LitPivot：在文献版图中动态情境化，辅助形成研究想法
Hugging Face 与宾夕法尼亚大学合作开发了 LitPivot，一个帮助研究者在文献阅读中完成"文献触发的转向"的系统。它通过 Asta Paper Finder 检索论文，按提案中被编辑的部分（问题、贡献、评估方案）组织文献，给出附原文摘录的批评与可接受、编辑或拒绝的修改建议。
#论文/研究
Hugging Face BlogAI 评分3838
Hugging Face Blog精选AI 评分6262 微软与 Hugging Face 将数据库校验转为 RL 奖励，用 ThinkingBox 后训练智能体
微软与 Hugging Face 联合发布 ThinkingBox-Training，把 ThinkingBox 对数据库终态的校验结果直接当作强化学习奖励，用于智能体后训练。
推荐理由：微软与 Hugging Face 把数据库终态校验当作 RL 奖励，并公开了任务筛选与训练代码，可供做智能体后训练时参考。
Google DeepMindAI 评分5858 Google DeepMind 发布 ForTy 2020 全球森林类型地图
Google DeepMind 与 Google Research 联合 WRI、IIASA 发布 Forest Typology（ForTy）2020，把全球每 10×10 米地块划入六类森林与土地利用类型，作为 EUDR 的关键基线。
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。
Google ResearchAI 评分5858 Google Research 用 AI 解读盲扫超声评估孕周，误差与专家相当
Google Research 在 JAMA Network Open 发表研究，用 AI 模型解读未经专业超声培训的操作者采集的盲扫超声图像来评估孕周。在 385 名 16 至 36 周孕妇的队列中，模型平均绝对误差为 4.18 天，专家超声操作者的标准流程为 4.48 天；模型仅在芝加哥 120 名参与者的数据上微调，在内罗毕零本地优化下误差为 4.27 天。
OpenAI NewsAI 评分4040 OpenAI、PerturbAI 与 Scripps Research 用数千个 AI 智能体挖掘生物数据中的新线索
OpenAI、PerturbAI 与 Scripps Research 使用分布式 AI 智能体，从数百万个脑细胞的数据中挖掘出有前景的研究线索。该合作展示了大规模智能体协作在生物数据分析中的实际应用方式。
Hugging Face BlogAI 评分5858 Ai2 发布 FairStress 基准，评测 LLM 决策中的公平性
Ai2 发布 FairStress，一个衡量 LLM 在影响他人决策中人口统计公平性的基准，包含 300 个双候选人场景、29 个领域，组合身份呈现方式与对抗性前缀后扩展出超 1300 万个测试用例，并已集成进 Olmo-eval。
Hugging Face Blog精选AI 评分6060 ALTK-Evolve 用学习到的记忆让 GPT-4.1 客服智能体登顶 τ²-bench 零售任务
ALTK-Evolve 用 GPT-4.1 从智能体自身任务轨迹中提炼行为准则并追加到系统提示词，在 τ²-bench 零售任务上把基础 ReAct 智能体的 Pass^4 从 57.5% 提升到 67.5%，超过榜单上所有零售条目和微调模型 RAFT-30B-A3B 的 61.4%。
推荐理由：原文给出了同一套提示词级记忆在零售与航空两个客服域上的完整对照数据，可据此判断不更新权重也能提升智能体可靠性的路径。
Google Research精选AI 评分6262 Google Research 让 AI 智能体落地湿实验室：VERID 框架与闭环分子发现
Google Research 发布研究博客，介绍让 AI 智能体在湿实验室中安全执行实验的三项工作。VERID 框架为实验室工作单元构建语义数字孪生，支持实时 3D 状态追踪、快速虚拟预演、硬件安全检查与同步视频日志，案例中智能体在板读仪故障后无需重新移液即可恢复运行，并通过闭环自博弈将染料混合物重建精度提升五倍以上。
推荐理由：Google Research 用 VERID 数字孪生和闭环实验，展示智能体如何在湿实验室里自我纠错并优化分子设计。
Hugging Face Blog精选AI 评分6262 NVIDIA 与 AI4Bharat 发布 Nemotron-pretraining-Indic-v1：2.8 万亿 token 与开放数据生成流程
NVIDIA 联合 IIT Madras 的 AI4Bharat 发布 Nemotron-pretraining-Indic-v1，覆盖 22 种印度语言、约 2.8 万亿 token，并同步开放用于生成该语料的 GPU 加速数据生成流程。
推荐理由：原文公开了约 2.8 万亿 token 的语料构成与完整生成流程，读者可据此评估 Indic 预训练数据的可复用程度。
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。
Hugging Face BlogAI 评分5252 Ai2 发布 HiRO-ACEv2：以约 1/300 成本生成全球 3 km 气候数据
Ai2 发布 HiRO-ACE 系统的新版本 HiRO-ACEv2，其新的降尺度模型 HiROv2 可同时预测多个高分辨率场，不再只限于降雨，并能更准确地还原极端降雨、风速和气压事件。
Google Research精选AI 评分6262 Google 发布地理空间推理智能体技术报告与两个新基准
Google 发布地理空间推理智能体的技术报告，系统评测了四种智能体配置在四个基准上的表现，并开源了自研的 GeoExpertQueries 与 GeoKTools 两个基准的开发集。
推荐理由：Google 公开了地理空间推理智能体的技术报告与两个新基准，并给出与 WHO 等机构的实测案例，可了解专用工具与前置规划对空间推理的作用。
Microsoft ResearchAI 评分4040 微软 StudentSim：用个性化学生模拟器在真实学习者之前评估 AI 辅导
微软研究院推出 StudentSim，一个在真实学习者测试之前评估和改进 AI 辅导系统的研究系统，并非产品、不部署于课堂。它基于公开的去标识化学习记录训练个性化 AI 学生模拟器，每位学生一个模拟器，并配套推出覆盖国际象棋、第二语言英语写作和数学的 StudentSimEval 基准，从行为保真度和指导响应度两个维度评估模拟器，表现优于主流基线，可为训练 AI 辅导提供反馈信号。
Google Research精选AI 评分6666 Google Research 三个月实地实验：AI 辅助提升专利撰写产出，但初级律师无辅助判断力未同步提升
Google Research 与 NBER 发布一项为期三个月的实地实验，在 11 家知识产权律所的 133 名律师中随机开放当时未发布的 Google Labs AI 专利撰写助手（现属 Gemini Notebook）。
推荐理由：三个月实地实验区分了AI带来的即时产出提升与无辅助判断力变化，为理解AI对专业能力养成的影响提供了少见的长期证据。
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。
Google ResearchAI 评分4949 Google Earth AI 的 PDFM 地理空间基础模型如何用于全球公共卫生
Google Research 展示 Google Earth AI 的 Population Dynamics Foundation Model（PDFM）可作为即插即用的地理空间基础模型输入，无需任务特定微调即可增强现有流行病学模型。
Google ResearchAI 评分3434 Google 发布智能体隐私与安全研讨会报告：从上下文完整性视角看开放问题
Google 发布《智能体隐私与安全中的开放与新兴问题：上下文视角》研讨会报告，汇集 50 多位学界与业界专家，于 2025 年底在纽约举行的 CAPS 研讨会上完成。报告基于上下文完整性（CI）理论，提出以实时动态策略引擎作为监督层，在执行前评估智能体数据流与动作是否合乎情境，并给出系统级沙箱、模型级推理、用户控制等多层防御方向。
GitHub Blog · AI & ML精选AI 评分6262 GitHub 发布 ReviewBench：面向 AI 代码审查的开放基准
GitHub 发布 ReviewBench，一个面向 AI 代码审查智能体的开放离线基准，基于 1.039 亿个 GitHub pull request 的分布特征构建，包含来自 187 个开源仓库、覆盖 19 种语言的 219 个 pull request。
推荐理由：GitHub 公开了代码审查基准的构建方法与离线在线信号对照，读者可据此判断评测结果能否预测生产表现。
Hugging Face Blog精选AI 评分7171 微软与 Hugging Face 发布 ThinkingBox：按数据库终态给 AI 智能体打分
微软 Copilot Studio 团队与 Hugging Face 联合发布 ThinkingBox，通过隔离的 MCP 工具会话运行智能体，再依据终端后端状态和副作用而非模型生成的文字来判定任务成败。
推荐理由：微软与 Hugging Face 联合发布的智能体评测基准，用数据库终态而非模型自述来判定任务成败，并给出可复现的 OpenEnv 运行方式。
Google Research精选AI 评分6262 Google 发布基于 TEE 的新一代联邦学习系统
Google 宣布新一代联邦学习系统，利用可信执行环境（TEE）为数据匿名化提供可验证、可审计的保证，并已由 Gboard 采用。系统通过访问策略公开透明日志 Rekor、KMS 密钥管理与可复现构建，让外部审计者能核查服务端实际运行的代码。Gboard 已用该系统上线英语和日语下一词预测模型，训练瓶颈从设备端转移到服务端，计算时间较此前系统显著加快。
推荐理由：Google 公布基于 TEE 的新一代联邦学习系统设计，并给出 Gboard 已上线的落地情况，可了解隐私可验证训练的实现路径。
Hugging Face BlogAI 评分4242 ServiceNow CoreAI 推出 AutoSynthData：为企业智能体生成训练数据
ServiceNow CoreAI 构建了 AutoSynthData，利用目标模型的失败案例与更强教师的成功示范，定位能力缺口并生成、验证新的可执行训练任务，随模型提升动态调整课程。该流程在 EnterpriseOps Gym 数据集上进行了演示，生成的任务需满足可行性、真实性与难度三项属性，验证器则要求一致性、可靠性与完备性。
Microsoft ResearchAI 评分3434 微软研究院用机器学习预测电网空间天气风险，覆盖美国 66,935 座变电站
微软研究院开发了一套端到端机器学习流水线，利用 L1 太阳风观测、AE 与 Dst 指数预报及变电站所在地的纬度与地质电导率数据，为美国本土 66,935 座变电站生成 30 至 60 分钟前的局地空间天气风险估计。
Google ResearchAI 评分4040 Google Research 提出 Diffusion Controller，统一并简化 AI 图像生成控制
Google Research 提出 Diffusion Controller 框架，将扩散模型的去噪过程重构为连续控制问题，用一个轻量"转向阻尼器"网络在冻结基座模型的前提下动态调整生成轨迹。在 Stable Diffusion v1.4 上以 HPS-v2 评测，其完全解锁版本对基线模型取得 90% 胜率，并支持对闭源黑盒模型进行控制。
Hugging Face BlogAI 评分3232 Hugging Face 发布 ProvenanceGuard：面向 MCP 智能体的来源感知事实核查
Hugging Face 发布 ProvenanceGuard，一个运行在黑盒 MCP 智能体之上的生成后验证层，用于识别"跨来源混淆"——即事实本身为真但被归因到错误来源。在 281 条医疗智能体真实 trace 上，专家判定应拦截的 139 条 claim 中它拦下 138 条，来源识别准确率约 86%，并在与四种核查器的对比中取得最高分。
Google Research精选AI 评分6060 Google Research 发布 AI 视频联合导演框架，自动化生成连贯长视频
Google Research 发布 AI 视频联合导演（AI video co-director）多智能体框架，作为编排层构建在 Gemini 和 Veo 之上，用于自动化多镜头长视频生成。
推荐理由：Google 把长视频生成拆成四个可组合框架，并给出多镜头一致性与角色保持的评测结果，适合了解多智能体编排如何缓解语义漂移。
Microsoft Research精选AI 评分6262 微软研究院：将物理 AI 推理卸载到边缘或云端可提升机器人性能与续航
微软研究院对移动操作机器人工作负载做了系统性测量，发现把物理 AI 推理从机器人端侧 GPU 卸载到边缘或云端 GPU 能提升任务成功率、支持更大模型并延长续航。
推荐理由：微软研究院系统测量了机器人端侧 GPU 推理的瓶颈，并给出可复用的 Kubernetes 卸载工具链，读者可据此判断物理 AI 的部署取舍。
Microsoft ResearchAI 评分5252 微软研究院在 Nature 发表 RetroChimera 逆向合成预测模型并开源
微软研究院在 Nature 发表逆向合成模型 RetroChimera，它结合 Transformer 模型 R-SMILES 2 与图神经网络 NeuralLoc，用学习式集成排序整合两者预测。
Google ResearchAI 评分2323 Google Research 推出 MilleMiglia：面向中段物流的真实实例生成器
Google Research 发布 MilleMiglia，一个用 C++ 编写的实例生成器，用于为中段物流配送问题生成真实且保护隐私的基准数据，源码与文档已在 GitHub 公开。
Google Research精选AI 评分6060 Google Research 用生成式 UI 让教师创建互动学习模拟
Google Research 发布研究实验，让教师借助生成式 UI（GenUI）为课程目标动态生成互动式学习模拟，并同步开放 30 多个面向中学 STEM 的英文学习互动示例库。
推荐理由：Google Research 用生成式 UI 让教师按课程目标生成互动模拟，并给出教师评分与试点入口。
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。
Google ResearchAI 评分4141 Google Research 提出 ToolGrad：用文本“梯度”高效生成工具调用数据集
Google Research 提出 ToolGrad，一种“答案优先”的工具调用数据集生成范式：先生成真实工具调用链，再反推对应用户提示，替代 ToolBench、ToolACE 等依赖 DFS 试错搜索的查询优先方案。
Google ResearchAI 评分2626 Google Research 研究跨人群多基因风险评分的迁移学习
Google Research 用 UK Biobank 欧洲人群与 Biobank Japan 近 20 万日本人样本，在 8 项临床性状上评估多基因风险评分（PRS）的跨人群迁移学习效果。结果显示，目标人群样本达 15k 以上时，专用模型优于混合欧洲数据训练；遗传相关性高的性状可继续受益于 UKB 数据至 25-40k+ 样本，而 HDL、LDL 和血糖等高度人群特异性性状受益有限。
Microsoft ResearchAI 评分4242 微软 Skala 1.1 发布：训练数据增至 2.5 倍，并集成进 CP2K 等主流 DFT 软件
微软研究院发布深度学习交换关联泛函 Skala 1.1，训练数据量为此前公开版本的 2.5 倍，在 GMTKN55 基准 55 个类别中 32 项排名第一，加权平均误差 2.8 kcal/mol。Skala 现已在 CP2K 中可用，并正集成进 Psi4、FHI-aims、ORCA 和 VASP。微软同时推出持续更新的 living benchmark，追踪后续 Skala 版本的计算性能。
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。