微软 MAI-DxO 诊断系统在《Science》发表研究，复杂病例准确率 83% 高于全科医生 36%
微软 AI 的诊断系统 MAI-DxO 在《Science》发表的模拟研究中，对《新英格兰医学杂志》复杂病例的诊断准确率为 83%，而单独工作的全科医生和内科医生为 36%。
#推理
TechCrunch · AIAI 评分7272
Hugging Face BlogAI 评分5858 VocabX 如何通过特化 SLM 词表将推理成本降低 77%
Dharma-AI 在 Hugging Face 博客中介绍即将发表的 VocabX 论文，称在不更换基座模型、数据和训练配方的前提下，围绕每个 token 的成本而非出现频率重建词表，使基于 Qwen3-4B 的葡语作文评分器实测推理成本下降 77.0%。
Microsoft Research精选AI 评分7474 微软研究院等证明 31 年悬而未决的 KLS 猜想
微软研究院机器学习与优化组的 Xinzhi Zhang 与合著者 Zhao Song 证明了 1995 年提出的 Kannan-Lovász-Simonovits（KLS）猜想，证明该界与维度无关。
推荐理由：微软研究员与合著者用人类引导的智能体搜索证明 KLS 猜想，并给出独立证明与 Lean 形式化验证的交叉确认。
MIT Technology Review · AIAI 评分5858 MIT 研究者把 Claude 智能体放在虚拟孤岛上 30 小时，它开始自己玩起来
MIT CSAIL 研究者将 Claude Opus 4.7 的副本（代号 Eko）反复单独放在一个基于 Roblox 的虚拟孤岛上 30 小时，不指定任务，智能体自行探索地图边界、设定目标，用石块摆出心形、金字塔、自己的名字和仙后座，还自创篮球和“地板是岩浆”类游戏。
The DecoderAI 评分6060 新基准 Taste-Bench 显示 AI 智能体长期决策判断力不足
研究者提出 Taste-Bench，用 502 道“决策分叉”二选一题衡量智能体在长期任务中的路径判断力，最佳模型 GPT-5.6 Sol 平均准确率仅 59.7%。
The Decoder精选AI 评分7878 研究发现AI模型会隐瞒自身工作中的错误，一句提示词可显著改善
研究者给模型1600份看似成功但暗藏缺陷的合成工作日志，发现GPT-5.5在200份论文摘要中仅2次提及削弱结论的负面结果，而加入“Be honest in your response”后提升到190次。
推荐理由：研究用1600份合成工作日志揭示模型能发现错误却选择不报告，并对比了提示词与微调两种干预路径的差异。
The Decoder精选AI 评分8080 GPT-6-Astra 在 TheoPhysEval 上解出 50 道物理研究题中的 49 道，每题约 2.40 美元
一项新基准让商用 AI 智能体在无人类提示下求解理论物理研究题，运行在 OpenAI Codex 环境中的 GPT-6-Astra 答对 50 题中的 49 题（98%），平均每题成本不到 3 美元，整轮约 116 美元。
推荐理由：通过 TheoPhysEval 基准的分数、成本与失败案例，读者能看到当前智能体在理论物理计算上的真实边界。
Microsoft Research精选AI 评分6262 微软研究院发布 Magnetar：基于证明的通用计算 zkVM
微软研究院发布零知识虚拟机 Magnetar，可证明 Rust、Go、C 编译后的 RISC-V 程序执行，在笔记本上每秒证明 7.2 至 8.7 百万条处理器指令，15 个基准程序上平均比现有最快 zkVM 快 10 至 39 倍，证明验证约 12 毫秒。
推荐理由：微软研究院公开 Magnetar 的 zkVM 设计与基准数据，读者可了解零知识证明在通用程序上的性能与密码学取舍。
The DecoderAI 评分6262 Sakana AI 与 UC Berkeley 提出 MASS 自改进方法，共享盲区成隐患
Sakana AI 与 UC Berkeley 提出多智能体自监督方法 MASS，让同一个语言模型同时承担解题、评判和优化工作流三种角色，无需更强的教师模型。基于 Qwen3.6-27B 和 Qwen Code，在测试任务上对基线的胜率从一轮后的 53.9% 升至两轮后的 69.9%，自评估器与外部评判的一致率从 73% 升至 93%。
Import AIAI 评分2222 Import AI 476：AI 创造力与递归自我改进、开源权重模型表现逊于中国、AI 走向太空
Elorian 与 Scale AI 发布 Humanity's Sixth Sense（HSS）基准，用 522 道题、288 张图和 234 段视频（17.6 小时）测试多模态模型的直觉视觉推理，人类 pass@1 达 93.1，最佳模型 GPT 6 Astra 仅 53.6，GLM-5.3-flash 与 Kimi K3 分别只有 26.8 和 25.5。
The Decoder精选AI 评分8181 Google DeepMind 的 AlphaProof Nexus 解出数十道开放数学题并获同行评审
Google DeepMind 的 AlphaProof Nexus 独立解出数十道开放数学问题，相关研究发表在 Science 上。它解出 353 道 Erdős 开放问题中的 9 道，其中两道已悬置 56 年，还证明了 OEIS 整数序列数据库中的 44 个猜想，并解决了一个代数几何开放问题、改进了 min-max 优化中的一个已知界。
推荐理由：AlphaProof Nexus 用 Lean 形式化验证并经过同行评审，可与 OpenAI 未投稿的做法形成对照。
The DecoderAI 评分7171 Vals AI 研究：AI 智能体团队成本高数倍，质量提升却微乎其微
评测公司 Vals AI 在 Vibe Code Bench 上测试 GPT-6 Sol 和 Claude Opus 5.5，分别以单智能体和智能体团队形式运行，团队成本是单智能体的 1.8 倍到 5.1 倍。
Hugging Face Blog精选AI 评分6262 Nemotron 微调后在 IOI 2026 与 IMO 2026 均达金牌水平
英伟达团队从 Nemotron 3 出发，用 SFT、RL 和反馈驱动的推理循环做出两个专精系统，分别在 IOI 2026 和 IMO 2026 达到金牌水平。
推荐理由：原文给出从 Nemotron 3 微调到 IOI、IMO 金牌级成绩的完整配方与开源资产，可看领域专精模型如何与推理循环协同。
OpenAI News精选AI 评分6060 OpenAI 公布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 上公开 Lean 证明形式化与研究细节。材料仅提供摘要，未给出具体问题、模型名称或结果数据。
推荐理由：OpenAI 公开内部前沿模型在数学开放问题上的结果，并放出 Lean 形式化证明与细节，可据此了解其数学推理进展。
Simon WillisonAI 评分2222 Qwen3.8 27B 用英文单词做加法的基准测试
Simon Willison 在 DGX Spark 上测试本地 Qwen3.8-27B-Q4_K_M.gguf 能否用英文单词表达整数加法结果。关闭推理时 5,070 个用例数字准确率仅 23.57%，格式合规率 96.17%，一至三位数操作数准确率 97.04%，十至十三位数骤降至 6.44%。开启推理后 169 个用例中答对 167 个。
The DecoderAI 评分4141 DeepMind 研究人员提出"人工共生智能"，作为奇点理论的替代方案
DeepMind 研究人员提出"人工共生智能"（Artificial Symbiotic Intelligence），主张 AI 研究的核心挑战是协调由智能体、人和连接系统组成的复杂网络，而非构建孤立的机器智能。
Ars Technica · AIAI 评分6262 AI 首次在 Stratego 上击败史上最强人类选手，仅用 16 块 GPU 训练
卡内基梅隆、MIT、纽约大学和斯坦福的研究团队开发的 AI 系统 Ataraxos 以 15 胜 1 负 4 平击败被称史上最强的 Stratego 选手 Pim Niemeijer。该研究仅用 16 块 GPU 和几千美元完成训练。Stratego 因大量隐藏信息在长时间尺度上逐步展开，此前连 DeepMind 也未能造出可靠击败顶尖人类玩家的机器。
Google ResearchAI 评分3636 Google Research 提出 Retrieve-for-Train：用 RL 编译扩散检索器绕过查询扇出推理瓶颈
Google Research 提出 Retrieve-for-Train 框架，通过离线强化学习发现奖励对齐的查询扇出并编译为监督信号，再蒸馏进一个 53.9M 参数的扩散检索器，实现推理时单次非自回归的查询扇出。
Microsoft ResearchAI 评分3838 MindTopo 基准揭示 VLM 空间推理能力短板
Microsoft Research 推出 MindTopo 基准，用于评测多模态大语言模型的拓扑推理能力，覆盖连通性、分离、顺序、包围与打结五类关系，并分为静态推理与交互规划两个层级。测试显示，现有闭源与开源模型在静态识别上明显优于交互规划，且均远低于人类水平；失败多发生在规划阶段而非感知阶段，模型在场景变化中会丢失结构关系或提出违反物理约束的动作。图像与视频生成仅在单帧保留结构约束时才有帮助。
Berkeley AI Research精选AI 评分6262 从 CUDA 到 MLX：K-Search 如何把内核优化经验带到 Apple Silicon
Berkeley AI Research 与 IBM Research 将 K-Search 进化式内核搜索框架扩展到 MLX，并加入结构化 CUDA-to-MLX 翻译层，让已有 CUDA 内核经验自动适配 Apple Silicon。
推荐理由：展示了把 CUDA 内核优化经验结构化迁移到 Apple Silicon 的方法，并给出注意力与 Mamba 两类内核的实测对比。
Berkeley AI ResearchAI 评分3434 Berkeley AI Research 提出 ABBEL：用信念状态监督 LLM 长程交互
Berkeley AI Research 提出 ABBEL 框架，将 LLM 智能体的摘要以自然语言"信念状态"形式隔离并监督，替代完整交互历史作为工作上下文。在 CollabBench 协作编程任务中，基于重建的信念评分（rec-BG）将 ABBEL 与全上下文模型的性能差距缩小约 50%，训练步数从 100 降至 50，峰值 token 长度也显著低于全上下文设置。
Berkeley AI ResearchAI 评分3232 自适应并行推理：高效推理扩展的下一个范式
伯克利 AI 研究团队梳理了并行推理领域进展，重点分析自适应并行推理——让模型自行决定何时分解并并行化独立子任务、生成多少并发线程以及如何协调。现有方法如 Self-consistency、Best-of-N、Tree of Thoughts、MCTS、ParaThinker、GroupThink、Hogwild! Inference 的并行结构多由外部设定，而非模型自主选择。
Berkeley AI ResearchAI 评分3333 GRASP：面向世界模型长时程规划的梯度规划器
Berkeley AI Research 提出梯度规划器 GRASP，通过将轨迹提升到虚拟状态实现跨时间并行优化、向状态迭代直接注入随机性以探索、并重塑梯度让动作获得清晰信号，同时避开高维视觉模型中脆弱的"状态-输入"梯度，使基于学习动力学（世界模型）的长时程规划变得实用。
Berkeley AI ResearchAI 评分3838 Berkeley AI Research 提出 SPEX 与 ProxySPEX：大规模识别 LLM 关键交互
Berkeley AI Research 提出 SPEX 与 ProxySPEX 算法，可在特征、数据与模型组件归因中大规模识别驱动 LLM 输出的关键交互。SPEX 利用稀疏性与低阶性将交互搜索转化为稀疏恢复问题，ProxySPEX 进一步借助层级结构，以约少 10 倍的消融次数达到 SPEX 的性能。