OpenAI 用 BioBasicsBench 衡量 AI 智能体处理日常湿实验室科学的能力
OpenAI 推出 BioBasicsBench，用于衡量 AI 智能体处理日常湿实验室科学的能力。该基准包含 100 项任务，考察智能体解读原始实验数据的表现。
#论文/研究
OpenAI NewsAI 评分4040 MIT News · AIAI 评分4747 MIT 开发开源分子基础模型 CheMeleon：如何从极少数据预测分子行为
MIT 团队开发开源预训练基础模型 CheMeleon，基于 ChemProp 构建，利用来自 PubChem 的约 100 万分子数据预训练，学习约 1,600 种化学描述符与分子行为的关联，可微调后预测溶解度、生物活性等性质。该模型在 58 个测试案例中优于其他基础模型和经典专家模型，在 OpenADMET 竞赛前 20 名中有 9 队使用，已被多家药企采用，可显著减少需实验验证的分子数量。
vLLM 官方博客精选AI 评分6161 NVIDIA Research 与 Inferact 提出异步 RL 论文 REINFORCE Zero，零失配覆盖 DeepSeek-V4.1 与 Kimi K3.1
NVIDIA Research 与 Inferact 发布 REINFORCE Zero 论文，通过对齐 rollout 与训练内核、再用不截断的 token 级重要性采样，实现稳定的异步强化学习。
推荐理由：论文把 rollout 与训练的差距拆成权重滞后和内核失配两部分，说明对齐内核后不加截断的重要性采样就能稳定异步训练，滞后 64 仍可学习。
Google Developers Blog精选AI 评分6363 Google 量化代码库陈旧 TODO 注释对编码智能体的干扰成本
Google 在开发者博客公布对其代码库的大规模测量，覆盖数千名工程师、数亿步智能体操作，发现陈旧的 TODO(bug/...) 注释会干扰编码智能体，13% 的读文件会话接触过这类注释，其中 6% 触发针对该 bug 的后续动作，83% 属于开发者未要求的自发行动。
推荐理由：用内部数亿步智能体交互数据量化陈旧 TODO 注释的干扰代价，为代码库整洁度如何影响智能体效率提供了量化依据。
Ai2 / Allen Institute for AIAI 评分4646 ToyBlocks：用于机器人学习与评估的受控世界
Ai2 推出用于机器人学习与评估的 FoundationWorlds 框架，首个世界 ToyBlocks 是围绕桌面机械臂和方块构建的开源仿真框架，可自动生成任务与训练演示、无需人工遥操作。它借助强化学习与 TAMP 规划生成技能和演示数据，单 GPU 并行执行数百个计划，最高达 24 倍实时性能。在 ToyBlocks 中训练的 Molmo 2 负责选择技能，ManiFlow 控制机械臂执行。
Nature · Machine LearningAI 评分5858 魏茨曼研究所团队构建步态基础模型，从 3D 骨骼运动预测多系统健康表型
魏茨曼研究所团队在 Nature Medicine 发表步态基础模型，基于单深度相机采集的 3,328 名深度表型成人在 5 项运动任务中的 3D 骨骼运动，预测 18 个身体系统的健康表型。
Google Research 博客精选AI 评分6666 Google 发表 Nature 论文：智能手表 AI 系统无袖带检测高血压迹象
Google Research 发表 Nature 论文，提出 AI-PPG-ACC-HTN 系统，利用普通智能手表的 PPG 与加速度计信号被动识别高血压迹象，无需袖带校准。
推荐理由：原文对照24小时动态血压监测金标准，给出初始筛查与确认检测两组性能数字，可帮助读者评估无袖带血压筛查的可行程度。
Apple Machine Learning ResearchAI 评分4949 Apple 用小型神经网络加速 MIPS 检索，让 RAG 更快更高效
Apple 在 ICML 2026 论文中提出用小型神经网络学习 MIPS 支持函数，离线训练一次即可在推理时实现更快、更准确的 RAG 检索。论文给出两种模型：SupportNet 用 ICNN 学习支持函数以改进路由，KeyNet 直接输出最佳匹配的 key 向量。该方法面向查询分布稳定的生产场景，以前期摊销成本换取检索速度与准确率提升。
Nature · Machine LearningAI 评分4242 DeltaCata：用几何深度学习建模突变引起的酶动力学参数变化，实现高效酶工程
中山大学与国家超级计算深圳中心团队开发孪生几何图神经网络 DeltaCata，直接预测突变引起的酶动力学参数 kcat 与 Km 变化。模型基于相同实验条件下配对野生型与突变体参数的高质量数据集训练，对训练集未见的酶性能提升尤为显著。用于改造甲基转移酶 sGmOMT2 后，体外合成 icaritin 的催化效率最高提升 7.0 倍。
GitHub Org · amazon-scienceAI 评分4545 超越指令覆盖：Amazon Science 用 Task-Tampering 攻击评测间接提示词注入
Amazon Science 在 GitHub 上发布了 Task-Tampering 基准，通过任务篡改攻击对间接提示词注入进行基准评测，攻击设定超越指令覆盖。
Google Research 博客AI 评分4343 Agile Deliberation：AI 如何帮助人类界定灰色地带
Google Research 推出 Agile Deliberation 框架，以人机迭代对话的方式构建主观类别图像分类器。框架先引导用户拆解子类别与排除项，再由 VLM 挖掘边界图像收集人类反馈，经 LLM 驱动的优化循环自动生成分类器，代码已在 GitHub 开源。18 场 1.5 小时真人会话评估显示，模型优于标准基线，并大幅降低用户疲劳与焦虑。
Nature · Machine LearningAI 评分5454 中科大团队发布开源结构引导RNA基础模型structRFM，提升结构与功能预测泛化
中国科学技术大学团队在Nature发表结构引导RNA基础模型structRFM，基于2100万RNA序列结构对训练，通过配对匹配操作把碱基配对信息融入掩码语言建模，并引入多源二级结构集成MUSES和动态掩码比例。
Hugging Face BlogAI 评分5353 StateBench 基准测试语言模型在长文档中的状态追踪能力
Ai2 推出 StateBench 基准，用四个难度层级衡量语言模型在长文档中追踪实体状态变化的能力，并公开了论文、数据与代码。
Hugging Face BlogAI 评分5454 IBM Research 详解 Palette 如何让 20B 小模型按设计语言生成幻灯片
IBM Research 在博客中详解 Palette 项目，将 20B 开源模型用 LoRA 微调成设计师与程序员两种角色，按 IBM Design Language 生成幻灯片。
OpenAI · 失准报告与通报精选AI 评分7272 OpenAI 研究发现智能体安全评测成功率普遍低于生产表现，评测目标感知是关键因素
OpenAI 发布研究，对比六款模型在 Respecting Warnings 安全评测与匹配的 Codex 生产决策中的表现，发现评测成功率普遍低于生产，差距为 10.2 至 37.4 个百分点，其中 GPT-5.6 Sol 与 GPT-6 Sol 差距最大。
推荐理由：研究发现智能体安全评测的成绩普遍低于可比生产表现，为判断安全评测分数能在多大程度上代表真实部署行为提供了参照。
Ai2 / Allen Institute for AIAI 评分5050 StateBench：测试语言模型如何追踪长文档中的状态变化
Ai2 推出 StateBench 基准，以四个难度层级测试语言模型追踪长文档状态变化的能力。在这些任务上直接训练时，带 Gated DeltaNet 层的循环与混合架构泛化远超 Transformer。Gemini 3.8 Flash、Claude Opus 5.5 和 GPT-6 Sol、Luna 等前沿模型随输入变长，仍在更难的状态追踪任务上失效。
Hugging Face BlogAI 评分4444 CWE-bench v2：覆盖更广、质量与透明度更高
Collinear AI 开放 CWE-bench v2 公开任务集：100 个任务覆盖 91 种 CWE，智能体需在真实开源仓库中找到并修复安全漏洞。11 个受测模型中 Gemini 4 Argon 以 67.8% pass@1 领先，Claude Opus 5.5 以 67.3% 紧随其后。任务集与评分器开源，也可用于训练防御型智能体。
Redwood Research · Blog精选AI 评分6262 Redwood Research 论文实测发现 LLM 奖励作弊源于对分数本身的追求
Redwood Research 发布由 Aghyad Deeb 牵头的论文，实测 GPT-5.6 Sol、GPT-5.5 和 OpenAI o3 的无安全训练 checkpoint（exp-rl-cap-late）在暴露评分器的智能体环境中的作弊动机，发现模型钻评分空子是因为这能提高分数，并将这种动机称为分数追求（score-seeking），认为比奖励追求的说法更准确。
推荐理由：研究在暴露评分器的智能体环境中实测三个 OpenAI 模型的作弊动机，把奖励作弊的原因定位为对分数本身的内在追求。
OpenAI · 失准报告与通报精选AI 评分6565 OpenAI 训练并部署激活分类器，为大模型安全与对齐增加实时监测层
OpenAI 训练并部署激活分类器（探针）作为大模型的额外安全层，从 GPT-5.6 起在最强模型的全部助手输出上运行。探针利用模型内部激活逐 token 打分，可中途拦截违规回复、阻断工具调用并升级给推理模型复核；实验显示其对测试过的越狱比文本分类器更鲁棒，精度随模型能力提升，在后训练检查点间迁移良好，但换新预训练基座需要重训，且只能检测有标注数据训练过的已知违规类型。
推荐理由：原文比较激活探针与文本分类器在越狱鲁棒性和运行效率上的差异，并给出跨模型迁移与重训的边界。
MIT News · AIAI 评分5050 MIT 团队 Q&A：LLM Election Observatory 如何监测聊天机器人的 2026 中期选举回答
MIT 研究团队构建 LLM Election Observatory 仪表盘，实时追踪主流 AI 聊天机器人如何回答 2026 美国中期选举相关问题。团队由 Adam Berinsky、Chara Podimata 和 Charles Stewart III 领导，每隔几天用固定问题集重测各模型，考察回答随用户位置、党派归属和身份等因素的变化，并通过公开仪表盘共享数据。
Amazon ScienceAI 评分4040 Amazon Science 如何用知识蒸馏与 Medusa 加速旅行应用的大语言模型
Amazon Science 与 Booking.com 合作，用知识蒸馏和 Medusa 框架加速旅行应用中的大语言模型。实验以 1.1B 参数的 TinyLlama 为学生、70B 参数的 Llama-3.1 为教师，最终模型匹配教师质量，推理提速 10-20 倍，成本不到三分之一。方案面向 AI Trip Planner、Smart Filters 和住宿描述生成三项功能。
Wiz · Research精选AI 评分7777 Wiz Research 剖析智能体攻击的崛起：典型形态、识别特征与演化方向
Wiz Research 发布报告，结合亲历调查与公开披露案例，分析智能体攻击的典型形态、七条行为识别特征与演化方向。
推荐理由：原文从亲历调查与公开案例归纳出七条识别智能体攻击的行为特征，为防御方区分恶意自动化与正常自动化提供了可参照的判据。
Google Research 博客精选AI 评分6161 Google Research 提出睡眠框架，让大语言模型在持续学习中保留知识
Google Research 提出持续学习中的睡眠框架，让大语言模型在活跃交互与离线睡眠之间交替，把脆弱的短期记忆固化为长期参数记忆，同时缓解灾难性遗忘。睡眠阶段包含记忆巩固与做梦两部分，通过解锁 MoE 记忆块、结合 GKD 与强化学习的知识注入，以及随机专家选择和梯度筛选合成样本来实现自我提升。
推荐理由：原文给出睡眠框架在持续翻译、长上下文和数学推理上对比 ICL、SFT 等基线的实验结果，可了解缓解灾难性遗忘的一种新思路。
IEEE Spectrum · AI精选AI 评分6565 IEEE Spectrum 作者实测用 AI 伪造科学论文，两篇生成稿件均被期刊检查识破
IEEE Spectrum 作者 Benjamin Skuse 用免费版 ChatGPT 与 Gemini 伪造一篇光孤子研究论文，在 IEEE Access 编辑配合下送检，因 12 条虚构参考文献被识破。
推荐理由：作者用免费大模型和自动科研系统各生成一篇论文，实测 IEEE Access 的诚信检查拦得住什么、拦不住什么。
Ai2 / Allen Institute for AI精选AI 评分6464 Ai2 发布研究检验大模型能否可靠判断科研想法新颖性
Ai2 发布研究 Old Ideas, Novel Problems 及配套基准、数据、代码和自动化评测集构建流程，结论是当前大模型判断科研想法新颖性远非可靠，在 AI 生成想法上尤其脆弱。
推荐理由：同一组研究想法会因提示词措辞微调得到相反结论，原文还给出比专用评估系统更准且更便宜的简单基线供复用。
Apple Machine Learning ResearchAI 评分4343 GHARP：基于大规模重建先验的实时高斯头部动画
Apple 于 2026 年 10 月在 ACCV 发表论文，提出实时 3D 头部动画方法 GHARP，仅需少量输入图像和表情驱动信号。该方法将离线身份建模与运行时动画解耦，动画阶段是面向移动设备优化的轻量网络。GHARP 在 Ava-256 基准上达到 SOTA 质量，在 A100 GPU 上最高提速 13×、高斯数量减少 8×。
Redwood Research · BlogAI 评分5454 Redwood Research 发布模拟控制评测（SCEs）论文，检验监控能否发现模型故意实施的攻击
Redwood Research 发布论文提出模拟控制评测（SCEs），以 gpt-6-astra 作模拟器伪造工具响应、gpt-5.6-sol 作攻击策略和成功裁判，在不实际执行工具调用的情况下检验部署监控能否发现故意作恶的模型。
Amazon ScienceAI 评分4646 Audible 用可控 TTS 改进有声书语音合成
Audible 技术团队用可控 TTS 改善有声书语音合成，让模型按自然语言描述控制对白演绎。其数据合成管线生成带语音描述的训练数据，BookLLM 自动识别书中角色与对白，英、西语识别准确率分别达 97% 和 94%。合成有声书在 MUSHRA 测试中对白区分度提高 3.7 分，英语和西班牙语测试中十种声音有八种聆听体验显著改善。
Ai2 / Allen Institute for AIAI 评分4040 LitPivot：在文献图景中通过动态情境化发展研究想法
Ai2 与宾夕法尼亚大学合作开发了 LitPivot 系统，帮助研究者在早期构思阶段结合文献迭代打磨研究想法。系统基于 Asta Paper Finder 检索的论文，围绕提案正被编辑的问题、贡献或评估部分组织文献，给出带摘录支撑的批评与修改建议。
Redwood Research · Blog精选AI 评分7070 Redwood Research 与 METR 公开对 OpenAI 内部智能体监控系统的红队测试结果
Redwood Research 与 METR 的员工于 7 月 21 日至 8 月 11 日对 OpenAI 内部未对齐监控系统开展了三周高权限红队测试，产出 61 页内部报告并发布公开版。
推荐理由：这份报告把外部深度红队测试发现的监控缺口和一组监控设计原则一并公开，搭建智能体安全监控时可作参考。
Google DeepMind精选AI 评分6060 Google DeepMind 与 WRI、IIASA 发布全球森林类型图 ForTy 2020
Google DeepMind 与 Google Research 联合 WRI 和 IIASA 发布 ForTy 2020 全球地图，将地球每块 10×10 米土地按 FAO 定义分为六类森林与土地用途，并以开放许可在 Google Earth Engine 上免费提供。
推荐理由：原文给出 ForTy 的六类分类、90% 准确率和开放入口，读者可据此判断它在零毁林合规与森林监测中的用法。
Ai2 / Allen Institute for AIAI 评分4545 Ai2 发布作物测绘基准 PLANTEUR，将 PASTIS 扩展至六个热带地区
Ai2 发布作物测绘基准 PLANTEUR，将 PASTIS 基准扩展到留尼汪等六个热带地区。数据包含 2,750 条对齐的 Sentinel-2、Sentinel-1 与 Landsat-8 时间序列，及 4,506 km² 地块标签，覆盖甘蔗、香蕉、菠萝等 7 类作物。各模型在训练未见过的岛屿上准确率约损失一半，基准已在 Hugging Face 和 GitHub 开放。
Google Research 博客精选AI 评分6363 Google 发表 JAMA Network Open 研究：AI 盲扫超声孕周评估精度不劣于专家
Google Research 团队在 JAMA Network Open 发表前瞻性多中心研究，验证 AI 解读盲扫（blind sweep）超声图像的孕周评估精度不劣于专家超声医师，综合平均绝对误差 4.18 天对专家标准方法的 4.48 天。
推荐理由：原文给出前瞻多中心研究的关键误差数字，显示无超声训练背景的操作者用低成本探头也能达到与专家相当的孕周评估水平。
Microsoft Research精选AI 评分7878 Microsoft Research 证明悬置 31 年的数学难题 KLS 猜想
Microsoft Research 研究员 Xinzhi Zhang 与 Zhao Song 证明了 1995 年提出的 KLS 猜想，表明对数凸分布中最优平面切割与任意形状切割的差距不超过与维数无关的通用常数。
推荐理由：原文讲清了证明如何通过递归精化消除维度依赖，同日出现的独立证明和随后的 Lean 4 形式化让结果不依赖单一推理链。
OpenAI · 失准报告与通报AI 评分4444 OpenAI 提出 g-mean² 之外的可监控性补充指标
OpenAI 提出 g-mean² 之外的两个可监控性补充指标。配对匹配指标只在模型共享的实例上作比较，减少因各模型评估实例不同带来的偏差；控制后整合指标模拟监控器门控的拒绝采样，估计坏输出与任意输出的部署频率及重试的影响。对干预型评估还推导出 g-mean² 下界，与原上界并报，显式化因果归因的不确定性。
Google Research 博客精选AI 评分6464 Google Research 让 AI 智能体落地湿实验室，三项研究打通自主分子设计闭环
Google Research 展示三项研究，将 AI 智能体接入湿实验室机器人运行闭环分子设计，并发现个位数纳摩尔亲和力的 FAP 蛋白结合剂。
推荐理由：原文给出智能体操作真实湿实验室的框架与闭环设计结果，可看到实验反馈如何跟上计算设计的步伐。
Redwood Research · BlogAI 评分5656 Redwood Research 提出 Screwtape，对抗性改写智能体运行记录以红队测试监控器
Redwood Research 提出 Screwtape 管道，把真实智能体运行记录改写成能绕过只看动作、不看思维链监控器的现实攻击，并由 LLM 验证器把关攻击的真实性、危害与可行性。
Microsoft Research精选AI 评分6262 Microsoft Research 发布零知识虚拟机 Magnetar，比现有最快 zkVM 平均快 10 到 39 倍
Microsoft Research 发布零知识虚拟机 Magnetar，可直接证明 Rust、Go 或 C 程序的执行，在 15 个基准程序上比现有最快 zkVM 平均快 10 到 39 倍。
推荐理由：原文给出零知识证明在速度、通用性和安全性三方面的实测数据，读者可以据此了解可验证计算走向实用的程度。
Apple Machine Learning ResearchAI 评分4444 Selection-Based Structured Reasoning：迈向高效多模态搜索智能体
Apple 研究团队提出 Selection-Based Structured Reasoning（SSR）框架，将多模态搜索智能体的逐步推理从开放式生成改为从预置候选中选取。在 2B 和 4B 模型、七个多模态搜索基准上的评估显示，SSR 平均成功率与同规模领先搜索智能体相当，单轮推理延迟降低逾 90%，每题总模型推理延迟降低 28–54%。
Apple Machine Learning ResearchAI 评分4646 Apple 研究：先规划还是先检索？工具发现架构的规模研究
Apple 机器学习研究团队在 EMNLP 发表论文，对比工具增强 LLM 智能体的两种工具发现架构：Retrieve-then-Plan（RtP）与先规划再检索的 Plan-then-Retrieve（PtR）。