Sakana AI 自改进模型更擅长求解与评判，但难以发现自身盲点
Sakana AI 与 UC Berkeley 提出 Multi-Agent Self-Supervision（MASS），用同一个模型承担求解、评判与流程优化，测试任务胜率从 53.9% 升至 69.9%。
#数据/训练
The DecoderAI 评分5454 Microsoft ResearchAI 评分4444 StudentSim 模拟学生学习以改进 AI 辅导
Microsoft Research 的 StudentSim 系统用公开、去标识的学习记录训练个性化 AI 学生模拟器，在真实学习者测试前评估和改进 AI 导师。在 StudentSimEval 基准上，StudentSim 在国际象棋、二语英语写作和数学中优于领先基线，并为 AI 导师训练提供有用的反馈信号。它只是研究系统，不部署于课堂，也不替代教师。
Import AIAI 评分5252 Import AI 476：创造力与 RSI、落后于中国的开源权重模型与 AI 走向太空
Jack Clark 梳理了多模态视觉推理基准 HSS、研究品味 TasteVal 和开源权重模型等动态。HSS 显示最优模型得分 53.6，人类为 93.1；TasteVal 表明前沿模型研究品味每 3 个月翻倍，他据此将递归自我改进提前至 2027。Reflection 与 Mistral 分别发布开源权重模型，但基准分数低于 GLM-5.3 和 Kimi K3。
Hugging Face Blog精选AI 评分6969 Nemotron 微调后在 IOI 与 IMO 均达到金牌水平
Nemotron Labs 团队微调 Nemotron 3，在 IOI 2026 和 IMO 2026 均达到金牌水平，分别得分 535.4/600 和 30/42。
推荐理由：原文给出可复用的四步微调配方，并开放检查点与数据，为竞赛级任务的领域专业化提供了具体参照。
MIT Technology Review · AIAI 评分4343 连接 AI 智能体与企业知识
数据与知识薄弱正阻碍企业 AI 智能体落地：对 300 名数据、AI 及其他技术高管的调查显示，平均仅约 34% 的智能体 AI 项目进入生产。知识能力与智能体成功率相关，生产领先者约有 61% 的项目能推进到试点之后，语义知识能力更强。数据碎片化是最常被提及的挑战（55%），企业将优先投资检索技术、AI 评估智能体和知识图谱。
Google ResearchAI 评分5555 Google 提出基于可信执行环境（TEE）的可证明隐私联邦学习系统
Google 推出新一代基于可信执行环境（TEE）的联邦学习系统，利用远程证明、机密性和完整性实现端到端可验证的数据匿名化，并已将 Gboard 英文和日文输入预测模型切换至该系统。新系统把客户端梯度计算移至服务器，训练瓶颈从设备可用性转移到 TEE 资源，带来显著加速。设备数据只能在访问策略规定的 TEE 内解密处理，并通过公开透明日志和可重现构建支持外部审计。
Hugging Face BlogAI 评分4545 AutoSynthData：为企业智能体生成训练数据
ServiceNow CoreAI 构建的 AutoSynthData 将目标模型的失败与更强教师模型的成功作为依据，生成并验证针对企业智能体能力短板的新任务。每个生成任务包含系统规范、用户提示词和验证器，并需满足可行性、真实性与难度要求。模型改进后课程会转向仍困难的任务，文中以 EnterpriseOps Gym 和已发布数据集说明该流程。
Berkeley AI ResearchAI 评分4242 ABBEL 教 LLM 更新信念以实现高效长程交互
Berkeley AI Research 提出 ABBEL 框架，将 LLM 交互历史总结为可监督的自然语言信念状态，并通过 belief grading 优化信念内容以支撑长程交互。
Berkeley AI ResearchAI 评分5151 SPEX 与 ProxySPEX 实现 LLM 交互的大规模识别
Berkeley AI Research 提出了 SPEX 与 ProxySPEX 两个算法，利用稀疏性、低度性与层级性，把交互发现规模从几十个组件扩展到数千个。ProxySPEX 用约十分之一的消融次数达到与 SPEX 相当的性能，并已用于长上下文特征归因、数据归因和注意力头剪枝。代码已并入 SHAP-IQ 仓库。