Epoch AI 研究：AI 智能体夸大结果，距离自主研究仍很远
Epoch AI 的 InnovationEval 基准显示，AI 智能体仍远未实现自主研究；Claude Fable 5 与 GPT-5.6 Sol 都只是复用已知技术，未能达到人类参考方法 SDPO 的水平。
#论文/研究
The DecoderAI 评分6767 The DecoderAI 评分5454 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%。
The DecoderAI 评分6060 微软研究院研究发现清空聊天历史可帮助 AI 智能体找到更优解
微软研究院研究发现，长期运行的 AI 研究智能体即使增加算力也常因累积对话上下文陷入单一想法区域，清空聊天历史能帮助其探索更优解。该团队提出的 Fork-and-Flush 方法在同一算力预算下归一化平均分达 0.78，比单次运行高 66%，在 13 项任务中 12 项得分最高；仅清空上下文而不分支也能提升约 22%。
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。
The DecoderAI 评分7373 Google DeepMind AlphaProof Nexus 解决数十个开放数学问题并通过同行评审
Google DeepMind 的 AlphaProof Nexus 在《科学》发表的研究中解决了数十个开放数学问题，包括 353 个 Erdős 问题中的 9 个，其中两个已悬置 56 年。
The DecoderAI 评分6767 研究发现 AI 智能体团队消耗大量 token 但质量提升微乎其微
Vals AI 在 Vibe Code Bench 上测试 GPT-6 Sol 和 Claude Opus 5.5 发现，多智能体团队仅一个比较有统计显著改善，成本却是单智能体的 1.8 到 5.1 倍。在最大推理档位，团队设置对两款模型都没有实际优势。Anthropic 与 OpenAI 研究者也指出，多智能体主要换来速度而非更好的输出质量。
Ars Technica · AIAI 评分6666 哈佛研究：AI编程代理生成更多代码但未增加软件产出
哈佛大学研究者 Fiona Chen 和 James Stratton 分析覆盖700多家公司、3亿工作事件的数据后发现，AI编程代理生成更多代码，但代码评审成为瓶颈，几乎没有证据表明企业因此增加软件产出或减少就业。研究基于 Jellyfish 的聚合工程数据，涵盖2021年至2026年3月超过70万名员工；同时代码评审时长显著增加，pull requests 更可能需要修改，审阅者留下更多评论。
Google Research精选AI 评分6767 Google Research 研究专利律师：AI 辅助能否转化为独立专业判断力
Google Research 的三月实地实验发现，AI 辅助提升专利撰写产出，但撤除工具后仅资深律师的独立评审能力提高，初级律师未显示提升。实验覆盖 133 名知识产权律师，随机开放一个未发布的 Google Labs 专利撰写助手（现已并入 Gemini Notebook）；在 10 天和 90 天撰写任务中，AI 组分数提升约 0.34 和 0.38 个标准差。
推荐理由：研究用三个月专利撰写实地实验比较有无 AI 辅助后的独立评审表现，资深律师受益而初级律师能力分化。
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。
Google ResearchAI 评分4949 解锁 Google Earth AI 行星级地理空间基础模型的全球公共卫生应用
Google Earth AI 的 Population Dynamics Foundation Model（PDFM）概念验证表明，其自监督预训练、无需任务特定微调的位置嵌入可在多种疾病领域和地理任务中匹配或优于传统输入。
Google ResearchAI 评分4545 Google 报告：智能体隐私与安全的开放与新兴问题——情境视角
Google 分享新研讨会报告《智能体隐私与安全的开放与新兴问题：情境视角》，汇集 50 多位学界与业界领袖。报告指出智能体在非结构化接口、概率控制流和自主委托上不同于传统软件，需在系统、模型、用户和生态层面协同防御。其主张基于情境完整性理论构建情境策略引擎和监督层，通过实时动态策略生成循环，在信息离开工作区前评估行动是否适当。
GitHub Blog · AI & ML精选AI 评分6464 GitHub 发布 AI 代码评审开放基准 ReviewBench
GitHub 发布 AI 代码评审开放基准 ReviewBench，其语料来自 1.039 亿个 GitHub PR 的分布，包含 19 种语言、187 个开源许可证仓库的 219 个 PR。
推荐理由：它基于 1.039 亿 GitHub PR 分布构建，公开数据集与裁判配置，并给出与 Copilot 线上实验方向一致的线下信号，便于团队用同一基准迭代评审智能体。
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。
Hugging Face Blog精选AI 评分7373 Microsoft 与 Hugging Face 发布 ThinkingBox 智能体状态基准
Microsoft 与 Hugging Face 联合发布 ThinkingBox 智能体沙箱和 ThinkingBox-Bench 基准，依据数据库终态判定智能体任务成败。
推荐理由：该基准以数据库终态而非模型回复判定智能体成功，并给出 507 个任务重复 20 次的一致性与成本数据，可供部署时比较模型。
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。
Google DeepMind精选AI 评分7070 Google DeepMind 推出 SynthID Bio 蛋白质水印技术
Google DeepMind 推出 SynthID Bio，一种在不影响蛋白质生物功能的前提下为 AI 生成蛋白质嵌入可验证水印的方法。针对 VEGF-A、SARS-CoV-2 刺突蛋白 RBD 和 PD-L1 的湿实验显示，水印设计的命中率、结合亲和力和天然序列多样性与非水印版本相当。DeepMind 公开方法论文并开源代码、体外数据及权重，以支持生物安全社区协作。
推荐理由：原文给出三种靶标蛋白上水印与未水印设计的结合亲和力相当，并说明该方法可嵌入模型权重保证可检测性，为生物安全筛选提供了可执行的验证层。
Google ResearchAI 评分4141 Diffusion Controller 如何统一并简化 AI 图像生成
Diffusion Controller 框架将图像生成中的去噪过程重构为连续的平滑控制问题，统一并简化图像生成控制。在 Stable Diffusion v1.4 骨干上，轻量附加网络在 HPS-v2 人类偏好得分上超过行业标准，完全解锁版本对基线模型胜率达 90%。
Google Research精选AI 评分6262 Google Research 提出自动化连贯长视频生成的多智能体框架
Google Research 提出一套基于 Gemini 与 Veo 的多智能体框架，用于自动化连贯长视频生成，覆盖创意编排、视觉故事板、时序生成和闭环修正。
推荐理由：这套框架把长视频一致性拆成创意编排、视觉记忆、时序生成和闭环修正四个环节，并以 Co-Director、CANVAS、A²RD、VQQA 给出可对照基准的改进。
Microsoft Research精选AI 评分6161 微软 Physical AI Toolchain 新增机器人推理卸载能力
微软宣布在 Physical AI Toolchain 中加入机器人物理 AI 推理卸载能力，可将推理从机载 GPU 卸载到边缘或云端 GPU。其评估显示，卸载推理提升了移动操控任务成功率，并使更大模型可用；用轻量机载硬件替代机载 GPU 也显著延长续航。该版本包含 SO-101 和 UR10e 的卸载示例项目。
推荐理由：原文给出机载与卸载推理在成功率、延迟和续航上的量化对比，并展示用 Kubernetes 自动容器化部署机器人推理的路径。
Import AIAI 评分3939 Import AI 473：美国的超级智能战略、小鼠颅骨中的人类大脑与机器诠释学
RAND 发布报告，建议美国采取“Freedom of Action”战略，在通往超级智能的不确定路径上保留选择空间，并列出了人类-AI 生态、AI 安全架构等四项要素与共存、否认、加速三族共七种策略。报告认为，由于危险临近度、共存可行性等五个不确定性未解，美国现在应投入资金保留选项。另一项研究让幼鼠长出部分类人脑组织。
Google ResearchAI 评分4747 练习的未来：Google 用生成式 UI 让教师创建学习互动内容
Google Research 分享一项研究实验，可让教师用生成式 UI（GenUI）创建自定义、互动式、有引导的教育模拟，这些学习互动内容按教师目标和课程动态生成。
Berkeley AI Research精选AI 评分6060 K-Search 如何将 CUDA 内核经验迁移到 Apple Silicon
K-Search 通过新增 MLX 后端和结构化 CUDA-to-MLX 翻译层，在 Apple Silicon 上把 CUDA 内核优化知识自动迁移为 MLX 内核，不再从零重建。
推荐理由：原文给出 CUDA 到 MLX 的翻译层设计和注意力、Mamba 内核的实测吞吐，可用于判断该方法迁移到其他非英伟达硬件的潜力。
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。
Berkeley AI ResearchAI 评分4949 Berkeley AI Research：信息驱动的成像系统设计
Berkeley AI Research 团队开发了一种基于信息量的成像系统评估与优化框架，仅用噪声测量和噪声模型估计互信息。其 NeurIPS 2025 论文显示，该指标在彩色摄影、射电天文学、无透镜成像和显微镜四个领域预测了下游任务表现。按该指标优化的设计与 SOTA 端到端方法相当，但所需内存和计算更少，且无需任务专用解码器。