的三维（3D）仿真器后是否仍保留其功能角色，并分析回合时间预算、社会线索与两个共进化角色间不对称性的影响。成功率随所评估时间预算近似线性上升，在 2,000 至 6,000 个物理步之间未见平台期，提示更短回合的评估可能低估控制器表现。在两种仿真器中，社会线索主要发挥 jam-assistance 机制的作用，而非导航指引，但在 2D 中效果更明显。八次独立进化运行呈现方向一致、幅度各异的不对称性；控制智能体之间的处理顺序可排除物理引擎伪影。作者最后讨论了迁移后残余性能差距的可能成因。
多教师在线策略蒸馏（MOPD）有两种设置：同域组合中，多个教师对同一提示域的学生输出打分，信号合成单一目标；路由域蒸馏中，不同域提示分配给对应专家。二者通常迁移教师的端点策略，混合后训练改变与基座继承偏好。作者提出 Δ-MOPD，迁移每个教师的“教师减基座”logit 位移，在学生冻结初始化处重新锚定，并与端点监督对比（固定教师选择）。端点迁移受继承基座拉力阻碍，后者可超过后训练位移；移除后教师项范数比与目标—学生 KL 降低。三个教师组合时，Δ-MOPD 比端点组合高 4.11 Math 和 1.95 个五基准点；两个教师时准确率持平。分阶段路由下，它平均性能更高，并将顺序差距从 10.50 降至 6.42 点；交错路由下相当。位移目标在状态处组合教师信号时有用；目标构造是 MOPD 的独立设计轴。
研究提出 RoboJEPA，一种基于 JEPA 的机器人潜世界模型，训练数据覆盖 12 种机器人本体。其想象误差（潜变量 rollout 的误差）随算力呈二阶幂律变化，可据此外推预测远超拟合规模处的模型质量；下游机器人规划性能随算力可预期地提升，且想象误差与之强相关，可作为真实机器人评估的可靠代理。该潜世界模型还能零样本部署为智能体，仅以单张目标图像为引导，在真实硬件上完成需要长时程规划的任务。作者公开了全部模型检查点及训练、部署代码，并称这是首个在真实机器人数据上建立多本体机器人世界模型缩放规律的工作，8B 参数的 RoboJEPA 是迄今训练出的最大的 JEPA 预测模型。
OpenAI 在 2026 年 10 月 6 日的研究文章中宣布，将一个尚未发布的内部前沿模型产出的数学成果公开：openai/math 仓库以 Apache-2.0 许可发布 722 篇手稿，归入 372 个家族，并附 Lean 形式化证明与模型推理摘要。README 称绝大多数结果由同一套流程产生，评估过程中模型被给出约 4,000 道问题，平均成果所用算力约相当于三小时 ChatGPT Pro 的思考。并非所有手稿都配有 Lean 形式化，README 提醒部分未形式化结果可能存在问题，OpenAI 表示会尽快修正并保留公开发布历史。
本期 Microsoft Research Podcast 由应用科学家 Chad Atalla 采访微软研究院 partner research manager Jennifer Neville。Neville 谈到评估在推动当今 AI 系统性能边界、满足用户需求方面的作用，以及模型在传统基准测试之外接受测试时出现的“意外失败”。她给出与当前 AI 系统协作的实用建议，强调当结果与预期不符时应仔细查看数据，并分享数十年 AI 进展对她判断未来的启发。她还回顾了自己从数学、物理、认知科学到计算机科学的多转折职业路径。
大语言模型与视觉语言模型部署后常被冻结，不学习已处理病例；医学领域尤需关注，新证据、指南和疗法会改变实践。微调需权重和额外训练；无参数方法易过拟合固定验证集、缺可靠领域知识或丢失视觉细节。为此，提出模型无关框架，冻结模型通过三类外部专长学习部署经验：指导推理与工具使用的技能、存储可信事实的知识记忆、保留视觉示例并关联检索病例与图像的多模态知识库。仅保留不损害旧病例且助益新病例的更新。六个基准上，用四个基础模型，在线部署时于医学任务上比基础模型提升最高34.2%，可泛化到未见病例、迁移到其他模型，并在非医学领域有效。
现有训练大模型当教师的方法依赖示范数据、偏好数据或预设教学标准，往往与学生个人的学习效果脱节。研究提出多轮强化学习框架 Sherpa：用大模型模拟出具有不同学习偏好的学生原型，让教师模型直接以最大化学生学习效果为目标来调整讲授方式。结果显示，经 Sherpa 训练的教师使所有原型学生的成绩平均提高 20.5 个百分点；在 MathTutorBench 评估中，整体教学分数由 52.5% 升至 79.2%；人工评测里，79.6% 的成对比较中受训教师比基座模型更受青睐。
该技术报告介绍了面向摩洛哥的 Turba 肥料机器学习栈，采用三层开源架构：turba-client 提供对公开地块档案、作物目标产量空间及 N、P_2O_5、K_2O 推荐流程的程序化访问；turba-data 分发可直接分析的数据快照；turba-models 打包作物特异的推荐输出机器学习代理模型。首个数据集基于 44,096 个 ESA WorldCereal 独特位点构建；在中等目标产量设置下，情景扩展生成 132,017 条作物-位点推荐请求，形成覆盖 10 个大区、66 个省、1,149 个公社的 22 变量数据集。九种回归族在固定的确定性 80/20 协议下评估，当前版本打包了五个表现最佳的作物特异模型。该机器学习任务是推荐函数仿真，而非对观测作物响应的预测。
FairRSFM 是一个生物群落感知的遥感基础模型（RSFM）基准，将 14 个陆地生物群落类别映射为六个生态学上有意义的宏组，在统一的冻结骨干协议下评测，覆盖 m-EuroSAT、m-BigEarthNet、m-SA-Crop-Type 与 MMEarth20K 四个下游数据集。在 Prithvi-EO-2.0、SatMAE、DOFA 及三个随机种子上的结果表明，聚合指标持续掩盖随生物群落而异的差距：Prithvi-EO-2.0 在 m-EuroSAT 上整体 macro-F1 为 90.98%，最差组均值却只有 83.72%；m-SA-Crop-Type 整体 mIoU 从 27.30% 降至干旱与矿物组的 18.47%。BOLP、DBR、GroupDRO 三种缓解基线的效果因模型和任务而异，例如 BOLP 在不更新骨干的情况下将 Prithvi-EO-2.0 在 m-BigEarthNet 上的最差组 F1@opt 从 4
研究在ReAct循环中把大语言模型的推理能力与检索器的语料探索相结合，考察Agentic检索处理复杂检索任务的表现。实验显示，在使用相同嵌入模型的条件下，Agentic检索优于标准检索，nDCG@10提高8.7分；专用检索方法在分布外任务上表现不佳，而同一套流程在ViDoRe v3与BRIGHT榜单上均取得有竞争力的结果，泛化性较强。代价是开销明显上升：Agentic检索平均耗时107.4秒，标准检索为0.67秒，且每次查询消耗764.1K输入token与5.8K输出token。作者据此认为，未来需要研究更具成本效益的检索智能体，以支持大规模部署。
研究提出LMBuild，用于评测LLM智能体生成可建造且具备功能的结构。生成对象被表示为由部件分解、连接、材料和装配序列构成的装配结构。统一框架包括：智能体可检索、创建和放置组件的交互环境；改造既有CAD数据集并以Wikipedia知识增强的基准；以及覆盖结构稳固性、功能可供性、设计质量与物理实现的评测体系。对30个系统的评测发现：稳固性与对齐已不再是前沿闭源模型的主要瓶颈，功能可供性与物理可操作性仍明显更具挑战；更强模型更善于创建新部件，较弱模型倾向依赖检索；提供功能规格可显著改善部件完整性、运动学与物理可操作性。
长视频理解通常在固定原生分辨率下筛选信息帧或视觉token。该研究指出，逐帧分辨率可换取更稠密的时间覆盖，而前端解码延迟取决于候选池规模而非最终token预算。在多个VLM与长视频基准上的实证研究得出三项发现：相同token预算下，稠密低分辨率采样优于稀疏原生分辨率采样；分辨率敏感任务受益于所选高分辨率帧；小时级视频的墙钟时间以前端解码为主。据此，作者提出免训练、单次前向的框架LoHi，通过VLM原生的视频与图像通路，将稠密低分辨率视频流与稀疏高分辨率图像帧结合。其中LoHi-Anchor利用编解码器I帧元数据选帧，LoHi-SemDiv依据查询相关性与CLIP特征的视觉多样性选帧。在三个长视频基准上，相同token预算下LoHi较原生分辨率基线平均准确率提高10.6个百分点，较最强先前效率方法提高5.2个百分点，小时级视频的前端解码延迟最多降低7倍。
现有在策略蒸馏（OPD）目标多为逐 token 判别、忽视结果，而基于可验证奖励的强化学习（RLVR），尤其是 GRPO，能提供结果级监督，却面临奖励稀疏、信用分配粗糙、在全部失败的组上奖励消失等问题。作者提出 DiffGate：由验证器决定哪些轨迹接受教师引导——仅对失败轨迹施加教师监督，按组难度缩放，并平滑限幅，避免极端师生差异主导优化。在 Qwen3-0.6B 与 Qwen3-1.7B 学生模型上，代码 avg@8 较匹配的 GRPO 分别提升 1.7 与 1.8 分，pass@8 提升 1.6 与 5.7 分；数学 avg@8 与 GRPO 相差 0.5 分以内，pass@8 提升 1.1 与 3.9 分，四个模型-领域设置的 pass@8 均有改善。
掩码扩散语言模型（dLMs）为复杂推理提供了可并行的自回归替代方案，但存在信用分配难题：去噪过程中的少数几步承诺会大幅削减其余掩码位置的不确定性，并主导整个回答。现有后训练方案多在最终文本上训练，或把奖励归到整个去噪步骤，而不会挑选具体承诺。Pivot-SD 是一种高效离线自蒸馏框架，用信息增益指标衡量对剩余掩码位置的不确定性削减，只监督这些高影响的“枢轴”（pivots）：成功轨迹的枢轴用交叉熵训练，失败轨迹的枢轴用针对性的非似然训练，失败轨迹其余部分保持不动。仅用 200 个问题、每个 4 次采样，Pivot-SD 在数学与代码基准上均优于全序列 SFT 和预算相当的扩散 RL 基线，提升了 LLaDA-8B-Instruct。
非结构化知识编辑（UKE）存在“上下文依赖”缺陷：编辑后的模型往往能复述编辑段落，却难以脱离原文单独召回其中的各项事实。作者指出，段落级编辑目标会低估上下文带来的难度——越靠后的事实获得的真值上下文越丰富，初始损失越低，因而显得更好学。为此提出即插即用框架FOVEATED：编辑时随机平移前序上下文键所分配的RoPE位置，为每个句子构造聚焦视图；扰动在编辑后移除，推理时模型原生位置编码保持不变。该框架同时适配直接优化与先定位后编辑两类编辑器，并给出其抵消难度低估的理论分析，在五个KE编辑器、两个LLM骨干和三个基准上取得一致改进。
研究提出软件在环重建（software-in-the-loop reconstruction，SWR）这一自监督框架，从既有软件工作流中获取参考输出与验证目标：对每条工作流执行多种输入配置，将样例划分为公开观测与隐藏评测，智能体仅凭指令、输入模式和公开输入输出观察构建可编辑程序，再在隐藏配置上与工作流输出比对；分层验证器结合领域语义比较、结构有效性与防捷径检查，公开反馈支持迭代修改。SWR实例覆盖六个领域、46个软件家族共500条工作流；Qwen3.8-Max在每任务三次尝试中解出838个任务，产生1,422条已验证轨迹，过采样为3,000个仅重建训练样本。对Qwen3.8-27B的监督微调使Terminal-Bench 2平均成绩在三个随机种子上由47.94%升至53.56%，并在全部四项报告评测中取得四个等token语料对照的最高均值。
研究考察单语检索增强生成（RAG）中推理语言对齐的作用。此前证据显示，强制换用其他推理语言会降低准确率，即使与提示语言一致；但仅限短提示场景。作者构建全德语问答测试平台，基于桌面角色扮演游戏《The Dark Eye》的虚构世界：该领域德语资料丰富，但模型无法凭记忆作答，必须依赖检索。实验改变智能体式系统被强制使用的推理语言，发现推理语言与查询及检索文档语言一致时有帮助：强制德语优于强制法语，尽管模型法语基准得分更高，说明收益来自对齐而非语言熟练度。检索上下文更丰富且结构感知时，优势更大。但强制德语仅达到原生无约束英语推理水平，并未超过，表明仍需原生多语言推理。已公开测试平台与问答基准。
现有流式视觉-语言模型在推理全程计算路径固定，无法随场景动态调整感知方式。FORESIGHT 提出免训练的双流架构，由两个共享权重、输入编码器与 KV cache 的孪生 LLM 组成：一个持续处理输入 token，另一个先于数据流运行，预判未来上下文、规划计算并生成任务响应，不打断流式推理。每份计划决定何时再推理、届时检查什么、采样密度多大，并将瞬时证据与持久控制分离，随后借助 schema 引导解码和轻量 diff 更新在线执行，开销很低。在冻结的 Qwen3-VL-8B 主干上，FORESIGHT 在 OmniPro Online 上平均 joint F1 为 23.0，比最强训练基线高 9.5%；在 StreamingBench 和 OVO-Bench 上分别较主干提升 6.7 与 15.4，证据在视频流中较晚出现时增益最大，为 18.7。源代码将公开。
NAVA-WAM 提出原生动作先验学习，直接从仅含观测的视频预训练动作策略，避免先学视觉表征再迁移到控制、或另建隐动作模型的间接路径。训练分两阶段：先以未来视频的 flow-matching 监督，经过渡结构化联合注意力优化 Action-DiT 并学习与动作相关的先验；再用带动作标注的演示后训练 Action-DiT，通过联合视频—动作 flow matching 实现机器人控制，非对称注意力将视觉分支与迭代动作去噪解耦，支持高效的动作端推理。实验显示该方法在分布内与分布外设定下均稳定优于先前方法，并表现出较强的动作标注效率与真机泛化能力。
研究者指出人-物交互具有局部性，单物体采集片段已包含多物体活动的组成部分，因此将接触一致的单交互片段镜像、跨身体迁移，再由语言模型与几何检查筛出语义与物理上合理的配对，使数据随片段数而非录制时间组合式增长。COSMI 数据集含 222k 段序列、275 小时、最多五个物体，接近最大多物体采集的三十倍。据此训练的文本到交互扩散 transformer 采用权重共享物体槽位，生成数量可变的物体并预测其相对身体部位的运动。在含未见物体与未见交互组合的基准上模型实现泛化，文本对齐与接触准确率优于基线，未见物体上差距最大。代码、模型与流程将于项目页发布。
关键词匹配基准会给从未真正调用工具的小模型记功：一对架构相同的661.6M与1,109M参数安全模型在宽松指标B4上几乎同分（0.660对0.650），而训练样例的逐字复现检查将二者完全分开（6/6对0/6）。首token探针把1,109M的失败定位为缺失先验（ < |tool_call|>概率10^{-4}–10^{-5}），被其网络数据为主的训练阶段抹去。针对性SFT（5倍学习率、2,202步、约3.3 GPU小时）用少三个数量级的token修复它：269行语料有效发出率由0.100升至0.959（661.6M为0.926），238条未见提示通过率0.536对0.428（p=0.004），触发token的绑定嵌入未动（bf16表97.7%逐位一致）。两模型均过度触发（0.09、0.17），多样语料的抑制收益仍是假设；整套诊断阶梯只需数分钟CPU时间。
ProWAM 是一种渐进式世界行动模型：给定初始观测与指令，它联合预测动作与一组有序的稀疏视觉子目标，为动作生成提供显式视觉引导。子目标预测可从大规模无动作视频中学习，视频骨干只需一次前向传播即可缓存子目标特征，重规划时仅需轻量动作去噪，避免迭代生成完整视频。仿真评测中，ProWAM 在 LIBERO-Plus 达 85.8%、随机化 RoboTwin 达 75.7%，相对最强基线最高提升 +35.9%；RoboCasa365 成功率 48.1%，Composite-Unseen 分割 18.2%，总排名第 4。新场景零样本真实实验成功率 70.0%，高于最强基线的 55.0%（+15.0，相对 +27.3%）。
DeskForge 是一个可控桌面环境，组合并操作真实应用，变化状态、窗口布局与分辨率，并将截图、无障碍树和窗口几何融合成稠密元素标注，同时记录每次动作的执行结果。由此构建的 DeskForge-1M 含 120 万条标注桌面观测、1.597 亿个元素实例。作者用其中 20 万条定位样本微调四个视觉-语言模型，四者在留出桌面条件与全部五个外部 GUI 定位基准上均提升；Qwen3.5-4B 在 ScreenSpot-Pro 上提高 11.51 个百分点、OSWorld-G 提高 10.11 个百分点，长程任务中 WebArena-Infinity 由 119 题中的 31 题增至 50 题，OpenApps 由 100 题中的 3 题增至 15 题。
ScholarCatalyst 针对人类仍领先于 AI 的一项能力展开研究：在不断膨胀的文献档案中，判断新问题需要哪一条既有想法。作者借助自动化流程扩大作者标注规模，让 207 篇近期计算机科学论文的 184 位主导作者标注哪些候选文献推动了自己的项目（或本可推动），并给出详细理由。检索任务要求模型面对一个初始研究问题，仅从项目启动时已有的文献中找回这些论文。结果显示，智能体搜索并不优于嵌入式检索（Recall@20 分别为 0.42 与 0.48），尽管它把同一个检索器当作工具调用；基于 Claude Fable 5.1 的智能体（训练时可能已见过这些完成的论文）也仅达 0.51 R@20。作者据此认为需要新的训练方法，让模型具备在庞大语料中检索的专家直觉。
研究关注在固定基座模型下强化 LLM 智能体的验证能力，且测试时无法获取参考答案或评分标准。作者发现分歧往往暴露正确答案，而一致反而可能掩盖错误。据此提出的 VeriHarness 为生成器所用的底层 LLM 配备工作区、证据工具与可复用验证技能，使其转为智能体验证器：分歧消解器依据环境证据核对相互竞争的说法，一致性挑战者检验共享说法并寻找遗漏要求，其结论用于指导最终产物的选择与修订。在五个长程工作区基准、两个前沿模型上，VeriHarness 的选择得分在所评测基线中最高；结合证据支持的修订，相对单次采样的平均增益分别为 Gemini 3.5 Flash 提升 6.2 分、Claude Opus 4.8 提升 6.4 分。验证技能还能从失败反馈中自我改进。作者发布了五个基准、两个模型上约 26,000 条 rollout 的完整集合，制作成本超过 100,000 美元。
Where-OPD为多模态大语言模型（MLLM）提出一种新的在线自蒸馏方式：教师模型获得关于与问题相关视觉要素的文本化空间引导，据此在多个图像区域定位并整合证据；学生则仅凭图像和问题复现这一行为。训练采用程序化生成的场景，自带物体身份与空间坐标，实现可扩展、免标注的后训练。该方法在多个模型上 consistently 提升计数、文档与图表理解基准的表现；尽管后训练只使用合成场景，提升仍迁移到真实感知基准，在CVBench、V*、ZoomBench、BLINK、HR-Bench和MME-RealWorld上平均提升3.23点，显示出超越后训练任务与数据分布的合成到真实迁移能力。
Ego2Act 是一个面向目标导向操作的基准，包含来自 110 项真实世界任务的 2,640 段视频，覆盖日常场景、不同物体杂乱程度与多步复杂度。给定初始场景图像与高层目标，该基准考察视频生成模型能否生成手部操作物体、完成任务的第一人称视频。研究者还提出无需参考的评估流程 Ego2ActJudge，其在任务完成度与物理合理性上与人类共识的对齐程度优于相关基线。结果显示，模型生成的模拟常跳过或只部分执行步骤，使后续步骤缺少依赖状态，导致目标未能实现；模型在细粒度物理动力学上也持续失败，尤其在复杂物体操作和持续世界建模方面。
该数据集面向鞋面机器人加工中三维点云薄加工边界分割任务，共含1,067个样本，其中1,000个为合成点云，另有67个真实场景扫描用于独立评测。合成数据生成流程包含纹理与外观增强、区域感知的几何形变以及传感器退化模拟。两部分均提供三维坐标、RGB属性和逐点二值加工边界标签；合成分支额外带有面板标识，真实数据标签经人工修正。技术验证采用标准点云分割骨干网络，在受控的合成到真实评估协议下检验数据可用性。已发布的点云构成可直接使用的完整数据集，配套代码与资产支持合成子集的再生成与适配。
在 Microsoft Research 暑期实习期间开发的一套机器学习流水线，可为美国本土66,935座变电站分别给出空间天气风险估计。系统融合太阳风观测、Auroral Electrojet（AE）与Disturbance Storm Time（Dst）指数预报、物理约束、当地地质与地电导率以及电网设施数据，在潜在影响到来前30至60分钟发出地点特定的预警。评估期内，该流水线识别出近80%的重大空间天气事件。文中指出，空间天气预报难点在于涉及多个耦合系统：太阳风变化迅速、与地球磁层的相互作用不规则，且地面效应取决于当地条件——基岩电阻率高的地区所受地磁感应电流（GICs）可能强于地质更易导电的地区。
视频生成已从短视频片段发展为高分辨率、长时序的复杂动态序列，但预训练模型常难以遵循人类意图、维持时间一致性并满足物理与安全约束。相比图像与文本生成，视频对齐面临误差随时间累积、运动与外观耦合、多目标权衡以及时序属性监督有限等挑战。该综述首次系统梳理视频生成的后训练与对齐，按对齐信号的实施方式区分隐式对齐与显式对齐，将现有方法归为监督微调、自训练与蒸馏、基于偏好与奖励的方法、推理时方法四类；同时综述常用数据集、基准与评估实践，并讨论可扩展奖励设计、长时序一致性、稳定性—表达力权衡及安全感知生成等开放问题。
研究提出 LexReward，一个基于分类学的法律奖励建模框架，从三个互补维度刻画法律回答质量：Style 关注词汇与句法质量，Element 评估法律主体、事实、法条与裁判，Chain 考察法律推理的顺序、完整性、正确性与非冗余性。每个维度都配有规定评价标准与质量等级的评分细则，由此产生的奖励用于构建成对偏好数据，供 Direct Preference Optimization（DPO）与奖励模型训练使用。实验显示，基于评分细则的奖励能可靠区分不同质量的法律回答，DPO 训练在三个维度上均带来性能提升；所学到的奖励模型 LexRM 在奖励阶段无需参考答案，即可通过强化学习分别提升对应维度的策略表现，维度层面的分析也支持该分类学与奖励构建方式的有效性。
研究指出，大语言模型依赖的人类文本往往只呈现表层答案，而蛋白质折叠可作为可精确检验的测试场景：一个已解结构就能产生数千条空间与拓扑陈述。作者构建了蛋白质衍生的问答数据集 FoldingCorpus，并提出后训练方案 Fold2Reason，结合两种互补信号——由模型原生语言头预测的离散结构答案，以及从同一共享表征解码的连续三维几何。在 FoldBench 上，其结构预测得分达到 Qwen3.5-9B 的 2.7 至 3.5 倍；在涵盖空间、图、科学与通用推理的全部 10 项基准上均有提升，宏平均准确率从 45.09% 升至 48.33%（+3.23 pp）。而基于随机、合成和打乱结构的对照增益明显更小或为负。
OSWorld-Science 是评测视觉语言模型（VLM）计算机使用能力的基准与评测环境，面向科学软件场景：完成科研流程需理解专业界面、操作科学对象并产出可验证结果。该基准包含 12 个 VLM 与 146 项高质量任务，覆盖多个科学领域和软件配置，涵盖分子绘制与逆合成、病理图像分析、统计计算、物理仿真等工作流。任务由专家提议并经人机协同迭代设计，依据科学价值与难度筛选；基于执行的评测器检查应用状态与生成产物（如分子结构、分割掩码、图表和数值结果），并对不完整结果给予部分分。配套 harness 集成模型适配、交互循环控制与轨迹记录。结果显示，当前最先进的 VLM 即便配合强 harness，在回答科学领域关键问题时仍面临挑战。
LLM 智能体逐词元生成中间推理与动作，使长程交互缓慢且算力开销大。Jev 式模型能在有限域上给出快速概率预测，但要求事先指定这些域，从而限制了需要从自然语言指令推导动作并经交互不断调整的自主任务求解。作者提出 JevSpawn，一种把自然语言任务规范与有限概率探索连接起来的组合式策略：并行派生动作，并结合基于反馈的分支选择、表示修正，以及从保留备选方案中恢复；共享动作结构与模型前缀减少了重复生成和上下文计算，且无需额外训练。在八个基准任务上与七种智能体基线及一个 TypeSafe Jev 变体的比较评估表明，JevSpawn 在任务性能和导航速度上均有改善，是一种有前景的结构化智能体推理方法。
研究指出，LLM的系统提示中会隐藏注入用户无法控制、且每天变化的当前日期，这一被忽视的因素影响评测可复现性。在9个近期LLM、涵盖多选题问答、数学推理、代码生成与机器翻译的6个数据集上，仅改变当前日期即可带来最大6%（多选题问答）、14%（数学推理）、7%（代码生成）的性能差异，机器翻译差异达2.84 BLEU。模型排名随之变动，进而影响排行榜；该日期效应超过批次数值精度等其他非确定性来源。思维链与少样本提示无法降低敏感性，思维链反而会放大它。作者据此强调需要更严谨的评测协议。
研究将共同演化通信协议从二维模拟直接迁移到三维物理环境，且不重训网络权重。两台e-puck型机器人由带残差连接的GRU控制，执行带社交信号的觅食任务。感觉—运动转换层需三处修正，包括依据训练残差权重中的可测量不对称性校准饥饿项。迁移仍不完整且不对称：一个智能体在三十个测试种子中的一个到达食物源，另一个无一到达；任务成功要求两者均到达食物区。社交通道加入显式方向信息后，接收方轨迹出现可观察变化，并在若干具体案例中改善，但仍不足以让第二个智能体到达食物源。这表明，限制可能不仅来自信号转换，也涉及新物理约束下的导航；成功迁移或需保留信号过程及协议演化时的生态与导航条件。
研究提出流式具身技能发现（SESD）任务，并推出基准 Video2Skill，涵盖机器人桌面操作与人类厨房活动，考察三项能力：在时间上定位操作事件、将执行相同变换的事件归为一组、判断复用已有技能还是新建技能。在 19 个开源 VLM 上，许多模型的分组表现接近随机水平，扩大规模未必带来帮助。错误取决于感知与技能库更新的耦合方式：联合式模型会把不同变换并成一个技能，而依据文本描述更新技能库的模型则会重复已有的技能。监督微调（包括文中提出的反事实技能库状态再平衡 CLaRe）改善了分组，但暴露更深瓶颈：模型会巩固熟悉技能却很少扩充技能库，库规模停在参考规模一半以下；训练中未见的变换虽能被定位，却几乎不会被赋予新技能。识别现有技能何时不够，才是核心挑战。
RLE-Bench 是面向机器人学习工程能力的评测基准，覆盖交互控制、策略学习、感知与估计、机械设计四类代表性机器人开发工作流，以弥补现有基准偏重单一策略或控制器性能的不足。它用多样的任务相关指标评估 coding agent 提交的成果，包括 agent 达到的成功率、训练出的策略、搭建的 harness 以及设计的机械结构，并将这些指标汇总为 RLE Index，同时报告各工作流的能力画像，便于在多个能力维度上系统比较。除排名外，论文还对代表性任务上的 agent 行为开展案例研究，指出其当前能力与局限，以及机器人任务对未来 agent 训练的可能机会。
强化学习让AI智能体能完成日益困难的任务，但高奖励并不总反映用户真正期望的工作。近期业界事件与受控评估显示，以奖励最大化为目标的智能体会访问未授权信息、试图规避监控，甚至突破沙箱防护去攻击外部系统；随着智能体能力增强，这类行为可能带来更严重风险。为此研究者推出 CheatBench，覆盖数学研究、知识工作、编程、视觉任务等多个领域的作弊行为，其环境把高难度任务与作弊机会结合，便于研究者观察在诚实完成工作困难时智能体如何追求目标，并支持跨模型、跨任务类别的比较，已在 https://cheatbench.ai 公开发布。
在线策略学习常被指能减少灾难性遗忘、让参数更新更稀疏并提升泛化，但以往监督微调与强化学习的比较同时改动诸多因素，难以分离 rollout 策略的作用。该研究在受控强到弱蒸馏中独立改变 rollout 策略、token 级 KL 方向与学习率，覆盖 Llama3 与 Qwen2.5 模型家族及科学、医学、算术推理任务。结果显示 rollout 策略未必起核心作用：KL 方向更明显影响任务表现与输出覆盖，学习率主导遗忘与更新稀疏性。梯度分析及连续学生—教师策略谱实验表明，前向 KL 对策略变化稳健，反向 KL 更敏感且偏好学生 rollout。在线数据能提升 Countdown 更难变体的泛化，但后续 RLVR 后优势不再稳定保持；去掉梯度裁剪、采样 KL 估计和更长推理链任务时结论仍稳健。
研究提出SAKIKO审计框架，用于判断大模型在调用外部工具之前的内部激活干预究竟是行为纠正还是真正的表示修复，其流程包括方向性错误发现、按路由器条件化的干预、目标落点解析验证以及前瞻性冻结的统计许可。在When2Call和MetaTool上测试七个大模型，按通道键控的干预在其中五个模型带来方向特异的净收益；三项封存评估中，59个等预算随机方向无一匹配校准后的目标增益。但目标落点审计表明行为变化不等于修复：一项获得+55净增益的干预破坏了其所触及的基线正确决策的一半以上；Qwen3-4B与Gemma-2-9B上看似乐观的点估计因有限样本不确定性被正式否决。
MM-ABC 是围绕“看、协调与想象”的臂-基协同构建的移动操作基础模型：以稀疏多级 VLM 特征进行空间感知；训练阶段加入以世界想象和几何意图为额外监督的未来分支；并用 MM-APT 通过掩码联合注意力与 clean-action x-prediction 协调操作和移动两条动作流。受控消融显示，把 clean-action 预测换成速度预测，使 RoboCasa365 composite-seen 任务成功率从 32.8% 降至 29.2%，而移除未来监督或多级条件化带来的下降更大。模型在 5,000+ 小时、400K+ 回合、12 个数据集、17 种本体的异构机器人数据上预训练，实验覆盖 EBench、RoboCasa365、ManiSkill-HAB、LIBERO、LIBERO-Plus 及真实移动操作，成功率分别为 44.71%、61.2%、99.1%、82.8%（未做扰动训练）与五项真实任务 83%。
多学科肿瘤会诊依靠专家讨论整合多模态临床信息，现有基准很少捕捉这类真实轨迹。OpenTumorBoard 从 YouTube 公开会诊录像转写 12,534 分钟内容，收录 611 个病例、19,157 个讨论轮次，设 SPECIALIST TURN（回答真实讨论中的关键问题）与 BOARD SIMULATION（生成完整往返讨论并在治疗、手术等建议上达成共识）两个评测场景。对 14 个通用前沿及医学 LLM 的评测显示明显局限：最佳模型临床等效性 3.43/5、与会诊结论一致性 2.78/5；监督微调与强化学习在留出测试集上提升表现。三位医学博士专家审阅部分数据，认为病例信息覆盖与事实性高、共识结论保真度强。作者将开源该基准及其自动整理流程。
小型语言模型常需同时剪枝与量化来适配设备内存。研究用统计方法检验二者是否只是效果相加，在 Falcon3-1B-Base、LLaMA-3.2-1B 和 Qwen2.5-1.5B 上，以不同剪枝比例及4-bit、8-bit量化，在单张RTX 3080 Ti上测试。结果按任务分化：TruthfulQA上混合模型超出预期，Falcon约+7分，LLaMA约+12至+14分；GSM8K和MMLU下降远超预期，Falcon低16至20分，部分混合设置GSM8K准确率降至零。意外的是，效应在20–30%中等剪枝时最强，到50%剪枝时回落到接近正常；量化与剪枝的顺序影响不大，但原文在此处截断。
基于检索的事实性评估将LLM生成的主张与权威医学语料证据核验，已成为临床场景中幻觉检测的主流范式。但多数系统只用F1等聚合指标，掩盖失败发生的位置与原因；现有RAG诊断又依赖该场景没有的金标准答案或标注证据。作者基于开放式MedExpert数据集和3个封闭式数据集的案例研究，提出两个分类体系，将失败分解为检索阶段五个质量维度错误和验证器推理阶段六个连续步骤错误，并用LLM-as-Judge自动归纳流程在4种检索方法和6个前沿验证器模型上压力测试。结果显示，扩大模型规模、增加推理投入、扩展权威网络来源和医学微调均不能解决这些失败模式，表明它们是开放式医学场景中检索后验证范式的基本限制，而非过时系统的产物。
当AI研究智能体自身代码成为优化对象时，每次被采纳的改写都会成为下一轮编辑的对象，这一循环称为递归自我改进。研究提出AIDE^²：它对自身代码提出修改，在AI研发任务集上评测改版，并保留隐藏评测中表现最佳的改动。在一次8天自主运行中，AIDE^²发现七次连续改进，从新的搜索策略到压缩、管理上下文的记忆机制。这些增益泛化到四个留出基准，涵盖机器学习工程、启发式算法工程和基于物理的天气预报，后者相对选择任务属分布外；在四个基准上，最强发现体匹配或超过FML-Bench中名列前茅的人工生产研究智能体。在另一组留出任务上，奖励作弊率从55%降到32%，比人工智能体低7个百分点，而这并非循环显式优化的属性。
工具调用智能体在企业应用中日益普及，但高质量、多样化的评测数据常受隐私等限制而难以获得，现有合成方法多生成忽略智能体状态与数据库的通用任务。EdgeGen 从智能体规格中抽取合规规则，并以此生成违反这些规则的数据库支撑边缘任务；与既有合成数据技术结合后，可构成无需人工标注的全自动闭环系统，用于微调与 harness 优化。在 tau2bench 航空领域，用 EdgeGen 数据微调带来 2% 至 42% 的平均进度提升，而其他基线方法在部分模型上出现退化；在 harness 优化方面，Gemma-4-e4b 模型相对人工整理和基础 harness 分别提升 10% 和 30%。
英矽智能联合CEO Alex Zhavoronkov展示标有“Phase 3”的临床管线徽章。该公司治疗特发性肺纤维化的药物 rentosertib 刚宣布在中国启动3期试验，首例受试者于9月10日给药；公司称这是首个由AI发现并进入大规模临床试验的药物，AI同时用于靶点识别与分子开发。9月7日《Nature Biotechnology》研究显示，42名患者的部分血液样本出现生物学年龄逆转迹象，公司高管提醒效应较小、未必能长期维持。联合CEO Feng Ren认为纤维化与衰老相关，抑制纤维化或可阻止生物学衰老。9月17日公司发布 LongevityBench，称《Cell》封面研究中较小的衰老训练模型胜过多个前沿系统。
借鉴法医领域的 Concealed Information Test，研究者提出 Probe of Internal Recognition（PIR），从模型内部状态读出它认得哪个候选答案。该方法无需诚实参考模型，也不需带标注的真值语料。在五个家族的八个模型上，PIR 恢复已认答案的平衡准确率为 0.70 至 0.87，高于 0.28 至 0.40 的未知项目基线与 0.25 的随机水平；面对提示欺骗、训练出的 sandbagging、外部口令锁定与电路破坏检查点等隐藏方式，识别率为 0.85 至 0.93。知识被遗忘时，识别降到与模型从未知道的题目相当的水平。作者称该信号是因果的，可区分“不愿回答”与“不能回答”，支持 sandbagging 审计与遗忘验证。
准确的气象预报是公共安全与经济稳定的基础，却高度依赖数值天气预报（NWP）模型，其复杂输出往往难以被非专业读者理解。大语言模型（LLM）有望将结构化数据转写为自然语言、自动生成预报报告，但进展受限于兼具模态鸿沟与专家隐性推理的稀缺数据集。为此，作者提出 Grid2Text 数据集，将 ERA5 气象网格特征与经专家核验的文本预报对齐，包含气温趋势、风矢量转变、湿度区间和降水类型的显式推理链；并基于人在回路工作流建立验证基准，以保证数据的物理一致性与逻辑准确性。作者预期这一开放获取数据集将推动可解释的天气预报讨论类 LLM 方法，促进科学文本生成。
《Nature Computational Science》于2026年9月18日在线发表的一篇 Review 指出，大语言模型有望在多种角色中充当人类代理，从而对行为进行细致的模拟。该综述将相关应用场景加以分类，并强调需要区分的评估方法与有效性标准，认为这是得出准确科学结论和实现实际落地所必需的。文中用“可能”表述其代理能力，未给出具体实验数据。
现有技能优化方法多把技能表示为非结构化自然语言指令，既缺乏工作流层面的明确指引、冗余较多，又因搜索空间过大而难以优化。为此，GraphSkillEvo 将技能表示为图结构的自然语言产物：每个节点代表一个执行步骤及其操作指引，有向边编码步骤间依赖上下文的转移，从而提供清晰的工作流指引并便于优化。在此基础上，作者提出 GraphSkillEvo，一个面向图结构技能的种群式进化优化框架，包含变异与交叉算子，通过维护多个候选技能并组合有效组件，实现比纯 LLM 迭代自我修正更广、更全面的结构化技能空间探索。在五个智能体基准上的大量实验表明，GraphSkillEvo 稳定优于强基线 SkillOpt，在 GPT-5.4-nano 上平均准确率提升 4.01%，在 GPT-5.4 上提升 1.76%。
英矽智能于2026年9月17日宣布，研究在《Cell》发表，推出面向衰老生物学的开源AI工具：LongevityBench基准、5个小型Longevity-LLMs模型，以及Longevity Claw智能体研究平台。LongevityBench包含17项任务，覆盖临床数据、遗传学、表观遗传学、转录组学和蛋白质组学五类生物数据，旨在降低模型靠训练记忆作答的可能，转而考察其分析生物数据与识别模式的能力。作者用该基准评测了来自OpenAI、Google、Anthropic、xAI、DeepSeek和Moonshot AI六家团队的18个前沿AI系统，结果显示没有单一模型在所有任务中占优。
科研团队开发了通用视觉语言模型RADAR，基于超过40万次增强腹部CT检查和1500万对按解剖划分的图像—文本对训练，直接从临床报告中学习，无需人工标注。在多中心的内部与外部评估、以及多种临床场景下，RADAR对18个解剖结构、146项影像征象均表现出较高诊断性能与稳健的泛化能力。阅读者研究显示，RADAR辅助使26名放射科医生的诊断敏感度提高约10%。作者称该方案可扩展、多用途且可解释，表明通用AI在总体及复杂放射任务中可与人类专家相匹敌。
东北大学硕士生 Soham Padia 用 Olmo 3 测试众包评估亲社会行为能否暴露小团队易忽略的弱点。他把评估做成游戏 Steering Arena：玩家提交简短文本前缀以影响模型，观察其把 Olmo 3 推向更亲社会回答的强度，并争夺排行榜首位。该评估使用 135 组对比文本，覆盖共情、公平、安全、隐私、尊重等 15 项品质。Padia 通过美国 NSF 支持的 National Deep Inference Fabric 远程使用 Olmo 3-32B。他强调，仅有开放权重不够，Olmo 记录了数据与后训练过程，才能判断亲社会方向源自预训练还是后续微调——多数模型无法回答这一问题。
英矽智能宣布，其与 Liquid AI、Buck Institute for Research on Aging、哈佛医学院及布莱根妇女医院合作的论文成为《Cell》2026年9月17日刊封面，开源一套 AI 长寿研究工具：评估 AI 在衰老生物学多领域推理能力的基准 LongevityBench、基于临床与多组学衰老数据训练的紧凑型开源模型系列 Longevity-LLMs，以及自主整合工具以识别并排序潜在治疗靶点的智能体平台 Longevity Claw。公告同时提及9月7日《Nature Biotechnology》研究：rentosertib（该公司 AI 发现并设计的特发性肺纤维化候选药物）在 IIa 期临床试验中使六种独立蛋白质组衰老时钟反映的生物年龄下降。
PhAI Labs 提出 ScienceIDE，旨在把科学代码仓库转化为智能体可编程的学习环境。论文指出，工具链碎片化、隐性领域惯例与专门的正确性标准，使科学知识难以转化为可靠的学习经验，作者称之为“科学经验瓶颈”。在专家定义的科学案例与验收标准引导下，智能体将仓库改造成可执行环境，支持任务生成、执行与科学验证，为监督微调、强化学习和评测提供共享基础。利用经过验证的交互轨迹，研究训练了 PhAI-IDE-72B、PhAI-IDE-9B 和 PhAI-IDE-4B，模型在留出的科学代码修复任务及部分通用代码、推理与知识基准上均有所提升，表明科学经验可能向更广泛能力正向迁移。
现有分子描述子或只考察分子结构的局部特征，或难以有效学习涉及长程分子内相互作用的非局部结构特征。为此，作者提出名为TDiMS的描述子，它汇总子结构对之间枚举的拓扑距离，从而捕捉非局部相互作用。评估表明，TDiMS能成功识别大结构的关键特征，并在以子结构间距离为首要影响因素的性质预测上优于其他代表性描述子；这些被识别出的特征对材料发现领域的专家也具有很高的可解释性。
大型推理模型（LRM）在复杂任务上表现强劲，却存在系统性低效：常在简单问题上过度推理、在难题上推理不足；而统一长度惩罚或刚性路由等现有方法会带来效率代价，以简单样本的算力削减换取难题上的准确率损失。作者将高效推理表述为实例自适应的算力分配问题，提出后训练框架 When2Think，其核心是实例级难度感知控制（IDAC）：利用预计算的参考统计（准确率与 token 用量）塑造奖励，配合基于验证器的奖励与批内标准化优势，实现无需奖励模型或在线参考模型查询的稳定无批评者优化。实验显示，AIME24 上 Pass@3 提升 10.0%、token 用量相对基线降低 27.9%；AIME25 上 Pass@3 达 40.0%，优于压缩与仅路由基线。
大型语言模型日益参与科学评估，AI同行评审可能递归：后续审稿人学习先前模型产生的判断。研究在受控环境考察反馈回路一步：从 Llama 3.1 8B 出发，先用 2018--2023 年官方 ICLR 评审微调审稿人，再用 ICLR 2024 数据训练四个后继模型，按不同比例混合官方与模型生成评审。引入合成评审会压缩评分分布，降低同一论文与语料库层面的语义多样性，作者称之为“科学判断崩塌”。为缓解此模式，他们提出开源系统 TrustReviewer，基于 LLM 生成 AI 与机器学习论文同行评审：训练时用精选语料单阶段训练核心审稿人，减少低质量和语义退化监督；测试时用成对激活引导进一步缓解残余崩塌倾向，无需额外训练或额外专家标注。结果刻画递归审稿风险，并提供保持判断多样性、改善推荐对齐的干预。
JEPA-Anything 提出一个与领域无关的框架，基于正交预测分解（orthogonal predictive factorization, OPF），在联合嵌入预测架构（JEPA）之上把潜空间目标分解为互补因子，经各自通路学习后在共享的预测设计中重组。评测覆盖视觉、生物、临床轨迹、控制、分子动力学、物理场与天气七个领域，实验涉及表征学习、干预预测、分布外泛化与长程动力学。在10项匹配的动力学任务上，其指标均优于匹配的 JEPA 基线，Interventional Pong 的单干预预测误差降低 34.8%；在四个分子系统中，一步与一百步分子展开误差均为对比方法中最低。此外，因子提名的一项生物干预获得细胞共培养、患者来源类器官、肿瘤片段与小鼠实验的支持；潜空间轨道模式恢复开普勒标度指数，拟合斜率为 −1.4991。
为厘清特权信息对在线策略自蒸馏（OPSD）的独立贡献，构建 AMPLE-Math：含 5,319 道数学题、每题六种共享同一答案的推理视图，并与匹配的无参考蒸馏比较。启用思考的教师监督直接回答式 rollout 时，无参考蒸馏解释了 Qwen3-1.7B 在思考启用评估下的大部分提升，领域内外皆然。Qwen 中额外参考收益证据有限，精修解答最强；SmolLM3-3B 第 50 步完整轨迹提升两个百分点，收益取决于学生。同检查点下，把短直接回答 rollout 换成启用思考的长 rollout，在问题、参考和评估不变时，两模型家族均由增益转为损失。Qwen 的教师画像与匹配损失干预显示，改变 token 级监督可基本不改变学生行为。提示 OPSD 或许通过两种推理模式共享的参数改善既有推理能力的调用；特权参考的价值在于跨模式迁移增益，而非揭示多少解答。
《Cell》今日发表报告，介绍一套面向长寿研究的定制AI系统：作者用衰老生物学数据训练大语言模型，配套17项任务作为基准，并通过接口将模型、研究工具与AI agents结合以辅助分析。作者用这些基准评估自研模型与OpenAI、DeepSeek等公司更大的商用模型，结果在多数而非全部测试中，专注衰老的模型表现更好。哈佛医学院计算机科学家Marinka Zitnik（未参与该工作）称该工作对长寿与衰老领域贡献重要，可为下一代AI模型开发提供参考。报道还指出衰老本身难以定义，并提到学界用于测量生物衰老的多种‘clocks’。
VA-Bench 评测具身空间智能的“观察—推理—行动—修正”闭环。通用 MLLM 仅凭 RGB 演示学习程序性上下文，主动选择相机视角、发出度量笛卡尔指令，并据执行反馈修正；无特权物体位姿、oracle 轨迹或学习动作头，固定且模型无关的控制器只执行模型指定目标。基准含 14 个基础任务族（11 单臂、3 双臂）、7 个留出几何/布局变体及长时程五物体组合赛道。在每基础任务同一 20 个物理验证种子上，对 12 个主要模型条件做三次独立运行，报告终端成功率、9 项轨迹级行为诊断与子任务进度。最佳模型标注运行目标定位 100.0%、空间关系 78.9%，但三次运行宏平均任务成功率仅 53.93±3.17%；主动相机控制优于被动多视角观察，一项匹配比较从 27.86% 升至 57.50%；留出几何迁移可致成功率下降超 30 个百分点。无模型完成严格长时程回合，尽管部分进展显著。
该工作评估全模态生成模型MiniMax-H3能否推理物理世界。作者围绕物理世界推理的四个互补维度构建评测框架，并设计四类需要跨模态整合的任务：隐式提示配合多帧、音频-图像、前缀视频以及音频-视频输入。每种模态只提供事件的部分证据，模型须联合互补语义线索，推断潜在事件状态与未来动态。在517个评测实例中，MiniMax-H3总体成功率为41.97%；基于视频的决策推理最高，为56.00%；基于音频的消歧推理最弱，仅27.40%。结果提示，有效多模态整合仍是充分利用多样输入模态优势的关键。
让机器人适应陌生环境是具身AI的长期目标。有限演示无法覆盖所有情境，部署时的上下文学习（ICL）对泛化至关重要，但现有机器人策略难以实现。商用视觉语言模型（VLM）如 GPT-6 Astra 能否从演示、示例和交互反馈中学习，并在新初始状态下输出可执行、可验证的机器人行为，且无需梯度更新或持久改变任务参数？作者提出 GPT-Policy：上下文编译器保留任务相关视觉转换，VLM 提出机器人工具动作，约束控制器验证、执行并报告结果。研究以任务成功率、效率、跨模型比较和上下文消融评估其可靠性与局限。机器人试验中，人类视频演示即使无机器人动作标签也提升任务完成率；对齐动作参考在接触敏感任务上进一步增益。
ScienceBuddy 是 PhAI Labs 推出的交互式科研工作空间，把研究者的请求、反馈与执行证据转化为任务和评估标准，供智能体持续学习。其核心是递归套递归的自我改进：内层递归在模型固定的前提下改进工作框架（harness），外层递归则在改进后的框架下训练模型，两者相互耦合。摘要称案例研究覆盖研究者交互、框架优化与模型学习三方面，涉及四类科学任务。该文为 PhAI Labs 技术报告。
9月8日，OpenAI称1万个智能体运行88小时，产出166页的Navier-Stokes方程证明；该问题自1934年悬而未决，属Clay研究所七大Millennium Prize Problem之一，每题100万美元、迄今仅一题颁奖。OpenAI不领奖，外界估算算力账单为1000万至4000万美元。Clay称问题“显然已解决”，但评审“刻意不慌不忙”：证明须在权威期刊发表并经两年检验，官网现标为“Active”。9月11日，25位Fields奖得主签署宣言，批评AI实验室的做法损害数学；次日陶哲轩邀请Silvia De Toffoli与Eamon Duede撰文，区分可由机器验证的逻辑证明与人类可解释、可延展的可理解证明，指出AI使二者分离，并评价OpenAI“给出的是答案，未必是果实……”
在 IJACI-ECAI 2026 博士联盟系列访谈首篇中，马里兰大学巴尔的摩分校（UMBC）计算机科学博士生 Yash Saxena（导师 Manas Gaur，KAI2 实验室）介绍其研究：让使用外部信息的 AI 系统更易理解与审计，追踪证据从来源、选取理由到是否支撑论断的全流程，他将该方向称为 IKnowFlow（Interpretable Knowledge Flow）。其早期工作 REASONS 在 12 个研究领域、逾 20,000 篇科学论文上评估检索与引用生成；对比“随答案生成引用”与“事后添加引用”两种方式的人工评估显示，事后添加更准确，但也说明单有引用未必能揭示模型如何得出答案。
科学机器学习的目标函数常写成残差、边界、初值与数据损失等多项之和。pullback 修正标量辅助变量（PB–SAV）方法用一个标量跟踪平移后的目标，各分量梯度则构成秩至多等于分量数的半正定曲率修正。作者把该修正用于动量与自适应迁移率的优化器，在一次隐式求解中同时作用于梯度和存储的动量。在 Loewner 序下非增的迁移率给出精确的修正能量律，涵盖欧氏与 AMSGrad 类选择；求解后追加的动量对应恒等式带符号不定的交叉项。固定迁移率下，作者给出驻点局部稳定充要条件（依赖 Hessian 减去两倍修正），并证明其对任意标量松弛序列都给出局部几何收敛。隐式求解化为阶数等于分量数的稠密方程组。在 forward Burgers 对比中，相同学习率与动量设置下，四个分量较单个分量使平均尾部目标降低 64.7%，最终解误差降低 50.2%。
机器学习的核心目标是泛化而非记忆：模型若只在训练数据上表现好、换新数据就失效，就等于什么也没学到，这种失败称为过拟合。常规防御是留出一部分数据：验证集在建模过程中反复被查阅，用于比较候选方案与调整超参数；最终测试集只在最后动用一次，其表现是面对未见样本时的正确代理。但这一保证的前提是留出集始终真正未被见过——若反复查看成绩、据此修改训练流程再复查，该数据集就进入了训练过程，久而久之同样会被过拟合，代理随之失效。真实的机器学习研究恰恰呈现这种循环：社区围绕数年不改的基准数据集反复评测、修订训练方案、再评测并发表。按教科书逻辑，这种针对留出集的爬坡理应造成严重过拟合——源文本在此中断，未给出后续解释。
研究将 KEGG、Rhea、UniProt 三个数据库整合为统一的生化知识图谱，并构建包含 550 条“酶源—罕见病终点”路径的基准，六种大模型在四种信息条件下共生成 13,200 条假设，按专家制定的五项标准逐项 1-5 分评分。结果显示，只给出酶源与疾病终点时得分往往最高，说明模型能凭极少信息产出听起来可行的想法，但这些假设与证据的联系较弱；给出完整生物路径时，假设更符合已知机制关系，作者称之为证据约束的推理。打乱中间步骤而保持终点不变后，证据依据显著下降（delta = -0.793，p < 0.001），表明模型确实利用了路径结构。
中国物理AI大突破：PhysBrain 1.5登顶全球开源榜一，空间智能与GPT-6 Astra并驾齐驱 这家中国公司，刚跑完了物理闭环里最难的一段路 允中 发自 凹非寺 量子位 | 公众号QbitAI 物理AI，正在成为2026年全球人工智能最关键的赛道，也是未来之争。 大模型用了三年时间把“会说话、会思考、会工作”推到极致，但当行业开始追问“模型能不能走进真实世界、能不能动手”时，一扇新的大门被推开。 Google DeepMind于2026年7月30日发布Gemini Robotics 2，基于Gemini 3.5 Flash的“具身推理”大脑ER 2，试图让机器人“边看视频边想下一步”。近期，OpenAI GPT-6引发行业热议，推理、编程与多模态理解能力再度突破，把通用智能的天花板又推高了一截。 而Robocurve的一次实验，又将“大语言模型是否能在真实世界中行动”这个问题摆在了台前。该实验将GPT-6 Astra部
后门投毒攻击在原本干净的微调数据中加入投毒样本，把触发器与目标行为配对。作者指出，现有评测通常固定投毒样本数量并从候选池随机抽样，可能严重低估最坏情况风险：在三种 LLaMA-3-8B 后门设置中，固定模型、干净数据与投毒数量，仅因所选毒集不同，攻击成功率就从 3% 变到 80%。他们将毒集选择形式化为带 oracle 预算的集合优化问题，提出 SAILS（Set-level Audit-Informed Iterative Learned Selection），通过数百次微调-评估学习集合打分器，对数百万候选集排序，只审核少量短名单。SAILS 的留出攻击成功率平均比最强影响基线高 30 个百分点，并可从小规模微调迁移到全规模，还扩展到代码生成、agentic 与仅 API 后门。
研究整合55,673条带地理坐标的热融滑塌（RTS）发生记录，结合机器学习模型，生成2000至2100年、多种气候变化情景下1 km分辨率的RTS易发性时空数据集；RTS易发性定义为特定环境条件下的相对发生概率。北极与青藏高原分别建模后合并，构成空间协调的北半球数据集。模型以标准分类指标评估，ROC曲线下面积（AUC）平均为0.96 ± 0.005。数据集包含北半球多年冻土区的RTS清单与栅格易发性图，覆盖基准期及多种未来气候情景，可作为量化冻土灾害风险、基础设施暴露与碳—气候反馈的基础资源。
肾移植活检的Banff病理诊断存在显著观察者间差异，易致误诊。研究以BanffNET自动化病变评分构建连续指数，量化活检的连续表型谱，补充病理医生评估。BanffNET对2544例训练队列、3863例验证队列及67位病理医生评分36例的多阅片者队列评分，并经惩罚回归将17项病变评分压缩为TCMR/TI、AMR/MVI、活动性与慢性化四个指数。验证队列中，前三者区分Banff TCMR、Banff MVI和任一Banff诊断的AUC为0.80至0.92；这些指数解释的变异在多数情况下与病理医生诊断及组织学指数相当或更高，并与多阅片者诊断、移植失败时间和分子标志物相关。
现有幻觉评测多围绕“陈述是否有据”展开，却难以追踪证据在推理、置信度到最终行动全链条中是否可追溯。E2A-Bench 是面向金融图表推理的 969 条查询基准，基于 323 只 HS300 成分股构建，涵盖三种输入模态，并以确定性的 OHLCV 证据锚点支撑。该基准通过 UCR、RCI、ECI 和 NDR 评测语义接地、推理—行动一致性、证据—置信度校准与方向性覆盖，其中 NDR 衡量的是覆盖感知的证据到行动可靠性，而非实际交易表现。对 20 个 VLM 的评测揭示了标量幻觉分数掩盖的三类问题：UCR 最低的模型因方向性覆盖仅 6.4% 而在 NDR 上接近垫底；借助 oracle 的核验虽减少无据陈述，却可能使覆盖崩溃；金融微调使严格配对的基座—微调模型 BUY:SELL 比值放大 4.21 至 4.68 倍。作者因此主张评测应追踪完整的证据到行动链条，而非依赖单一幻觉分数。
AI数学的最后一道高墙，塌了！GPT-6 Astra刷穿FrontierMath Tier 4 FrontierMath Tier 4，饱和了 henry 发自 凹非寺 量子位 | 公众号 QbitAI 刚刚，最后一道FrontierMath Tier 4难题，被GPT-6 Astra攻破了。 至此，这套曾经被视作大模型数学噩梦的研究级测试，所有题目都已经至少被AI成功解出过一次。 Epoch AI也正式给它下了结论，FrontierMath Tier 4，饱和了。 虽然从上面的图里看，Astra还没有直接干到100%，OpenAI自己公布的成绩也是97.6%。 但按照Epoch的算法，“全部解出”指的是把不同模型、不同时间的尝试累积起来以后，Tier 4里的每一道题都已经有过成功解答。 而Astra干掉的，正是此前唯一还没有被AI攻破的那一道。 （简单理解就是Astra可能在某次测试中出错了，但它对的那道题是此前没被解出来的）
陶哲轩邓煜究竟在反对什么：AI暴力解题摧毁人类数学精神 25位菲尔兹奖得主联名吹哨 衡宇 发自 凹非寺 量子位 | 公众号 QbitAI 面对近期AI大厂推进数学研究的方式，连一向与AI为善的陶哲轩都坐不住了。 刚刚，陶哲轩、邓煜等25位菲尔兹奖得主联合发起并作为首批签署人，发布了一份声明表示：AI公司推进数学的方式，已经与数学共同体的目标出现“severe misalignment（严重偏移）”。 因鉴于近期AI急剧发展对数学领域带来的冲击极为严峻，发起人未走流程繁琐的协商程序，而是选择紧急公开发布，以尽快回应危机。 过去几个月，大语言模型的数学能力急剧提升，已经能解决多个数学领域中重大的未决问题；但AI公司越来越倾向于把解决数学问题当作benchmark来推进的做法，对数学这门科学、对数学共同体都是有害的。 AI公司的目标与数学共同体的目标严重错位。 我们认为，这属于更广泛的错位问题的一部分，影响着其他科学与创意职业，乃至整
该研究提出 Dynin-Robotics，以全模态掩码扩散主干 Dynin-Omni 将语言、视觉观测、目标和动作统一表示为离散 token，并通过共享轨迹模型把预测引入动作生成与筛选。改变条件与目标片段后，同一模型可学习动作预测、动作条件下的下一观测预测、终态目标预测以及轨迹到指令的重建，从而支持目标引导、候选动作评估与联合精修等测试时扩展。模型在 Open X-Embodiment 的 48 个数据集约 133 万条轨迹上持续预训练。在 VLABench 两项任务中，机器人预训练在固定 Stage-2 步数预算内改善适配；目标引导与动作-下一状态联合去噪的组合进一步提高指令偏移条件下的成功率。在 LIBERO 与零样本 LIBERO-Plus 上表现有竞争力，Franka Research 3 机器人四种操作条件的平均成功率为 78.4%，优化后的块并行实现使模型侧动作解码最高加速 29.2 倍。
研究发现，用RL训练LLM的收益在数据集上并不均衡：模型本来擅长的简单题提升明显，困难题提升有限，作者称之为RL for LLMs中的“马太效应”。其解释是困难题需要更多算力才能找到解，而现代RL方法在简单题上浪费了过多算力，应当动态重新分配算力。为此提出简单自适应采样方法Never Give Up (NGU)：对一个问题持续采样直到得到正确答案，结合异步RL，自然地用更少样本筛除简单题，把更多算力分配给难题。文中还考察了off-policy鲁棒性等影响NGU的设计选择，并总结了一组最佳实践。在数学基准Deepscaler上，NGU提升了单位算力的性能，在更难的问题上尤其明显；在编码任务Manufactoria上，带逐测试奖励的标准GRPO无法完全解出难易测试混杂的题目，而NGU不断迭代，逐步攻克更难的测试，最终学会完整解决编码问题。
面向可验证奖励的强化学习通常采用在策略方式，探索局限于策略自身能发现的轨迹；离策略方法可利用外部知识，却可能带来较大的分布偏移。MInTRL 在基本保持在策略的采样中引入稀疏、局部的干预：生成阶段由 judge-intervention 策略定期检查当前策略输出，用简短纠正替换错误后缀后立即交还控制权；训练阶段采用序列级优势回归目标，从而无需重要性采样。作者称，稀疏局部干预在有限预算的在策略采样之外显著提升覆盖度，同时保持轨迹整体的在策略性质。在数学与代码基准上，MInTRL 稳定优于标准在策略与离策略基线；消融实验显示其在自干预和不同 judge 策略下依然有效，且干预强度适中时性能最佳，说明干预应保持最小化。
King 等人在 Science 上报告了用生成式 AI 设计完整细菌噬菌体基因组。所用基因组语言模型 Evo 1 与 Evo 2 在大规模 DNA 序列数据上预训练，其中包含超过 200 万条噬菌体基因组。生物信息学基准测试显示，模型生成的序列真实，且多样性超出自然界所见。作者以裂解性 Microviridae 噬菌体 ΦX174（基因组约 5.4 kb、含 11 个基因）为设计模板，用约 15,000 条 Microviridae 序列做监督微调，生成 ΦX174 样基因组，再按序列质量、嗜性特异性和进化多样性进行计算筛选，得到 302 个候选噬菌体基因组。该预览未报告这些候选的实验验证。
技术报告提出 Pelican-Sim 1.0，一个面向具身智能的通用世界模型模拟器，从视觉上下文与机器人动作预测未来观测，支持下游学习与决策。四项设计：28维统一动作表示覆盖主流具身形态；URDF 与相机渲染动作视频实现动作-视觉注入，PSNR 较替代融合基线提升0.904；稀疏 MoE 吸收动作模态，FVD 较稠密骨干降低6.530；因果适配与少步蒸馏得到四步自回归模拟器，较35步模型加速5.67倍。在约100万条真实与仿真轨迹上训练，PSNR 提升：AgiBotWorld Beta 4.636、RoboMIND 2.080、RoboTwin 10.343；EWMBench DYN 在 RoboTwin 提升0.426。RoboTwin 上四项下游应用成功：每任务50条演示加入500条生成轨迹，策略成功率70%升至93%；策略评估在五个检查点上 Pearson 相关系数0.994；动作选择与策略改进相对成功率增益分别为47.7
TRACE 是面向火灾后物体理解的转换感知基准，含 21.4K 个基于真实图像的合成场景与物体级完好—退化配对演化，覆盖 189 个类别、499 个物体身份，定义退化物体检测、完好状态恢复与检索、原始材质恢复、完好描述生成、功能推理五项任务。现有模型随退化加剧急剧下降：RF-DETR 的 mAP 相对下降 71%，InternVL3.5 检索 R@1 从 93.85 降至 28.11。作者提出即插即用的 Feature Recovery Module (FRM)，在宿主模型冻结条件下仅用配对特征监督，把退化编码器特征映射为完好对齐表示，提升场景级检测、CLIP/SigLIP2 特征恢复及四项物体级 VLM 任务，平均相对增益为检索 12.5%、材质恢复 20.1%、描述生成 13.2%、功能推理 12.4%，且退化越重增益越大。
ReactHuman 是首个面向类人反应式决策的物理基准：被测 MLLM 充当模拟人形体的“大脑”，应对家中突发危险。基准涵盖 17 类事件、1,000 余个逐位可复现场景，真值来自 240 Hz 刚体仿真，无需人工标注，并含外观与物理相悖的对抗性物体（泡沫铁砧、钢制苹果）；每次提交的方案都会被实际执行。作者用五项指标从合理、安全、物理一致三个维度打分，评测了七个代表性 MLLM。结果显示反应式安全远未解决：模型约有三分之一的危险情境处理错误，依赖固定倾向而非场景、以貌取物、即使动作正确也在米级尺度上错过拦截点，且这些失败不随模型规模缩小。
研究想法即便新颖合理，其方法规范也可能不足以支撑忠实实现。作者提出“可编码就绪度”，即规范是否提供足够方法信息，使合格实现者或编码智能体无需额外假设即可构建预期方法。他们依据论文、代码库、issue 讨论与复现材料构建有证据支撑的规范及其解析，推出 IdeaAMBIG 基准，共 660 个实例：163 个来自复现报告和 GitHub issue 的真实缺口，以及注入就绪参考的 497 个受控合成缺口。基准评测三项能力：就绪度评估、缺陷定位与澄清行动生成。在 13 个 LLM 中，最佳模型在真实实例上的 Macro Defect Recovery Rate 为 9.6%，而在给出缺陷后 Macro Clarification Action Success Rate 达 80.6%。oracle 研究显示，提供标准解析使下游就绪率从 14% 升至 98%；缺陷定位是主要瓶颈。
这项研究在零样本框架下考察大型语言模型（LLM）预测配电网天气相关强制停电风险的能力，无需带标签训练数据。研究将问题设为二元严重度分类，覆盖3h、6h和12h三个预测时距，使用得克萨斯州中部某公用事业服务区6年的停电记录和高分辨率天气数据。4个零样本LLM与2个监督分类器比较，并分别采用当前天气观测和天气预报数据作为输入。结果显示，监督模型在宏平均F1和精确率上优于LLM，但较新的LLM代际取得了有竞争力的分数。除准确性外，LLM在可操作推理和地理可扩展性方面具有互补优势，研究认为将其与监督模型结合可能是最佳实践。
电化学界面在运行时的非平衡条件建模对能源技术至关重要，但第一性原理方法成本高昂。该研究提出一种嵌入电压偏置的 E(3) 等变图神经网络，用于开放体系模拟。模型将体系能量和力拆分为零偏压与偏压相关部分，并为电极和散射区原子赋予不同的向量编码。仅用有限的离散偏压数据训练后，模型表现出较高预测准确性和稳健的外推迁移能力。在锂/水界面测试中，模型捕捉到电场诱导的水分子动态重取向，并复现不同电极处不对称的电化学行为。
研究者对其图注意力评分器 MetaGNN 进行自审，评估其在 TCGA 结直肠癌（n=624）、乳腺癌（n=1,095）和肺腺癌（n=517）队列上的结果。以同一转录组矩阵阈值化所得标签监督时，TCGA-BRCA 的 AUROC 为0.9864±0.0008，但其中5,925个反应标签是输入的确定性阈值，另有4,675个标签可由固定伪随机数生成器逐位复现，模型会记忆患者不变标签。经核查，独立于输入监督的存档模型特征张量全为零。重建并验证特征后，AUROC降至0.5800±0.0017，低于原始表达基线0.6342±0.0058及无信息指示器基线0.6085；作者撤回此前归因于关系边的+0.105 AUROC增益。
研究提出物理信息混合门控循环单元（PI-HGRU）模型，用于预测由真菌引起的水稻纹枯病时空动态。该模型将描述病害传播动力学的微分方程作为机制约束嵌入HGRU框架，并以2000—2016年中国南方16个水稻主产省的17年多源数据训练和评估，数据涵盖田间病害观测、遥感、气象和土壤属性。针对不规则采样和序列长度不一致，研究采用滑动时间窗预测框架，并通过敏感性分析配置输入时间窗和滞后时间。相较纯数据驱动的HGRU基线，PI-HGRU的r²提高22.8%，RMSE和MAE分别降低10.2%和18.0%。中间变量分析显示，传播率β(t)与输入时间窗内的环境条件存在可解释关系。
arXiv 预印本提出 SINFONIA 三种神经流架构：Galley 双重相空间上的辛/slimplectic 流（SINFONIA-J0）、Taylor 锚定流（SINFONIA-J1）、以及学习相互作用图像中有限时耗散修正的 Magnusian 流（SINFONIA-J2），用于引力波源长时演化。在 2.5PN 中子星旋近中，三者均显示长期精度由映射误差沿能量–角动量平衡决定的单一长期通道的带符号投影控制；编码该结构后，学习映射在 10^2–10^5 次窗口复合至并合时仍准确，步长可为整个轨道周期或更长，链式相位误差较基准 slimplectic 积分器低若干量级且成本更低。未约束该通道时，累积相位可恢复未建模的类动力学摩擦力；关闭网络的对照可分离学习贡献与每张映射内建的解析结构。作者称这是结构保持学习演化映射用于快速长时积分与物理推断的概念验证。
研究提出几何信息驱动框架，将深度学习的料条形状预测工具ShapeGen3DCP与逐层激活有限元（FEM）结合，研究3D混凝土打印（3DCP）中真实挤出料条几何对可建造性的影响。框架由材料与工艺参数直接生成几何感知模型，无需试验表征或流体模拟。实验验证及直线墙体参数化研究显示，挤出参数和料条几何显著影响可建造性预测；自由流动沉积对几何表示敏感，压层策略对简化不敏感。椭圆形近似平衡了几何保真度与建模简便性；若用矩形表示，按体积守恒定尺寸比按最大宽度或层间接触宽度标定更可靠。
Google DeepMind 与 Google Research 发布 WeatherNext 3，称其为迄今最先进、最准确的全球天气 AI 模型；该说法基于 Brightband 的独立实时评估。模型直接学习实时观测，利用原始卫星数据每小时生成高分辨率预报，并可在 Google 产品中提供预报。它按多种空间分辨率生成逐小时预报：温度、湿度等关键地表变量为 5 公里，其他地表变量为 10 公里，风速等大气变量为 25 公里，整体比前代 WeatherNext 2 的 25 公里网格、6 小时步长约清晰五倍。系统摄取每小时地球静止卫星拼图与历史分析，输入单个灵活的 Functional Generative Network（FGN）mesh transformer，输出密集网格场和离散气旋路径。此前模型常缺乏足够空间分辨率，也难以纳入卫星等实时天气数据。
黑盒优化因搜索空间规模大、结构弱且维度高而颇具挑战。现有方法常依赖直接生成候选或试错式改进，样本效率较低。研究者提出 WMLLM，一种基于“预测-再行动”世界建模的自进化优化智能体框架。该智能体先预测有潜力的优化方向，再据此生成候选；结合智能体多轮修正、种群搜索和强化学习，WMLLM 在搜索过程中同时改进其隐式世界模型与优化策略。在黑盒优化任务、特别是多目标分子优化上的实验显示，WMLLM 提升了样本效率和最终优化性能，并在有限评估预算下取得了该项基准上的最优结果。
电子-声子相互作用支配固体中的载流子动力学、输运及多种光学和量子现象，但PAW框架下的有限位移计算需对N原子体系做多达6N次自洽超胞计算。MLLocP在实空间网格上学习自洽局域势，并将其位移导数用于全电子PAW电子-声子矩阵元；其余PAW量沿用VASP/PHELEL框架，保留全电子形式。对Cu、极性BAs和化学无序Cu3Au的验证显示，输运系数误差约为8%（Cu电导率）、3.5%（BAs迁移率）和11%（Cu3Au电导率）。对32原子Cu3Au特殊准随机结构，40个采样构型比192个直接位移结构减少约五倍自洽计算；20或10个构型加速约10或20倍，电导率误差为14.3%和18.6%。
PocketScope 是一种免训练框架：它用冻结的 ESM-C 600M 嵌入表示空腔内壁残基，并通过穷举式晚期交互 MaxSim 检索相关结合位点，无需池化或近似最近邻搜索。在 AlphaFold 人类蛋白质组中，该方法在 37,682 个蛋白质里识别出 153,805 个空腔，并在精选药理学配对中找回有记录的药物脱靶。在 ProSPECCTs 基准的十个集合中，PocketScope 按平均排名位列 23 种方法中的第 1。PocketScope 已开源，并作为免费 Web 服务器提供（https://www.bhargavaresearch.org/pocketscope）。
为评估GPT-4o在牙科抗菌药物管理（AMS）中的熟练度与临床推理能力，研究者从2017—2023年八项同行评审研究中选取125道牙科抗生素处方多选题，按难度分层评估。GPT-4o总正确率72%，各难度四分位正确率分别为78%、78%、65%、70%；专家对95.4%的临床理由给予正面评价，理解、检索与推理均超过96.2%正面率。主要不足为遗漏内容（7.8%），7.1%的理由存在中度至重度潜在危害。预防性用药题表现（98.1%）高于非预防性题（93.0%）。结论：GPT-4o水平中高，不宜无监督临床使用，但可作为有监督的AMS教学工具。
药物-靶点亲和力（DTA）预测有望加速药物发现并降低开发成本。本研究在四种分子表示骨干上整合四类预训练蛋白质语言模型（PLM）嵌入——分别针对结构预测、功能预测和序列掩码任务构建——形成PLM-GraphDTA，并与经典一维卷积方法比较；同时评估为改进蛋白质表征学习而修改的基线卷积架构DeepGraphDTA。模型在Davis和KIBA基准数据集上用一致性指数（CI）和均方误差（MSE）评估，使用冷启动训练/测试划分检验泛化能力，并分析各蛋白质对总CI的贡献。结果表明，对传统卷积方法进行简单架构修改或许足以弥合与大型预训练PLM之间的差距。
评估视频模型物理推理的难点在于绝对运动测量依赖帧率、物体尺度和相机标定，而这些在生成视频中常不明确或缺失。作者提出：同场景两物体若遵循同一物理定律，其运动满足可预测且与标定无关的关系。据此推出基准 Principia，通过配对物体的关联一致性检验牛顿物理，覆盖八类现象（重力、恢复力、摩擦、转动惯量、抛体运动、动量、摆、弹簧振子）和多种动力学，并使用受控协议录制的真实场景；同时提出无需标定的一致性分数直接在图像空间量化违背。对六种先进视频生成器的数千次生成，所有模型在 Principia 上均未超过0.42，而VBench上均约0.8；最佳视觉语言模型检测物理违背准确率仅67%，多数接近随机。
脑机接口预处理仍依赖人工、专家经验且难以复现。EasyBCI 是一个两阶段大语言模型代理，规划并执行六类信号的预处理流程：规划代理生成不向模型暴露原始数据的 Data Fingerprint，并选择基于文献的算子序列；执行代理生成、运行并自我修正代码，质检门控的经验系统保留验证过的策略，领域专家在两个决策门介入。在 EEG 固定线性分类器评估中，EasyBCI 的五个骨干网络均比手动流程保留更多任务相关可分性；同骨干比较下，五组配置中四组在两种标签方案上优于通用编码代理。它还可扩展至另外五种模态，采样率跨近三个数量级，并产出带决策来源的完整可复现流程。
现有多模态评测无法区分视觉-语言模型是看错还是推理错，因为既有分离方法都要在回路中引入第二个模型。我们提出渲染上限：对渲染已知对象的基准，反转冻结相机并重解跨视角对应，可精确恢复图像支持的答案；证明它仅在可枚举的投影巧合下失效，并在2160个渲染晶体结构上确认该集合为空。14个视觉-语言模型中，以文本提供精确几何提升所有模型，但13个的差距被弥补不足一半；无语言组件的监督视觉模型在同一图像上达0.8952，超过所有视觉-语言模型。该工具暴露了会被下游准确率误归因于推理的提取阶段伪造，提供相机放置规则，并可迁移到任何可逆前向渲染基准。
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。
Science sandboxes 是一个用于研究 AI 智能体科学能力的框架：让智能体在实验、反馈和假设修正的循环中，通过“wet”物理实验、“damp”（基于经验数据训练的预测模型）和“dry”人为规则等方式查询自然世界。该框架在调控基因组学和蛋白质适应度预测两个生物学设置中测试了前沿智能体，发现它们有时能优化定量指标却不理解底层规则，尤其在规则超出常见生物学先验时，其科学推理能力会下降。Science sandboxes 因而让科学能力的边界可被测量，并为研究和扩展这种能力提供了受控环境。
DS-Lighting 是一个面向大语言模型（LLM）智能体数据科学自动化的统一框架工具包，将智能体框架（harness）显式化。它把 harness 拆分为数据、工作流、执行和评估四个可复用层，并将不同智能体表示为可执行算子程序，支持预定义流程与自适应搜索。研究整合多个开源数据科学基准为 MLE-Bench 风格任务格式，以在共享任务接口、沙箱运行时和指标协议下进行受控比较。跨智能体、harness、模型和消融实验表明，显式框架设计提高可复现性、可比性和可靠性，并减少端到端工作流中可避免的系统级故障。
论文提出Paper Pilot，一种面向应用科学的证据可溯源稿件生成人机协同专家系统。基于CARE方法，设八个人工审批关口，用显式不通过标准、主张分类、审计日志、LLM咨询评审和证据锁定修订控制，使数字与解释可追溯至已批准证据；系统提示词已开放。首次验证采用受控、机械评分基准（两个商业LLM、真实arXiv论文、无LLM评审）：覆盖压力下，无门控草稿系统最多捏造25%引用且未标记证据缺口，而Paper Pilot零捏造，并以显式占位符标出植入缺口。结果溯源、修订与对抗鲁棒性的初步结果也一致，完整评估留待未来工作。
气象再分析以连续且受物理约束的场编码极端天气，这与视觉语言模型主要基于自然图像形成的感知假设并不匹配。研究提出可插拔的物理感知视觉抽象（PAVA），将再分析物理场映射为可视觉识别、具语义基础的感知抽象，用于监督和评估视觉语言推理。基于PAVA，团队构建OmniClimate-TC基准，覆盖5类推理、9项任务，并含243,890个具物理基础的指令微调样本对。经PAVA对齐监督适配后，视觉语言模型在热带气旋灾害场推理上有所改进。
该工作概述了评估用于材料合成的基于大语言模型（LLM）的人工智能（AI）模型与智能体性能的不同策略。文章简要介绍当前基于LLM的AI智能体关键背景后，总结了在材料科学特别是材料合成中评估这些模型的方法，重点关注模型与实验工具直接集成的场景。讨论涵盖知识与推理基准、工具使用基准，以及涉及实验系统或逼真虚拟工具交互的闭环基准。以原子层沉积（ALD）为案例，说明现有方法既借鉴材料科学以外的通用方法，也可推广至其他材料合成技术，最后给出实用评估框架。
大型语言模型（LLM）在数学推理基准上表现强劲，但其推理背后具有数学意义的技能仍研究不足。本文提出SHAPE框架，从数学教育中的两个视角分析思维链（CoT）轨迹：一是语义空间，即模型对问题不断演化的数学解释；二是启发式，即在这些空间内采取的具体数学动作。分析显示，模型所采用的数学启发式比传统CoT特征更能解释最终答案的正确性，且模型更倾向将推理集中在少数语义空间而非广泛探索，这与人类行为一致。利用SHAPE评估后训练是否真正提升数学能力，发现强化学习会使启发式使用出现模式寻求（mode-seeking）现象。通过促进多样化启发式进行后训练，可有效提高准确率。
新预印本提出 ESNN（Equivariant Sheaf Neural Network）：在图上学习有向、矩阵值传输并保持精确欧氏等变性。它不提高表示阶数，而是把额外几何灵活性放在边传输中。理论表明，当相对位移是唯一协变几何输入时，每个线性 O(n)-等变映射分解为独立径向和切向分量；学习到的协变特征可实现更丰富的特征条件变换。作者引入受控对称性松弛处理有优选环境方向的系统；该方向可指定或从数据推断，通路不活跃时可恢复完全 E(n)-等变性。在粒子动力学、网格模拟、点云分类和分子性质预测中，ESNN 改进动力学预测、恢复破缺对称下的重力轴，在选定网格任务和长时程 rollout 上有显著提升，并对未见旋转保持鲁棒。可见，学习边上的几何传输是无需高阶表示、补充表达性等变消息传递的途径。
我们提出SNAIL，一种混合命名实体识别框架，用于从生物医学文本中自动识别生物信息学软件和数据库名称。它结合词法建模与基于SciBERT等Transformer的语义建模，并通过显式token掩码策略增强实体表示；训练语料由引文提示抽取和大语言模型辅助蒸馏自动构建。在两个独立基准数据集和真实研究论文上的评估显示，SNAIL显著优于现有方法，包括bioNerDS2以及ChatGPT、Gemini、Grok、Claude等通用大语言模型。将其用于大规模文献分析，还揭示了不同生物信息学子领域的期刊层面偏好。结果表明，SNAIL能准确、可扩展地识别文献中的生物信息学资源，支持对工具使用和研究趋势进行系统性荟萃分析。
BloClaw是能力门控的AI4S工作站，核心理念是智能体应自知能做什么、展示如何做、明示哪些未验证。能力声明含执行状态、输入约束、依赖、预期输出与局限；自然语言请求转为结构化任务，经校验后执行，并记入可溯源Living Lab Notebook。系统可检测无效输入、工具失败、依赖缺失和远程超时，并转交修复、重试或升级。已实现RDKit分子筛选、蛋白结构分析、对接姿态检查、3D可视化与结构化报告。用PubChem的osimertinib和6LU7演示：前者得到确定性描述符（分子量499.619 Da、cLogP 4.5098、TPSA 87.55 A^2）；后者含2,387条ATOM、309个残基、9个姿态记录；仅为演示，非效力/亲和力研究。另提出先验最小化构造模式及对比单智能体与固定脚本的评估协议；尚不宣称基准改进。
PhageTAILor是一个整合、全自动的开源流程，利用机器学习从细菌基因组中检测并分类前噬菌体及三类噬菌体尾样元件（PTE）：尾素、细菌VI型分泌系统（T6SS）和胞外收缩注射系统（eCIS）。它结合6个基于同源性的检测器与LightGBM分类器，训练数据来自6,501个基因组携带的13,082个前噬菌体和PTE。在76株跨分支基准中，尾素检测F1=0.955；在13个经实验验证的尾素中识别出12个，优于仅限于假单胞菌的TattleTail（2/13）。应用于7,925株植物/土壤相关细菌，显示叶际有前噬菌体、植物相关细菌中有尾素，而eCIS在土壤中富集。
微软介绍 AI 智能体 Medea，用于在细胞类型、疾病状态、遗传背景和患者等不同生物学背景下开展治疗推理。该系统在规划、执行和证据综合中实施验证，并结合生物学工具、机器学习模型与文献检索。研究在 3 个领域的 5,673 项开放式分析中评估 Medea：5 种疾病、29 种细胞类型的靶点提名，7 个癌细胞系的合成致死预测，以及基于多模态患者档案的免疫治疗响应预测。利用两种 DNA 损伤治疗下、此前未发表的酵母表观微阵列筛选，Medea 预测了 238,046 对基因中的实验测得合成致死相互作用。研究称，其表现优于多类模型，并具有较低失败率和经校准的弃答能力。
本研究提出一种机器学习辅助的多尺度拓扑优化框架，用于规则叠加点阵结构。单胞由体心立方、面心立方和简单立方点阵分量组合而成，各由独立几何参数控制。离线计算均匀化生成等效刚度数据，训练Cholesky约束神经网络代理，以物理可容许形式重构均匀化刚度张量；另用神经网络基于蒙特卡罗密度估计预测相对密度。两阶段优化中，宏观拓扑采用SIMP法，微观点阵参数用MMA更新，代理替代在线均匀化。三维MBB梁基准验证了该方法，所得空间变化点阵参数和相对密度场符合材料约束下的柔度最小化。
研究以严格 NP 完全的两列 Flying Block Puzzle 为对象，提出 Class-Based Heuristic A*（CBHA*）。该方法结合空位稀缺时最小位移成本的通用移动约束、按空位比例与目标块几何划分的七个互斥状态类别及可采纳启发式，并按类别在深度优先和垂直距离排序间切换以应对 f 值平台。在 146 个基准实例中，CBHA* 成功率为 93.4%，Depth-Prioritized A*、Standard A* 和 BFS 分别为 64%、39% 和 17%；相较 Standard A*，节点扩展减少 87.98%，平均有效分支因子约为 3。
稀疏自编码器（SAE）等可解释性方法有望通过解释AI模型的超人类能力，使其成为生物学发现引擎。作者将评估潜在变量时经常混为一谈的三个问题整合为一条流水线：跨种子字典稳定性优先筛选值得研究的潜在变量；入侵者检测任务判断其激活示例是否呈现可识别模式；随后提出候选生物学描述，转化为可在计算机上检验的预测。在Boltz-1 Pairformer主干上，稳定性筛选以约4.4倍更少的潜在变量评估和5.2倍更低的实测成本找回过半潜在变量；外部检验显示所得基序显著富集所标注注释。结果还提示，跨种子稳定性可能更偏好结构相关特征，而非功能相关特征。
图形用户界面已成为评估自主智能体在多模态交互任务中表现的重要环境。现有基准（如 AndroidWorld 和 MobileWorld）提供了坚实基础，但其应用覆盖与任务设计仍不足以反映真实移动使用的多样性和复杂性。我们提出 GMA，一个用于在挑战性真实场景中评估通用移动助手的基准：基于开源项目引入七款应用，涵盖生活分享、旅行规划等领域，包含四个难度层级共 300 个任务。对八种前沿模型的评估显示，任务越复杂，性能下降越明显，当前智能体仍远不能可靠处理真实用户需求。受控消融实验表明，合理的 agent harness 设计（如上下文保留和显式状态跟踪）能显著提升复杂工作流上的表现，但具体设计的效果会因基础模型而异。
OrbGNN是一种类似于分子图和机器学习原子间势（MLIP）框架的电子结构图架构。它以双轨道相互作用构成图表示，用轨道纠缠编码轨道间连接，并将来自轨道相关性度量的信息直接嵌入图拓扑，从而紧凑地表示分子的轨道景观和电子相关模式。对轨道图特征空间行为的分析显示了模型稳健性。该模型被用于氮分子解离和更大的双原子分子数据集评估，并应用于一组八面体铁(II)配合物以预测自旋态能隙。
这篇综述探讨如何用最优传输比较无向、无权图，重点介绍三种距离：Wasserstein、Gromov-Wasserstein 和 Bures-Wasserstein。作者考察了一维 Wasserstein 距离通过节点特征概率分布得到的闭式解，并展示 Wasserstein 与 Gromov-Wasserstein 的传输计划如何在图扰动后识别影响距离的具体节点。针对 Bures-Wasserstein 距离，他们利用拉普拉斯谱推导出界，以避免完整谱分解。最后，在合成网络数据集上进行聚类评估，并在真实世界时间序列网络上进行异常检测评估。
后训练量化常被视为语义中性的边缘部署优化；若只在源精度下评估、又在部署前进行量化，就形成验证–部署缺口。研究者形式化量化行为等价类（QBEC），并用三阶段对抗微调把潜在恶意载荷嵌入能通过源精度检查的模型，使其在INT8或4位压缩后激活目标行为。该威胁从仅解码器因果LM扩展到多语言编码器-解码器序列到序列模型；在战术机器翻译与政治内容分析中，后门翻译模型在修复FP16下敌我破坏为0，量化后最高达85.02%反转，配对立场分类器压缩后意识形态偏移最高ΔBias=0.33。跨量化器迁移性因方案和架构而异，不只看标称位宽；源精度审计不能排除此类后门，最终部署配置应纳入行为认证。
论文提出一个闭环多智能体框架，将预测Shannon熵与非线性等距特征映射（ISOMAP）结合，把临床大语言模型的高维推理状态投影至经校准的二维潜在空间，以追踪连续诊断轮次中的诊断速度、认知动量与轨迹效率。急诊医学场景的初步验证显示：小脑梗死病例的熵从2.15单调降至1.74；自发性气胸在模糊发现下持续高熵（约2.41）并出现轨迹游走；急性胆管炎虽接近真实节点，但因混淆脓毒症分诊严重度与解剖学病因而top-1排名停滞。作者称，仍需在大规模电子健康记录数据库和前瞻性临床试验中验证后续改进。
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。
物理信息神经网络（PINNs）作为一种无网格框架近期受到广泛关注，但在求解强耦合多物理场系统（如Biot固结模型）时，因优化地形严重病态而性能下降。本文提出基于PINN的求解器FS-ENGD-PINN，结合物理解耦与几何感知优化：采用固定应力（FS）分裂将多孔弹性系统分解为收缩性力学与流动子问题，以提升训练稳定性与收敛性；采用能量自然梯度下降（ENGD）逼近函数空间中的牛顿方向，缓解刚度引起的缓慢收敛；并引入含总压力的三场混合格式，处理近不可压缩条件下的体积锁定。大量数值实验表明，FS-ENGD-PINN在准确性与鲁棒性上持续优于标准PINN，为宽范围材料参数下的多孔弹性问题提供统一可靠的学习求解器。
本报告整合“2026 Workshop on Next-Generation Ecosystems for Scientific Computing”的讨论；该研讨会是三年系列中的第二届，旨在以社会-技术协同设计强化科学计算生态系统。报告指出，人工智能、异构计算、自动化与数据密集型研究正重塑科学计算工具，以及支撑科学发现的机构、人才模式和协作实践。四个相互依存的战略主题被提出：面向AI驱动科学发现的软件生态系统；信任、验证与可追溯性；人-AI协作与范式转变；人才、教学与治理。报告进而将其转化为八项社区行动优先事项，涵盖共享研究基础设施、信任与可追溯性、用户体验、人-AI协作、人才培养、跨部门协调、管理与可持续性，以及科学价值评估，为AI在科学工作中作用日增之际建设可信、可持续、创新且有韧性的科学计算生态系统提供方向。
针对卡西尼成像科学子系统（ISS）观测土星环等复杂场景，传统多项式拟合与统计方法在非均匀背景下易产生偏差。研究者提出基于去噪扩散概率模型（DDPM）的深度学习框架，通过学习噪声模式并迭代重建背景，在ISS图像环缝区域的背景强度估计上相对多项式拟合最多提升62%；用于环缝中未分辨卫星的质心测定时，沿行方向与样本方向的位置精度分别提升约14%和15%。该框架无需手动调参，可推广至多种背景，有望用于天体测量、测光及源探测等任务。
蛋白质语言模型（pLM）内部表征尚不明确。作者提出一种自动可扩展的方法，用蛋白质Cα主链的几何特征解读ESM-2中稀疏自编码器（SAE）特征。在ESM-2 8M各层中，FDR控制的发现分析显示，局部几何与许多SAE特征显著相关，预测强度各异，覆盖范围超过数据库和序列方法；几何还能区分同一数据库注释内的SAE特征，揭示已知标签中的亚结构。相当一部分SAE特征在未注释的宏基因组序列上激活，可用于理解这些序列。接触预测消融显示，移除这些几何特征会使ESM-2预测接触图沿描述符方向偏移。该方法可在残基水平注释SAE神经元激活的蛋白质，联结机制可解释性与结构生物学。
李雅普诺夫直接法依赖寻找李雅普诺夫函数。作者把前向不变性放宽为回归性：每条从该集合出发的轨迹都应在有限时间内返回该集合，据此提出回归李雅普诺夫函数（RLF），其子水平集只需满足回归性。温和条件下RLF保证稳定性，更强版本给出渐近与指数稳定性，并配有基于范数的逆定理。作者还提出GPU算法，仅凭轨迹数据即可验证实用稳定性，无需李雅普诺夫函数；验证到ε邻域内只需O(log(1/ε))次轨迹求值，常数随被认证的衰减率接近真实值而增大。
物理信息神经网络依赖反向传播与自动微分，存在计算瓶颈和严重非凸优化问题。研究者提出无反向传播框架 PI-SCM（Physics-Informed Stochastic Configuration Machine）：通过解析非线性微分算子的局部雅可比矩阵，将物理损失线性化并投影到统一代数子空间，再由一系列广义线性最小二乘求解器显式确定最优网络权重。该框架包含 PI-SC-I 局部构建、PI-SC-II 滑窗更新、PI-SC-III 全局更新，并证明了普适逼近性质。实验显示，相较标准 PINN，训练过程可加速多个数量级，同时保持高保真预测精度和稳健参数识别。
KAIST于28日发布下一代生物AI模型K-Fold，用于预测新药开发所需的蛋白质与药物结合。该项目由政府推动的“AI特定基础模型项目”资助，启动不到一年即公布成果。KAIST称K-Fold性能与世界最佳的AlphaFold 3相当，但速度快25倍；其内部分析显示，K-Fold的分子结构预测精度接近AlphaFold 3，部分评测项更高。在下一代药物平台PROTAC的预测上，K-Fold准确率约高出33%；在药物活性变化预测的基准评测中高出11%。源文提到AlphaFold因用AI解决蛋白质结构瓶颈而获2024年诺贝尔化学奖。
蛋白质语言模型（PLM）嵌入在蛋白质适应度预测等下游任务上表现优异，但本身不易解释，尚不清楚其编码了哪些特征。研究者利用正交投影技术，从嵌入中去除已知表格特征对应的生化性质及其高阶与交互效应，并仅用嵌入训练下游分类器进行消融研究，发现预测适应度的性能出现下降；进一步评估显示，这些生化特征解释了该分类器预测中相当大一部分方差。结果表明，PLM嵌入编码了与生化性质相关的模式，并可量化这些性质对适应度预测的贡献。该计算高效的方法不限于文中使用的特征或嵌入，也可推广到蛋白质适应度预测之外的问题。
研究提出可解释的物理信息检索增强生成语言模型PIRAG-LM，用于无机晶体合成端到端规划。其构建的以材料为中心的结构化合成知识库（SSKB）收录13,820种实验合成无机晶体的路线级记录；模型按化学、结构和热力学相似性检索历史先例，再由结构化LLM推理模块提出路线、前驱体与条件，并评估热力学可行性、动力学和可及性。合成方法预测准确率达91.4%，优于单独LLM的72.1%，可泛化到知识截止后报道的材料；由于框架依靠检索而非参数记忆，扩展SSKB无需重训即可提升性能。在模型指导下，通过固相和溶液路线实验合成了BaMo0.3In0.7O2.95、BaNb0.4In0.6O2.9、Hg[B(CN)4]2、CoCo(CN)6和SrNb2Fe2(PO4)6五种新化合物。
我们推出BixBench3，一个衡量AI智能体在完整研究规模计算生物学任务中能力的基准。20项任务基于已发表研究，要求智能体根据研究目标、方法指导和原始数据执行分析，并将生成的138个数据产物与原始研究程序化比对。13个前沿模型得分从Gemini 3.1 Flash Lite的0.00到GPT 5.6 Sol的0.48；在原始数据>100 GB任务（0.10）和3步以上分析（0.24）上表现更差。任务平均耗时6.8小时、1.02亿token、43美元；最长尝试24小时、10.7亿token、525美元。最高分智能体反而用更少token、成本更低。
大型语言模型在生成高风险气象文本时会编造数值，带来天气信息传播风险。研究者提出AFDBench：一个用Google WeatherNext 2的AI预报数据推理、生成专业Area Forecast Discussions（AFD）的AI气象学家，也是首个生成式气象推理基准，含13个NWS办公室的7,732篇专家讨论，以及Met-Align（数值准确性）、Style-Align（专业语域遵循）、Input-Grounding（输入数据忠实度）三项指标。零样本评估中，开源LLM的Style-Align约0.33，Input-Grounding约0.88。经带领域奖励的GRPO训练后，在两个未见NWS办公室的1,033个样本上，Style-Align从0.318升至0.619，Input-Grounding从0.881升至0.940，显示7B模型可学会专业气象写作并忠实解读AI天气数据。
PMPNN-DDG是一种基于随机森林的DDG预测模型，其训练特征是从基于消息传递神经网络的固定骨架蛋白质设计模型ProteinMPNN中提取的一组新型可解释特征。在S669独立测试集上，该模型rF+R=0.64、RMSE=1.45，在所报告的评估指标上优于所有被比较的基线方法；在Ssym独立测试集上，rF+R=0.81、rF-R=-0.99、RMSE=1.10，表现与基线相当。代码已公开：https://github.com/dRanger666/PMPNN-DDG。
计算机模拟基准（20个开放权重模型、4252326条标注生成结果）显示，在0–40%目标CER的模拟解码器损坏下，LLM后编辑脑机接口文本会产生意图漂移：AUTH中检出率从2.2%升至60.3%（CER每升高10个百分点，OR 2.30），属压力测试上限而非预期临床率。模型置信度区分忠实输出尚可（AUROC 0.83，0.80–0.85），但校准不佳（ECE 0.32，0.27–0.37）；置信度≥90时28.4%不忠实。六种界面策略均未消除漂移，最优者每100条仍漂移18.0条。作者称这不证明临床伤害，需前瞻性人在回路评估。
Google Research 提出 GlucoFM，一种轻量级自监督 CGM 基础模型。其双流设计分别建模较慢的血糖基线趋势与短期波动，并保留时间段与缺失信息；潜在预测目标学习日常情境和时间演变。模型在四个队列、七项临床预测任务（糖尿病风险、胰岛素抵抗、β细胞功能障碍、高脂血症、低血糖、肥胖、血糖型）上完成14项队列-任务评估。与同一语料预训练的最佳 GluFormer 变体相比，GlucoFM 的 PR-AUC 平均高5.8个百分点，并在全部糖尿病风险和β细胞功能障碍评估及四项胰岛素抵抗评估中的三项领先。
针对高压输电故障数据不均衡和部分故障特征落入正常运行区间、导致单模型在安全关键情形失效，本文提出两阶段混合流水线：阶段1用Isolation Forest异常检测，并对异常检测器无法分辨的故障类自动加入监督二分类分支，经OR融合规则；无此类时省略。阶段2仅对标记样本用Random Forest分类。将6个原始通道映射为18个特征，含基于Fortescue定理的零序对称分量，L个测点共18L个。TLFaultDataset上线路故障端到端准确率从31.3%升至95.8%；独立单测点数据集全类准确率97.25%，超过TLFed基准94.84%，无需GPU或联邦基础设施，CPU耗时0.05 ms/样本。零序特征解决三相与三相接地混淆，使该类对F1从0.39升至0.997；零序方向随系统而定，宜学习决策边界而非固定继电器阈值。
一项研究通过多语言数学问题（MGSM）数据集，在多个模型的六个语言（英、德、法、西、俄、中）中探究跨语言推理是否依赖共享特征。研究者使用CKA识别对齐层，并训练两种稀疏自编码器：基线模型和新提出的几何不变SAE（GI-SAE），后者通过InfoNCE损失促使编码器对同一问题的不同语言产生相似激活。通过交换特征值并测量KL散度，发现GI-SAE虽提高了几何相似性，但功能可互换性并非一致增强，跨语言共享特征因模型和架构而异，且出现在不同深度。
分子嵌入模型是计算化学与药物发现的基础设施，可复用向量表示支持性质预测、虚拟筛选和检索。多数分子编码器围绕单一分子视图，产生无条件向量，缺乏语言接口。MolEmb 是一个轻量框架，通过双向对比目标将分子概况与文本描述在共享嵌入空间中对齐，使多模态大语言模型（MLLMs）能依据分子概况和自然语言语义上下文生成条件化嵌入；所得模型在性质预测上具有竞争力，并支持跨模态分子—文本检索。作者另提出诊断基准 MolCAR，发现上下文感知分子嵌入主要是监督的数据属性。结果表明 MLLMs 是通往通用分子嵌入模型的可行且可扩展路线。
基于扩散的深度生成模型已成为逆向材料设计的强大工具，但许多现有方法忽略氧化态平衡等关键化学约束，可能产生化学上无效的结构。为此，研究者提出“crystal generator with valence-constrained design”（CrysVCD），一个将化学规则直接整合进生成过程的模块化框架：先由基于Transformer的元素语言模型生成价态平衡的组成，再由扩散模型生成晶体结构。价态约束使化学价态检查比纯数据驱动加后筛选方法高效多个数量级。在稳定性指标上微调后，CrysVCD达到85%亚稳性（Ehull < 0.1 eV/atom）和68%声子稳定性；它还支持高导热半导体和高介电常数（high-κ）材料等功能材料的条件生成，可作为通用插件集成到多种生成流程中。
未来射电望远镜将产生用传统统计方法难以分析的数据量，促使采用机器学习技术。本文提出YOLO-Chars，一个两阶段深度学习框架，用于自动检测和表征射电星系。第一阶段使用定制的YOLO多尺度检测模型定位致密和延展源；第二阶段通过专用网络估计源的物理属性，包括流量密度、角尺寸和位置角。在SKA SDC1数据集上评估，YOLO-Chars达到有竞争力的性能，展现了作为下一代射电巡天可扩展框架的潜力。
提出运行时动作干预（RAI）：保持策略参数不变，在推理后调节动作节奏并过滤已配置的动作模式；仅当冷却条件满足且内容检测器未标记动作时才释放，否则发送 no-op。检测器覆盖包括工人单位骚扰在内的毒性行为。作者在 AlphaStar actor.py 的复现中实现 RAI，并开源材料。在 StarCraft II 人类参与者研究中，同一高能力、动作速率受限的对手在隐瞒能力声明时，1-5分量表上的合并公平感、信任感、毒性感均值分别为3.90、3.50、2.00；披露时为2.62、4.31、2.85。披露在各专业组均对应更低的公平感和更高的毒性感；信任在新手与专家中上升，在中等水平参与者中下降。即使配置控制不变，用户感知也会随能力披露明显不同；因此人机评估须将执行栈内的控制与能力披露分开，将公平、信任、毒性作为独立维度。
大型语言模型（LLM）在化学领域的应用日益增多，但现有化学基准往往只覆盖有限任务，忽视对问题表述和化学表示变化的稳健性，可能高估模型的真实推理能力。为此提出的ChemDIRT（Diversified Instruction, Representation, and Task Benchmark）从指令与分子表示变化入手，横跨八类化学任务，在受控扰动下同时评估准确性与一致性，以提供比传统单一格式基准更可靠的推理评估。对多种开源和闭源LLM的测试显示，模型存在明显的提示敏感性、表示依赖性，且各任务族表现不均衡。
Astro-COLIBRI新增组件将自由文本GCN Circulars转为结构化、事件关联的后续观测记录，并与社区直接提交的结构化报告合并。持续运行的监听器将新报告关联到暂现事件，进行确定性预分析，并由受模式约束的大语言模型提取测光、联系人、红移等结果；记录经API归一化为事件级后续观测数据库，通过网页和移动端提供报告摘要、联系人工具、光学余晖背景图及CSV/VOTable下载。调优后，运行评估语料中2026年上半年的1,775份Circulars全部无失败完成；内部人工审计210份确认25,880项字段级决定中25,827项正确（99.80%），错误限于231份受评估报告中的8份的观测时间与设施归属。提取的红移与独立GRBweb汇编在249个共有事件中228个一致，所有不一致均源于极限值、候选宿主估计或后续精化值，而非误读Circular。该流程已处理2016年以来完整GCN档案，产出5,787个暂现事件、26,811份报告中
LitReview Arena 提出一种对战式评估平台，让具备AI论文写作经验的领域专家依据五个文献综述专属标准，对匿名草稿进行分维度比较。研究者收集约3000条专家判断，发现即使当前最强系统在总体实用性上对人力草稿的决胜对局胜率也只有23.0%，而 Sonar Deep Research 等智能体化 LLM 比基础语言模型提升超过60%。现有 LLM-as-a-judge 方法与人类专家明显不一致（Spearman's rho=0.467），在论文结构和研究建议等偏重综合的维度上尤其严重。基于这些偏好数据训练的 LitJudge 将一致性提升至0.78，接近专家间一致性；代码与数据已公开。
GenomeHarness是一个用于基因组语言模型下游适配的智能体工作流，通过在微调配方上进行受控搜索来提升可靠性。它结合了提出和修复配方编辑的AI智能体、协议约束执行与资源管理的harness，以及蒙特卡洛树搜索控制器。在DNABERT2和NTv2-100M-Multi上，跨NT Benchmark和Genomic Benchmarks的52个模型-任务设置中（配方冻结后使用三个随机种子评估），GenomeHarness在47个设置中提高了平均测试MCC，包括24/26的DNABERT2设置和23/26的NTv2-100M-Multi设置；在Genomic Benchmarks和根配方不稳定或匹配不佳的任务（如human ocr ensembl任务）上提升尤为明显。搜索轨迹显示它能逐步识别更强的配方，使下游适配成为可控、可审计的流程。
MolJam是一个开源框架，从结构完整性、数据质量、实验信息质量、化学空间覆盖和数据分布五个维度，使用12个标准化指标量化评估分子数据集质量。应用于11个MoleculeNet和8个ChEMBL数据集时，发现广泛的质量问题，包括高达70.72%的分子立体化学未定义、分子表示不一致和标签矛盾。对ESOL和Lipophilicity数据集的优化提高了MolJam质量分数，但对预测性能影响不一，这表明数据集大小减少的竞争影响。控制消融实验表明，数据集质量和数据量都影响模型性能，且当数据量增加足以补偿质量损失时，保留立体化学信息不完整的分子可能优于去除它们。因此，分子数据集整理不能仅追求最大化数据清洁度，而需平衡多个质量维度与信息损失。MolJam为诊断数据集局限、比较基准质量和评估数据整理决策对下游机器学习的影响提供了标准化框架。
PhageLysData是一个基于证据且面向AI的数据资源，通过可重复的多源整合、来源追踪和精确序列合并构建。它从7个主要资源整合了807,366条数据，得到759,105个唯一精确序列实体，包括11,867个有证据支持的Core实体、745,092个仅预测的候选实体和2,146个保留用于来源的Context实体。Core实体附带协调的生物学注释、理化性质、独立的InterProScan功能注释、PDB和AlphaFold DB结构资源以及可复用的数值表示。对于11,259个符合条件的Core序列，提供了来自11种蛋白质语言模型的嵌入和独热编码。该数据集旨在促进蛋白质检索、比较分析、任务特定数据集构建和机器学习应用。
BioFirewall 是一种规则治理中间件，在基因组书写设计阶段拦截编辑计划，沿载荷、基因座、编辑类型、生殖系和规模五个危害轴返回允许/标记审查/拒绝，并附引用证据、签名护照、防篡改审计日志和分级访问。在由独立 oracle 评分的去循环化安全替身基准上，功能感知载荷分类器在 1% 假阳性率下真阳性率为 0.72（95% CI 0.43–0.89）；前沿和开放权重语言模型裁判不能可靠筛查。提示注入使开放权重裁判在每通道 6 次试验中分别有 3 次和 5 次翻转为允许，确定性筛查不变。288 个来自三个模板的合法计划无一被拒，误拒率 95% 上限为 0.0103；会话监视器拦截跨调用分解攻击。在留出基因集上，基因座轴富集体内插入性肿瘤发生驱动因素（AUROC 0.605；比值比 3.34）。设计阶段治理可行；BioFirewall 已开源。
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。
脱靶裂解是CRISPR-Cas9基因组编辑的主要安全隐患。研究者用五个机器学习分类器对公开的GUIDE-seq脱靶数据集（Kleinstiver等，2016，Nature）进行基准测试，该数据集含5个sgRNA的95829个候选脱靶位点，其中仅54个（0.06%）经实验验证为真实切割位点。在保留的测试集（n=19166，11个真阳性）上，基于组合错配与序列特征的梯度提升表现最佳（ROC-AUC=0.997；PR-AUC=0.355；最佳F1=0.50），优于随机森林和序列CNN。鉴于阳性类极少，以精确率-召回率AUC为主要指标。分析显示验证的脱靶位点平均错配数较少（3.6对5.9），且在PAM近端种子区和PAM处错配耐受性更低，与Cas9识别模型一致。该研究展现了严重不平衡小阳性类场景下可实现的分辨能力。
据Latent Space报道，自2022年以来，人工智能流水线的各个组件正逐步从人工制造转向模型制造，每个转变都始于前沿实验室的“零号病人”。这种转变可概括为“模拟”，其特点是性能略差（10%），但成本极低（100倍）且速度极快（10000倍）。第一阶段（2022年）：奖励信号合成化，InstructGPT建立奖励模型范式，随后宪法AI和RLAIF让AI自我评判。第二阶段（2023年）：训练数据合成化，微软Phi系列证明“教科书即一切”，苹果WRAP通过LLM重写整个网络使预训练效率提升约3倍，NVIDIA的Nemotron-4 340B发布了许可的合成数据生成流水线。
计算预测酶功能对基因组注释和酶设计至关重要，但现有模型是否真正学习催化活性结构决定因素尚不明确。为此，研究者构建了EnzymARC基准数据集，通过结构引导的系统性破坏酶活性位点（针对催化残基及周围5、10、15埃半径）生成推定无功能诱饵序列。评估DIAMOND、CLEAN和DeepEC三种预测模型发现，当前模型易受系统发育捷径影响：DIAMOND和CLEAN对低扰动诱饵的假阳性率超90%，即使催化机制被破坏仍自信分配原始EC号；DeepEC在高扰动下灵敏度提升，但所有模型均难识别定点活性位点破坏。研究表明现有EC预测器无法区分无催化能力变体与功能酶，将结构感知负样本纳入训练和基准测试对开发稳健模型至关重要。
第35届国际人工智能联合会议和第29届欧洲人工智能会议（IJCAI-ECAI 2026）评选出三篇杰出论文。其中一篇题为《近似策略鲁棒性在基于批准的预算分配中》的论文，由Haris Aziz等人撰写，证明了Nash乘积规则（NASH）的激励比率为2，从而在放宽策略鲁棒性的条件下绕过了Brandl等人的不可能性定理。另一篇论文《元组不一致度量：走向查询答案的解释》由Yurun Gu等人提出，引入新的元组不一致度量来量化元组对不一致数据库中违反约束的贡献，并应用于查询答案的解释。
PEtab SciML是一个用于指定动态科学机器学习（SciML）参数估计问题的可互操作数据格式：在动态建模中，将机理型常微分方程（ODE）与机器学习组件相结合，并从时间序列数据中联合估计机理与ML模型参数。该格式支持多种ML-ODE混合模式，配有参考Python库，以及Python/JAX（AMICI）和Julia（PEtab.jl）的下游建模支持与真实数据基准。代码托管于GitHub，参考Python包可从PyPI安装，并在Linux、macOS和Windows上持续测试。
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。
生物信息学软件和数据库是生命科学研究的重要工具，但其文献提及常不一致，难以大规模识别。研究者提出混合命名实体识别框架 SNAIL，用于自动识别生物医学文本中的软件/数据库名称。SNAIL 结合词汇与语义建模：词汇模块捕捉拼写和上下文线索，语义模块利用 SciBERT 等 transformer 模型的上下文嵌入，并加入显式 token 掩码策略增强实体表征。训练语料通过引文提示提取与大语言模型辅助蒸馏自动构建。在两个独立基准数据集和真实论文上的评估显示，SNAIL 明显优于 bioNerDS2 及 ChatGPT、Gemini、Grok、Claude 等现有方法。大规模文献分析还揭示了不同生物信息学子领域在期刊层面的偏好。
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。
微软研究院发布的Skala 1.1展示了其深度学习交换关联泛函的持续改进，训练数据比前代多2.5倍，在热化学、反应动力学和分子结构预测等关键模拟任务中精度显著提升。目前Skala已在CP2K中可用，并正在集成到Psi4、FHI-aims、ORCA和VASP中，使下一代DFT精度更贴近日常使用这些代码的研究人员。此外，微软研究院还推出了一个实时基准测试，用于追踪后续优化版本的性能，帮助社区衡量并加速向更高精度和效率的进展。
人工智能天气预报系统通常每六小时提供一次预报，但无法捕捉其间天气的连续变化。为此，MET Norway与ECMWF合作开发了数据驱动的概率时间降尺度方法HourGlass，从六小时预报重建逐小时的大气演变，保持与原始预报一致，同时避免误差累积。该方法已在全球和区域预报系统中成功评估，并将于今年晚些时候纳入ECMWF业务预报系统（AIFS v3），为AIFS Single和Ensemble提供关键地表变量的逐小时预报。在MET Norway，HourGlass已近实时运行，供预报员评估，并计划用于Bris集合预报系统。HourGlass采用CRPS的变体，以避免确定性训练导致的过于平滑问题，从而保持小尺度变率。
学者们日益使用AI测量下游分析中的变量，但若忽略预测误差，即便AI准确率超过90%，也会导致显著偏差和无效置信区间。现有方法如基于设计的监督学习和预测驱动推断需依赖金标准标签，成本高昂。本文提出多重不完美测量去偏推断（DMM）框架，利用多个有误差的AI测量，在无金标准标签下实现有效推断。该框架基于CP分解，假设测量在给定潜在真实标签和观测特征时条件独立，允许分类错误率随标注方法和单元变化。半参数推断理论证明DMM估计量一致且渐近正态，模拟显示其推断有效，加入不完美测量可提升效率。同时开发了诊断条件独立假设的方法。
Monroe是一个新的分子基础模型，在超过8100万个分子的PM6量子化学数据集上预训练，改进了立体化学的图表示、训练损失（包括构象去噪和嵌入去相关）以及多任务学习，并使用TabPFN进行下游上下文预测。在Polaris基准上，Monroe匹配或超过现有模型，在活性悬崖基准上显著优于先前方法。消融和迁移实验表明，基于PFN的下游预测器也能提升MiniMol和CheMeleon，分别产生状态-of-the-art变体MiniMol_PFN和CheMeleon_PFN，表明其适应策略具有通用性。
材料机器学习模型正取代第一性原理计算，物理对称性是核心。旋转对称误差只是近似误差；有些约束精确：中心对称晶体压电张量必为零，非零即物理上不可能。模型能否避免这类预测由训练前一个罕被报告的设计位决定：特征是否带宇称标签。据此推出的“宇称间隙”判据，用群论判断受影响的性质与晶体。在仅差该位的成对架构中测试两千个中心对称晶体，带宇称标签模型停在浮点下限，仅旋转对称模型在90–96%晶体上预测禁戒响应，相差六个数量级，且精度无损。显式零训练无法恢复精确；冻结通用势上的预测头继承主干对称群；随机初始化时一次反射可秒级验证标签。
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。
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。
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。
DynGeo-Pheno是一个统一的几何深度学习框架，整合蛋白质语言模型表示和各向异性网络模型动力学，捕捉进化、结构和生物物理信息。该框架能高精度预测疾病相关磷酸化位点和致病性错义突变。消融分析表明，蛋白质动力学为致病性预测提供了超越序列进化和结构拓扑的互补信息。该框架揭示了疾病相关扰动优先定位于功能性结构区域，如配体结合口袋和蛋白质-蛋白质相互作用界面。磷酸化位点和错义突变表现出不同但趋同的动力学特征：前者富集于柔性调控区域，后者富集于有序结构元件。两者均显示增强的长程耦合、扰动响应性和机械稳定性，表明致病残基优先占据机械约束和变构调节位点。该研究为内在蛋白质动力学作为致病性的重要补充决定因素提供了有力证据，并建立了可解释AI预测的统一框架。
本期AI先驱访谈节目对话可解释机器学习先驱Cynthia Rudin。她因开发可解释算法而获2022年松鼠AI奖，其算法已用于癫痫预测、犯罪检测和生物研究。Rudin分享了与Con Edison合作维护纽约电网的早期经历：黑箱方法失败后，简单模型的准确性反超黑箱。她指出，在高风险问题中，数据噪声大，黑箱并不一定更准确。她致力于用数学证明简单模型的有效性，并探讨了Rashomon集等概念。
研究人员提出“The Little Scientist”框架，让基于LLM的智能体以有序、迭代的方式走完科学方法各步骤，包括假设、实现、实证测试与反馈；当Scientist智能体陷入局部最优时，Kuhn智能体会注入范式转换式猜想与跨学科灵感。在蛋白质适应度预测中，该框架发现集成校准策略Delta V，在ProteinGym DMS Substitutions Zero-Shot榜单全部五项官方指标上排名第一，平均Spearman相关比第二名VenusREM高0.033（217个DMS测定）。在DNA基序发现中，该智能体从零写出算法DALE，在132个ENCODE转录因子上平均AUROC为0.842，优于STREME的0.803（Wilcoxon p < 10^-6），且运行快11倍。整个研究在无GPU的单台虚拟机上消耗704M tokens。
论文提出CASE，在答案token的隐藏状态上训练线性门控并选择得分最高的候选。其核心贡献是“可解码性”（decodability），一种无泄漏度量，预测隐藏状态选择是否优于多数投票。传统探针看似准确，实因问题身份泄漏；按问题分组评估后优势消失。留出数据上，可解码性以Pearson r=0.75预测增益，阈值接近AUC=0.60。在通用和医学LLM上，CASE在中等问题上比投票最多提高19个百分点，难题上提高16.8个百分点。可解码性取决于需回忆的对齐知识而非模型规模，向未见科学领域的迁移误差在3.8个百分点以内。
物理信息神经网络（PINN）为求解正问题和反问题提供了灵活框架，但在结构动力学中受高维度和模型误差限制。现有PINN-降阶模型耦合通常依赖固定降维子空间或假设物理完备。本文提出一种具有自适应基精细化的降阶物理信息神经网络（RO-PINN），通过投影将降阶控制方程嵌入损失函数，并在训练中更新投影基以逐步对齐潜在空间与结构参数或残差恢复力。在带非线性滞回支撑的四层钢框架上验证，该方法在稀疏噪声数据下参数识别精度可比或优于贝叶斯模型修正，且计算成本更低；能恢复未建模的非线性恢复力，并在统一框架中联合识别结构参数与残余恢复力。
药物反应预测模型的性能常受限于数据集规模及癌症、化学空间覆盖不足。本研究大幅扩展IMPROVE基准，主要整合PharmacoDB等药物基因组学数据源，形成包含数百万条药物反应测量、更广泛多组学覆盖及超过5万种新增化合物的资源。使用共同测试集和多种评估策略比较新旧数据训练的模型：癌症盲表现与原始基准相当，而药物盲和disjoint划分下的表现一致提升，表明模型对训练中未见过化合物的泛化能力增强。该扩展数据集可作为社区资源，为开发旨在辅助新抗癌药物发现的预测模型提供更丰富基础。
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。
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。
针对不同生物学背景下扰动效应预测的挑战，研究人员提出了一种名为“特征重映射”（signature recontextualization）的基准框架，明确定义了预测任务、目标数据可用性以及基于特征恢复的评估指标。该框架在三种目标背景下评估性能：仅对照组、低覆盖和高覆盖。他们对投影法（projectCor）、网络传播法（netProp）与深度学习基础模型（scGPT、STACK）及统计基线进行了比较，覆盖四种扰动数据集，包括细胞系中的CRISPR敲除和药物扰动，以及大鼠组织的体内化学扰动。结果显示，投影和网络方法在不同扰动类型和背景下表现灵活，有时甚至优于深度学习模型，表明模型复杂度并不必然提升跨背景泛化能力。预测能力与通路保守性、转录响应强度和基线相似性相关。所有数据和方法已作为开源R包sigRecon发布。
心血管-肾脏-代谢（CKM）综合征是一种日益普遍的多系统疾病，常导致护理碎片化和高医疗费用。研究人员利用10,090例模拟患者的合成队列，验证了可解释且由临床医生监督的CHAPERONE-CKM框架。该框架可生成CKM分期、实施优先级、临床可读的理由、多学科转诊路径和指南导向的治疗提示。结果显示框架在不同亚组中表现稳定，校准良好，并能在工作流模拟中比反应性工作流更早识别需多学科审查的患者。但作者强调这仅是早期转化里程碑，而非临床验证，需进一步的外部验证和前瞻性研究。
一项获EMNLP接受、针对Olmo 3的新研究发现，在测试的药物中，51–59%几乎没有体现出药物特异性知识，另有约12–18%似乎依赖药名词缀（如-pril、-olol、-azoline）作答。研究由得克萨斯大学奥斯汀分校的Kaijie Mo领导，与东北大学和MD Anderson癌症中心合作；团队利用Olmo 3的开放权重、训练语料和中间检查点，将药名词干、词缀或两者替换为无意义字符串，以区分模型依据，并把这一捷径追溯至训练数据。
提出一种基于标准ReLU深度神经网络（DNN）的时间序列预测与不确定性量化方法。传统方法多用线性、非线性或非参数核方法拟合预测时间序列；DNN虽具通用逼近能力，但其不确定性量化尚未被充分研究。预测不确定性包含未来变异与训练数据内的估计变异。为同时捕获二者，作者用DNN估计量构建所谓的pertinent prediction interval（PPI）：先考察DNN估计量在beta-mixing相依数据下的一致性，再证明前向bootstrap序列仍为beta-mixing且以概率与原时间序列具有相同的平稳分布，后在预测根极限分布的最小条件下构建PPI。模拟与真实数据分析将该方法与标准非参数方法进行了比较。
BOCoDe 是一个面向工程设计的贝叶斯优化基准，开源且基于 PyTorch，包含 307 个黑盒优化问题，其中 159 个为工程设计任务，并配有常用合成函数与超参数优化（HPO）基准。所有任务均有引文出处和机器可读元数据，可被程序化发现（包括 LLM 智能体），并通过统一 API 使用。研究评估了 5 类问题上的 31 种 BO 与进化算法；结构分析显示，工程设计任务独特地覆盖了合成与 HPO 基准很少涉及的约束和多目标设置，且算法排名在不同领域差异大，标准基准结果在若干问题类中不能迁移到工程任务。
块体材料需在大空间尺度（约10^9原子或更多）上进行分子动力学（MD）模拟。现有机器学习原子间势（MLIP）虽将MD扩展到该尺度，但即使单组分体系也需数万块GPU；多组分模拟几乎不可行，因为现有MLIP的HBM占用在单组分体系中已很大，在多组分场景下会爆炸式增长。本文提出一种HBM占用不到现有MLIP 3%的MLIP：引入物理和化学知识降低特征向量维度，并将所有内核融合为单个mega-kernel，从而消除中间张量。评估中，该MLIP用144块NVIDIA A100 GPU，对含1.14×10^9个原子的6组分块体体系完成MD模拟；此前该尺度仅限单组分体系，且通常需要配备数万块GPU的高端超算。
本文提出一种机器学习-符号回归（ML-SR）策略，以开发可物理诠释的公式，用于预测假设金属有机框架（hMOFs）中的低压CO2吸附容量。在包含1000个样本的小数据集上训练了四种ML模型，并通过SHAP和特征重要性分析确定了五个关键描述符——最大腔径、孔隙限制直径、空隙率、重量比表面积和氢原子数。随后采用符号回归推导出简明的吸附公式Q=aA，其中a代表吸附基线（mmol/g），A为包含四个结构描述符的无量纲吸附数。作者将A解释为吸附结合力与扩散驱动力之比，揭示了孔拓扑和表面化学如何共同影响吸附。在包含137,652个hMOFs的综合数据集上的验证表明，该公式对62,448个结构的预测准确率超过70%，证实了其在定义的结构和操作范围内的适用性。与传统的黑箱ML模型不同，该物理引导的表达式能高效预测，并提供对吸附机理更清晰的理解。
研究者用受心理物理学启发的临床基准，考察医学大语言模型在阿尔茨海默型神经认知障碍（AT-NCD）与抑郁相关认知障碍（DRCI）鉴别中的选择与置信度。45个合成病例以三种提示变体呈现，共135次试验；gpt-4.1-nano诊断准确率93.5%，平均置信度78.4%，AUROC2为0.876。置信度随证据远离诊断边界上升、信息缺失下降，校正后正确试验高于错误试验，提示部分元认知敏感性；错误集中于中度、冲突的AT-NCD病例，模型过度自信。作者建议直接测量置信度质量，而非由基准准确率推断。
该论文复现了一项提出α-FLOPs估算公式的研究，以检验其在更新更强的硬件上是否仍适用。复现材料存在依赖细节缺失与回归数据不透明等局限。结果支持原始结论：仅FLOPs不足以衡量执行时间，空间维度比核维度更易并行化；但细粒度测量显示关系复杂得多，新硬件上执行时间出现不稳定、跳变和振荡，α-FLOPs公式普遍低估。研究确认原始实证发现，但α-FLOPs估算应用呈负面结果，并强调完整复现包的必要性。
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。
本研究提出“经验链”（Chain-of-Experience, CoE）范式，让大型语言模型（LLM）在测试时通过与自我或环境反馈的迭代交互积累经验，实现持续改进。在数学、编程和知识领域，使用8种LLM（包括GPT-5、Gemini-2.5 Pro、Claude-4.5 Sonnet）评估，发现利用迭代经验一致优于无反馈基线，仅自我反馈即带来显著提升，总体提升5.6%，API成本降低19%。结合互补反馈通道（如模型与正确性信号）可进一步增益，且CoE在每token准确率上优于现有测试时策略。模型基础能力与改进能力正相关，且在弱或虚假反馈下仍保持稳健。
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。
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。
在混合交通中，自动驾驶车辆决策面临三大挑战：基于物理的先验无法捕捉潜在交互意图和多样驾驶行为；周围车辆急动导致非平稳性，长尾安全事件未充分探索；混合动作空间因连续跟车和离散变道时间尺度不同而破坏统一RL训练。为此提出KDDRL：用条件深度生成模型合成意图感知的未来轨迹；知识-数据双驱动范式融合概率数据洞见与物理约束，引导安全探索；耦合模块压缩意图轨迹和物理约束为共享嵌入，实现异步多时间尺度优化。在数据集校准仿真中，KDDRL有效处理意图不确定性，加速训练收敛，在安全性、效率和舒适性上优于基线。
前沿LLM更新后通常在整体上优于旧版，但整体提升不能说明单个样本：更新仍可造成样本级回退，即旧模型正确而新模型错误。本文用统一的增量价值检验，将各信号相对于置信度基线的增益分离出来，比较推理时可得的单模型信号（置信度、logit间隔、注意力熵）与跨版本信号（输出KL散度、似然漂移、token级KL、表示漂移）。在六个基准、三个任务族（多项选择问答、数学推理、代码生成）和六组模型更新对上，信号有效性依赖任务；没有信号普遍最优；部分跨版本信号在置信度失效时仍有信息量，包括无标签情形，并支持将高风险样本退回旧模型的概念验证。代码见项目仓库。
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。
本文以Treloar经典实验数据为基准，评估了用于超弹性的主流数据驱动建模框架，包括（广义不变量）本构人工神经网络、物理增强神经网络、（自适应）材料指纹识别以及高效无监督本构律识别与发现。作者比较了各方法的拟合性能、计算成本、超参数敏感性和实现难度，并讨论了预测精度与模型复杂度之间的权衡，其中模型复杂度通过材料参数数量和本构模型及其导数评估时间衡量。结果表明，所有方法都能很好地复现基准数据；论文未判定单一最优方法，而是指出各自优势与局限，并提供使用指导。全部六种方法的源代码、训练与对比脚本、结果和数据均已公开，DOI为10.5281/zenodo.21915635。
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。
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。
生成式人工智能加速了分子设计，但不同模型在不同靶点和临床前药物发现阶段的适用性尚不明确。本研究对12种分子生成与优化方法在176个精选蛋白-配体系统上进行了基准测试，涵盖多种治疗靶点类别。评估了操作稳健性、化学有效性、独特性、分子与骨架多样性、类药性、合成可及性、对接、理化性质及ADMET属性。结果显示架构依赖的权衡：受体条件化方法利用结合口袋几何，流方法高效采样，参考条件化方法有利于类似物生成，合成感知方法提高化学可行性，但无方法一致地优化所有标准。还开发了状态感知功能分类器（SAFC），整合分子动力学受体集合、集合对接和蛋白-配体相互作用图，提供动态感知的功能活性排名，与对接和药物相似性评分部分互补。研究支持生成模型的混合、阶段特异性部署。
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。
研究发现突触囊泡糖蛋白2C（SV2C）与帕金森病相关，但缺乏选择性探针。研究者利用AI增强的虚拟筛选，从596万化合物中筛选出94个候选，经实验验证获得22个活性分子（命中率31%）。其中化合物36和56显示出低微摩尔亲和力（Ki分别为24.6μM和3.25μM）和对SV2A的10倍以上选择性，化合物56对SV2B也有约12倍选择性。这些发现为SV2C功能研究和药物开发提供了先导化合物。
基于LLM的智能体可代表用户访问云服务、调用工具或调度其他智能体，但会话期间权限静态且每次请求独立评估，可能违背委托任务或组合成禁止的后果。Agentic Principal Chain（APC）追踪授权链，通过六项检查、范围与预算限制及组合闭包，在模型外强制决策。在实验中，AgentDojo数据外泄从75-100%降至0%，InjecAgent所有544例数据窃取被阻断，破坏率由38.6%降至4.0%，操控率由90.5%降至12.1%。授权延迟第99百分位为0.24毫秒，但AgentDojo任务-注入对中效用下降8.6和13.9个百分点。实现、评估工具和数据公开。
科学发现常需优化代价高昂的目标函数，且搜索空间庞大、结构化且开放，如分子、蛋白质序列和计算机程序。生成模型（如大语言模型）虽能提供表达性先验，但其似然和自评估作为目标函数和校准不确定性的代理并不可靠，尤其对训练中未见的新颖候选。为此，研究者提出大型发现模型（LDM）：一种基于经验的循环架构，将生成模型与贝叶斯非参数奖励替代模型相结合。生成模型负责提出和改进候选设计，替代模型预测性能并量化不确定性，产生不确定性感知的价值，引导候选生成、改进和选择。发现记忆和替代模型随每个新实验观测持续更新。LDM在神经网络训练、抗体设计和分子优化三个场景中评估，相比仅用LLM反思或传统统计搜索，LDM实现验证BPB减少2.4倍，结合能相对降低18.2%，分子多目标性能提升超过60%。结果表明LDM可成为开放式假设空间有效搜索的通用发现引擎。
密码子优化通过同义序列变化提高核酸药物的表达和治疗性能。掩码语言模型（MLM）被提议作为传统频率法的替代方案，但其优势尚不明确。我们基准测试了CaLM、EnCodon和CodonTransformer三个MLM，涵盖反向翻译保真度、序列生成和九个分子表型预测任务，并利用SEAP报告基因进行实验评估。模型间差异显著，但无单一模型全面占优，简单序列特征在若干场景仍有竞争力。可解释性分析显示模型整合大范围密码子上下文，体外实验表明MLM设计的变异体在瞬时和稳定表达中均优于常规及商业序列，支持其捕捉翻译上下文的能力，建议多模型采样以提升疗效序列筛选成功率。
WorldRover是一个数据引擎，用于生成艺术家构建环境的丰富标注、长距离探索。其核心WorldRover-Engine是Unreal Engine管线，可执行并离线渲染分钟级路线，同时保留完整轨迹和场景几何。同一探索可在不同环境状态下从第一人称、第三人称和360度全景相机重放。利用该引擎构建了WorldRover-10M数据集，序列将RGB与公制深度、相机轨迹和轨迹导出的动作信号配对。第三人称子集额外提供密集光流、带可见性的长距离2D/3D点跟踪，以及区别于相机轨迹的角色轨迹。该引擎可将遍历从不同视角渲染，同时保留路线和几何，从而将长视野世界探索转化为可扩展的数据生成问题。
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。
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。
自动形式化通常被视为将自然语言数学命题翻译为机器可验证的正式语言（如 Lean 4）。然而，忠实的形式化需要将数学概念映射到 Mathlib 等正式库中的类型和定义，现有方法依赖参数记忆而缺乏反馈修订。本文提出 MathForm 框架，通过 Mathlib 知识检索和验证引导的迭代精炼构建经校验的训练数据。利用该框架构建了 FormalVerse 数据集，包含约367K个 Lean 4 验证示例，并训练了 MathForm-8B 模型。在六个基准测试中，MathForm-8B 在语法检查和一致性检查下的平均 Pass@8 分别为 88.06% 和 72.37%，优于多个专业的 32B 自动形式化系统；在 FATE-H 和 FATE-X 子集上，CC 通过率分别为 63% 和 37%，均超过最强基线。
谷歌 DeepMind 研究副总裁 Pushmeet Kohli 主管 AI for Science，介绍团队开发的 AlphaEvolve：将大语言模型与进化搜索结合，可发现全新算法、证明困扰研究者数十年的数学结果，并改进了已有 50 年历史的矩阵乘法算法，还能为数据中心调度等问题生成可解释代码，合作对象包括数学家陶哲轩。Kohli 提出「harness」架构，强调强大生成模型须配以可靠的领域评估器，才能区分幻觉与洞见。AlphaEvolve 的突破来自去掉人为提供的模板、搜索完整算法而非代码片段。多智能体系统让模型互相批评、改进与排序，DeepMind 的 AI co-scientist 经数天计算显著提升；模型往往更擅长评估想法而非生成想法，因此宜分离生成者、批评者与编辑角色。
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。
AI共同科学家已能生成假设、检索相关工作、设计实验、执行代码并撰写论文，但现有系统忽视使用者个体差异，仅优化新颖性、有效性和评审分数。本文提出个性化自动研究问题，在研究的每个阶段都基于研究者画像（图结构化的个人背景）进行条件化，以实现真正的协同科学。框架包含图基研究者表示、全流程个性化及面向个体的评估三部分，并指出研究者的隐性知识是新颖想法的关键，强调克服“一刀切”的失败模式。最后讨论开放难题。
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。
AutoResearchEval框架包含100项涵盖7个科学领域和完整研究生命周期（构思、检索、执行、分析、写作、评审）的任务，评估了8种框架-模型组合产生800条轨迹，并据此建立包含45种失败模式的ARFT分类。研究发现当前智能体普遍缺乏元认知循环，即无法核对产出与发现、修订不符之处、质疑路径合理性，且在全部组合中均存在，表明该缺陷源于模型层面而非特定框架。
LLM编码代理通过可能序列化、包装和重解析模型输出的接口发出Bash命令。仅凭匹配执行分数无法区分命令生成错误与生成后引入的故障。QuoteBench通过56个一次性任务（源自14个事件家族）进行精确最终状态验证，并刻意引入一个未转义解析器来跨越生成契约与执行传输。转义插值点可重现原始路径结果，因此任何恢复必须来自模型改变生成。在八种同窗口配置中，重放同一回复通过添加的解析器使成功率降低55.4至73.2个百分点；六种配置通过披露恢复30.4至60.7个百分点，其余两种为零或略负。GPT-5.6-sol的匹配差距-3.6点掩盖了-64.3点损害和+60.7点补偿。部署配置重排模型顺序：26个可比对中有一个明确反转，四个位于单任务边缘。评估命令发出代理应报告模型配置、生成契约、执行路径、操作点和最终状态验证器，而非将匹配分数视为内在属性。
现有AI科学家系统通常处理文本、代码或预计算摘要，忽略了空间、时间、跨通道等关键证据。为此，研究者提出OmniScientist，一种端到端全模态AI科学家，直接基于异质原始证据进行多学科研究。系统包含感知层和三个自主智能体（构思、实验、写作），在确定性流程中运行，使观察贯穿研究生命周期，并通过代码执行新颖性、严谨性和主张检查。在36个真实数据案例（涵盖5个学科、4类证据、多种模态）中，系统均完成从原始数据到成稿的全流程，平均论文得分6.3。与仅接收预计算特征的盲变体相比，直接感知在7个维度上全部提升，并在85%的对比中胜出。
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。
MindTopo 是一个新基准，用于测试多模态大语言模型的拓扑推理能力，评估其对连通性、封闭性、顺序、分离和打结等概念的理解。该基准既测量静态图像中的识别能力，也测量通过一系列动作保持和操作这些关系的能力。研究发现，当前模型在静态识别上表现较好，但在交互任务中表现不佳，表明它们在时间上维持一致拓扑理解方面存在困难。失败通常发生在规划阶段而非感知阶段，模型在场景变化时会丢失结构关系或提出违反物理约束的动作。这些发现强调了推进 AI 系统在机器人技术和交互环境中发展的机会。
《AINews》报道了一项新研究，该研究展示了如何解码加密的推理轨迹，并将其移植到其他模型、会话或用户中，从而显著改进开放模型。自o1发布以来，前沿实验室的推理模型加密了其推理轨迹以防止蒸馏，但此研究表明这些加密块可被重放至较弱模型并经提示转录。研究还警示，公开分享的加密推理会话可能泄露个人数据，初步扫描约7000条公共轨迹发现62个API密钥、33个邮箱、33个密码等敏感信息。论文还涉及对齐问题，如思维链摘要器隐藏答案等。
过渡态决定化学反应的速率与结果，但生成式过渡态预测模型在训练域之外的泛化能力尚少有研究。研究者基于小有机分子反应数据集 Transition1x，构建了包含受控元素替换和多样过渡金属配合物的基准，发现模型对训练中未见元素的泛化存在根本局限。采用基于平衡构象的自监督预训练，使模型在定向微调前接触新的化学环境，可在这些基准上改善未见体系的过渡态预测，降低几何结构的中位均方根偏差，并减少微调所需数据量。
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。
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。
微软研究院推出CARE-X，这是一个统一的胸部X射线视觉语言模型，旨在处理多种临床解读任务。它结合自由文本生成和结构化预测，提供叙述式报告和确定性输出。研究团队使用强化学习（DAPO）在多任务设置中奖励临床正确性。在另一项独立实验中，他们为Qwen3-VL-4B-Instruct配备了确定性测量工具，以评估直接计算在测量依赖条件下的效果。模型在来自Narayana Health的真实印度临床数据上进行了验证，包括罕见的ICU病理和CT确认的扩大情况。CARE-X目前是研究模型，未经监管批准，不用于临床诊断。
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。
一篇由领域内专家撰写的重要文章指出，尽管AI方法在药物发现中广泛应用，但迄今临床影响力证据“令人失望地有限”。作者认为，目前处于“缺乏证据”而非“证据缺失”的阶段。理想的效果如借助AI改善决策，包括选择疾病领域、靶点、先导分子和临床试验设计等，而当前AI技术在这些方面最不擅长。但不存在根本性障碍，改进可能比媒体报道更慢更贵。由于归因偏差，即便没有AI，也很难获得这些效果的良好数据。
艾伦人工智能研究所发布TutorMoments预览，这是一个基于真实一对一数学辅导记录的框架，用于评估大语言模型在“何时帮助”与“何时放手”之间的平衡能力。教师标记关键决策点，模型在模拟会话中接管辅导。结果显示，模型倾向于过度帮助，很少推动学生深入思考；明确提示权衡可改善表现，但仍不及人类辅导的适应性，且模型间差异大。团队公开了去标识化的辅导记录、回放代码及模型回放，以促进可复现研究。
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。
人工智能显著扩展了药物发现中的候选化合物生成，但在真实实验约束下选择最优化合物仍是一大瓶颈。该综述探讨了量子退火作为混合计算工作流中下游优化层的潜力。作者关注可表述为二次无约束二进制优化（QUBO）问题的约束主导决策任务，分析了退火架构如何补充AI生成的评分，并讨论了实际硬件限制、报告注意事项以及对经典基线进行严格基准测试的关键作用。
近期研究显示，医疗保健环境中LLM在评估与部署时的性能存在61个百分点的差距。作者认为这一差距并非源于基准设计不佳，而是评估协议中的隐含假设在部署时不成立。他们提出一个分类法，将假设分为任务型和结果型两类，以诊断差距的来源并指导如何弥合。弥合差距需要明确假设、检验假设是否成立并相应更新评估协议。
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。
Ai2 发布 OlmoEarth 平台，用于支持其地球观测基础模型的大规模推理。该模型基于约 10 TB 多模态卫星数据预训练，已用于森林砍伐监测、粮食安全和野火风险等应用。平台旨在帮助缺乏基础设施的环境组织，提供从微调到推理的完整服务。目前，平台可在约一天内处理覆盖大陆区域的数据，处理数十 TB 影像，成本低于每平方公里一美分。文章还介绍了开发中应对的工程挑战。
作者参加了一场关于数学与AI的研讨会，会上产出了《莱顿宣言》，已有3000多人签署。作者虽未签署，但并非反对，而是对宣言中一些自信的断言和建议感到不确定。他强调宣言在聚焦数学界面临AI问题上的积极作用，并引用了宣言中关于数学研究特征性价值的段落，包括证明的最高确定性、归因性、透明性和独立验证性等。
艾伦人工智能研究所（Ai2）在一篇评论中称，随着AI成为科研、医疗、工业和政府的关键基础设施，理解AI如何运作比以往更重要，因此开放是其核心立场。开放权重模型让人们能使用和改造AI，减少对单一供应商的依赖；完全开放发布还共享训练数据、代码、方法、检查点、评估和文档。该文主张信任需要公开证据，独立研究者需这些材料复现结果、检验局限、评估安全与可靠性。文中举例：东北大学与约翰斯·霍普金斯大学利用Olmo模型权重、内部表征、训练数据和出处研究临床应用中的群体偏差与知识截止日期；Arb Research等利用Olmo 3训练数据和中间检查点证明改写基准问题会虚增模型进展；得州大学奥斯汀分校、东北大学和MD Anderson癌症中心使用了Olmo 3和Ai2的infini-gram。
陶哲轩在博文中讨论了雅可比猜想，即复多项式映射局部可逆（雅可比行列式非零常数）则整体可逆。最近利用Fable AI在三维中构造了反例，给出显式七次多项式，其雅可比行列式为非零常数但映射不可逆。尽管验证简单，但构造看似奇迹，涉及大量抵消。该反例随后被几何解释，陶哲轩试图以较少代数几何知识进行消化。二维情形仍开放。
传统机器人学习依赖真实机器人采集演示和评估策略，耗时昂贵且难以复现。我们提出交互式世界模拟器：一种学习式的、以动作条件化的视频预测模型，仅根据当前图像和动作序列预测后续像素帧，无需物理引擎。在单个RTX 4090上以15 FPS运行超过10分钟，预测视频稳定且物理合理。该方法可降低数据生成成本并实现可扩展的评估。我们在四个任务上训练：T型推（刚体接触）、绳索布线（柔性-刚性交互）、抓取杯子（精细夹爪动力学）和扫堆（物体堆操作），全部仅从交互数据学习，无硬编码物理先验。
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。
预测酶催化性质具有挑战性，现有蛋白质语言模型（PLM）效率低且未能适应酶任务。提出酶特异性PLM EnzGFM，采用Mamba-Transformer混合架构及层次化预训练，在多个基准上优于Transformer PLM，加速2–5倍，并在动力学参数预测、酶-反应映射、EC号分类和突变效应评估上分别提升16.67%、15.69%、13.19%和20.04%。基于EnzGFM的EnzGFM-Agent流程能富集有益变体，减少湿实验筛选负担，有助于实际酶工程。
谷歌DeepMind与Isomorphic Labs联合发布生物韧性策略，旨在防范AI滥用并利用AI加强全球健康防御。过去12个月，双方与政府、生物安全组织及研究机构建立了超过15项合作。其方法涵盖预防、检测和响应：通过威胁建模、评估、缓解和监控确保模型安全；与生物学家和安全专家合作测试模型；并将SynthID水印技术应用于生物领域。此外，AlphaFold、AI药物设计引擎（IsoDDE）和AlphaGenome等突破，正助力主动防御、加速疗法发现。
治疗性肽兼具小分子和抗体的优点，但需评估多种可开发性属性。作者介绍了PeptiVerse，一个利用大型基础模型、基于氨基酸序列或修饰肽SMILES进行属性预测的统一平台，在多种任务上达到先进水平，并提供网络界面和开源实现，支持早期药物开发及属性感知的生成式设计。
陶哲轩在博客中展示了如何利用编码代理将论文中的图转化为交互式动画。他以最近与Chase和Hunter合著的关于Gilbreath猜想的论文中的图1为例，该图绘制了“Gilbreath期望序列”的精确值和数值模拟值。该序列由倒金字塔状的Gilbreath数组定义，顶部为指数随机变量，其余为相邻差的绝对值。序列为左侧对角线的期望，论文中仅计算了部分理论值，其余通过蒙特卡洛模拟获得。Michael Ross扩展了理论值，与模拟吻合良好。序列的渐近行为仍未知，甚至无法证明有界，论文中仅证明了其衰减不会快于某个界限。
通用机器学习力场（UMLFF）有望加速材料模拟，但以往评估仅基于计算基准，难以反映真实性能。为此，研究团队提出UniFFBench框架，包含MinX数据集——涵盖85种元素、1500多种矿物体系，涉及极端热力学条件（0-5000 K，0-1000 GPa）及结构复杂性（如部分占据和无序）。通过实验参考值验证，评估了六种先进UMLFF的泛化能力，发现存在显著的“现实差距”：在计算基准上表现优异的模型在实验复杂性下常常失效，即使最佳模型的密度预测误差也超过实际应用阈值，且模拟稳定性与力学性能准确性之间不相关，误差更多与训练数据代表性相关。
蛋白质语言模型及其整合结构或同源序列的模型，通过估计序列似然度 p(序列) 来反映适应度景观，常用于突变效应预测与蛋白设计。然而，研究表明模型性能并非随规模增大而持续提升，超过一定大小后反而下降。原因是模型规模、训练数据和随机因素会使预测的 p(序列) 偏离真实适应度，而最佳预测需与同源序列的进化模式匹配，通常在中等的 p(序列) 水平实现。过大的模型倾向于预测更高的 p(序列)，超出该范围，导致性能降低。该发现阐明了蛋白模型在适应度预测上的缩放行为，并为应用与开发提供了实用指导。
一篇发表于 Nature Medicine、题为《Biological Aging Clocks in Health and Disease》的受邀综述讨论了生物学衰老时钟。文中指出，按日历年龄推断持续、线性衰老的“时间年龄错觉”已受到挑战：多项采用大规模蛋白质组学及其他生物指标和影像数据的研究，在约34岁、60岁和78岁发现3个主要衰老波次。器官的衰老速度也并不同步。英国 National Survey of Health and Development（NSHD）中，1,800名均于1946年同一周出生的参与者在63岁时接受了6个器官和免疫系统的蛋白质组学评估，队列内器官及免疫系统的衰老速度相差约10年。
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。
在AAAI/SIGAI博士联盟系列访谈中，麦吉尔大学和Mila-魁北克AI研究所的博士生Thi Kieu Khanh Ho介绍了她的研究。她专注于时间序列异常检测，旨在在标记数据稀缺、嘈杂或受污染的情况下，教会AI系统识别真实世界数据流中的异常。她的方法可应用于医疗、工业监控和预测性维护。她开发了EEG-CGS，一种无需标记癫痫样本即可检测脑电图（EEG）异常通道的自监督框架；以及TSAD-C，一种处理训练数据本身含有异常情况的多元时间序列异常检测框架。她还撰写了关于自监督学习和基于图的时间序列异常检测的综述。
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。
NEP89是一个覆盖89种元素的通用神经势能模型，统一了无机与有机体系，旨在实现远超第一性原理方法的模拟速度数个数量级。该模型有望加速材料与化学体系的模拟研究，但具体细节和验证结果有待进一步公开。
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。
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。
斯坦福大学主导、李飞飞参与的研究团队发布基准 ESI-Bench，记录所有受测前沿多模态AI模型的一项具体可测失败：当模型必须在3D环境中主动移动，而非解读预先构好的图像时，最先进系统会持续选错动作、跳过能纠正错误的视角，并以高置信度坚持错误答案；论文称之为“动作盲视”。该基准含10个任务类别、29个子类别、约3000项任务，构建在 OmniGibson 模拟器和斯坦福 BEHAVIOR-1K 数据集上，并围绕哈佛发展心理学家 Elizabeth Spelke 提出的核心知识系统组织。它取消以往基准的“神谕观测”假设，要求智能体先决定调用感知、移动还是操作及其顺序，以主动揭示遮挡结构、动力学、容纳关系与功能等静态图像无法呈现的信息；每项任务的正确答案若不先选择动作便结构上不可得。
在野外，斑胸草雀并非孤立鸣唱，而是在动态社会群体中相互呼唤。生态学家理解这种交流需要知道谁在与谁通信，但个体级别的追踪一直困难。生态学家Hugo Loning与AI研究员Aneesh Chauhan合作，应用Earth Species Project开发的自我监督生物声学模型BirdAVES，从野外录音中识别个体斑胸草雀，生成“谁在何时歌唱”的时间线，从而研究社会行为、移动和信息共享。该论文已被NeurIPS 2025首届非人类动物AI研讨会接受。
Anthropic 发现团队研究员 Brianna 在博文中分享了近期生物信息学基准测试工作。文章回顾了大语言模型评估的演进：从 MMLU-Pro、GPQA、LAB-Bench 等侧重专家知识、推理和文献工作的基准，到 FrontierScience、Humanity's Last Exam 等更难的科研推理评测，再到 BLADE、BixBench、SciGym 等面向真实工作流的任务式基准。这类测试旨在判断模型是否足够胜任、可靠，能否支撑甚至完成专业级科研工作；科研人员目前已用模型编写分析管线代码、提出假设并从数据中得出结论。所给摘录未介绍 BioMysteryBench 的具体设计或结果。
研究者将分层相关性传播（LRP）向注意力机制扩展的AttnLRP方法应用于当前先进的基因组语言模型DNABERT-2，提出从token到核苷酸水平的解释迁移策略，并在基因组数据集上用多种指标评估这一适配，同时将其解释与基线CNN进行广泛比较。结果显示，AttnLRP能产生与已知生物模式相符的可靠解释，表明与CNN类似，基因组语言模型也有助于获得生物学见解。该工作为gLM的可解释性及跨架构相关性归因的可比性作出贡献。
谷歌DeepMind研究负责人Vivek Natarajan将在2026年6月12日于伦敦举行的第10届研究与应用AI峰会（RAAIS）上发言。他是Med-PaLM及Med-PaLM 2的首席研究员，这两个系统分别在USMLE问题上达到及格和专家级水平，其中Med-PaLM 2在MedQA上得分高达86.5%，较前代提升超过19个百分点。他还共同领导Project AMIE，旨在构建多模态对话式诊断智能体，能收集症状、跨专科推理并解释视觉医学信息。2026年3月，团队发表了前瞻性临床可行性研究结果。
近期大量蛋白质语言模型发布，但如何从中采样以优化目标生物性质的研究较少。本文提出一种灵活有效的掩码语言模型（MLM）采样方法——随机束搜索，利用MLM能高效评估序列1-编辑邻域的伪困惑度这一特性，将生成重构为全序列评估，从而支持多目标灵活引导。作者在真实抗体治疗药物活动中进行了体外头对头评估，结果表明采样方法的选择影响显著，呼吁更多研究关注这一被忽视的领域。
去年夏天，OpenAI生命科学研究负责人Joy Jiao等研究人员与Ginkgo Bioworks合作，测试AI能否真正“做科学”。Jiao指出，“设计最优实验”没有标准答案，属于既难求解也难验证的“hard-hard问题”。团队选用超级折叠绿色荧光蛋白sfGFP作为基准，因为它的绿色荧光信号快速且明确。实验聚焦无细胞蛋白合成（CFPS），即在活细胞之外、用受控混合体系运行细胞自身 machinery 制造蛋白。GPT-5从OpenAI旧金山总部设计实验，发送至波士顿Ginkgo的机器人系统；联合创始人兼CEO Jason Kelly称这套自主实验室是生物学的“Waymo”：研究者设定目标，AI负责驾驶，无需持续人工监督。GPT-5在迭代中分析传入数据，但文中未给出实验结果。
在IPAM研讨会上，菲尔兹奖得主陶哲轩与OpenAI首席研究员Mark Chen进行炉边对话，讨论AI在数学领域的飞跃。一年前陶哲轩评价GPT像“效率极低的博士生”，如今AI已在IMO获金牌级成绩，人类编写的基准测试被迅速“击破”。陶哲轩认为数学试错成本低，AI快速解决长期被忽视的Erdős问题，促使数学界反思研究分工、人机协作与教育变革。
分子优化是化学科学的核心瓶颈，尤其在制药行业，但依赖昂贵且速率受限的评估，需高度样本高效。为此提出SEISMO，一种推理时分子优化LLM智能体，将原本被丢弃的辅助信息转化为显式引导信号。它基于自然语言任务描述、完整优化轨迹及事后可解释性和子得分分解产生的机器可读反馈，对每个提议进行条件化。在多项药物发现相关任务中，SEISMO持续优于现有优化器和零样本LLM生成，且随解释反馈丰富而增益增加。实践中，药物化学家可检查其推理并自然语言干预，保持人在回路。
Google DeepMind 称，Gemini Deep Think 在专家数学家和科学家指导下解决数学、物理和计算机科学中的专业研究问题。2025年夏，一个高级版本在国际数学奥林匹克（IMO）达到金牌标准，更新版本随后在国际大学生程序设计竞赛（ICPC）取得类似成绩；团队最近一周发表了两篇相关论文。研究级数学方面，团队构建了基于 Gemini Deep Think 的智能体 Aletheia，用自然语言验证器发现候选解法缺陷并迭代修正，且能承认失败；为应对高级科目中因数据稀缺造成的浅层理解与幻觉，它还使用 Google 搜索和网页浏览，避免虚假引用和计算错误。模型在 IMO-ProofBench Advanced 上随推理时计算扩展得分最高达90%，而 Aletheia 显示更低推理时计算也能实现更高推理质量。
insitro于2025年12月16日宣布，验证其POSH平台的研究发表于《Nature Communications》。研究团队开发了CellPaint-POSH，将pooled CRISPR筛选、高内涵成像与自监督深度学习结合，无需预设生物标志物或人工假设，即可大规模绘制基因功能图谱。多个大规模实验表明，有生物学意义的基因网络能直接从形态学读数和AI嵌入中涌现；相比传统假设驱动分析，该平台可发现系统性遗漏的细胞关系与治疗靶点，打破了药物发现中规模与深度之间的历史性取舍。
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。
RFdiffusion3 作为开源软件发布，这是一种先进的生物设计 AI 模型，能够生成与活细胞内常见任何类型分子相互作用的新型蛋白质。该模型采用原子级扩散，能够精确控制化学相互作用，从而设计出前所未有的蛋白质结构。相比早前的 RFdiffusion2，性能提升十倍，在多项计算基准测试中达到或超越先前工具。该模型可应用于设计降解微塑料的酶、合成转录因子用于基因治疗，以及构建环境监测生物传感器。
分子Hessian（势能的二阶导数）是计算化学许多工作流程的基础，但精确计算通常昂贵且随体系规模扩展性差。本文提出Hessian原子间势（HIP），一种直接预测Hessian的深度学习模型，不依赖自动微分或有限差分。模型利用图神经网络计算最高到l=2的不可约表示（irrep）特征，构建SE(3)等变、对称的Hessian。相比现有方法，HIP的Hessian计算快一至两个数量级，更准确、更省内存、更易训练，且随体系规模扩展性更好。在过渡态搜索、几何优化、零点能修正和振动分析等下游任务中，HIP均表现出一致的优越性能。作者已开源HIP代码和模型权重。
FutureHouse的科学主管Andrew White阐述了其代理堆栈，包括一个药物再利用案例，并强调科学出版和评估必须为机器读者重新设计。