PhAI Labs 联合斯坦福等团队推出 JEPA-Anything，将 JEPA 扩展为跨物理到生物的通用世界模型
PhAI Labs 牵头、联合斯坦福、牛津和普林斯顿的研究团队发布 JEPA-Anything，将 Yann LeCun 提出的 JEPA 架构扩展为可跨七个领域工作的通用世界模型。
全部AI 动态
全部动态
今日 6 条The DecoderAI 评分6060 OpenAI News精选AI 评分6161 OpenAI 公布内部前沿模型在数学开放问题上的进展
OpenAI 发布内部前沿模型在数学开放问题上的新结果，并在 GitHub 上分享 Lean 证明形式化和研究细节。
推荐理由：OpenAI 公布内部前沿模型在数学未解问题上的结果，并开源 Lean 证明形式化，读者可查看研究细节。
GitHub Blog · AI & MLAI 评分5757 GitHub 发布开源基准 ReviewBench 用于评测 AI 代码审查
GitHub 发布开源离线基准 ReviewBench，用于评测 AI 代码审查智能体。基准基于 1.039 亿 GitHub pull request 的分布建模。
Google ResearchAI 评分4747 Google 发布智能体隐私与安全研讨会报告：以情境完整性视角探讨开放性难题
Google 发布 CAPS 研讨会报告，汇聚 50 多位学界与业界领袖，探讨自主智能体的隐私与安全挑战。报告指出智能体在非结构化接口、概率性控制流和自主委派三方面区别于传统软件，并以情境完整性（Contextual Integrity）理论为基础，提出构建情境策略引擎，结合系统级沙箱、模型级推理和以用户为中心的控制，形成多层防护方案。
Google ResearchAI 评分5252 Google Earth AI 开放 PDFM 地理空间基础模型用于全球公共卫生
Google Research 将 Earth AI 的 Population Dynamics Foundation Model（PDFM）位置嵌入作为即插即用输入，与五家机构在五类公共卫生挑战上完成独立验证，覆盖 MMR 疫苗接种、心血管疾病、登革热、产后抑郁和霍乱。
MIT Technology Review · AIAI 评分4242 MIT Technology Review 报告：如何将 AI 智能体连接到企业知识
MIT Technology Review 基于 300 位数据、AI 及技术高管的调研报告指出，知识匮乏是 AI 智能体项目难以落地的主要原因，平均仅 34% 的 agentic AI 项目进入生产环境。
Simon WillisonAI 评分3333 Qwen3.8 27B 用单词做加法基准测试
一项基准测试了本地 `Qwen3.8-27B-Q4_K_M.gguf` 模型能否只用英文单词表达正整数加法的精确结果，共 5,070 个关闭推理的用例及 169 个开启推理的对照用例。关闭推理时数值准确率仅 23.57%，其中 1-3 位数运算达 97.04%，10-13 位数降至 6.44%，格式合规率 96.17%；开启推理后在 169 次尝试中答对 167 次。
Hugging Face Blog精选AI 评分6969 Microsoft ThinkingBox 登陆 Hugging Face，以后端状态评测智能体真实可靠性
Microsoft 与 Hugging Face 发布 ThinkingBox 智能体沙箱和 ThinkingBox-Bench 基准，507 个有状态业务工作流、每任务运行 20 次，用可执行检查评测终端数据库状态与副作用，现已通过 OpenEnv 在 Hugging Face 开放。
推荐理由：原文用可执行的后端状态检查区分了表面成功与真实结果，还给出各模型一致性与成本数据，对评估智能体有直接参考。
The DecoderAI 评分4747 AI 在速度和准确性上超越持证会计师，但仍无法在无监督下完成结账
Mercor 的研究让 12 名平均经验 5 年半的持证会计师完成 APEX Accounting Benchmark 的简化任务，结果显示当今 AI 模型的速度、准确率和成本均优于会计师，而 18 个月前最佳模型得分还低于会计师约 37% 的平均水平。
TechCrunch · AIAI 评分6868 Graphite 研究找出各前沿模型的 AI 写作特征，Claude Opus 5.5 爱说 this matters
TechCrunch 报道 Graphite 的新研究：对比 ChatGPT 发布前的 10,000 篇人类文章和各模型重写版本，找出 13,000 个在 AI 文本中出现频率至少高 2 倍的短语。
Ars Technica · AIAI 评分6767 AI 击败史上最强 Stratego 棋手 Pim Niemeijer，训练仅用 16 块 GPU
卡内基梅隆、MIT、纽约大学和斯坦福的研究团队开发出名为 Ataraxos 的 AI，以 15 胜 1 负 4 平击败被认为是史上最强 Stratego 棋手的 Pim Niemeijer，训练仅用 16 块 GPU 和几千美元。Stratego 是大量信息隐藏且博弈时间尺度很长的不完全信息游戏，此前连 DeepMind 也未能造出稳定击败人类顶尖玩家的机器。
The Decoder精选AI 评分7777 AI 击败 Stratego 史上最强人类棋手，Ataraxos 以不到 8000 美元算力突破不完美信息博弈
研究团队开发的 Ataraxos 在三周的对局中以 85% 有效胜率击败了四届世界冠军、公认史上最强的 Stratego 棋手 Niemeijer，并在 2025 世界锦标赛表演赛中赢下 40 局中的 38 局。
推荐理由：原文对比了 Ataraxos 与 DeepNash 的训练成本和方法细节，读者可以了解不完美信息博弈研究的最新进展。
Ars Technica · AIAI 评分5656 Google DeepMind 发布 SynthIDBio，为 AI 设计的蛋白质添加水印
Google DeepMind 团队发表论文，提出蛋白质水印方案 SynthIDBio，可在不破坏蛋白功能的前提下为 AI 设计的蛋白序列加入水印。该系统基于 SynthID 技术，集成到流行的蛋白设计工具 ProteinMPNN 中，在逐个放置氨基酸时只在保持功能可行的位置引入与水印一致的氨基酸。
Simon WillisonAI 评分5959 Anthropic Frontier Red Team：GLM-5.3 在二进制漏洞利用基准上 4% 试验中实现完整控制流劫持
Anthropic Frontier Red Team 在 100 道内部 Binary Exploitation 基准随机任务上评测多个模型，GLM-5.3 在 4% 的试验中实现完整控制流劫持，Claude Mythos Preview 为 6%。早期模型如 Claude Opus 4.6 和 GLM-5.2 则无一成功，作者认为一个有意义的门槛已被跨过。
Google ResearchAI 评分3838 Google Research 提出 Diffusion Controller 框架，统一并简化 AI 图像生成控制
Google Research 推出 Diffusion Controller 框架，将去噪过程重构为连续控制问题，用轻量“转向阻尼”网络在不动主模型权重的情况下引导图像生成。基于 Stable Diffusion v1.4 的实验中，其完全解锁版本在 Human Preference Score（HPS-v2）评测下对基线达到 90% 胜率，并支持对闭源模型做黑盒/灰盒控制。
Hugging Face BlogAI 评分4949 ProvenanceGuard：面向 MCP Agent 的来源感知事实性验证方法
Hugging Face 团队提出 ProvenanceGuard，一个针对 MCP Agent 的来源感知事实性验证层，可在生成后检查每条论断的支持来源是否与答案声明或暗示的来源一致，识别"跨来源混淆"问题。
Ars Technica · AIAI 评分5252 CESifo 工作论文：暂无证据表明 AI 显著冲击应届大学毕业生就业
慕尼黑 CESifo 经济学研究者 Robert Fairlie 和 Jane Wu 的新工作论文指出，无论绝对还是相对水平，都没有证据表明应届大学毕业生出现显著、大范围的岗位替代或招聘缩减。
Google ResearchAI 评分5454 Google Research 推出 AI 视频联合导演框架，用多智能体实现连贯长视频生成
Google Research 发布 AI 视频联合导演研究，构建了基于 Gemini 和 Veo 的多智能体编排层，包含 Co-Director、CANVAS、A²RD 和 VQQA 四个框架，将长视频生成转化为全局优化与世界状态跟踪问题。
Microsoft ResearchAI 评分4949 Microsoft Research：物理 AI 机器人推理卸载研究挑战机载 GPU 假设
Microsoft Research 的研究显示，仅依赖机器人机载 GPU 运行物理 AI 推理会限制性能、续航和可扩展性，将推理卸载到边缘或云端 GPU 可显著改善。
OpenAI NewsAI 评分3131 OpenAI 推出 MentalHealthBench 心理健康对话评测基准
OpenAI 推出 MentalHealthBench，这是一个由专家参与构建的评测基准，用于评估 AI 在真实心理健康对话中给出回复的有效性与安全性。
Hugging Face BlogAI 评分4545 英国 AISI 携手 EvalEval 让评测结果可复现
英国 AI 安全研究所（AISI）开始使用 EvalEval 的基础设施公开分享评测结果，包括 HealthBench、FrontierMath、Humanity's Last Exam、SWE-Bench Pro、Terminal-Bench 2.0 五个基准及 Cyber CTFs、The Last Ones 两项网络评测的验证结果。
OpenAI NewsAI 评分2626 OpenAI 经济研究解读：劳动者如何用 AI 开启新的工作方式
OpenAI 经济研究新报告分析了劳动者如何超越传统职业角色使用 AI，以及哪些新的活动成为其工作中的常规部分。报告揭示了 AI 在实际工作中的使用模式。
Google ResearchAI 评分4747 Google Research 的 Retrieve-for-Train 如何绕过推理瓶颈、加速复杂 AI 搜索
Google Research 提出 Retrieve-for-Train 框架，用离线 RL 发现奖励对齐的 query fan-out 并蒸馏为监督信号，绕过 LLM 逐 token 的链式推理延迟。
Hugging Face Blog精选AI 评分6464 IBM Research 推出 ALTK-Evolve 一致性指南，将 Agent 一致性差距从 24.4pp 降到 12.0pp
IBM Research 在 ALTK-Evolve 中推出 Consistency Analyzer 和一致性指南，针对 Agent 同一任务多次运行结果不稳定的问题。
推荐理由：原文给出可复用的 Pass^k 指标和一致性诊断方法，读者可据此评估并改善自己 Agent 的复现稳定性。
Google ResearchAI 评分4747 Google 推出 ToolGrad：用文本“梯度”高效生成工具调用数据集
Google Research 在 ACL 2026 提出 ToolGrad，一种“答案优先”的工具调用数据集生成方法：先构建真实工具调用链，再用文本“梯度”迭代提出、执行、选择和更新 API 工作流。
OpenAI News精选AI 评分8181 OpenAI 分享 Navier–Stokes 千禧年难题的 AI 生成解法
OpenAI 分享了一个针对 Navier–Stokes 千禧年大奖难题的 AI 生成解法，内容包括一份解题文章和一个 Lean 形式化证明。材料来自 OpenAI 官方公告，feed 未提供完整正文，具体证明内容和方法细节以原文链接为准。
推荐理由：官方公开了 AI 生成的 Navier–Stokes 千禧年难题解法，并附带 Lean 形式化证明，读者可以据此关注 AI 在数学证明方向的实际产出。
Google ResearchAI 评分4141 面向代表性不足人群的基因组预测迁移学习研究
Google Research 研究了多基因风险评分（PRS）从 UK Biobank 欧洲人群向 Biobank Japan 约 20 万日本个体迁移的表现，覆盖 BMI、血压、HDL、LDL、血糖等 8 项临床 traits，比较了 elastic net、meta-analysis 和 PRS-CSx 三种方法。
Google Research精选AI 评分6262 Google Research 与 HHMI Janelia 发布雄性果蝇完整脑连接组图谱
Google Research 与 HHMI Janelia、MRC 分子生物学实验室、剑桥大学等合作在 Cell 发表雄性果蝇脑及中枢神经系统的完整连接组图谱，包含超过 166,000 个神经元和 1.25 亿个突触连接，是迄今按神经元数量计最大的脑图谱。
推荐理由：原文给出连接组规模、AI 重建方法和开源查看入口，读者可以据此了解当前连接组学的能力边界和可用资源。
Hugging Face BlogAI 评分4848 Hugging Face 推出 BenchMIRT：审计 LLM benchmark 到底在测什么
Hugging Face 推出 BenchMIRT，一种基于多维 IRT 的方法，可在单条 prompt 层面审计 LLM benchmark 实际测量的能力。
Google ResearchAI 评分4848 Google 用深度学习从卫星高光谱数据绘制全球甲烷排放图（MAPL-EMIT）
Google 与 NASA JPL 合作推出 MAPL-EMIT，一个基于 EMIT 高光谱数据的深度学习框架，用于自动检测、量化甲烷羽流并定位排放源。该框架采用 Swin-S vision transformer，在专家标注羽流上达到 84% 的召回率，训练使用了 360 万个合成甲烷羽流。
Hugging Face Blog精选AI 评分6262 Open ASR Leaderboard 新增 Monsoon 印地语与印度英语评测集
Voice Arena 与 Hugging Face 为 Open ASR Leaderboard 发布 Monsoon 四个评测集，覆盖印度英语与印地语，印地语是该多语言榜单首个非欧洲语言。
推荐理由：原文给出 Monsoon 评测集的划分结构、说话人覆盖与区域分析示例，读者可借此理解聚合 WER 之外的模型差异来源。
Google ResearchAI 评分5050 Google Earth AI 推出行星预测引擎 PPE，自动完成地理空间建模全流程
Google Earth AI 推出实验性研究能力行星预测引擎（PPE），可从自然语言查询出发自主执行数据发现、清洗、特征工程、模型训练与评估的完整地理空间预测流程，将此前需数周人工数据工程的工作缩短到几分钟。
Google ResearchAI 评分3737 Google 发布 AgentHands：为 XR 空间对话中的 AI 智能体生成交互式手势
Google 在 CHI 2026 发表研究原型 AgentHands，让 AI 智能体在 Android XR 等沉浸式环境中生成与语音同步的手势，延续 Project Astra 与 Gemini 3.1 Flash Live 的方向。
Hugging Face BlogAI 评分4343 Hugging Face 提出 Quantization-Aware Healing：4-bit 压缩模型反超全精度原版
Hugging Face 提出 Quantization-Aware Healing（QAH），将 GPT-OSS 120B 结构压缩至 60B 参数并量化为 MXFP4 后，直接从压缩前的原始模型蒸馏，而非从恢复后的 bfloat16 检查点蒸馏。
Google ResearchAI 评分5050 Google Research 推出 Biomarker Discovery Framework：从可穿戴设备数据中优先排序候选生物标志物
Google Research 推出 Biomarker Discovery Framework，一个多智能体系统，将候选生物标志物优先排序结构化为人类监督下的迭代研究流程，结合假设生成、统计分析、模型训练与对抗性验证。在三个队列共 9,279 人次观测中，该系统自主识别出 41 个心理健康候选数字生物标志物和 25 个代谢类候选标志物，并构建了睡眠时长变异性等新型复合特征。
Google ResearchAI 评分4343 Google Research 提出 ME-POIs：用流动性数据让语言模型更懂地点
Google Research 推出 Mobility-Embedded POIs（ME-POIs）框架，将聚合匿名化的到访流动模式融入语言模型的地点表示，捕捉 POI 的时间活动节奏。
Hugging Face Blog精选AI 评分6262 Hugging Face 研究量化语音识别模型的基准优化行为，高分模型会复现错误基准文本
Hugging Face 发布研究，用一致性分歧探针、数字静默检索和拼写切换三类测试，评估 11 个开源 ASR 模型的基准优化（benchmaxxing）行为。
推荐理由：原文用三类探针量化语音识别中的基准优化现象，并给出模型名单、比例数据与可复用的检测脚本，读来能帮助避开仅看 WER 的选型误区。
SK hynix 内存技术AI 评分3838 SK hynix CPO 技术路线图登上《Nature Electronics》：AI 竞争从芯片转向系统
SK hynix 联合 UVA、UIUC、NTU、MIT、延世大学研究者在《Nature Electronics》发表 co-packaged optics（CPO）技术路线图，通讯作者为 SK hynix AI Infra Team Lead Seunghoon Hong 和 UVA 教授 Kyusang Lee。
Hugging Face BlogAI 评分5151 ALTK-Evolve 实验发现智能体记忆需要按模型能力校准剂量
IBM Research 团队基于 ALTK-Evolve 在 AppWorld 的 585 个多步任务上测试八种模型后发现，智能体记忆该给多少取决于模型能力。
Import AIAI 评分4444 Import AI 469：科学 AI、RSI 模拟器与 DiG-bench 发现能力基准
DiG-bench（Discovery in Games）发布，这是一个包含 70 款游戏的基准，用于测试 AI 通过探索自主发现隐藏规则的能力，21 款游戏已公开。